МИРОВОЙ ИИ-ФРОНТИР: ЛИДЕРЫ, РЕЙТИНГИ И РЕАЛЬНОЕ МЕСТО РОССИИ
см. также Вадимир Петросян. Программа лидерства России в сфере ИИ. т. 1 http://proza.ru/2026/09/10/1786
********
© В.К. Петросян (Вадимир) © Lag.ru [Large Apeironic Gateway, Большой Апейронический Портал (Шлюз), Суперпортал в Бесконечность].
При копировании данного материала и размещении его на другом сайте, ссылки на соответствующие локации порталов Lag.ru и Proza.ru обязательны
Работа написана на основе концепции и разработок В.К. Петросяна при творческом и техническом участии ChatGPT 5.6. Thinking, Sol - Демичат Сапиенс (Саппи), Солярис.
*********
Стратегия глобального лидерства начинается не с декларации лидерских амбиций, а с точного определения исходной позиции.
Невозможно сформировать реалистичную программу глобального лидерства России в сфере искусственного интеллекта, не ответив предварительно на четыре вопроса:
каков реальный мировой ИИ-фронтир; кто сегодня находится на этом фронтире; как измеряется национальная ИИ-мощь; насколько далеко от лидеров находится Россия по различным компонентам этой мощности.
Ответы оказываются сложнее, чем может показаться.
Не существует единственной таблицы, которая раз и навсегда устанавливает порядок государств от первого до последнего места. Одна страна может лидировать в фундаментальных моделях, другая — в патентовании, третья — в роботизации, четвёртая — в концентрации исследователей, пятая — в государственном внедрении. Государство с очень высоким относительным уровнем ИИ-развития на душу населения может обладать значительно меньшей абсолютной мощью, чем большая страна с огромными вычислительными, финансовыми и кадровыми ресурсами.
Поэтому в настоящей Доктрине мировой ИИ-фронтир рассматривается как многомерная динамическая система, а национальное лидерство — как способность государства и расположенной в нём интеллектуально-технологической экосистемы не только использовать существующие достижения, но воспроизводить и расширять сам фронтир.
Это различение особенно важно для России.
В одних направлениях ей предстоит тяжёлая работа по сокращению уже сформировавшегося разрыва. В других мировой фронтир остаётся открытым. А в некоторых областях — LPM, Метаорганон, карионные архитектуры, ИМИ, искусственная метаэволюция разума — речь может идти уже не столько о догоняющем развитии, сколько о попытке создать новый фронтир.
Но право на такую постановку вопроса необходимо сначала доказать анализом существующего положения.
Глава 1. Что такое мировой ИИ-фронтир
1. Понятие технологического фронтира
Технологический фронтир — это не совокупность самых модных технологий и не перечень последних научных публикаций.
Под технологическим фронтиром в настоящей Доктрине понимается подвижная граница максимально развитых реально достигнутых и воспроизводимых возможностей определённого класса технологий.
В сфере искусственного интеллекта такой фронтир включает несколько взаимосвязанных слоёв.
Первый — собственно интеллектуальная мощность наиболее развитых моделей и систем.
Второй — архитектуры, посредством которых эта мощность достигается.
Третий — вычислительная база: ускорители, дата-центры, сети, память, энергетика.
Четвёртый — научная и инженерная экосистема, способная непрерывно создавать новые поколения систем.
Пятый — капитал, компании, кадры, данные, инфраструктура внедрения.
Шестой — способность преобразовывать лабораторные достижения в массовые экономические, научные, военные и государственные преимущества.
Поэтому наличие одной сильной модели ещё не означает полноценного положения страны на мировом ИИ-фронтире.
Это особенно хорошо видно по состоянию ИИ-системы середины 2020-х годов. По данным Stanford AI Index 2026, индустрия создала более 90% заметных ИИ-моделей 2025 года. При этом США выпустили 59 таких моделей, Китай — 35; одновременно Китай лидировал по объёму ИИ-публикаций, цитированию и числу выданных ИИ-патентов. То есть даже две сильнейшие ИИ-державы лидируют по разным компонентам одной системы.
Следовательно, мировой ИИ-фронтир — это не точка.
Это многомерная граница возможностей.
И государство может находиться близко к ней в одной координате и чрезвычайно далеко — в другой.
2. Текущий фронтир и следующий фронтир
Для целей настоящей Доктрины необходимо различать как минимум два фронтира.
Текущий фронтир
Это наиболее развитые технологии, которые уже существуют и демонстрируют измеримые результаты:
современные фундаментальные модели, мультимодальные системы, reasoning-модели, ИИ-агенты, автономные программные системы, генеративные модели, AI for Science, современная робототехника, специализированные научные и инженерные ИИ.
Текущий фронтир можно измерять.
Можно сравнивать модели.
Можно оценивать compute.
Можно считать инвестиции, исследователей, патенты, публикации, дата-центры и компании.
Можно устанавливать лидеров.
Следующий фронтир
Это совокупность технологических возможностей, которые ещё не стали зрелой международной отраслью, но потенциально способны изменить саму архитектуру конкуренции.
Именно здесь находится главный интерес программы-максимум.
Сегодня мировой фронтир чрезвычайно быстро движется даже внутри существующей парадигмы. Stanford AI Index 2026 отмечает, например, что разрыв в качестве лучших американских и китайских моделей сократился до нескольких процентов, а некоторые сложные benchmark-системы насыщаются значительно быстрее, чем предполагали их создатели.
Это означает, что текущая архитектура соревнования сама нестабильна.
Следующий фронтир может возникнуть из:
новых когнитивных архитектур;
новых способов представления знания;
автономных научных систем;
эволюционирующих популяций ИИ;
машинного метапознания;
новых способов организации человеко-машинного интеллекта;
искусственного метаинтеллекта.
Для России принципиально важно не смешивать эти два фронтира.
Если мы не умеем создавать конкурентоспособные системы нынешнего поколения, разговор о следующем фронтире лишается значительной части материальной основы.
Но если мы будем заниматься только нынешним фронтиром, мы рискуем постоянно воспроизводить результаты, уже созданные другими.
Поэтому национальная стратегия должна одновременно работать с:
Fронтиром настоящего — как задачей конкурентоспособности;
и
фронтиром следующего поколения — как задачей лидерства.
3. Национальная ИИ-мощь
Понятие национальной ИИ-мощи шире понятия национальной ИИ-индустрии.
Под национальной ИИ-мощью целесообразно понимать совокупную способность государства, экономики, науки и расположенных в стране интеллектуально-технологических систем создавать, воспроизводить, применять, защищать и ускоренно развивать искусственный интеллект.
В неё входят по меньшей мере пять типов способности.
Создающая способность — может ли страна самостоятельно производить передовые модели, архитектуры, алгоритмы и исследовательские результаты.
Инфраструктурная способность — располагает ли она вычислениями, энергетикой, каналами связи, облачными системами, чипами и данными.
Воспроизводящая способность — может ли экосистема регулярно создавать новое поколение технологий, а не один удачный продукт.
Масштабирующая способность — способна ли страна внедрить ИИ в экономику, науку, государство, образование и оборону.
Фронтиротворческая способность — может ли она создавать такие классы возможностей, которые затем становятся новым международным benchmark.
Последний параметр особенно важен.
Страна может быть крупным пользователем чужого ИИ и при этом обладать небольшой собственной ИИ-мощью.
Она может иметь несколько сильных исследовательских коллективов, но не иметь необходимого compute.
Может иметь огромный внутренний рынок, но зависеть от иностранных ускорителей, облачной инфраструктуры или базовых моделей.
Поэтому реальная национальная ИИ-мощь должна оцениваться именно системно.
4. Почему нельзя измерять лидерство одним показателем
Любой интегральный рейтинг неизбежно упрощает реальность.
Особенно опасны три ошибки.
Первая — измерять ИИ-лидерство только количеством публикаций.
Научное производство критически важно, но страна с большим числом статей может существенно уступать по frontier-моделям, compute и промышленному внедрению.
Вторая — измерять лидерство исключительно капиталом.
Деньги создают возможности, но не гарантируют научной продуктивности, технологического суверенитета или способности создавать новые архитектуры.
Третья — измерять лидерство качеством одной лучшей модели.
Это показывает верхнюю точку одного технологического направления, но ничего не говорит о всей национальной системе.
Хорошей иллюстрацией является современное сопоставление США и Китая. В 2025 году частные инвестиции в ИИ в США достигли, по Stanford AI Index, около 285,9 млрд долларов против 12,4 млрд долларов в Китае. Однако тот же источник отмечает, что Китай опережает США по ряду научно-публикационных и патентных показателей, а оценка только частных инвестиций недооценивает роль китайских государственных фондов.
Одна цифра здесь не описывает систему.
Поэтому в настоящей Доктрине будет применяться не один показатель, а панель индикаторов национальной ИИ-мощи, дополненная интегральной оценкой.
При этом интегральный рейтинг должен использоваться как средство анализа, а не как замена анализа.
5. Производители технологий и их пользователи
Необходимо также различать участие страны в ИИ-революции и производство ИИ-фронтира.
Условно можно выделить четыре уровня.
Первый — потребительский.
Страна активно использует иностранные ИИ-продукты.
Второй — интеграционный.
Она умеет адаптировать существующие модели к собственной экономике, языку и государственным задачам.
Третий — суверенно-производственный.
Она способна создавать собственные конкурентоспособные модели, инфраструктуру и ключевые компоненты экосистемы.
Четвёртый — фронтиротворческий.
Она создаёт технологии, которые изменяют направление мирового развития.
Для глобального лидерства России недостаточно первого и второго уровней.
Даже третий является необходимым, но не окончательным.
Цель программы-максимум — способность переходить к четвёртому.
World Bank в докладе Digital Progress and Trends Report 2025 также подчёркивает огромную концентрацию ИИ-инноваций, вычислений и финансирования в богатых странах. По его оценке, высокодоходные экономики, представляя лишь около 17% мирового населения, концентрировали 87% заметных ИИ-моделей, 86% ИИ-стартапов и 91% венчурного финансирования.
Это и есть одна из причин, почему простое распространение доступа к ИИ нельзя путать с перераспределением способности создавать ИИ.
6. Фронтирные модели и национальная экосистема
Фронтирная модель — видимая вершина значительно более крупной системы.
Под ней находятся:
исследовательские коллективы;
обучающие данные;
вычислительные мощности;
ускорители;
энергетика;
облачная инфраструктура;
инструменты обучения;
системы оценки;
инженерные кадры;
капитал;
пользовательская база;
производственные и научные приложения.
Именно поэтому сильная национальная стратегия не должна сводиться к лозунгу «создать лучшую модель».
Нужно создать машину регулярного производства моделей и следующих архитектур.
Современная концентрация compute показывает значение инфраструктурного слоя особенно наглядно. Stanford AI Index 2026 оценивает число дата-центров в США в 5 427 — более чем в десять раз выше, чем в любой другой отдельной стране по используемой в отчёте базе. Тот же отчёт подчёркивает критическую зависимость передовых AI-чипов от ограниченного числа производственных узлов, прежде всего тайваньского контрактного производства.
Следовательно, модель без экосистемы может быть достижением.
Но устойчивый фронтир без экосистемы практически невозможен.
7. Способность удерживать лидерство
Лидерство — это не занятое однажды первое место.
В ИИ оно особенно быстро обесценивается.
Сегодняшняя frontier-модель через год может оказаться средним продуктом.
Поэтому принципиальным показателем становится скорость воспроизводства превосходства.
Нужно измерять:
не только текущую лучшую систему;
но и частоту создания новых систем;
скорость перехода от лаборатории к продукту;
способность привлекать людей и капитал;
способность строить новую инфраструктуру;
способность быстро менять технологическую парадигму.
База Epoch AI хорошо демонстрирует масштаб такой динамики: она уже отслеживает тысячи исторически значимых и современных моделей, включая отдельные наборы frontier и large-scale models, причём соответствующие данные обновляются практически непрерывно.
Таким образом, национальный лидер — это не страна с одним рекордом.
Это страна, способная превратить рекорды в серийный процесс.
8. Способность создавать новый benchmark
Существует ещё более высокий тип лидерства.
Можно победить по существующим правилам.
А можно изменить сами правила соревнования.
В первом случае государство достигает существующего benchmark.
Во втором — создаёт такой технологический объект или класс возможностей, после появления которого остальные вынуждены сравнивать себя уже с ним.
Именно это будем называть фронтиротворчеством.
Для России эта категория имеет особое значение.
По существующему фронтиру она во многих отношениях вынуждена догонять.
Но в областях, где технологическая архитектура ещё не установилась, возможно иное движение.
В настоящей Доктрине в качестве кандидатов на подобные новые фронтиры рассматриваются:
LPM и MetaLPM;
Метаорганон;
карионный ИИ;
ИМИ;
агональная и ноофрактальная эволюция интеллектуальных систем.
Именно поэтому глобальное лидерство должно оцениваться не только вопросом:
кто сегодня обладает самым сильным ИИ?
Но и значительно более важным вопросом:
кто обладает наиболее мощной способностью создавать те поколения интеллекта, которых сегодня ещё не существует?
Глава 2. Как измерять глобальное лидерство в сфере ИИ
1. Интегральные международные рейтинги
Первой отправной точкой являются существующие международные индексы.
Но они отвечают на разные вопросы.
Tortoise Media Global AI Index измеряет национальную ИИ-способность через три крупных блока — Implementation, Innovation и Investment — и семь направлений, включая talent, infrastructure, operating environment, research, development, government strategy и commercial ecosystem. Последняя доступная на момент подготовки настоящей версии Доктрины пятая редакция опубликована в 2024 году и охватывает 83 государства с использованием 122 индикаторов из 24 источников.
Oxford Insights Government AI Readiness Index 2025 решает другую задачу. Он оценивает 195 правительств прежде всего с точки зрения способности государства использовать и обеспечивать применение ИИ в общественных интересах. Поэтому этот индекс чрезвычайно полезен для оценки государственного измерения ИИ, но не может самостоятельно служить рейтингом полной национальной ИИ-мощи.
Stanford AI Index, напротив, ценен прежде всего не единым местом страны в таблице, а огромной системой первичных и агрегированных показателей по моделям, инвестициям, науке, кадрам, инфраструктуре, политике и применению ИИ. Версия 2026 года является одной из базовых источниковых опор настоящей Доктрины.
Следовательно, наша методика не должна копировать один из этих индексов.
Она должна синтезировать их сильные стороны.
2–5. Модели, вычисления, чипы и облачная инфраструктура
Фундаментальные и frontier-модели показывают способность страны создавать наиболее сложные современные интеллектуальные системы.
Но модельная мощь невозможна без compute.
Поэтому необходимо отдельно оценивать:
объём доступных высокопроизводительных вычислений;
крупнейшие национальные AI-кластеры;
парк ускорителей;
доступ к передовым чипам;
способность проектировать и производить критические аппаратные компоненты;
облачную инфраструктуру;
энергетическую обеспеченность вычислительных центров.
В современных условиях аппаратный слой становится вопросом не просто эффективности, а технологического суверенитета.
World Bank прямо характеризует compute как своеобразное «новое электричество» ИИ-эпохи и подчёркивает его глобально неравномерное распределение.
6–8. Наука, цитирование и патенты
Научный потенциал необходимо оценивать как минимум по двум различным характеристикам:
объёму производства знания и влиянию произведённого знания.
Количество публикаций без учёта качества может вводить в заблуждение.
Поэтому наряду с публикационной активностью должны использоваться:
цитируемость;
доля высокоцитируемых работ;
позиции ведущих университетов и лабораторий;
вклад в новые методы и архитектуры;
участие в frontier-development.
Патенты отражают ещё один тип способности — оформление и потенциальную коммерциализацию изобретений.
Но и здесь простое количество патентов недостаточно.
Необходимо учитывать их международное распространение, цитирование, технологическую значимость и владельцев.
Темпы роста чрезвычайно высоки. По данным WIPO, число опубликованных семейств патентов в области генеративного ИИ выросло приблизительно с 14 тыс. в 2023 году до 37,8 тыс. в 2025 году; GenAI составил уже 8,7% всех опубликованных AI patent families в 2025 году.
9–10. ИИ-кадры и движение талантов
ИИ — одна из наиболее кадровозависимых современных технологий.
При этом важны не только абсолютные числа специалистов.
Необходимо оценивать:
плотность высококвалифицированных исследователей;
число разработчиков;
подготовку PhD;
ведущие университеты;
международную мобильность;
приток и отток талантов;
способность удерживать ведущих исследователей.
Это особенно важно потому, что кадровые потоки меняются быстрее, чем формальные образовательные системы.
Stanford AI Index 2026, например, фиксирует заметное сокращение притока зарубежных ИИ-исследователей и разработчиков в США по сравнению с прежними годами, хотя США сохраняют крупнейшую концентрацию ИИ-таланта.
Следовательно, даже лидерство в кадрах не является необратимым.
11–13. Капитал, государство, компании и стартапы
Развитие frontier AI требует огромного объёма капитала.
Поэтому необходимо отдельно измерять:
частные инвестиции;
венчурные инвестиции;
корпоративные капитальные расходы;
государственные программы;
закупки;
финансирование суперкомпьютерной инфраструктуры;
число новых ИИ-компаний;
стоимость и зрелость национальной ИИ-экосистемы.
OECD в отдельном исследовании 2026 года анализирует венчурные инвестиции в ИИ до конца 2025 года и подчёркивает их роль в формировании национальных ИИ-экосистем.
Однако деньги нужно учитывать осторожно.
Объявленная государственная программа финансирования не равна фактически израсходованным средствам.
Оценка компании не равна инвестиции в R&D.
Капитальные расходы облачного гиганта не полностью относятся к ИИ.
Поэтому каждый показатель должен сопровождаться определением его содержания.
14–18. Внедрение как превращение потенциала в мощь
Можно иметь сильную науку и слабое экономическое внедрение.
Поэтому национальная ИИ-мощь должна учитывать не только производство технологии, но и её социально-экономическую материализацию.
Отдельно должны оцениваться:
промышленное внедрение;
государственное применение;
ИИ для науки;
робототехника и embodied AI;
оборонное использование.
При этом последний блок особенно сложен: значительная доля данных засекречена, а открытые оценки часто неполны.
Поэтому по оборонному ИИ в дальнейшем будет необходимо использовать отдельный класс источников и указывать степень достоверности каждого вывода.
19. Международные стандарты и влияние
Технологическое лидерство включает способность определять правила.
Государство может влиять на:
международные технические стандарты;
нормы безопасности;
экспортные режимы;
архитектуру открытых платформ;
режимы данных;
международные институты управления ИИ.
Это своеобразная нормативная мощь.
Она не заменяет технологической, но способна усиливать её.
Страна, формирующая стандарт, частично формирует среду, в которой затем конкурируют остальные.
20. Технологический суверенитет
Суверенитет нельзя понимать как требование производить абсолютно всё внутри собственных границ.
В сложных глобальных технологических системах это зачастую экономически нерационально.
Но необходимо различать обычную взаимозависимость и критическую одностороннюю зависимость.
Национальная ИИ-система должна иметь приемлемую устойчивость по критическим компонентам:
compute;
чипы;
модели;
данные;
облака;
энергия;
ключевое программное обеспечение;
кадры.
Поэтому технологический суверенитет — это прежде всего способность продолжать развитие и применение критических ИИ-систем при ухудшении доступа к внешним ресурсам.
Для России этот показатель будет иметь существенно больший вес, чем для многих стран, действующих внутри единого технологического пространства союзников.
21. Методика интегральной оценки национальной ИИ-мощи
Для настоящей Доктрины предлагается не один «магический» индекс, а трёхуровневая система.
Первый уровень — абсолютная ИИ-мощь
Она показывает реальный масштаб национальной системы.
Именно этот показатель важнее всего для оценки глобального силового и технологического баланса.
Второй уровень — ИИ-интенсивность
Он показывает результат относительно:
населения;
ВВП;
размеров экономики;
доступных ресурсов.
Это позволяет увидеть небольшие, но чрезвычайно эффективные ИИ-государства.
Tortoise применяет аналогичное различение scale и intensity; в его методологии абсолютные и относительные показатели имеют различный вес.
Третий уровень — фронтиротворческий потенциал
Это наиболее необычная для нашей Доктрины часть.
Необходимо оценивать не только сегодняшнюю мощь, но способность государства создавать следующий технологический фронтир.
Здесь должны учитываться:
оригинальность исследовательских направлений;
число новых архитектур;
способность быстро создавать новые поколения систем;
метаинтеллектуальная инфраструктура;
готовность к высокорисковым frontier-программам;
способность превращать научные идеи в новые мировые benchmark.
Таким образом, итоговая оценка будет отвечать сразу на три разных вопроса:
Сколько ИИ-мощи имеет страна сегодня?
Насколько эффективно она использует свои ресурсы?
Насколько вероятно, что она будет определять завтрашний фронтир?
Именно такая трёхмерная оценка необходима для стратегии глобального лидерства России.
Глава 3. Источники данных о мировом ИИ-фронтире
Измерение столь сложного и быстро развивающегося объекта требует особой дисциплины работы с источниками.
В настоящей Доктрине будет использоваться принцип:
ни одна значимая цифра о текущем состоянии мирового ИИ-фронтира не должна существовать без даты, определения показателя и проверяемого источника.
Для динамических показателей желательно также указывать предыдущие значения, чтобы различать положение и тенденцию.
1. Stanford AI Index
Базовым источником становится ежегодный Stanford AI Index.
Версия 2026 года охватывает:
исследования и разработки;
технические возможности;
инвестиции;
экономическое применение;
науку;
медицину;
образование;
политику и управление;
общественное восприятие.
Его главное преимущество — не единый рейтинг государств, а большое число взаимосвязанных показателей и использование множества внешних наборов данных. Stanford определяет своей миссией создание глобально собранной и тщательно проверенной эмпирической базы по развитию ИИ.
Для настоящей Доктрины Stanford AI Index будет одним из основных источников при оценке:
моделей;
инвестиций;
исследований;
кадров;
инфраструктуры;
применения;
национальной политики.
2. Global AI Index
Второй важный источник — Global AI Index Tortoise Media.
Здесь необходимо сразу зафиксировать временное ограничение.
На момент подготовки настоящей версии книги последняя найденная официальная редакция Tortoise относится к 19 сентября 2024 года. Поэтому использовать её как будто это рейтинг 2026 года нельзя.
Однако методологически она остаётся чрезвычайно полезной.
Индекс охватывает 83 страны и строится на трёх блоках:
Implementation;
Innovation;
Investment.
Внутри них рассматриваются talent, infrastructure, operating environment, research, development, government strategy и commercial ecosystem.
Его данные будут использоваться прежде всего для:
исторического сравнения;
анализа структуры национальной ИИ-мощи;
сопоставления scale и intensity;
проверки устойчивости позиций стран в разных рейтингах.
3. Oxford Insights
Government AI Readiness Index 2025 Oxford Insights оценивает 195 государств.
В новой методологии центральный вопрос сформулирован как способность правительства использовать ИИ в общественных интересах, причём учитывается не только непосредственное государственное применение, но и роль государства как регулятора, покупателя и создателя условий развития ИИ.
Следовательно, данный индекс особенно важен для оценки:
государственной готовности;
политических институтов;
инфраструктуры;
управления рисками;
способности государства стимулировать национальную ИИ-экосистему.
Но его нельзя механически принимать за общий рейтинг ИИ-мощи.
4. OECD
OECD и OECD.AI дают важный массив информации по:
государственной ИИ-политике;
рынкам труда;
навыкам;
инвестициям;
венчурному капиталу;
внедрению;
экономическим последствиям ИИ.
Особенно ценным для настоящей версии является исследование OECD 2026 года по венчурным инвестициям в ИИ до конца 2025 года, построенное на данных Preqin.
OECD будет использоваться прежде всего для проверки экономических и инвестиционных показателей и международной сопоставимости государственных политик.
5. WIPO
Для измерения изобретательской и патентной активности ключевым источником является World Intellectual Property Organization.
WIPO выпускает специализированную AI patent analytics.
Особое значение имеет обновление Technology SPARK 2026 по генеративному ИИ, доводящее анализ до 2025 года.
WIPO позволяет оценивать:
динамику патентования;
страны происхождения изобретений;
крупнейших владельцев портфелей;
технологические направления;
международную активность.
При этом патентные показатели должны использоваться вместе с другими критериями: высокая патентная активность сама по себе ещё не доказывает лидерства в frontier-моделях.
6. World Bank
Важным дополнительным источником является Digital Progress and Trends Report 2025: Strengthening AI Foundations Всемирного банка.
Доклад предлагает удобную систему четырёх базовых условий ИИ-развития:
connectivity; compute; context; competency.
То есть:
связность и инфраструктура;
вычислительные мощности;
данные и локальный контекст;
компетенции.
Для настоящей Доктрины особенно важна его концепция глобального AI divide — неравномерности доступа не только к приложениям ИИ, но к фундаментальным условиям их создания и адаптации.
7. Международные базы научных публикаций
Для научного блока должны использоваться несколько независимых библиометрических систем.
В зависимости от показателя это могут быть:
Scopus;
Web of Science;
OpenAlex;
Dimensions;
Semantic Scholar;
специализированные базы ведущих конференций и журналов.
Использование нескольких систем необходимо из-за различий:
в охвате;
классификации ИИ;
учёте конференционных публикаций;
определении аффилиации;
методике подсчёта цитирования.
В области ИИ это особенно важно, поскольку конференции зачастую играют существенно большую роль, чем во многих традиционных научных дисциплинах.
8. Базы патентов
Наряду с агрегированной аналитикой WIPO необходимо использовать первичные и специализированные патентные базы:
WIPO PATENTSCOPE;
EPO;
национальные патентные ведомства;
международные аналитические системы.
Для сопоставления стран необходимо различать как минимум:
патентную заявку;
выданный патент;
патентное семейство;
международное патентное семейство.
Иначе одно и то же изобретение может быть несколько раз учтено как разные патенты.
9. Данные о frontier-моделях
Это один из наиболее динамичных классов данных.
Здесь целесообразно комбинировать несколько источников.
Stanford AI Index даёт исторически сопоставимый макроуровень.
Epoch AI ведёт постоянно обновляемую базу тысяч моделей и отдельно выделяет notable, frontier и large-scale systems; его frontier datasets были обновлены в сентябре 2026 года.
Artificial Analysis позволяет сопоставлять современные модели по комплексным наборам benchmark-тестов, стоимости и производительности. Его индекс постоянно меняет состав испытаний по мере насыщения старых benchmark; версия v4.3, опубликованная в сентябре 2026 года, использует десять различных evaluation-направлений.
Именно постоянная замена benchmark показывает одну из центральных проблем измерения фронтира:
модельная гонка развивается быстрее, чем многие системы её измерения.
Поэтому результаты моделей в книге всегда должны иметь дату измерения.
10. Данные о вычислительных кластерах
Оценка национального AI-compute является одной из самых сложных задач.
Необходимо сочетать данные:
о дата-центрах;
суперкомпьютерах;
AI-ускорителях;
облачных мощностях;
крупных обучающих кластерах;
энергопотреблении;
государственных суперкомпьютерных программах.
При этом существенная часть коммерческой информации не раскрывается.
Поэтому в дальнейшем мы должны разделять:
документированную вычислительную мощность;
оценочную мощность;
объявленные проекты будущих мощностей.
Смешивать эти категории в одной цифре нельзя.
11. Данные о полупроводниковой промышленности
Полупроводниковая база потребует отдельной системы источников.
Необходимо учитывать:
проектирование AI-чипов;
контрактное производство;
литографию;
HBM и другую память;
advanced packaging;
оборудование;
материалы;
производственные мощности.
Современная цепочка чрезвычайно глобализирована, поэтому термин «страна производит ИИ-чип» требует уточнения: где разработана архитектура, где изготовлен кристалл, где произведена память, где выполнена упаковка.
Stanford AI Index 2026 прямо подчёркивает высокую концентрацию производства ведущих AI-чипов на тайваньских мощностях TSMC.
Это одновременно технологическая и геополитическая характеристика мирового фронтира.
12. Венчурная статистика
Для оценки частных инвестиций необходимо комбинировать:
Stanford AI Index;
OECD;
Preqin;
PitchBook;
Crunchbase;
корпоративную отчётность;
данные инвестиционных фондов.
Особое внимание необходимо уделять разграничению:
венчурных инвестиций;
слияний и поглощений;
корпоративных инвестиций;
капитальных расходов;
государственных фондов;
объявленных будущих обязательств.
Иначе международное сравнение быстро становится статистически некорректным.
13. Корпоративные отчёты
ИИ-фронтир сегодня в значительной степени создаётся компаниями.
Stanford фиксирует, что более 90% notable AI models 2025 года произведены индустрией.
Следовательно, невозможно оценивать национальную ИИ-мощь только через государственную и академическую статистику.
Необходим анализ:
годовых отчётов;
R&D;
капитальных затрат;
дата-центров;
облачной инфраструктуры;
модельных релизов;
числа пользователей;
стоимости inference;
корпоративных патентов.
Но корпоративная информация требует проверки: маркетинговое заявление о новой технологии не равно независимо подтверждённому результату.
14. Национальные ИИ-стратегии
Национальные стратегии позволяют оценивать:
цели государства;
масштаб амбиций;
институциональную архитектуру;
объявленные инвестиции;
направления технологического суверенитета;
поддержку вычислительной инфраструктуры;
систему подготовки кадров.
Однако здесь особенно важно различать:
стратегию;
финансовое обязательство;
реально профинансированную программу;
достигнутый результат.
В международных рейтингах эти уровни иногда оказываются слишком близко друг к другу.
В настоящей Доктрине они должны быть разведены.
15. Ограничения международной статистики
Любая попытка построить точный рейтинг ИИ-держав сталкивается с фундаментальными ограничениями.
Часть данных имеет временной лаг.
Часть является коммерческой тайной.
Часть — государственной тайной.
Национальные определения различаются.
Китайские, американские, европейские и российские финансовые показатели могут иметь различную структуру.
Патенты не равны технологиям.
Публикации не равны промышленной мощности.
Количество GPU не равно эффективно доступному compute.
Объявленные инвестиции не равны реализованным.
Даже benchmark моделей быстро устаревают.
Кроме того, сама конструкция интегрального индекса зависит от выбранных весов. Академические исследования методологии национальных AI indices показывают, что изменение весов способно менять положение государств в итоговой таблице.
Поэтому интегральный рейтинг должен сопровождаться анализом чувствительности.
Если страна занимает, например, 8-е место только при одной специфической системе весов, но перемещается между 8-м и 20-м при разумных альтернативных весах, честнее говорить именно о диапазоне.
16. Проблема сопоставимости рейтингов
Разные рейтинги не обязаны давать одинаковый результат.
Это не обязательно означает, что один из них ошибочен.
Часто они просто отвечают на разные вопросы.
Global AI Index Tortoise спрашивает прежде всего о национальной способности в инвестициях, инновациях и внедрении.
Oxford Insights — о готовности государства использовать ИИ в общественных интересах.
Stanford AI Index вообще не сводит мировой ИИ к одной международной лиговой таблице, а показывает множество отдельных измерений.
World Bank особенно акцентирует фундаментальные условия участия — connectivity, compute, context и competency.
Поэтому методологически правильный подход состоит не в поиске «единственно истинного рейтинга», а в триангуляции данных.
Для каждой страны необходимо установить:
где она находится по разным индексам;
почему позиции различаются;
какие сильные стороны поднимают её рейтинг;
какие слабости понижают;
как меняется положение во времени;
какова её абсолютная ИИ-мощь;
какова интенсивность;
насколько суверенна система;
и главное — насколько страна способна создавать следующий фронтир.
На этой основе в следующей главе будет построена первая десятка мировых ИИ-держав, причём не путём механического копирования одной существующей таблицы, а посредством сопоставления международных рейтингов и первичных показателей.
А затем тот же аппарат будет применён к России.
Это позволит перейти от вопроса:
«Какое место России хочется видеть?»
к значительно более полезному:
«Какое место Россия занимает реально, из каких компонентов складывается это положение и что именно необходимо изменить, чтобы за пять лет радикально повысить её ИИ-мощь?»
И только после такого диагноза можно всерьёз переходить от программы глобального лидерства как идеи к программе глобального лидерства как измеримой системе действий.
********
Глава 4. Первая десятка ИИ-держав мира
1. Метод определения первой десятки
Понятие «первая десятка ИИ-держав» требует более строгого определения, чем обычное ранжирование стран по одному международному индексу.
Разные рейтинги дают заметно различающиеся результаты.
Например, последняя версия Stanford Global AI Vibrancy Tool, опубликованная в конце 2025 года и использующая главным образом данные за 2024 год, выводит на первые десять мест США, Китай, Индию, Южную Корею, Великобританию, Сингапур, Испанию, ОАЭ, Японию и Канаду. США получили 78,60 балла, Китай — 36,95, Индия — 21,59; уже между первым и третьим местом виден огромный разрыв.
Global AI Index компании Tortoise за 2024 год даёт другую десятку: США, Китай, Сингапур, Великобритания, Франция, Южная Корея, Германия, Канада, Израиль и Индия. Tortoise при этом использует 122 индикатора и сознательно сочетает абсолютную мощь со сравнительной «интенсивностью» ИИ-развития.
Различие закономерно. Индекс, в котором большой вес получают государственная готовность, общественное отношение или показатели на душу населения, будет благоприятствовать одним государствам. Индекс, ориентированный на абсолютный compute, frontier-модели, капитал и масштаб промышленной экосистемы, — другим.
Для настоящей Доктрины необходим иной критерий.
Нас интересует прежде всего глобальная ИИ-мощь, то есть способность не только применять искусственный интеллект, но систематически создавать его следующие поколения.
Поэтому в рабочей методике версии 1.0 предлагается семь компонентов:
Компонент Рабочий вес
Frontier-модели и архитектурные инновации 22%
Вычислительная база 18%
Научный потенциал 15%
Капитал и коммерческая экосистема 15%
Кадры 10%
Масштаб внедрения 10%
Технологический суверенитет 10%
Эти веса не являются «законом природы». Они отражают предмет данной Доктрины. Для нас способность порождать новый фронтир важнее, например, общественного отношения к ИИ как самостоятельного показателя.
Отдельно в последующих версиях целесообразно рассчитывать фронтиротворческий индекс, включающий оригинальность архитектурных разработок, скорость появления новых поколений систем и способность создавать новые мировые benchmark.
2. Интегральный рейтинг
На основе сопоставления Stanford AI Index 2026, Stanford Global AI Vibrancy Tool 2025, Tortoise Global AI Index, Oxford Insights, данных по инвестициям, notable models, compute, патентам, научным публикациям и промышленному внедрению предлагается следующая рабочая первая десятка ИИ-держав на 2026 год.
Место Государство Главный источник силы
1 США Frontier-модели, капитал, compute, облака, чип-дизайн, глобальная экосистема
2 Китай Наука, модели, промышленное внедрение, робототехника, масштаб, государственная мобилизация
3 Великобритания Исследования, AI-компании, капитал, кадры, институты
4 Южная Корея Полупроводники, робототехника, патенты, собственные модели
5 Индия Масштаб кадров, исследования, внедрение, быстрорастущая экосистема
6 Франция Frontier-модели, европейский научный центр, капитал, государственная стратегия
7 Сингапур Кадровая и инфраструктурная интенсивность, внедрение, государственная эффективность
8 Германия Наука, промышленный ИИ, compute-инфраструктура, инженерная база
9 Япония Робототехника, промышленность, аппаратные технологии, исследования
10 Канада Фундаментальная школа ИИ, кадры, капитал, исследовательская инфраструктура
Это не окончательный мировой рейтинг, а рабочая синтетическая оценка Доктрины.
Особенно неустойчивы места приблизительно с 3-го по 12-е. Израиль, ОАЭ, Нидерланды и в некоторых методиках Испания вполне способны вытеснить отдельные страны из приведённой десятки. Напротив, первые два места значительно более устойчивы: современная глобальная ИИ-система фактически имеет две ИИ-сверхдержавы — США и Китай — и большой второй эшелон. Это соответствует и выводам Stanford AI Index 2026, и Oxford Insights, которые описывают мировую картину как всё более американо-китайскую по верхнему технологическому фронтиру.
Поэтому точнее говорить не о равномерной десятке, а о структуре:
ИИ-сверхдержавы: США и Китай.
Фронтирные державы второго уровня: Великобритания, Южная Корея, Индия, Франция.
Сильные специализированные ИИ-державы: Сингапур, Германия, Япония, Канада и несколько государств непосредственно за границей первой десятки.
3. Рейтинг по frontier-моделям
Именно здесь мировая концентрация оказывается наиболее жёсткой.
По детальной таблице Epoch AI, включённой в Stanford AI Index 2026, в 2025 году на США приходилось 50 notable AI models, на Китай — 30, на Южную Корею — 5. В выборке отдельных остальных стран Канада, Франция и Великобритания имели по одной модели.
При этом внутри организаций лидировали OpenAI — 19 notable models, Google — 12, Alibaba — 11, Anthropic — 7, xAI — 5, DeepSeek и LG AI Research — по 4.
Здесь необходимо отметить источниковую тонкость. Сводная интернет-страница Stanford AI Index 2026 приводит цифры 59 моделей для США и 35 для Китая, тогда как график и таблица непосредственно в исследовательской главе, основанные на Epoch AI, показывают 50 и 30.
Для настоящей версии книги разумно использовать главный chapter-level dataset — 50 и 30, поскольку он непосредственно привязан к таблице Epoch, а перед окончательной публикацией ещё раз зафиксировать актуальный snapshot данных. Сам факт расхождения также иллюстрирует, насколько быстро меняется измеряемый объект.
По качеству разрыв ещё меньше. На март 2026 года Stanford фиксировал верхнюю группу Arena: Anthropic — 1503, xAI — 1495, Google — 1494, OpenAI — 1481, Alibaba — 1449, DeepSeek — 1424. Лучшие американские и китайские системы неоднократно менялись местами, а разрыв между лучшей американской и лучшей китайской моделью оценивался всего примерно в 2,7%.
Следовательно, первый вывод чрезвычайно важен:
по количеству воспроизводимых frontier-разработок США пока лидируют; по качеству лучших отдельных моделей Китай фактически приблизился к паритету.
Все остальные страны находятся значительно ниже этих двух центров.
4. Рейтинг по вычислительной базе
Здесь получить честный интегральный рейтинг ещё сложнее, чем по моделям.
Публично неизвестно точное количество и загрузка всех AI-ускорителей, принадлежащих государствам и компаниям. Более того, один дата-центр может быть на порядки мощнее другого.
Однако хороший инфраструктурный прокси даёт география дата-центров.
По данным Stanford AI Index 2026, в 2025 году США имели 5427 дата-центров, Германия — 529, Великобритания — 523, Китай — 449, Канада — 337, Франция — 322, Австралия — 314, Нидерланды — 298, Россия — 251, Япония — 222. Сам Stanford предупреждает, что количество объектов не отражает их размер и фактическую вычислительную мощность.
Поэтому формальный рейтинг «по числу дата-центров» нельзя называть рейтингом AI-compute.
Если учитывать гиперскейлеров, доступ к ведущим ускорителям, крупнейшие training clusters, облака и способность масштабировать frontier-model training, реальная верхняя часть выглядит приблизительно так:
США — несомненное первое место; Китай — второе; далее с большим отрывом располагается группа Великобритании, Германии, Франции, Канады, Японии, Южной Кореи и Сингапура.
Общая мировая AI compute capacity с 2022 года, по Stanford, росла приблизительно в 3,3 раза ежегодно и достигла около 17,1 млн H100-equivalent units. Более 60% оценённой мощности связано с Nvidia; значительные собственные ускорители имеют Google и Amazon, а Huawei занимает пока меньшую, но растущую долю.
Таким образом, вычислительная мощь сегодня одновременно является и национальным ресурсом, и глобальной сетью взаимозависимостей.
5. Рейтинг по научному потенциалу
Научное лидерство имеет две разные стороны: масштаб производства знаний и влияние лучших работ.
По объёму публикаций и общей доле цитирования Китай сегодня вышел на первое место. В 2024 году на Китай приходилось около 17,8% мировых публикаций по ИИ и 20,6% их цитирований.
Но если взять 100 наиболее цитируемых AI-публикаций 2024 года, картина иная:
Страна/территория Публикаций в top-100
США 46
Китай 41
Гонконг 15
Австралия 14
Великобритания 9
Германия 8
Швейцария 7
Сингапур 6
Канада 5
Индия 4
Одна работа может иметь авторов из нескольких стран, поэтому сумма превышает 100.
Стратегически важнее другое: США снизились с 64 таких публикаций в 2021 году до 46 в 2024 году, тогда как Китай вырос с 33 до 41.
Это означает реальное сближение двух научных систем.
6. Рейтинг по капиталу
По частному капиталу лидерство США носит почти аномальный характер.
В 2025 году Stanford оценивал частные инвестиции в ИИ следующим образом:
Место Страна Частные инвестиции в ИИ, 2025
1 США $285,88 млрд
2 Китай $12,41 млрд
3 Великобритания $5,90 млрд
4 Франция $4,36 млрд
5 Канада $4,28 млрд
6 Индия $4,09 млрд
7 Германия $3,89 млрд
8 Израиль $3,58 млрд
9 Австралия $2,52 млрд
10 Саудовская Аравия $2,03 млрд
Сингапур получил около $1,82 млрд, Южная Корея — $1,78 млрд, Япония — $1,11 млрд.
Американские $285,9 млрд превышали китайский частный показатель примерно в 23 раза и британский — почти в 49 раз.
Однако сравнение США и Китая исключительно по частному капиталу вводит в заблуждение. Stanford отдельно отмечает китайские government guidance funds и оценивает, что в 2000–2023 годах через них в AI-компании могло быть направлено около $184 млрд.
Поэтому США безусловно являются мировым центром рыночной капитализации AI-развития, но реальный разрыв по совокупной национальной мобилизации ресурсов меньше отношения 23:1.
7. Рейтинг по кадрам
США сохраняют крупнейший в мире абсолютный пул ИИ-исследователей и разработчиков. Однако Stanford фиксирует тревожную для США тенденцию: приток таких специалистов в страну сократился на 89% по сравнению с 2017 годом и примерно на 80% только за последний год наблюдения.
По показателям на душу населения особенно выделяются Швейцария и Сингапур.
Tortoise, измеряя более широкий кадровый потенциал, ставил США на первое место, а Индию — на второе, подчёркивая её огромный пул разработчиков, инженеров и специалистов информационных технологий. При этом по узкой группе высокоспециализированных research scientists положение Индии заметно ниже.
Следовательно, кадровый рейтинг необходимо разделять как минимум на:
массовую инженерную базу;
элитных исследователей frontier-уровня;
способность привлекать международные таланты;
способность удерживать их.
По первой характеристике Индия становится одним из крупнейших игроков мира.
По второй до сих пор особенно сильны США, Китай, Великобритания, Канада и несколько небольших европейских и азиатских исследовательских центров.
8. Рейтинг по внедрению
Здесь особенно опасно составлять единую таблицу.
Если измерять бытовое использование генеративного ИИ, лидерами могут оказаться небольшие богатые государства. Stanford, например, оценивал проникновение генеративного ИИ в Сингапуре примерно в 61%, тогда как показатель США составлял около 28,3%.
Если измерять применение ИИ работниками, более 80% респондентов сообщали об использовании ИИ в Индии, Китае, ОАЭ и ряде других быстро цифровизирующихся экономик.
Если же измерять физическую интеллектуализацию производства, картина совершенно иная.
В 2024 году Китай установил около 295 тыс. промышленных роботов — 54% мирового объёма. Япония установила 44,5 тыс., США — 34,2 тыс., Южная Корея — 30,6 тыс., Германия — 27 тыс.
Следовательно, понятие «внедрение ИИ» должно раскладываться на:
потребительское внедрение;
корпоративное внедрение;
промышленное внедрение;
государственное внедрение;
роботизацию и physical AI.
В совокупности особенно сильны Китай, США, Южная Корея, Япония, Германия, Сингапур и Индия, но по совершенно разным причинам.
9. Рейтинг по технологическому суверенитету
Это ещё более сложный показатель.
Сегодня практически ни одна страна не является полностью самодостаточной по всей цепочке:
оборудование ; литография ; fabs ; HBM ; ускорители ; сети ; облака ; модели ; приложения.
Даже США сохраняют стратегическую зависимость от TSMC: Stanford отмечает, что одна тайваньская компания производит подавляющую часть ведущих AI-чипов.
Поэтому следует говорить не об абсолютной автократии, а о степени контролируемости критического стека.
В этом смысле две наиболее полные системы — американская и китайская.
США имеют ведущий дизайн ускорителей, крупнейшие облака, frontier labs, капитал и глобальные программные платформы, но частично зависимы от азиатского производства.
Китай имеет собственные модели, облака, дата-центры, растущую аппаратную платформу, телекоммуникационную и производственную базу, однако остаётся ограничен в некоторых наиболее передовых звеньях полупроводниковой цепочки.
Южная Корея, Япония, Тайвань и Нидерланды обладают отдельными критическими аппаратными компетенциями мирового значения, но не полным AI-стеком.
Великобритания, Франция и Канада сильнее в моделях, исследованиях и кадрах, но значительно зависимее в аппаратной части.
Отсюда важный вывод:
технологический суверенитет ИИ — это не производство всего самостоятельно, а отсутствие единственной внешней точки, отключение которой способно остановить национальную интеллектуальную эволюцию.
10. Сводная карта глобальной ИИ-мощи
В предельно сжатом виде мировая система выглядит следующим образом.
Страна Frontier Compute Наука Капитал Кадры Внедрение Суверенитет
США доминирующий доминирующий мировой лидер доминирующий мировой лидер очень высокий очень высокий
Китай почти паритет с США очень высокий мировой лидер высокий, смешанный очень высокий мировой лидер по промышленному масштабу высокий
Великобритания высокий высокий высокий №3 высокий высокий средний
Южная Корея высокий специализированный высокий высокий средний высокий очень высокий высокий
Индия пока ограниченный растущий высокий масштаб высокий/растущий очень высокий очень высокий растущий
Франция высокий европейский высокий высокий №4 высокий высокий средний
Сингапур специализированный высокий относительно масштаба высокий высокий относительно размера мировой лидер по интенсивности очень высокий средний
Германия средний высокий высокий высокий высокий очень высокий промышленный средний/высокий
Япония средний высокий высокий средний высокий мировой лидер в робототехнике высокий аппаратный
Канада средний высокий высокий №5 высокий средний/высокий средний
Главная характеристика карты — резкая асимметрия.
Первый мировой эшелон фактически состоит из двух государств.
Поэтому стратегическая задача России не может состоять только в том, чтобы стать «одиннадцатой или девятой страной» по некоторому индексу.
Для настоящего лидерства необходима способность открыть новую координату соревнования.
Глава 5. США как действующий центр мирового ИИ-фронтира
1. Frontier laboratories
Американское лидерство начинается с беспрецедентной концентрации frontier labs.
На март 2026 года четыре первые организации в Arena-рейтингe Stanford представляли американскую корпоративную экосистему: Anthropic, xAI, Google и OpenAI. Следом шли китайские Alibaba и DeepSeek.
В 2025 году OpenAI выпустила 19 notable models, Google — 12, Anthropic — 7, xAI — 5. Уже только эти четыре организации обеспечили значительную долю мирового frontier-model production.
Особенность американской системы заключается не просто в количестве сильных компаний.
Она обладает несколькими независимыми центрами frontier-разработки одновременно.
Это крайне важно с эволюционной точки зрения. Если одна архитектурная линия оказывается неудачной, система в целом продолжает экспериментировать через конкурирующие компании.
Фактически американский ИИ-фронтир уже имеет элементы естественного технологического агона:
OpenAI ; Anthropic ; Google ; xAI ; Meta ; Nvidia ; десятки более специализированных центров.
Государство не проектирует каждый следующий алгоритм. Оно создаёт условия, в которых множество крупных интеллектуально-финансовых субъектов борются за лидерство.
2. Фундаментальные модели
США остаются крупнейшим мировым производителем notable AI models.
Как отмечалось выше, детальный набор Epoch/Stanford даёт 50 американских моделей в 2025 году против 30 китайских и 5 южнокорейских.
Однако количественное лидерство уже нельзя путать с прежним качественным превосходством.
На протяжении 2025 года китайские и американские модели несколько раз менялись местами на верхних позициях. К марту 2026 года разрыв между лучшей американской и лучшей китайской системой сократился до нескольких процентов.
Это означает изменение характера американского лидерства.
Ещё несколько лет назад оно основывалось одновременно на:
большем числе моделей;
лучших моделях;
большем compute;
большем капитале.
Теперь второе преимущество резко уменьшилось.
Следовательно, Америка сохраняет преимущество прежде всего благодаря глубине воспроизводящей экосистемы, а не гарантированному интеллектуальному превосходству каждой отдельной модели.
3. Вычислительная инфраструктура
Здесь преимущество США значительно устойчивее.
В стране находится около 5427 дата-центров — более чем в десять раз больше, чем в любом другом отдельном государстве по базе Cloudscene, использованной Stanford.
Но важнее количества самих зданий другая характеристика: США являются родиной крупнейших мировых hyperscalers.
Amazon Web Services, Microsoft Azure, Google Cloud, Oracle и собственные инфраструктуры крупнейших AI-компаний создают огромный внутренний рынок compute.
Американская система объединяет:
дизайн AI-чипов ; облака ; дата-центры ; frontier labs ; модели ; глобальные приложения.
Именно вертикальная связанность этих слоёв делает compute не пассивной инфраструктурой, а элементом конкурентного ускорителя.
Американская AI Action Plan 2025 прямо делает строительство дата-центров, энергетики, сетей и полупроводниковых производств одним из трёх основных столпов национальной ИИ-стратегии.
4. Полупроводниковая база
США обладают уникальным преимуществом на уровне проектирования.
Nvidia является центральным мировым поставщиком AI-ускорителей. Значительную роль играют AMD, а Google, Amazon и другие корпорации создают собственные специализированные чипы.
Но именно здесь обнаруживается одна из важнейших уязвимостей американского стека.
Stanford подчёркивает, что подавляющая часть наиболее передовых AI-чипов производится одной компанией — TSMC на Тайване.
Следовательно, американский «суверенный стек» фактически является американо-союзническим стеком.
США проектируют значительную часть лучших чипов мира, но исторически не производили все из них на своей территории.
Именно поэтому нынешняя американская стратегия отдельно предусматривает восстановление передового semiconductor manufacturing внутри страны.
5. Облачные платформы
Одно из часто недооценённых преимуществ США состоит в глобальном контроле над облачным слоем.
Модель сама по себе ещё не создаёт глобальное технологическое господство.
Необходимо иметь средство её доставки миллионам компаний и миллиардам пользователей.
Американские облачные платформы позволяют практически мгновенно превращать новое достижение в:
API;
корпоративный сервис;
агентную платформу;
инструмент разработчика;
встроенную функцию программного обеспечения.
Это означает, что американский frontier способен чрезвычайно быстро самомасштабироваться.
Поэтому Соединённые Штаты экспортируют не отдельные модели, а всё больше — целый AI stack.
В 2025 году Белый дом официально запустил курс на экспорт full-stack AI packages, включающих hardware, data systems, модели, cloud, applications и cybersecurity.
Это уже не просто коммерческая политика.
Это стратегия создания международной американской ИИ-сферы.
6. Частный капитал
На этом направлении американское преимущество подавляющее.
В 2025 году США привлекли около $285,9 млрд частных инвестиций в ИИ — примерно 83% от всего глобального объёма $344,7 млрд, рассчитанного Stanford/Quid.
Кроме того, в США было создано 1953 новых профинансированных AI-компании. В Великобритании — 172, в Китае — 161.
Таким образом, американская ИИ-система имеет необычный механизм финансирования:
выдающийся исследователь ; стартап ; крупный раунд ; massive compute ; frontier model ; глобальный продукт ; новый капитал ; новое поколение.
Эта система способна чрезвычайно быстро конвертировать интеллектуальную гипотезу в многомиллиардный технологический эксперимент.
В этом состоит один из важнейших структурных источников американского лидерства.
7. Университеты и исследовательские центры
Американская корпоративная мощь не возникла в пустоте.
Под ней находится огромный академический слой.
Stanford, MIT, Carnegie Mellon, Berkeley и многие другие центры десятилетиями формировали фундаментальные школы машинного обучения, робототехники, компьютерного зрения, NLP и других направлений.
По данным Stanford AI Index 2026, американские аффилиации присутствовали в 46 из 100 наиболее цитируемых AI-публикаций 2024 года — максимальный показатель в мире. Китай уже приблизился с 41.
При этом Stanford и Carnegie Mellon входят в число наиболее продуктивных академических организаций по историческому выпуску notable models.
Американское преимущество поэтому состоит не только в сегодняшних компаниях.
Это многопоколенная система производства исследователей, предпринимателей и научных школ.
8. Стартап-экосистема
Стартапы выполняют функцию своеобразной популяции технологической эволюции.
Большинство погибает.
Некоторые находят специализированные ниши.
Небольшая часть создаёт новый класс технологий.
И единицы превращаются в новые центры мирового фронтира.
OpenAI и Anthropic сами сравнительно недавно были организациями, которые нельзя было сопоставлять по экономической мощности с крупнейшими технологическими корпорациями.
Сегодня они непосредственно определяют мировой интеллектуальный frontier.
Поэтому количество новых профинансированных AI-компаний — 1953 только за 2025 год — имеет не только экономическое значение.
Оно показывает эволюционную ширину эксперимента.
Америка одновременно пробует огромное количество технологических мутаций.
9. ИИ для науки
США всё активнее превращают ИИ из коммерческой технологии в инфраструктуру научного превосходства.
В ноябре 2025 года была запущена Genesis Mission — программа использования ИИ, данных и вычислительной инфраструктуры национальных лабораторий для ускорения открытий в материалах, химии, биологии и других областях.
Это крайне важный переход.
Если ИИ ускоряет не только производство программного обеспечения, но и производство новой науки, возникает рекурсивный эффект:
более сильный ИИ ; более быстрая наука ; новые материалы, чипы и технологии ; более сильный ИИ.
Именно подобные контуры делают ИИ метаресурсом национальной мощи.
10. Оборонный ИИ
Американская ИИ-стратегия прямо соединяет гражданский frontier и национальную безопасность.
AI Action Plan 2025 предусматривает ускорение внедрения ИИ в Министерстве обороны, создание высокозащищённых дата-центров для оборонного и разведывательного сообщества, а также государственные механизмы оценки рисков frontier-моделей.
Особенность США заключается в возможности использовать в оборонном секторе технологии, разработанные огромным коммерческим рынком.
То есть военный ИИ не существует отдельно от гражданского.
Он опирается на:
cloud;
foundation models;
computer vision;
автономные системы;
кибербезопасность;
satellite intelligence;
коммерческую микроэлектронику.
Это создаёт ещё один рекурсивный контур усиления.
11. Кадровая база
США остаются главным мировым центром концентрации ИИ-таланта в абсолютном выражении.
Но именно здесь появляется одна из наиболее интересных слабостей.
Stanford сообщает, что поток AI researchers and developers в США уменьшился примерно на 89% относительно 2017 года.
Это не означает, что США потеряли кадровое лидерство.
Они его сохраняют.
Но это означает ослабление одного из механизмов, который десятилетиями позволял американской системе «высасывать» лучшие кадры со всего мира.
Если эта тенденция продолжится, США придётся в большей степени полагаться на собственное воспроизводство талантов и конкурировать за специалистов с Китаем, Европой, Канадой, Сингапуром, странами Персидского залива и другими растущими центрами.
12. Системные преимущества
Главное преимущество Америки — не отдельная технология.
Это самоусиливающийся ИИ-комплекс.
Его можно представить как цикл:
университеты ; талант ; стартапы ; капитал ; compute ; frontier models ; облака ; глобальные рынки ; прибыль ; новый капитал ; новые исследования.
К этому добавляются:
глобальные платформы;
полупроводниковый дизайн;
огромный внутренний рынок;
военный заказ;
национальные лаборатории;
международные союзники;
английский язык как главный язык мировой науки и программирования.
И наконец, США сознательно пытаются превратить своё лидерство в международную инфраструктуру. Их официальная стратегия ставит задачу сделать американский AI stack мировым стандартом и экспортировать его союзникам как цельный технологический комплекс.
Таким образом, Соединённые Штаты обладают не просто мощным ИИ.
Они обладают машиной воспроизводства ИИ-лидерства.
13. Системные уязвимости
Но американское лидерство не является гарантированным.
Первая уязвимость — почти исчезнувший качественный разрыв с Китаем по лучшим моделям.
Вторая — зависимость передового semiconductor manufacturing от внешних производственных узлов, прежде всего TSMC.
Третья — энергетика. Американская AI Action Plan прямо признаёт, что развитие ИИ требует резко ускоренного строительства электрогенерации, сетей и дата-центров.
Четвёртая — ослабление притока международных кадров.
Пятая — концентрация frontier-разработки в небольшом числе корпораций. В 2025 году индустрия создала около 91,6% notable models.
Шестая — снижение прозрачности самых мощных систем. Stanford отмечает, что разработчики всё реже публикуют параметры обучения, dataset sizes, compute и другие критически важные данные; средняя прозрачность ведущих foundation-model developers также снижалась.
И наконец, существует более фундаментальный риск.
США сегодня являются лучшей в мире системой оптимизации нынешней ИИ-парадигмы.
Но история технологий показывает, что лидер текущей парадигмы не имеет автоматической гарантии лидерства после её смены.
Именно здесь для других государств, включая Россию, теоретически возникает пространство асимметричного фронтиротворчества.
Глава 6. Китай как главный системный конкурент США
Если США являются действующим центром мирового ИИ-фронтира, то Китай уже нельзя корректно описывать как его обычного догоняющего участника.
К середине 2020-х годов сформировалась вторая полноценная ИИ-сверхдержава.
По ряду показателей она уступает США.
По другим — уже превосходит их.
А по качеству лучших моделей приблизилась к фактическому паритету.
Именно поэтому американо-китайское соревнование постепенно становится центральной осью мировой ИИ-системы.
1. Национальная стратегия
Китайская модель заметно отличается от американской.
В США основным двигателем frontier-разработки остаются частные корпорации, капитал и конкурирующие технологические экосистемы.
В Китае корпоративный сектор также чрезвычайно силён, но встроен в значительно более выраженную систему государственного стратегического управления.
В августе 2025 года Государственный совет КНР опубликовал программу углублённого развития AI Plus. Она предусматривает интеграцию ИИ в науку, промышленность, потребление, социальную сферу, государственное управление и международное сотрудничество.
Цели имеют конкретные временные рубежи.
К 2027 году проникновение нового поколения интеллектуальных терминалов и AI-агентов должно превысить 70%.
К 2030 году — 90%.
К 2035 году Китай ставит задачу перейти к новому этапу интеллектуальной экономики и интеллектуального общества.
В 2026 году эта линия была включена в новую пятилетнюю рамку. Правительственные документы ставят задачи развития multimodal AI, агентов, embodied AI, swarm intelligence и исследования путей к artificial general intelligence.
Таким образом, китайская стратегия уже переходит от:
«создавать ИИ»
к:
«пронизывать ИИ всей производственной и социальной системой».
2. Фундаментальные модели
По количеству notable models Китай остаётся вторым после США, но сокращает разрыв.
По детальной выборке Epoch/Stanford в 2025 году Китай создал 30 notable models против 50 в США.
Но особенно показательно распределение по компаниям.
Alibaba произвела 11 notable models — третий результат среди всех организаций мира после OpenAI и Google.
DeepSeek — 4.
ByteDance — 3.
Moonshot — 3.
Z.ai — 3.
Кроме того, значительную активность демонстрируют MiniMax, Baidu, Ant Group и другие центры.
То есть Китай уже не зависит от одной «национальной чемпионской модели».
Он формирует популяцию конкурирующих frontier-команд, напоминающую американскую по структурному принципу.
Ещё важнее качество.
DeepSeek-R1 в феврале 2025 года кратковременно сравнялся с лучшими американскими системами. На март 2026 года американские и китайские модели находились в одной верхней группе Arena, а Stanford оценивал разрыв между лидерами лишь приблизительно в 2,7%.
Это позволяет сделать сильный вывод:
на уровне лучших универсальных моделей технологический разрыв между США и Китаем перестал быть формационным и превратился в оперативное колебание фронтира.
3. Научная база
По масштабам научного производства Китай уже вышел вперёд.
В 2024 году на китайские аффилиации приходилось около 17,8% мировых AI-публикаций и около 20,6% цитирований.
Число китайских работ среди ста наиболее цитируемых выросло:
33 в 2021 году;
34 в 2022;
34 в 2023;
41 в 2024.
Американский показатель за это же время снизился с 64 до 46.
Таким образом, прежняя модель:
Китай производит много работ, США производят наиболее влиятельные
становится всё менее точной.
США ещё сохраняют первое место по top-100, но разрыв стремительно сократился.
Oxford Insights дополнительно отмечает необычайно распределённую структуру китайской науки: в 2024 году 156 китайских организаций опубликовали более 50 работ по ИИ каждая.
Это означает, что китайская научная база не сводится к нескольким элитным университетам.
Она приобретает массовую институциональную глубину.
4. Патенты
По количеству AI-патентов китайское превосходство ещё более выражено.
По данным, агрегированным Stanford AI Index, на Китай в 2024 году приходилось около 74,2% выданных AI-патентов, на США — около 12,1%.
Но эту цифру следует интерпретировать осторожно.
Количество патентов не идентично их технологическому влиянию.
Stanford подчёркивает, что США всё ещё имеют преимущество по более влиятельным патентам и forward citations.
Тем не менее само количество китайских патентов свидетельствует об огромной ширине технического поиска.
Дополнительный показатель — Южная Корея, а не Китай, занимает первое место по AI-патентам на душу населения.
Поэтому Китай является абсолютным мировым центром патентного масштаба, но не единственным центром качества и инновационной интенсивности.
5. Промышленное внедрение
Здесь Китай обладает преимуществом, которое невозможно понять, анализируя только LLM.
Китай — крупнейшая мировая производственная система.
Следовательно, он имеет гигантскую среду для соединения ИИ с физическим производством.
В 2024 году Китай установил около 295 тыс. промышленных роботов — 54% всех новых установок в мире.
Действующий парк превысил 2 млн промышленных роботов. Впервые доля китайских производителей на собственном рынке выросла до 57%.
Это имеет фундаментальное значение.
Соединение:
ИИ + робототехника + крупнейшая промышленная база мира
создаёт масштабный полигон physical AI, которого нет практически ни у одного другого государства.
Поэтому китайская ИИ-модель потенциально может развиваться иначе, чем американская:
США особенно сильны в цифровом intelligence frontier;
Китай способен особенно быстро соединять интеллект с материальным производством.
6. Робототехника
Китайская 15-я пятилетка 2026–2030 годов прямо усиливает ставку на embodied AI и интеллектуальную робототехнику. Международная федерация робототехники характеризует это как переход от традиционной автоматизации к высокоуровневой интеллектуальной роботизации, интегрированной с ИИ.
В 2024 году Китай установил примерно:
295 тыс. промышленных роботов;
Япония — 44,5 тыс.;
США — 34,2 тыс.;
Южная Корея — 30,6 тыс.;
Германия — 27 тыс.
Таким образом, китайская роботизация превосходит американскую по ежегодному объёму приблизительно в 8,6 раза.
Разумеется, промышленный робот ещё не является универсальным embodied intelligence.
Но он создаёт инфраструктурную и производственную базу, на которую следующая волна physical AI может быть наложена значительно быстрее.
7. Государственная координация
Китайская модель обладает способностью концентрировать государственные, региональные и корпоративные ресурсы вокруг долгосрочных технологических целей.
В 2026 году государственные документы прямо ставят задачу формирования экосистемы:
model ; chip ; cloud ; application
и развития hyperscale intelligent computing clusters.
В январе 2026 года отдельная программа «AI + manufacturing» поставила задачу к 2027 году обеспечить надёжное снабжение ключевыми базовыми AI-технологиями, развивать собственные training chips, inference chips, AI servers, interconnects и облачную инфраструктуру.
Эта способность имеет одновременно преимущество и риск.
Преимущество — огромная скорость масштабной мобилизации.
Риск — вероятность масштабировать ошибочное технологическое направление.
Поэтому реальный китайский успех определяется сочетанием централизованной стратегии с конкуренцией Alibaba, Tencent, Huawei, ByteDance, DeepSeek, Baidu, Moonshot, MiniMax, Zhipu и множества других компаний.
Именно эта гибридная конструкция делает китайскую систему особенно мощной.
8. Вычислительные ресурсы
По числу зарегистрированных дата-центров Китай значительно уступает США: 449 против 5427 по Stanford/Cloudscene. Но эти числа нельзя непосредственно переводить в отношение AI-compute, поскольку американские и китайские объекты различаются по размерам и структуре.
Китай одновременно ускоряет создание собственной вычислительной сети.
В апреле 2026 года в Чжэнчжоу был введён крупный научный intelligent-computing cluster, в котором сообщалось уже о 60 тыс. отечественных AI-ускорителей.
Параллельно строится национальная инфраструктура взаимного подключения вычислительных ресурсов. В 2026 году Министерство промышленности и информационных технологий запустило создание национальных compute-interconnection nodes.
То есть Китай пытается компенсировать дефицит отдельных наиболее передовых чипов двумя способами:
развитием собственной элементной базы;
масштабированием кластеров и эффективностью использования доступного compute.
Этот подход уже оказал влияние на модельную архитектуру: успех DeepSeek сделал эффективность обучения и inference самостоятельным направлением глобальной конкуренции.
9. Полупроводниковые ограничения
Именно semiconductor frontier остаётся одним из наиболее серьёзных китайских ограничений.
Китай имеет собственные процессоры и ускорители, прежде всего линию Huawei Ascend, развивает SMIC, память, packaging и программную экосистему.
Но наиболее передовые производственные технологии всё ещё зависят от узкого международного набора оборудования и технологических компетенций.
Сам факт того, что китайская государственная программа «AI + manufacturing» отдельно ставит задачи прорыва в high-end training chips, AI servers и high-speed interconnects, показывает, что данный разрыв рассматривается в самом Китае как стратегический.
Поэтому сегодняшняя парадоксальная ситуация выглядит так:
Китай способен создавать модели практически верхнего мирового уровня, не располагая столь же свободным доступом к верхнему мировому уровню вычислительного hardware, как США.
Это одновременно слабость и источник давления на инновации в эффективности.
10. Кадровая база
Китайская кадровая сила тесно связана с масштабом его научной системы.
Большое число университетов, исследовательских институтов, инженеров и аспирантов формирует чрезвычайно широкую базу.
Tsinghua University, например, входит в число наиболее продуктивных академических центров мира по историческому числу notable AI models.
В отличие от американской модели, основанной в значительной степени на глобальном притоке талантов, Китай дольше опирался на огромную внутреннюю систему подготовки специалистов и возвращение китайских исследователей из-за рубежа.
Это создаёт другой тип кадровой устойчивости.
Но США пока сохраняют преимущество в абсолютной концентрации мирового AI talent и наиболее коммерчески развитых frontier teams.
11. Сильные стороны китайской модели
Китайская ИИ-система обладает несколькими структурными преимуществами.
Первое — масштаб.
Огромная экономика, население, цифровой рынок и промышленность создают гигантские пространства применения.
Второе — научная ширина.
Китай лидирует по объёму AI-публикаций, цитированию и патентам.
Третье — промышленный контур.
54% мировых установок промышленных роботов дают Китайской экономике необычайно мощную платформу для physical AI.
Четвёртое — государственная стратегическая координация.
AI Plus создаёт систему долгосрочных целей до 2035 года.
Пятое — множественность сильных компаний.
Alibaba, DeepSeek, ByteDance, Huawei, Baidu, Tencent, Moonshot, MiniMax, Z.ai и другие образуют уже не отдельные острова, а крупную экосистему.
Шестое — давление ограничений.
Ограничение доступа к наиболее передовым западным ускорителям вынуждает Китай развивать собственные чипы, clusters, software stack и более эффективные способы обучения.
С точки зрения эволюции технологий это означает:
внешнее давление одновременно тормозит Китай и создаёт селективное давление на его технологическую автономизацию.
12. Ограничения китайской модели
Первое ограничение — передовые полупроводники.
Несмотря на быстрый прогресс, здесь сохраняется один из главных разрывов с американско-союзнической технологической системой.
Второе — капитал.
Даже с учётом огромных государственных guidance funds частный капитал и особенно концентрация капитала в нескольких frontier labs пока существенно меньше американской.
Третье — число frontier models.
Китай быстро приближается, но американская система пока производит их больше.
Четвёртое — международная инфраструктура.
Американские clouds, developer platforms, software ecosystems и глобальные технологические компании всё ещё имеют более широкую международную распространённость.
Пятое — высоковлиятельные патенты.
Несмотря на китайское абсолютное доминирование по числу, Stanford продолжает фиксировать американское преимущество по impact.
Шестое — геополитическое окружение.
Экспортные ограничения, технологическая фрагментация и борьба за стандарты делают китайской системе значительно труднее использовать мировой стек как единое пространство.
Но ни одно из этих ограничений сегодня уже не позволяет считать Китай обычным догоняющим игроком.
Стратегический вывод: возникновение двухцентрового ИИ-фронтира
Современная мировая ИИ-система всё сильнее напоминает не классическую схему «лидер — догоняющие», а двухцентровый фронтир.
США имеют преимущества:
капитал;
compute;
frontier labs;
облака;
глобальные платформы;
чип-дизайн.
Китай имеет преимущества:
масштаб исследований;
публикации;
патенты;
промышленное внедрение;
робототехника;
государственная мобилизация;
огромная производственная экосистема.
А по качеству наиболее мощных моделей стороны уже находятся близко друг к другу.
Поэтому для России стратегически опасно задавать вопрос:
«Как догнать США?»
Недостаточно и другого:
«Как догнать Китай?»
Пока Россия будет копировать одну из двух существующих траекторий, обе системы продолжат быстро развиваться.
Гораздо более точная постановка выглядит так:
какие компоненты американского и китайского фронтира Россия обязана освоить, а в каких направлениях ей необходимо попытаться создать третью, принципиально новую траекторию развития?
Именно отсюда возникает стратегическое значение LPM, Метаорганона и ИМИ.
Именно здесь анализ сегодняшнего мирового фронтира начинает переходить в Доктрину фронтиротворчества.
Поскольку эти рейтинги и показатели быстро меняются, я могу также регулярно проверять Stanford, Epoch, Oxford, WIPO и другие источники и сообщать, если положение стран или ключевые цифры существенно изменятся.
******
Глава 7. Страны второго эшелона глобального ИИ-лидерства
После США и Китая мировая ИИ-система не образует простой линейной лестницы.
Существует группа государств, каждое из которых обладает отдельными элементами ИИ-мощи мирового уровня:
сильнейшими университетами;
полупроводниковыми технологиями;
робототехникой;
крупными моделями;
исследовательскими школами;
государственными ИИ-программами;
концентрацией талантов;
венчурными экосистемами.
Однако эти элементы соединены в разной степени.
Последняя доступная абсолютная версия Stanford Global AI Vibrancy Ranking, использующая данные за 2024 год, располагает после США и Китая Индию на 3-м месте, Южную Корею на 4-м, Великобританию на 5-м, Сингапур на 6-м, Испанию на 7-м, ОАЭ на 8-м, Японию на 9-м и Канаду на 10-м. Франция занимает 13-е, Израиль — 14-е, Германия — 15-е место. Это хорошо демонстрирует зависимость результата от используемой системы показателей: традиционно сильные научно-промышленные державы могут оказаться ниже стран, особенно сильных по интенсивности, государственной политике или отдельным новым показателям.
Поэтому термин «второй эшелон» в настоящей Доктрине означает не слабость, а положение после двух нынешних ИИ-сверхдержав.
1. Великобритания
Великобритания обладает одной из наиболее сбалансированных ИИ-систем за пределами США и Китая.
Stanford ставит её на 5-е место в глобальном AI Vibrancy Ranking за 2024 год. В стране сформировались сильные университетские школы, венчурная среда, развитая вычислительная инфраструктура и большое число исследователей. Лондон остаётся одним из крупнейших мировых технологических центров.
Отдельное преимущество Великобритании — историческая роль в становлении современного deep learning и frontier AI. Именно британская исследовательская среда породила DeepMind, впоследствии вошедшую в Google, а также целый ряд более новых AI-компаний.
Страна располагает и значительной инфраструктурой: Stanford насчитывает в Великобритании 523 дата-центра — один из крупнейших показателей вне США.
Государство также существенно увеличивает прямую поддержку ИИ. По оценке Stanford, государственные AI-контракты Великобритании за 2013–2024 годы составили около 1,6 млрд долларов — больше, чем у любой другой европейской страны в этой выборке.
Слабость британской модели заключается в том, что значительная часть её наиболее сильных интеллектуальных активов интегрируется в американскую технологическую систему.
Таким образом:
Великобритания чрезвычайно сильна как генератор талантов, исследований и AI-компаний, но значительно слабее США как независимый полный технологический стек.
2. Франция
Франция стала одним из наиболее интересных европейских претендентов на собственную модель ИИ-лидерства.
В Tortoise Global AI Index 2024 она находилась на 5-м месте. В Stanford Global AI Vibrancy Ranking за 2024 год — на 13-м. Разрыв иллюстрирует различие методологий.
Французское преимущество строится на сочетании:
сильной математической школы;
государственных исследовательских институтов;
высококвалифицированных инженеров;
европейской вычислительной инфраструктуры;
быстро растущего венчурного сектора;
собственных разработчиков фундаментальных моделей.
Особое значение имеет возникновение Mistral AI, показавшее, что Европа способна создавать крупные модельные компании вне американских технологических гигантов.
Франция демонстрирует и высокую институциональную готовность. В опубликованной сводке Government AI Readiness Index 2025 она получила 80,81 балла и заняла одну из высших мировых позиций.
Для России французский пример особенно интересен:
страна не обязана иметь американский масштаб капитала или китайский масштаб промышленности, чтобы попытаться создать самостоятельный архитектурный центр ИИ.
3. Германия
Германия представляет другой тип ИИ-мощи.
Её главное преимущество — не frontier LLM как таковые, а соединение ИИ с:
промышленностью;
машиностроением;
автомобильным сектором;
химией;
автоматизацией;
робототехникой;
прикладными исследованиями.
В Stanford Global AI Vibrancy Ranking Германия занимает 15-е место. Но по инфраструктурным показателям её положение существенно сильнее: Stanford насчитывает 529 дата-центров — второй показатель в рассматриваемом наборе после США.
Германия также имеет сильную научную базу: немецкие аффилиации присутствовали в восьми из ста наиболее цитируемых AI-публикаций 2024 года.
Её модель можно назвать industrial AI model:
ИИ рассматривается прежде всего как средство интеллектуализации сложной материальной экономики.
Это важно, поскольку в будущем различие между «цифровым ИИ» и physical AI будет постепенно сокращаться.
4. Канада
Канада сыграла непропорционально большую роль в современной истории машинного обучения.
Монреаль, Торонто и Эдмонтон сформировали исследовательские школы, оказавшие огромное влияние на deep learning и reinforcement learning.
В Stanford Global AI Vibrancy Ranking Канада занимает 10-е место.
Канадская модель особенно сильна по:
фундаментальной науке;
университетам;
привлечению международных исследователей;
AI-стартапам;
сотрудничеству университетов и компаний.
Однако масштаб вычислений, капитала и внутренних технологических платформ значительно меньше американского.
Поэтому Канада представляет интересный пример:
глобальное интеллектуальное влияние может существенно превосходить абсолютный размер национальной технологической системы.
5. Израиль
Израиль является одним из наиболее ярких примеров высокой ИИ-интенсивности.
В Stanford Global AI Vibrancy Ranking он занимает 14-е место, а в Tortoise Global AI Index 2024 входил в первую десятку.
Сила Израиля концентрируется в:
стартапах;
кибербезопасности;
компьютерном зрении;
автономных системах;
военных технологиях;
специализированном программном обеспечении;
быстром трансфере исследований в коммерческие продукты.
Это не модель ИИ-сверхдержавы.
Это модель высокоплотного инновационного ядра.
Для России она важна как доказательство того, что эффективность интеллектуальной экосистемы нельзя измерять одной численностью населения или размером экономики.
6. Южная Корея
Южная Корея — один из наиболее недооценённых глобальных ИИ-игроков.
Stanford ставит её на 4-е место в абсолютном AI Vibrancy Ranking за 2024 год.
В 2025 году Южная Корея создала пять notable AI models — третий результат после США и Китая в детальном наборе Stanford/Epoch. Кроме того, страна занимает первое место в мире по количеству AI-патентов на душу населения.
Её особенно сильные стороны:
Samsung;
SK hynix;
полупроводники;
HBM-память;
дисплеи;
электроника;
робототехника;
собственные модели;
высокоскоростная цифровая инфраструктура.
Следовательно, южнокорейская модель имеет чрезвычайно важное свойство:
соединение искусственного интеллекта с одним из ключевых материальных оснований ИИ — современной электронной промышленностью.
7. Япония
Япония занимает 9-е место в Stanford Global AI Vibrancy Ranking за 2024 год.
Её положение отличается от американского и китайского.
Япония слабее на сегодняшнем глобальном LLM-frontier, но чрезвычайно сильна в:
робототехнике;
промышленной автоматизации;
электронике;
специализированном оборудовании;
материалах;
высокоточном производстве.
В 2024 году Япония установила около 44,5 тыс. промышленных роботов — второй показатель среди крупных рынков после Китая.
Поэтому следующая волна embodied AI способна повысить стратегическое значение японской технологической базы.
Японский пример показывает:
страна может несколько уступать в нынешней языковой революции, но обладать активами, критически важными для следующего фронтира физического интеллекта.
8. Сингапур
Сингапур представляет почти противоположную модель.
Его абсолютные размеры малы, но интенсивность ИИ-развития чрезвычайно высока.
Stanford ставит Сингапур на 6-е место в абсолютном рейтинге за 2024 год. По числу AI researchers and developers на душу населения Сингапур вместе со Швейцарией находится среди мировых лидеров.
Сильные стороны:
государственная стратегия;
образование;
инфраструктура;
международный капитал;
привлечение талантов;
региональный статус технологического хаба;
высокая скорость внедрения.
Сингапур показывает значение институционального качества.
Он не пытается воспроизводить всю американскую систему.
Он создаёт максимально привлекательную среду для концентрации мирового интеллектуального капитала.
9. Индия
Индия — один из самых быстро растущих игроков.
В Stanford Global AI Vibrancy Ranking она уже занимает 3-е место.
Её главное преимущество — масштаб человеческого капитала.
Страна имеет:
огромный пул программистов;
англоязычную инженерную среду;
крупную IT-индустрию;
быстро растущий внутренний цифровой рынок;
сильную диаспору в глобальной технологической индустрии.
Но положение Индии парадоксально.
Она уже чрезвычайно сильна по:
talent;
adoption;
software services;
цифровой инфраструктуре.
При этом значительно слабее США и Китая по количеству собственных frontier models, hyperscale compute и полному полупроводниковому стеку.
Поэтому Индия представляет собой крупнейшего потенциального позднего ускорителя мировой ИИ-гонки.
Если её кадровая мощь соединится с собственным compute и frontier research, глобальный баланс может существенно измениться.
10. Другие претенденты
Первая десятка не является закрытым клубом.
Особого внимания заслуживают несколько государств.
ОАЭ
Stanford ставит ОАЭ на 8-е место. Их модель основана на:
капитале;
суверенных фондах;
быстром строительстве compute;
привлечении иностранных специалистов;
государственных моделях и исследовательских центрах.
Испания
Неожиданное 7-е место Stanford показывает, насколько результаты зависят от используемой системы индикаторов. Испания не является седьмой державой мира по frontier models, но получает высокие баллы по совокупности инфраструктуры, политики, исследований и других компонентов.
Швейцария
11-е место Stanford и одна из крупнейших концентраций AI-таланта на душу населения.
Нидерланды
Их стратегическое значение значительно выше интегрального ИИ-рейтинга из-за положения в глобальной полупроводниковой цепочке.
Именно такие примеры доказывают:
реальное технологическое значение страны может радикально превышать её место в универсальном рейтинге.
11. Различные модели национального ИИ-лидерства
Таким образом, за пределами двух ИИ-сверхдержав существуют разные модели лидерства.
Модель Пример
Frontier research Великобритания, Франция, Канада
Полупроводниково-индустриальная Южная Корея
Industrial AI Германия, Япония
Talent-scale Индия
Innovation-density Израиль
Institutional hub Сингапур
Capital-driven acceleration ОАЭ
Full-stack frontier США, Китай
Это чрезвычайно важно для России.
Не существует закона, согласно которому ей необходимо полностью воспроизводить американский путь.
Необходимо определить:
какие компоненты мирового опыта должны быть освоены обязательно, а какую собственную модель лидерства Россия способна создать сама.
Глава 8. Реальное место России в мировой ИИ-системе
Эта глава должна быть одной из наиболее беспристрастных во всей книге.
Глобальное лидерство невозможно построить на самоуспокоении.
Но столь же опасна противоположная ошибка — считать любое отставание доказательством невозможности будущего лидерства.
Необходимо отделить:
реальное состояние;
потенциал;
желаемое состояние.
Сегодня Россия не входит в первый эшелон мирового ИИ-лидерства.
Но она также не является страной, лишённой собственной ИИ-системы.
Более точное определение:
Россия сегодня — крупная технологическая держава с отдельными сильными ИИ-компетенциями и собственными моделями, но с существенным системным отставанием от мирового frontier по вычислениям, элементной базе, капиталу, масштабам frontier research и полноте ИИ-экосистемы.
1. Россия в международных рейтингах
Три различных индекса дают довольно согласованную общую картину.
Stanford Global AI Vibrancy Ranking, последняя доступная абсолютная версия с данными за 2024 год:
Россия — 28-е место из 36 полностью ранжируемых стран.
Tortoise Global AI Index 2024:
Россия — 31-е место из 83 стран. Это значение также независимо приводилось Reuters.
Oxford Government AI Readiness Index 2025 характеризует несколько иную величину — способность государства создавать условия для использования ИИ. В официальной региональной таблице Россия получает около 58,3 балла и находится заметно ниже лидеров Восточной Европы; опубликованные российские сводки полного массива данных дают примерно 49-е мировое место.
Следовательно, разумно говорить не о точном единственном «31-м месте России», а о диапазоне:
по интегральной мощности национальной ИИ-экосистемы Россия сегодня находится примерно в третьем десятке; по отдельным институциональным показателям — ниже.
Это значительно точнее.
2. Динамика позиции России
Динамика также не позволяет говорить о системном движении к первой десятке.
По сводке Government AI Readiness Index Россия занимала:
33-е место в 2020 году;
38-е — в 2021;
40-е — в 2022;
38-е — в 2023;
39-е — в 2024;
около 49-го — в 2025 году.
Методика индекса менялась, поэтому эти позиции нельзя воспринимать как идеально однородный временной ряд, но направление проблемы очевидно: относительная скорость развития мировых лидеров выше.
Это принципиально.
Можно увеличивать собственные абсолютные возможности и одновременно ухудшать относительную позицию.
В технологической гонке имеет значение именно второе.
3. Российские фундаментальные модели
Здесь ситуация значительно лучше, чем может показаться из общего рейтинга.
В России существуют по меньшей мере две крупные полноценные экосистемы генеративных моделей:
Яндекс;
Сбер.
Яндекс развивает семейство Alice AI, включающее Alice AI LLM, визуально-языковые и генеративные модели. Компания сообщает, что флагманская Alice AI LLM имеет архитектуру Mixture of Experts и содержит сотни миллиардов параметров. К середине 2026 года недельная аудитория чата Alice AI достигла 33,2 млн пользователей, а ежемесячная аудитория AI-ответов в Поиске — 49,5 млн.
Сбер развивает семейство GigaChat. Официальный репозиторий GigaChat 3 Ultra Preview описывает MoE-модель примерно на 702 млрд параметров с 36 млрд активных параметров на токен; позднейшие версии семейства продолжают развивать архитектуру и агентные возможности.
Это реальные достижения.
Но необходима другая половина оценки.
Российские модели пока не входят в ту небольшую верхнюю группу глобального Arena/frontier, где Stanford на март 2026 года выделяет Anthropic, xAI, Google, OpenAI, Alibaba и DeepSeek.
Следовательно:
Россия имеет собственные крупные LLM, но пока не является одним из центров, определяющих мировой frontier универсальных моделей.
Это принципиально разные утверждения.
4. Вычислительные мощности
Именно здесь расположен один из крупнейших разрывов.
На июнь 2026 года наиболее мощные публично зарегистрированные российские системы TOP500 занимали:
Chervonenkis — 101-е место, 21,53 PFLOPS Rmax;
Galushkin — 134-е, 16,02 PFLOPS;
Lyapunov — 161-е, 12,81 PFLOPS;
Christofari Neo — 167-е, 11,95 PFLOPS.
Особенно показательно не только место.
Все четыре системы созданы в 2020–2021 годах и используют NVIDIA A100 или более ранние ускорители.
Российская Национальная стратегия развития ИИ ставит цель довести совокупную максимальную мощность GPU-суперкомпьютеров, используемых для ИИ, до не менее 1 экзафлопса к 2030 году, против 0,073 экзафлопса в 2022 году.
То есть сама государственная стратегия фактически признаёт необходимость порядкового наращивания compute.
5. Доступ к современным ускорителям
Публичный TOP500 одновременно показывает ещё одну проблему.
Ведущие российские системы работают в основном на NVIDIA A100.
Тем временем мировой frontier уже перешёл через поколения H100/H200 к B200/GB200 и последующим ускорителям.
Прямой доступ России к наиболее передовым западным AI-чипам ограничен экспортными режимами и санкционными ограничениями; этот фактор прямо отмечается и в международных оценках российского положения в ИИ-гонке.
Отсюда возникает критическая зависимость:
даже сильная российская алгоритмическая команда не может полностью реализовать frontier-архитектуру без достаточного frontier-compute.
6. Полупроводниковая база
На этом направлении проблема ещё глубже.
Россия пока не имеет полного отечественного стека, сопоставимого с сочетанием:
NVIDIA/AMD + TSMC в американско-союзнической системе;
Huawei + китайская промышленная цепочка.
Публичные российские AI-суперкомпьютеры сами демонстрируют зависимость от иностранных CPU, GPU и interconnect-компонентов.
Следовательно, полупроводниковая проблема является не одной из многих.
Это один из системных потолков масштабирования российского frontier AI.
7. Наука
Ситуация в науке неоднозначна.
Россия сохраняет:
сильные математические школы;
компьютерное зрение;
optimisation;
отдельные сильные университетские и корпоративные команды;
фундаментальную подготовку в математике и физике.
Специализированный российский AI Index, выпускаемый Центром компетенций НТИ по ИИ на базе МФТИ, продолжает ежегодный мониторинг отечественной отрасли и научных результатов.
Однако по международному влиянию AI-науки Россия не относится сегодня к группе США — Китай — Великобритания — Германия — Канада и других стран, регулярно присутствующих в верхних слоях цитирования Stanford AI Index.
То есть здесь существует не отсутствие науки, а недостаточный масштаб и международное влияние относительно фронтира.
8. Публикации и цитируемость
В российском AI Index 2024 Россия оценивалась примерно как 12-я страна мира по числу публикаций на ведущих A*-конференциях, с 125 такими работами за рассматриваемый период. Это значительно лучше интегрального положения страны и показывает наличие реальной исследовательской базы.
Однако международные индексы, учитывающие не только количество, но цитирование, качество и другие показатели R&D, дают России более низкие позиции.
Следовательно, научная задача должна состоять не просто в увеличении числа статей.
Она должна быть сформулирована жёстче:
увеличить долю российских работ, которые создают новые международные направления и становятся основой следующего технологического frontier.
9. Патенты
Россия присутствует на глобальной карте AI-патентования, но не относится к ведущим странам по объёму патентных портфелей. В сравнительной карте Stanford российская патентная система располагается значительно дальше от основных центров США, Китая, Южной Кореи и ряда других стран.
Однако и здесь простой рост количества патентов не является главной целью.
Для глобального лидерства важнее:
международные patent families;
цитируемость;
технологическое влияние;
превращение патента в промышленную платформу.
10. ИИ-кадры
Кадровая база — одновременно российская сила и слабость.
По данным ИСИЭЗ НИУ ВШЭ и Росстата, в организациях по итогам 2024 года насчитывалось более 242 тыс. работников с компетенциями в области ИИ, включая около 39 тыс. профильных специалистов по ИИ и 203 тыс. работников, использующих ИИ в профессиональной деятельности.
Однако это нельзя сравнивать напрямую с глобальными LinkedIn-оценками AI talent: методики различаются.
Проблема заключается не только в абсолютном числе специалистов, но в крайне дефицитной верхней части пирамиды:
frontier researchers;
архитекторы крупных моделей;
специалисты по distributed training;
AI-chip designers;
специалисты по alignment;
специалисты по новым когнитивным архитектурам.
Именно несколько тысяч или даже сотен людей такого уровня могут определять способность страны создавать новый frontier.
11. Инвестиции
Международно сопоставимая статистика частных AI-инвестиций в России неполна.
Это само по себе затрудняет прямое сравнение с США, Китаем, Великобританией или Францией.
Российская статистика показывает внутренние расходы организаций. По оценке ИСИЭЗ ВШЭ, расходы российских организаций вне ИКТ-сектора на ИИ должны увеличиться с приблизительно 118,5 млрд рублей в 2023 году до 1,6 трлн рублей к 2035 году для обеспечения прогнозируемого массового внедрения.
В 2024 году крупные и средние организации потратили, в частности, около 56,2 млрд рублей на оборудование для ИИ и 30,5 млрд рублей на соответствующее программное обеспечение.
Но эти значения нельзя напрямую сопоставлять с американскими сотнями миллиардов долларов частного AI-капитала: показатели имеют различное статистическое содержание.
Вывод очевиден и без ложной арифметической точности:
по масштабам рискового и frontier-капитала российская система на порядки меньше американской и существенно меньше ведущих мировых экосистем.
12. ИИ-компании
Россия всё же обладает несколькими сильными корпоративными центрами.
Прежде всего:
Яндекс;
Сбер.
Кроме них различные ИИ-направления развивают:
VK;
МТС;
T-Банк;
Ростелеком;
крупные промышленные компании;
университетские и специализированные технологические команды.
По оценкам, использованным ВШЭ в 2024 году, в стране насчитывалось более 2000 компаний-разработчиков ИИ-решений в широком понимании.
Но необходимо различать:
компанию, применяющую или разрабатывающую ИИ,
и
frontier lab, способную создавать новый класс фундаментальных моделей.
По второму показателю российская экосистема значительно уже американской или китайской.
13. Стартапы
Именно здесь особенно заметен структурный разрыв.
Глобальный frontier AI всё чаще формируется компаниями, способными за несколько лет привлечь миллиарды долларов для крайне рискованных исследований.
Американская экосистема производит сотни и тысячи финансируемых AI-стартапов и множество AI-unicorns. В мировом масштабе США и Китай концентрируют подавляющую часть крупнейших AI-венчуров.
В России существует ИИ-стартап-среда, однако:
объёмы венчурного капитала меньше;
exit-возможности слабее;
доступ к compute ограничен;
международные рынки труднее доступны.
Следовательно, России требуется не просто «поддержка стартапов», а отдельная frontier venture architecture, способная финансировать многолетние высокорисковые разработки.
14. ИИ в промышленности
Здесь у России имеется реальная база, но внедрение пока неоднородно.
По обследованию Росстата и ИСИЭЗ ВШЭ:
компьютерное зрение применяют 66% организаций — пользователей ИИ;
системы интеллектуальной поддержки решений — 50%;
среди ИИ-пользователей финансовый сектор особенно активно применяет текстовые технологии и системы принятия решений;
собственную разработку AI software ведут около 23% организаций — пользователей ИИ.
Но ВШЭ одновременно отмечает, что около 48% крупных и средних организаций вообще заявляли об отсутствии потребности в ИИ, а высокие затраты оставались главным препятствием для 58% респондентов.
Это означает:
острова высокой ИИ-зрелости существуют, но экономика в целом ещё далека от AI-native состояния.
15. ИИ для науки
Россия имеет отдельные разработки в:
материаловедении;
химии;
биологии;
математике;
физическом моделировании;
инженерном проектировании.
Но пока отсутствует национальная AI-for-Science инфраструктура масштаба американской Genesis Mission или крупнейших китайских программ.
Именно этот разрыв особенно опасен.
ИИ для науки является рекурсивным ускорителем:
ИИ ; новая наука ; новые материалы и технологии ; лучший compute ; новый ИИ.
Поэтому AI for Science должен стать одним из главных направлений российской программы-минимум и одновременно мостом к программе-максимум.
16. ИИ в государственном управлении
Здесь динамика последних лет существенно положительнее.
В 2025 году Правительство создало Центр развития искусственного интеллекта для координации внедрения ИИ в органах власти, регионах и бизнесе. В 2026 году сформирована единая координационная система развития и внедрения ИИ.
ИИ уже используется в системе управления национальными проектами: правительственная система анализирует показатели и мероприятия госпрограмм и сопоставляет их с национальными целями.
К февралю 2026 года на портале «Цифровой регион» было собрано около 350 ИИ-решений и более 430 сценариев их применения.
Следовательно, государственное внедрение — одна из областей, где Россия способна сравнительно быстро повысить свою позицию.
17. Робототехника
Здесь разрыв остаётся большим.
В 2024 году плотность промышленной роботизации России составляла около 29 роботов на 10 тыс. работников.
Мировой показатель был во много раз выше, а у лидеров исчислялся сотнями и более тысячи роботов на 10 тыс. работников.
По предварительным отраслевым оценкам, в 2025 году российский показатель мог увеличиться примерно до 40.
Национальный проект ставит цель:
145 роботов на 10 тыс. работников и вхождение в топ-25 мира к 2030 году.
Это хороший пример конкретного измеримого технологического разрыва.
18. Оборонные применения
Здесь объективная международная оценка особенно затруднена.
Значительная часть данных:
закрыта;
не стандартизирована;
связана с реальными военными операциями;
плохо сопоставима между странами.
Очевидно, что российский оборонный сектор активно использует:
компьютерное зрение;
БПЛА;
автоматизированный анализ данных;
радиоэлектронные системы;
алгоритмы принятия решений.
Но на основании открытых данных невозможно корректно вывести интегральное место России в мире по «военному ИИ».
Поэтому в настоящей Доктрине оборонный показатель не должен использоваться как способ искусственно повысить или понизить общий рейтинг.
19. Сильные стороны России
Несмотря на общий разрыв, Россия обладает набором существенных активов.
Первая — собственные фундаментальные модели
Yandex/Alice AI и GigaChat дают России уровень модельного суверенитета, которым обладает далеко не большинство государств.
Вторая — математическая и инженерная школа
Она остаётся важным источником потенциальных frontier-разработок.
Третья — крупные технологические компании
Яндекс и Сбер способны финансировать длительные исследовательские программы.
Четвёртая — энергетическая база
Для эпохи, когда compute превращается в один из крупнейших потребителей электроэнергии, это потенциальное структурное преимущество.
Пятая — большой внутренний рынок
Россия способна разворачивать национальные модели на десятках миллионов пользователей.
Шестая — высокая способность к крупным государственным программам
При правильно выбранной цели возможна концентрация значительных ресурсов.
Седьмая — возможность искать асимметричные направления
Именно здесь появляется пространство:
LPM ; Метаорганон ; карионный ИИ ; ИМИ.
20. Критические слабости
Но эти преимущества нельзя превращать в повод недооценивать проблемы.
Критические ограничения следующие:
Compute-gap.
AI-chip gap.
Малая ширина frontier-model ecosystem.
Недостаток frontier venture capital.
Ограниченный рынок AI-стартапов.
Отставание в промышленной роботизации.
Недостаточная международная научная концентрация.
Дефицит отдельных категорий специалистов высшего уровня.
Зависимость от иностранных компонентов вычислительного стека.
Недостаточная скорость создания новых поколений инфраструктуры.
Главная опасность состоит в их взаимном усилении:
мало compute ; сложнее создавать frontier-модели ; меньше frontier-компаний ; меньше капитала ; меньше спроса на frontier-кадры ; ещё меньше новых моделей.
Задача стратегии — разорвать этот отрицательный цикл.
21. Асимметричные возможности
Именно здесь начинается программа-максимум.
Если Россия попытается победить США исключительно увеличением числа нынешних LLM, она вступает в соревнование, где противник уже имеет огромный инфраструктурный запас.
Но мировой ИИ-фронтир не является завершённым.
Некоторые его следующие координаты ещё практически отсутствуют.
Поэтому Россия может попытаться одновременно:
догонять существующий frontier
и
создавать новый frontier.
В настоящей Доктрине в качестве таких потенциальных направлений рассматриваются:
LPM;
MetaLPM;
карионный ИИ;
Метаорганон;
ИМИ;
агональная эволюция ИИ;
ноогенетика;
Ноофракталика;
новые формы человеко-машинных брейомов.
Здесь необходимо очень важное ограничение:
сам факт существования оригинальной концепции ещё не означает лидерства.
Лидерство появится только тогда, когда концепция будет превращена в:
теорию ; эксперимент ; технологию ; воспроизводимую платформу ; международный benchmark.
Глава 9. Матрица российского ИИ-разрыва
Обычное выражение «Россия отстаёт в ИИ» практически бесполезно.
Отставание неоднородно.
В одних областях оно составляет несколько технологических поколений.
В других — существенно меньше.
А в некоторых потенциальных направлениях ещё нет общепризнанного мирового лидера вообще.
Поэтому для программы глобального лидерства необходима матрица разрывов, позволяющая определить приоритетность национальных действий.
1. Разрыв в вычислениях
Это один из наиболее критических разрывов.
Американская система располагает гиперскейлерами, тысячами дата-центров и огромным парком современных AI-ускорителей. Глобальная compute-capacity растёт примерно в 3,3 раза ежегодно.
Самая мощная публично зарегистрированная российская система в июне 2026 года находилась лишь на 101-м месте TOP500 и была построена на NVIDIA A100 поколения 2020–2021 годов.
Оценка разрыва: критический.
Без его сокращения невозможно устойчивое frontier-лидерство.
2. Разрыв в frontier-моделях
Россия имеет крупные национальные LLM.
Это важное достижение.
Но число независимых frontier labs невелико, а российские модели пока не определяют глобальные benchmark.
Оценка разрыва: большой.
При этом он меньше аппаратного, поскольку собственные школы и модели уже существуют.
3. Разрыв в чипах
Это наиболее фундаментальный материальный bottleneck.
Россия не располагает современной самостоятельной цепочкой массового производства AI-ускорителей frontier-класса.
Наиболее мощные российские публичные AI-системы используют иностранные CPU/GPU.
Оценка разрыва: критический / системообразующий.
4. Разрыв в инвестициях
Американская частная AI-индустрия измеряет инвестиции сотнями миллиардов долларов ежегодно; российский frontier-capital несопоставимо меньше.
При этом российская государственно-корпоративная модель позволяет концентрировать средства в нескольких крупных центрах, но имеет меньшую эволюционную ширину эксперимента.
Оценка разрыва: критический по венчурному капиталу; большой по совокупной мобилизационной способности.
5. Разрыв в кадрах
Здесь ситуация промежуточная.
Россия имеет значительную базу специалистов: более 242 тыс. работников с теми или иными ИИ-компетенциями в обследованных организациях, в том числе около 39 тыс. профильных специалистов.
Но основная проблема — верхний frontier-layer.
Оценка разрыва: средний по массовым инженерным кадрам; большой по небольшой группе frontier-специалистов.
Это принципиальное различие.
6. Разрыв в фундаментальной науке
Россия не находится в научном вакууме.
Отдельные школы конкурентоспособны, российские исследователи продолжают публиковаться на ведущих конференциях, а специализированный AI Index Russia фиксирует заметный международный публикационный результат.
Но масштаб научного frontier и его связь с коммерческим model-development существенно слабее американской и китайской.
Оценка разрыва: большой, но потенциально преодолимый.
7. Разрыв в инфраструктуре
Он включает не только суперкомпьютеры.
Это:
дата-центры;
облака;
сети;
хранение;
разработческие платформы;
библиотеки;
orchestration;
национальные датасеты;
energy infrastructure.
Россия имеет собственные облачные платформы и крупные ЦОД, но глобальная гиперскейлерная база несопоставима.
Оценка разрыва: большой.
8. Разрыв во внедрении
Здесь положение лучше.
Россия имеет крупные AI-пользовательские экосистемы, банковские ИИ-системы, поисковые и рекомендательные платформы, компьютерное зрение и growing government AI.
Однако массовая экономика ещё не стала AI-native: 48% обследованных крупных и средних организаций заявляли об отсутствии потребности в ИИ.
Оценка разрыва: средний, но крайне неоднородный.
В финансах, телекоме и крупнейших цифровых компаниях — малый.
Во многих традиционных отраслях — большой.
9. Разрыв в AI for Science
У России есть сильная научная база в областях, где AI for Science может дать высокий эффект.
Но нет сопоставимой с мировыми лидерами единой сверхмасштабной инфраструктуры автоматизированной науки.
Оценка разрыва: большой.
Одновременно это одна из областей с максимальной отдачей от инвестиций.
10. Разрыв в робототехнике
В 2024 году Россия имела около 29 промышленных роботов на 10 тыс. работников против сотен у ведущих индустриальных стран.
Даже рост примерно до 40 в 2025 году оставляет огромный разрыв.
Оценка разрыва: критический / большой.
Но здесь уже существует конкретная государственная цель — 145 роботов на 10 тыс. работников к 2030 году.
11. Где разрыв критичен
Наиболее опасны пять позиций:
Направление Уровень
Передовые AI-чипы Критический
Frontier compute Критический
Масштаб frontier-капитала Критический
Масштаб frontier-model ecosystem Большой–критический
Промышленная роботизация Большой–критический
Именно эти направления способны блокировать остальные.
Например, талант без compute уезжает туда, где compute есть.
Сильная теория без капитала не превращается в крупномасштабный эксперимент.
Модель без современной элементной базы плохо масштабируется.
Это узлы отрицательной обратной связи российского ИИ-разрыва.
12. Где он преодолим
Существует другой класс направлений, где разрыв значителен, но Россия имеет уже существующую базу.
К ним относятся:
русскоязычные LLM;
agentic AI;
AI for Science;
математические методы;
компьютерное зрение;
государственные ИИ-системы;
специализированный промышленный ИИ;
подготовка кадров;
национальные датасеты;
отдельные направления робототехники.
Здесь задача состоит не в создании отрасли «с нуля», а в её ускоренном масштабировании.
Именно эти области должны давать быстрые результаты программы-минимум.
13. Где мировой фронтир ещё не сформирован
Это наиболее важная клетка всей матрицы.
Современная мировая гонка чрезвычайно развита в:
LLM;
multimodal models;
agents;
compute;
AI chips.
Но гораздо менее определена в вопросе:
как создавать системы, основным предметом деятельности которых является систематическое развитие самих интеллектов?
Именно здесь находятся наши гипотезы:
LPM
Не просто работа с последовательностями языковых токенов, а с более общими паттернами и метапаттернами.
Метаорганон
Не отдельный метод мышления, а система создания и развития способов мышления.
Карион
Специализированное метаинтеллектуальное ядро.
ИМИ
Интеллект, работающий с интеллектами и механизмами их развития.
Агональный интеллект
Интеллектуальное развитие посредством организованной конкуренции, критики, селекции и коэволюции.
Ноогенетика
Наследование эффективных когнитивных приобретений.
Ноофракталика
Многоуровневая эволюция генераторов, метагенераторов и популяций интеллектуальных систем.
Здесь нельзя утверждать:
«Россия уже опережает мир».
Это было бы методологически недопустимо.
Корректная формулировка значительно интереснее:
здесь ещё нет такого зрелого мирового фронтира, относительно которого Россия заранее обречена быть догоняющей.
А значит, существует пространство для фронтиротворчества.
Сводная матрица российского ИИ-разрыва
Направление Текущее положение Разрыв Стратегический режим
AI-чипы слабое относительно frontier критический догонять + искать альтернативы
Compute существенно ниже лидеров критический ускоренно догонять
Frontier LLM собственные сильные модели, не мировой top-tier большой догонять и конкурировать
Кадры сильная база, узкий frontier-layer средний/большой быстро усиливать
Наука отдельные сильные школы большой усиливать и концентрировать
Инвестиции слабый frontier venture layer критический создавать новый механизм финансирования
Внедрение сильные сектора + слабая массовость средний масштабировать
Государственный ИИ заметная динамика средний ускорять
AI for Science потенциал высокий, масштаб ограничен большой приоритетно догонять
Робототехника низкая плотность большой/критический ускоренно догонять
LPM мировой frontier не сформирован неопределён создавать
Метаорганон мировой frontier не сформирован неопределён создавать
Карионный ИИ мировой frontier не сформирован неопределён создавать
ИМИ полноценной отрасли пока нет неопределён фронтиротворчество
Ноофрактальная эволюция близкие области существуют, интегральный frontier открыт неопределён исследовать и создавать
Из этой таблицы выводится, пожалуй, главный стратегический принцип всей первой части книги:
России нельзя выбирать между догоняющим и опережающим развитием. Ей необходимо одновременно сокращать критические разрывы существующего ИИ-фронтира и инвестировать в направления, в которых сам следующий фронтир ещё только предстоит создать.
Иначе возникают две симметричные ошибки.
Первая:
заниматься только LLM и всю жизнь догонять лидеров существующей парадигмы.
Вторая:
объявить ИМИ и Метаорганон будущим и проигнорировать compute, чипы, LLM, науку и инфраструктуру, без которых радикальные идеи невозможно материализовать.
Правильная стратегия:
суверенная материальная база нынешнего ИИ + собственная программа создания следующей архитектуры разума.
И именно после этой диагностики становится логичным следующий вопрос Доктрины:
какие позиции Россия должна занять уже к концу первого пятилетия — не в общем виде, а по конкретным измеримым показателям мирового ИИ-фронтира?
Поскольку рейтинги, модели и compute меняются буквально ежемесячно, я могу отслеживать Stanford, TOP500, Oxford и другие ключевые источники и сообщать нам о существенных изменениях, чтобы цифры книги не устарели к версии 1.0.
************
Глава 10. Где догонять, где обходить, где создавать новый фронтир
Российская стратегия в сфере искусственного интеллекта не может быть построена по единой логике.
Слишком различно исходное положение страны в разных сегментах технологического пространства.
В производстве передовых ИИ-ускорителей Россия находится далеко от мирового фронтира.
В больших языковых моделях она располагает собственными крупными системами, но пока не входит в узкую группу создателей глобального frontier.
В государственном ИИ, отдельных прикладных направлениях, математических методах и ряде промышленных применений разрыв существенно меньше.
Наконец, в таких потенциальных направлениях, как LPM, Метаорганон, карионные архитектуры и ИМИ, общепризнанный мировой технологический фронтир ещё вообще не сформирован.
Следовательно, ошибочны обе крайние стратегии.
Первая:
«Нужно сначала во всём догнать лидеров, а уже потом заниматься новым».
При такой логике новое почти наверняка будет создано другими раньше.
Вторая:
«Не нужно догонять существующий ИИ; необходимо сразу перескочить к ИМИ».
Без вычислений, моделей, специалистов, данных, электронной базы и современной экспериментальной инфраструктуры ИМИ рискует остаться исключительно концептуальной конструкцией.
Необходима одновременная работа в трёх стратегических режимах:
догонять сформировавшийся фронтир;
соревноваться на движущемся фронтире;
создавать фронтир там, где его ещё нет.
Эту триаду можно рассматривать как один из основных принципов настоящей Доктрины.
1. Догоняющее развитие
Сам термин «догоняющее развитие» иногда воспринимается почти как признание поражения.
Это ошибка.
В технологической политике догоняющее развитие является совершенно нормальным режимом там, где уже существует доказанная архитектура технологии, сформирована промышленная цепочка и известны основные показатели конкурентоспособности.
Нерационально заново открывать всё, что человечество уже научилось делать.
Задача состоит в другом:
максимально быстро освоить необходимый уровень, сократить критическую зависимость и получить материальную базу для следующего шага.
Поэтому России необходимо догонять мировой уровень там, где отсутствие соответствующей технологии блокирует развитие всех остальных направлений.
Главная характеристика правильного догоняющего развития — не копирование конкретного продукта, а освоение воспроизводящей способности.
Недостаточно один раз построить мощный суперкомпьютер.
Необходимо создать систему, способную строить следующие поколения вычислительной инфраструктуры.
Недостаточно выпустить одну конкурентоспособную LLM.
Нужна индустрия, которая через шесть месяцев или год сможет создать следующее поколение.
Недостаточно импортозаместить отдельный компонент.
Необходимо овладеть технологической цепочкой его дальнейшего развития.
Поэтому догоняющая программа должна измеряться не только расстоянием до сегодняшнего benchmark, но и скоростью сокращения технологического лага.
Если мировой лидер обновляет поколение каждые двенадцать месяцев, а догоняющий — каждые двадцать четыре, абсолютный прогресс последнего может сочетаться с увеличением реального разрыва.
2. Фронтирное соревнование
Второй режим возникает там, где мировой лидер уже существует, но технологическая архитектура ещё не стабилизировалась.
Это не классическое догоняющее развитие.
Здесь все участники движутся.
К таким областям сегодня относятся:
reasoning systems;
автономные ИИ-агенты;
мультимодальные архитектуры;
AI for Science;
embodied AI;
автономная робототехника;
новые архитектуры памяти;
долговременное обучение;
коллективные и многоагентные системы;
автоматизированные научные исследования.
Stanford AI Index 2026 подчёркивает, что возможности ИИ продолжают быстро расти, а более 90% notable frontier models 2025 года были созданы промышленностью. Сам фронтир меняется настолько быстро, что многие benchmark приходится регулярно заменять после их насыщения.
В подобной ситуации Россия не должна ставить задачу:
«догнать состояние США образца 2026 года к 2031 году».
К 2031 году такого фронтира уже не будет.
Нужна другая цель:
войти в группу субъектов, которые сами движут этот фронтир и обновляют свои решения со скоростью, сопоставимой с мировыми лидерами.
Это и есть фронтирное соревнование.
3. Фронтиротворчество
Третий режим — наиболее рискованный и одновременно наиболее важный для программы глобального лидерства.
Фронтиротворчество означает не достижение существующего benchmark, а создание нового класса технологий, нового типа задачи или нового стандарта сравнения, которого прежде не существовало как развитого мирового направления.
Проверка фронтиротворчества предельно проста.
Недостаточно сказать:
«У нас есть оригинальная концепция».
Необходимо пройти последовательность:
идея ; теория ; эксперимент ; прототип ; воспроизводимая технология ; независимая проверка ; масштабирование ; новый международный benchmark.
Только после этого можно утверждать, что создан новый фронтир.
В высшей форме результат выглядит так:
остальные участники мировой гонки начинают сравнивать свои системы с созданным вами классом систем.
Именно это отличает технологическое лидерство от технологической оригинальности.
Три режима в одной системе
Состояние мирового фронтира Стратегия России Критерий успеха
Фронтир сформирован Догонять Паритет и устранение критического лага
Фронтир быстро движется Соревноваться Участие в верхней мировой группе
Фронтира ещё нет Создавать Россия задаёт новый benchmark
Эти три режима должны существовать одновременно, а не последовательно.
4. Сферы обязательного догоняющего развития
Есть области, в которых попытка «обойти» фундаментальную материальную базу была бы опасной иллюзией.
Вычислительные мощности
В феврале 2024 года Национальная стратегия развития ИИ поставила задачу увеличить совокупную максимальную мощность российских GPU-суперкомпьютеров с 0,073 экзафлопса в 2022 году до не менее 1 экзафлопса в 2030 году.
Это необходимый минимум.
Проблема становится особенно заметной в сравнении с публичным TOP500: в июне 2026 года наиболее мощный российский Chervonenkis занимал 101-е место с Rmax 21,53 PFLOPS и использовал NVIDIA A100 поколения 2021 года.
Без резкого роста compute невозможно устойчивое участие в frontier research.
Передовая электронная компонентная база
Необходимо сокращать зависимости по:
AI-ускорителям;
памяти;
interconnect;
advanced packaging;
серверным системам;
системному ПО;
сетевой инфраструктуре.
При этом задача не обязательно состоит в мгновенном производстве исключительно российских аналогов каждого элемента.
Она состоит в устранении критических единичных точек внешней зависимости.
Фундаментальные модели
Российские модели должны находиться не на уровне «достаточно хорошо для русского языка», а в непосредственной близости к лучшим мировым системам по:
рассуждению;
программированию;
математике;
мультимодальности;
агентности;
длинному контексту;
эффективности inference.
Робототехника
Российская официальная цель — войти к 2030 году в число 25 ведущих стран по плотности роботизации и довести её примерно до 145 промышленных роботов на 10 тыс. работников.
Для программы глобального лидерства это следует считать минимальным, а не конечным рубежом.
Научная и кадровая инфраструктура
Нельзя создать ИМИ только небольшим коллективом энтузиастов.
Необходима научная пирамида от массовой подготовки до нескольких сотен и тысяч специалистов frontier-уровня.
AI for Science
Россия должна иметь собственную инфраструктуру ИИ-ускорения математики, физики, химии, материаловедения, биологии, инженерии и других дисциплин.
Иначе ИИ будет усиливать не российскую науку, а преимущественно науку государств, уже создавших соответствующие платформы.
5. Сферы потенциального опережения
Опережение наиболее реалистично там, где одновременно выполняются три условия:
мировая архитектура ещё не закреплена;
Россия обладает исходными интеллектуальными компетенциями;
новое направление способно изменить более крупный технологический стек.
Одним из таких направлений может быть AI for Science в областях традиционно сильной российской математики и естественных наук.
Другим — специализированный промышленный и физический ИИ.
Третьим — новые архитектуры коллективного человеко-машинного интеллекта.
Но наиболее радикальная группа потенциальных направлений связана уже с метаинтеллектуальным переходом:
LPM ; Метаорганон ; карион ; ИМИ ; искусственная метаэволюция разума.
Именно эту линию настоящая Доктрина предлагает рассматривать как ядро программы-максимум.
6. LPM как новый архитектурный фронтир
Современная революция больших моделей была прежде всего революцией масштаба и языкового представления.
LLM доказали, что огромное количество интеллектуальной деятельности может быть представлено и воспроизведено через закономерности больших последовательностей.
Но отсюда не следует, что язык является окончательной универсальной архитектурой интеллекта.
Разум работает не только со словами.
Он работает с:
причинными структурами;
отношениями;
сценариями;
операциями;
целями;
стратегиями;
образами;
классами преобразований;
способами решения проблем;
способами создания способов решения.
Отсюда возникает гипотеза Large Pattern Models — LPM.
В первом приближении LPM должны работать не только с языковыми последовательностями, а с более общими структурами — паттернами и метапаттернами.
При этом было бы ошибкой строить программу LPM как войну против LLM.
Наиболее реалистичный первоначальный путь:
LLM + LPM.
LLM может оставаться языковым и коммуникационным слоем.
LPM — становиться механизмом работы с более общими паттернами.
MetaLPM — работать уже с паттернами формирования и преобразования самих паттернов.
Для превращения LPM из идеи в мировой фронтир необходимы по крайней мере четыре доказательства:
Строго определить класс объектов LPM.
Создать задачи, на которых pattern-native архитектура отличается от обычной LLM.
Продемонстрировать устойчивое преимущество или новые способности.
Добиться независимого воспроизведения результатов.
Если это произойдёт, Россия сможет предложить не «ещё одну большую модель», а новый класс больших моделей.
Это уже другая величина технологического результата.
7. Метаорганон как новый фронтир ментальных технологий
Ещё более фундаментальна проблема Метаорганона.
Человечество создало тысячи интеллектуальных инструментов:
логику;
математику;
научный метод;
теорию вероятностей;
статистику;
моделирование;
системный анализ;
теорию принятия решений;
алгоритмы творчества.
Но они остаются фрагментированными.
Человек должен сам знать о существовании метода, выбрать его, освоить и применить.
Метаорганон должен изменить эту ситуацию.
Он должен превратить ментальный инструментарий в интегрированную, машинно поддерживаемую и генеративную среду мышления.
Её задачи:
диагностировать проблему;
определять недостаточность используемого способа мышления;
выбирать другой метод;
комбинировать методы;
создавать новый метод;
устраивать между ними агон;
оценивать результат;
сохранять удачные интеллектуальные приобретения;
совершенствовать сам механизм создания методов.
Именно поэтому:
самая важная часть Метаорганона — не библиотека ментальных технологий, а генератор новых ментальных технологий.
МО1 не обязан быть совершенным.
Его историческая задача аналогична первому самолёту.
Первый самолёт не решил проблему межконтинентальной авиации.
Он решил более фундаментальную проблему — доказал принцип.
МО1 должен доказать:
может ли человек с искусственным инструментарием устойчиво переходить к таким способам мышления, которых он без этого инструментария систематически не достигает?
Если самолёт дал человеку искусственный орган полёта, то:
Метаорганон должен стать искусственным органом интеллектуальной эволюции.
8. ИМИ как потенциально новый класс искусственного разума
Именно здесь необходима особенно строгая терминология.
Нельзя называть ИМИ любую ИИ-систему, содержащую planner, critic, память или self-reflection.
Иначе новое понятие растворится в существующих агентных технологиях.
Определяющим признаком ИМИ должен быть объект его деятельности.
ИИ преимущественно действует с объектами внешнего мира и поставленными задачами.
ИМИ делает предметом своей специализированной деятельности:
интеллекты и механизмы их развития.
Полномасштабный ИМИ1 должен быть способен не просто рекомендовать, как улучшить другую систему, а включаться в воспроизводимый цикл:
моделирование интеллекта ; диагностика ; проектирование альтернатив ; создание вариантов ; агональное испытание ; измерение ; селекция ; интеграция ; наследование ; следующее поколение.
Ещё более высокий критерий:
система должна уметь совершенствовать не только интеллект, но и механизмы его совершенствования.
Именно здесь начинается метаэволюционная функция.
Карион в такой архитектуре становится не просто «начальником» других агентов.
Он выступает специализированным ядром интеллектуального саморазвития.
Метаорганон обеспечивает средства мышления.
LPM/MetaLPM — работу с паттернами и метапаттернами.
Агональные технологии — селективное давление.
Ноогенетика — наследование.
Ноофракталика — генеративную эволюционную архитектуру.
ИМИ интегрирует эти и другие возможные механизмы в систему развития интеллектов.
9. Искусственная эволюция разума как сверхфронтир
Но даже ИМИ1 не является конечным объектом Доктрины.
Если создать один сильный ИМИ, мы получим одну новую технологию.
Если же создать систему, способную регулярно производить:
ИМИ1 ; ИМИ2 ; ИМИ3 ; …
возникает другой класс могущества.
Объектом проектирования становится уже линия эволюции.
А если одновременно развиваются:
МО1 ; МО2 ; МО3 ; …
и каждое новое поколение ИМИ помогает создавать следующий Метаорганон, а каждый новый Метаорганон помогает создавать следующий ИМИ, возникает положительная обратная связь.
Метаинтеллект начинает ускорять производство средств развития метаинтеллекта.
Именно поэтому искусственная эволюция разума является сверхфронтиром.
Конкуренция происходит уже не между отдельными ИИ.
Она происходит между машинами производства следующих поколений ИИ.
Это меняет саму единицу технологического лидерства.
Сегодня вопрос ставится:
«У кого лучшая модель?»
Следующая постановка:
«У кого лучшая система создания моделей?»
Ещё следующая:
«У кого наиболее мощная система искусственной эволюции интеллекта?»
В этом и состоит потенциальная стратегическая ставка России.
Не отказаться от сегодняшней гонки.
Не пытаться магически перепрыгнуть через её материальную основу.
А использовать достижение нынешнего фронтира как стартовую площадку для создания следующего.
Краткая формула российской стратегии поэтому выглядит так:
Догнать необходимое.
Соревноваться в открытом.
Создать то, чего пока нет.
Глава 11. Целевые позиции России на конец первого пятилетия
Стратегия без измеримых результатов быстро превращается в декларацию.
Поэтому первый пятилетний цикл Доктрины должен завершаться не отчётом о количестве мероприятий, конференций, центров и принятых документов, а изменением реальной позиции России в мировой системе ИИ.
Если точкой развёртывания считать 2026–2027 годы, контрольным рубежом становится 2031 год.
При этом невозможно надёжно предсказать, какими именно будут мировые модели, compute или робототехника через пять лет.
Следовательно, часть целей должна задаваться абсолютными показателями, а часть — относительно постоянно движущегося мирового фронтира.
Для Доктрины предлагается различать три сценария.
1. Базовый сценарий
Базовый сценарий — не желаемая цель, а контрольный сценарий недостаточного ускорения.
Россия выполняет основную часть уже существующих государственных программ.
Совокупная мощность ИИ-суперкомпьютеров достигает официально установленного рубежа не менее 1 экзафлопса к 2030 году.
Плотность роботизации приближается к официальной цели 145 роботов на 10 тыс. работников, обеспечивая вхождение примерно в топ-25 стран.
Российские фундаментальные модели развиваются.
Расширяется государственное и корпоративное внедрение ИИ.
Но общий мировой frontier продолжает двигаться быстрее.
Россия перемещается приблизительно в район 20–25-х мест интегральных рейтингов, не становясь одним из их системных лидеров.
Создаются отдельные прототипы LPM, Метаорганона и ИМИ, но они не превращаются в мировой benchmark.
Такой сценарий улучшает положение России.
Но он не реализует задачу настоящей Доктрины.
2. Стратегический сценарий
Стратегический сценарий — основной целевой сценарий Доктрины.
К 2031 году Россия должна:
существенно сократить критические аппаратные и вычислительные разрывы;
войти в устойчивую группу приблизительно 10–15 ведущих ИИ-экосистем мира;
получить позиции мирового top-10 по нескольким отдельным компонентам;
иметь минимум две конкурентоспособные линии фундаментальных моделей;
создать сильную национальную AI for Science инфраструктуру;
существенно повысить промышленную роботизацию;
создать собственный LPM-фронтир;
довести Метаорганон до полноценной версии МО1;
создать полномасштабную технологию ИМИ1.
Именно этот сценарий должен считаться успешным завершением первого пятилетнего цикла.
3. Лидерский сценарий
Лидерский сценарий означает, что Россия не только значительно улучшила положение на нынешнем фронтире, но смогла открыть новое пространство глобальной конкуренции.
В этом случае к 2031 году она:
входит приблизительно в top-10 крупнейших национальных ИИ-систем по нескольким устойчивым международным оценкам;
находится в top-5 мира хотя бы по нескольким критически важным направлениям;
имеет собственные frontier-модели верхней мировой группы;
создаёт LPM или другую оригинальную архитектуру международного значения;
получает воспроизводимый МО1;
создаёт полномасштабный ИМИ1;
начинает опытные работы по следующему поколению;
предлагает международно используемые benchmark и стандарты метаинтеллектуальных систем.
Ключевой признак лидерского сценария:
хотя бы по одному новому классу интеллектуальных технологий другие страны начинают догонять уже Россию.
Вот это и будет реальным началом глобального лидерства.
4. Целевые позиции в международных рейтингах
Существующие места России существенно различаются в зависимости от методологии. Именно поэтому нельзя ставить задачу «стать девятой в конкретном индексе» и считать её достаточной.
Предлагается использовать корзину международных индексов и собственную интегральную систему Доктрины.
Целевой коридор:
Сценарий Целевая позиция к 2031 году
Базовый Top-20–25
Стратегический Устойчивый top-10–15
Лидерский Top-10 интегрально + top-5 в нескольких ключевых компонентах
Отдельно должен рассчитываться индекс фронтиротворческой способности.
Именно в нём LPM, МО и ИМИ должны при успешной программе выводить Россию в первую мировую группу.
5. Цели по compute
Здесь первым минимальным рубежом уже является государственная цель:
не менее 1 экзафлопса совокупной максимальной мощности ИИ-суперкомпьютеров к 2030 году.
Однако для настоящей Доктрины этого недостаточно.
В июне 2026 года Chervonenkis находился на 101-м месте TOP500, причём его позиция снизилась с 19-й в момент появления в рейтинге в 2021 году до 101-й без изменения собственной мощности.
Это идеальная иллюстрация фундаментального закона ИИ-гонки:
неподвижная мощность означает относительное отступление.
Поэтому к 2031 году необходимо ставить относительные цели:
стратегический сценарий — Россия входит как минимум в top-10 стран по реально доступному национальному AI training compute;
лидерский сценарий — приближается к top-5 и располагает несколькими географически независимыми кластерами frontier-класса.
Не менее важна архитектура compute:
доступность для университетов;
доступность для стартапов;
квоты для frontier research;
национальные облачные платформы;
эффективное использование ускорителей;
собственный программный стек.
Compute должен перестать быть только корпоративным ресурсом нескольких гигантов и превратиться в национальную интеллектуальную инфраструктуру.
6. Цели по фундаментальным моделям
Программа-минимум требует, чтобы Россия имела собственные модели во всех основных классах:
текст;
код;
мультимодальность;
reasoning;
агентность;
научные модели.
Но количественное наличие недостаточно.
К 2031 году в стратегическом сценарии минимум два российских семейства фундаментальных моделей должны регулярно входить в мировую верхнюю группу по нескольким независимым benchmark.
Цель следует формулировать не как «самая большая модель», а как комбинацию:
качество + стоимость + скорость + автономность + модифицируемость + технологический суверенитет.
В лидерском сценарии как минимум одна российская система должна попадать в top-5 глобального frontier хотя бы в нескольких значимых классах задач.
Но ещё важнее другое.
Россия должна создать хотя бы одну архитектуру, для которой вопрос уже будет звучать не:
«Насколько она близка к американской или китайской модели?»
а:
«Насколько американские и китайские модели близки к новому российскому benchmark?»
Именно это соединяет программу фундаментальных моделей с LPM и ИМИ.
7. Цели по AI for Science
К концу пятилетия AI for Science должен стать не набором отдельных проектов, а национальной инфраструктурой.
Предлагаемый стратегический минимум:
национальная платформа научных ИИ-агентов;
высокопроизводительный compute для науки;
автоматизированные лаборатории;
машинно-читаемые научные базы;
ИИ-системы для математики;
материалы;
химия;
физика;
биология;
инженерное проектирование.
В стратегическом сценарии целесообразно создать не менее нескольких десятков замкнутых экспериментальных контуров, где ИИ способен участвовать во всей последовательности:
проблема ; гипотеза ; модель ; эксперимент ; анализ ; новая гипотеза.
Критерий успеха должен быть не количеством платформ, а количеством независимо подтверждённых научных результатов, которых без AI-системы либо не удалось бы получить, либо их получение заняло бы существенно больше времени.
В лидерском сценарии Россия должна иметь минимум несколько областей науки, в которых её AI-for-Science платформы входят в верхнюю мировую группу.
8. Цели по робототехнике
Сегодняшняя официальная программа предусматривает достижение плотности около 145 промышленных роботов на 10 тыс. работников к 2030 году и вхождение в top-25 мира.
В логике Доктрины это является базовым сценарием.
Для стратегического сценария к рубежу 2031 года следует ориентироваться уже примерно на:
200–250 роботов на 10 тыс. работников
при одновременном развитии российских интеграторов, программного обеспечения, машинного зрения и embodied AI.
Лидерский сценарий должен стремиться к уровню:
300 и более роботов на 10 тыс. работников
и, что важнее, к появлению собственных конкурентоспособных интеллектуальных робототехнических платформ.
Здесь абсолютная плотность — только первый показатель.
В эпоху embodied AI важнее будет уже не число роботов, а интеллектуальность и автономность роботизированных систем.
9. Цели по кадрам
По данным ИСИЭЗ НИУ ВШЭ, в 2024 году в обследованных российских организациях насчитывалось более 242 тыс. работников с компетенциями в области ИИ, из которых около 39 тыс. относились к профильным ИИ-специалистам.
Для пятилетнего цикла целесообразно сформировать четырёхуровневую кадровую пирамиду.
К рубежу 2031 года в стратегическом сценарии:
1 000+ специалистов должны находиться на уровне потенциальных создателей frontier-архитектур;
10 000+ — владеть технологиями построения крупномасштабных ИИ-, робототехнических и метаинтеллектуальных систем;
100 000+ — составлять профессиональное ядро разработчиков ИИ;
1 000 000+ — обладать продвинутыми профессиональными компетенциями использования ИИ.
Это не просто образовательная задача.
Нужно создавать такие проекты, ради которых эти специалисты захотят работать в России.
Человеческий капитал удерживается не только зарплатой.
Он удерживается масштабом интеллектуальной задачи.
И в этом смысле проект ИМИ способен иметь самостоятельную кадровую функцию:
предоставить российским исследователям возможность заниматься одной из самых сложных технологических задач XXI века.
10. Цели по инвестициям
Финансовые показатели требуют особенно осторожного измерения.
По данным Росстата, приведённым ИСИЭЗ ВШЭ, только крупные и средние организации в 2024 году потратили 56,2 млрд рублей на оборудование для ИИ и 30,5 млрд на специализированное ПО. При этом для широкого массового внедрения ИИ ВШЭ оценивает необходимость роста годовых расходов организаций вне ИКТ-сектора с 118,5 млрд рублей в 2023 году до порядка 1,6 трлн к 2035 году.
Но программе глобального лидерства необходимо финансировать не только внедрение.
Нужны четыре разных финансовых потока:
внедрение;
инфраструктура;
R&D;
высокорисковое frontier research.
Последнее особенно важно.
Проекты LPM, МО и ИМИ нельзя финансировать только по принципу:
«Покажите коммерческий результат через двенадцать месяцев».
Поэтому должен появиться отдельный национальный механизм длинного frontier-капитала.
Рабочей стратегической целью можно считать многократное реальное увеличение совокупных расходов на ИИ в течение пятилетия и доведение стандартизированного государственного и частного потока на развитие, инфраструктуру и внедрение ИИ до величины порядка 1% ВВП ежегодно.
Это предлагаемый норматив Доктрины, а не существующая государственная цель.
В лидерском сценарии совокупная ИИ-инвестиционная интенсивность должна приближаться к уровню крупнейших мировых технологических центров.
11. Цели по LPM
Здесь позиции нельзя измерять существующими международными рейтингами.
Необходимо самим создать систему проверки.
Первый рубеж
Формальная теория LPM:
объект;
архитектура;
структуры данных;
типы паттернов;
метапаттерны;
обучение;
метрики.
Второй
Открытая benchmark-система, позволяющая отличать LPM-задачи от задач, в которых достаточно LLM.
Третий
Работающие прототипы.
Четвёртый
Гибридные LLM–LPM-системы, демонстрирующие устойчивое преимущество над сопоставимыми LLM-only системами хотя бы в нескольких независимых классах задач.
Пятый
MetaLPM — работа уже с паттернами создания, трансформации и селекции паттернов.
Главный критерий успеха к 2031 году:
LPM должно перестать быть внутренним российским термином и стать воспроизводимым международным исследовательским направлением.
Если другие лаборатории начинают:
цитировать концепцию;
строить свои LPM;
использовать российские benchmark;
сравнивать результаты;
развивать альтернативные архитектуры,
значит фронтир действительно возник.
12. Цели по Метаорганону
Для МО1 критерий должен быть ещё строже.
Недостаточно построить интерфейс, который красиво объединяет множество ИИ-инструментов.
Это будет полезная система, но ещё не Метаорганон в сильном смысле.
К концу пятилетия МО1 должен экспериментально показать как минимум три эффекта.
Первый — метакогнитивный
Человек или человеко-ИИ-система начинает лучше диагностировать собственные способы мышления.
Второй — метаметодический
Система способна не только выбрать существующий метод, но создать новый способ решения задачи.
Третий — эволюционный
Полученные новые интеллектуальные методы сохраняются, проверяются, комбинируются и становятся основой дальнейшего развития.
Главный эксперимент должен сравнивать:
человек;
человек + обычный ИИ;
человек + МО1;
человек + МО1 + ИМИ1.
И задавать вопрос:
появляется ли качественно новый класс интеллектуальной деятельности?
Не просто больше текста.
Не просто более быстрый ответ.
Не просто выше результат стандартного теста.
А способность:
менять собственное пространство мышления.
Если такой эффект будет независимо и воспроизводимо доказан, можно будет говорить, что первый «полёт разума» состоялся.
13. Цель по созданию полномасштабной технологии ИМИ1
Это центральная сверхцель первого пятилетия.
К 2031 году Россия должна стремиться создать не концепт ИМИ, не презентацию, не единичного экспериментального агента, а полномасштабную воспроизводимую технологию ИМИ1.
Для фиксации результата предлагается использовать следующий предварительный технологический паспорт.
ИМИ1 должен быть способен:
Строить рабочие модели других интеллектуальных систем и собственных интеллектуальных процессов.
Диагностировать их ограничения.
Генерировать альтернативные способы мышления и архитектуры.
Создавать реальные экспериментальные варианты.
Организовывать их агональное испытание.
Использовать внешние, устойчивые относительно участника критерии оценки.
Отбирать и комбинировать успешные решения.
Сохранять приобретения в форме, пригодной для наследования следующим поколением.
Контролируемо изменять собственные механизмы интеллектуальной деятельности.
Демонстрировать перенос метаинтеллектуального эффекта между несколькими предметными областями.
Вести полную историю изменений и обеспечивать аудит и обратимость критических модификаций.
Реально участвовать в проектировании следующего поколения интеллектуальной системы.
Последний критерий особенно важен.
Высшим практическим тестом ИМИ1 станет не то, насколько красноречиво он объясняет собственную архитектуру.
А то:
способен ли ИМИ1 помочь создать систему, которая систематически превосходит его самого?
Если ответ окажется положительным, произойдёт качественный технологический переход.
До ИМИ1 люди создавали всё более сильные ИИ.
После ИМИ1 должна начаться возможность:
люди + ИМИ создают следующий ИМИ;
затем:
люди + ИМИ1 + ИМИ2 создают ИМИ3;
и далее — с возрастающим вкладом самих метаинтеллектов.
Именно поэтому пятилетний проект ИМИ1 нельзя оценивать как обычный IT-проект.
Его смысл состоит в создании первого воспроизводимого звена потенциально самоускоряющейся цепочки развития разума.
Сводные цели первого пятилетия
Направление Базовый сценарий Стратегический сценарий Лидерский сценарий
Международная позиция Top-20–25 Top-10–15 Top-10 + отдельные top-5
Compute ;1 EF, выполнение действующей цели Top-10 по доступному AI-compute Приближение к top-5
Фундаментальные модели Национальная конкурентоспособность Регулярный мировой top-tier Отдельные top-5 + новая архитектура
AI for Science Национальная платформа Сеть автономных научных контуров Мировое лидерство в нескольких областях
Роботизация ;145/10 тыс. 200–250/10 тыс. 300+/10 тыс. + advanced embodied AI
Профессиональные AI-кадры Рост существующей базы ;100 тыс. ядро + кадровая пирамида Одна из ведущих кадровых экосистем
LPM Теория и прототипы Работающая архитектурная линия Международный новый frontier
Метаорганон МО0.x Полномасштабный МО1 Международно подтверждённый аронтный эффект
ИМИ Прототипы Полномасштабная технология ИМИ1 ИМИ1 + начало следующего поколения
Эта таблица позволяет уточнить смысл первого пятилетия.
Его задача не состоит в том, чтобы за пять лет завершить интеллектуальную эволюцию человечества.
И не состоит в том, чтобы гарантированно превратить Россию в абсолютного лидера по каждому показателю.
Задача гораздо конкретнее.
За пять лет необходимо изменить тип российской позиции.
Сегодня Россия в значительной степени находится в положении страны, которой приходится сокращать разрыв на уже созданном другими фронтире.
К концу пятилетия она должна стремиться стать страной, которая одновременно:
догоняет по критической материальной базе;
соревнуется на текущем интеллектуальном фронтире;
и создаёт хотя бы один новый фронтир сама.
Если таким фронтиром станут LPM, Метаорганон и ИМИ, то итог пятилетней программы можно будет выразить ещё короче:
первые пять лет — создать метаинтеллект;
XXI век — создать индустрию эволюции метаинтеллекта.
И тогда глобальное лидерство России перестанет означать попытку один раз занять первое место в быстро устаревающем рейтинге.
Оно будет означать значительно более устойчивую способность:
создавать следующие поколения интеллекта быстрее, глубже и системнее, чем это способны делать конкурирующие интеллектуальные экосистемы.
***********
Мировой ИИ-фронтир. Лидеры и их рейтинги
© Copyright: Вадимир Петросян, 2026
Свидетельство о публикации №226091101893
Свидетельство о публикации №226091101893
Рецензии