Spydell_finance

LLMs являются очень мощными имитаторами понимания, а не его носителем. Нейросети сильны в ассоциативном выводе и анализе паттернов, но слабы в явной причинной модели, манипулируя распределениями вероятностей, а не выстраивая подлинную картину мира, и не оперируя явным причинным графом. В продолжение начатой темы по архитектурным ограничениям, где собственные позиции во многом пересекаются с концепциями Лекуна (признанного корифея ИИ) Ранее в августе озвучивал ограничения LLMs: • Фундаментальные ограничения расширения контекстного окна, отсекая саму возможность проведения научно-исследовательских работ и крупных проектов, где требуется учет широкого набора данных и фактов. • Ограничения долгосрочной памяти, исключая возможность самоообучения и накопления опыта. • Проблема стабильности и качества выходных токенов при расширении контекста, как вшитый архитектурный баг системы. • Механизм обучения, основанный на статичных корреляциях, а не динамической картине реального мира. • Статичная архитектура с фиксированными весами. Модель не может динамически создавать новые связи или изменять свою структуру в ответ на новый опыт, как это делает человеческий мозг. • Фундаментальная проблема качества данных и критериев истинности. Существующие LLMs фундаментально заточены под корреляционное предсказание поверхностных паттернов, а не под построение причинно-следственной модели мира. В LLMs мир представлен, как последовательность токенов, а не как динамика состояний. Все её «причинные рассуждения» происходят постфактум и в форме предиктивной симуляции на основе предсказаний ветвей решений, а не в форме эксплуатации внутреннего причинного графа через картину мира. Предсказание ведётся в пространстве наблюдений, а не в пространстве компактных представлений на основе динамичного морфинга опыта. Отсутствует цикл «действие → мир → новое наблюдение → обновление модели». Физический, непрерывный мир не встроен в архитектуру как основной источник данных и обратной связи. 🔘Нет динамического переключения между задачами, нет внутреннего множества целей и долгосрочного планирования, т.к. архитектурный якорь заключается в минимизации ошибки предсказания следующего токена, замыкая система на последовательность итерационных решений. 🔘Нет автокоррекции ошибок, что принципиально отличает метод «мышления» нейросетей от человека. Никакого давления градиента, которое заставляло бы выделять причинную структуру, а не просто ловить поверхностные корреляции. 🔘Нет эффективного механизма донастройки контекстной выборки. Например, чтобы разобраться в этой гипотезе, мне нужно сделать именно такой эксперимент / задать такой вопрос / собрать такой тип данных. Некоторые модели в режиме «глубокого исследования» симулируют нечто подобное, но это лишь ограниченная симуляция. Для полноценной эволюции необходимы: • Режим «активного эксперимента» с поиском новых источников, наборов данных по мере решения задачи; • Необходим режим «структурной декомпозиции» с разделением задачи на подмодули, необходим расширенный режим «динамической памяти» с обновлением внутренних алгоритмов по мере правильного решения и коррекции дефектных алгоритмических блоков; • Необходим режим «автокоррекции результатов» по мере отклонения от заданных таргетов; • Необходим решим «динамической модуляции целей» для умения направить ход эксперимента по альтернативной траектории, если это оправдано; • Режим «стратегического планирования» для конвергенции ресурсов и постановки задач на разных уровнях выполнения; • Расширенный принцип накопления опыта, как алгоритмический механизм самоэволюции через положительную обратную связь, тогда как сейчас все веса моделей фиксированы, а файн тюнинг происходит в ручном режиме, что не согласуется с концепцией полноценного ИИ. Ранее указывал широкий спектр применения нейросетей, но концепция AGI архитектурно недостижима в рамках существующей архитектуры. Продолжение следует…

Как начальник управления обогнал коллег, освоив аналитику данных Ситуация, которую вы, возможно, узнаете: Начальник финансово-экономического управления в крупной производственной компании. 15 лет опыта, команда из 8 человек, статус, доход выше среднего. Но на совещаниях у генерального директора стал замечать: коллега из соседнего департамента презентует не таблицы Excel, а интерактивные дашборды. Показывает тренды, прогнозы, сценарии — всё наглядно, за пару кликов. Решения принимаются в его пользу чаще. Вопрос статуса. Не хотелось выглядеть "отстающим" на фоне тех, кто уже использует современные инструменты. Прошёл курс по аналитике данных. Через несколько месяцев: — Внедрил автоматизацию отчётности через SQL — его команда перестала тратить 20 часов в неделю на рутину — Построил модель прогнозирования в Python — точность выросла на 30% — Презентовал проект по оптимизации затрат на основе данных Результат: предложили возглавить новое направление. Доход вырос на 35%. Почему управленцам нужна аналитика данных сейчас? Потому что любой руководитель хочет видеть сотрудника, который вовлечен в бизнес и мыслит не своими задачами, а бизнес-метриками и нацелен на их рост. Если ваши коллеги оперируют дашбордами и прогнозными моделями, а вы — таблицами Excel, разрыв в эффективности становится весом как минимум из-за того, что к весомым выводам вы будете приходить дольше и сложнее. Это не про смену профессии. Это про то, чтобы: — Ваши презентации выглядели убедительнее — Ваши решения подкреплялись цифрами, а не "экспертной оценкой" — Вы не зависели от аналитиков, когда нужно срочно "посмотреть данные" Научитесь этому на курсе "Аналитик PRO" от Changellenge >> Education Программа для специалистов, которым нужны конкретные инструменты для конкретных задач — фокус только на реальных рабочих проектах. Вы научитесь: — Выгружать данные через SQL за 5 минут вместо ожидания отчёта от ИТ 3 дня — Строить прогнозные модели в Python — Использовать нейросети для автоматизации: подготовка отчётов, анализ трендов, составление презентаций — Визуализировать данные в дашбордах — Принимать решения на основе бизнес-данных, а не предположений Формат: 8–10 часов в неделю, онлайн, без отрыва от работы. Обучение на реальных кейсах от Сбера, Яндекса, Алфы и ВТБ. Живые воркшопы с экспертами из Google, BCG, VK. Сейчас скидка до 50% и другие бонусы в честь Чёрной пятницы + по промокоду SPYDELL дополнительные 5 000 рублей только для подписчиков моего канала. Данные не врут: 83% выпускников школы достигают своих карьерных целей в течение 3 месяцев: повышение, новая должность, запуск новых проектов. Узнать детали и записаться → https://clck.ru/3QJD8A Промокод: SPYDELL

Архитектурные ограничения современных LLMs Не существует сейчас более важной темы, чем эта – весь прироста капитальных расходов в реальном мире за два года в полной мере обеспечен бигтехами, весь прирост избыточной капитализации уже на 53 трлн обеспечен бигтехами, весь медийный шум концентрируется вокруг бигтехов, являющиеся главным провайдером ИИ-хайпа. Основные надежды на технологическую революцию, на прирост производительности и все эти утопичные сюжета «ИИ спасет мир» снова вокруг бигтхехов и ключевых стартапов в области ИИ. Больше параметров, больше данных, больше дата-центров: если верить маркетинговым слайдам, где-то на горизонте уже мерцает «универсальный интеллект», который вырастет сам собой, стоит лишь добавить ещё пару десятков миллиардов транзисторов и несколько терраватт-часов электричества. И это не лирическое отступление – это буквальная интерпретация. Их заклинило в области веры в «scaling law», когда эффект масштабирования якобы сделает модели особо умными буквально с экстраординарными способностями, которые в свою очередь всех сделают сказочно богатыми и счастливыми. В августе я делал серию постов по архитектурным ограничениям, где многое пересекается с позицией Яна Лекуна. В отличие от меня, Лекун корифей и основатель современных LLMs, поэтому его позиция особо интересна (далее гибрид с собственными интерпретациями, т.к. язык Лекуна сложен для понимания). Современные LLMs, в которые вкладывают буквально триллионы, в своей основе остаются предиктивными генераторами токенов. Это впечатляюще в плане плавности и разнообразия ответов, но фундамент ограничений заложен прямо в архитектуру: Существующие нейросети – великолепные машины предсказания паттернов. Они виртуозно симулируют мышление в генерации текста, умеют генерировать повторяющиеся картинки по вшитым шаблонам, помогать с кодом и справляться с множеством задач, которые ещё недавно считались творческими. Однако, LLMs фундаментально ограничены, как модели мира и как планирующие агенты, что значительно сужает области эффективного применения. Им не хватает архитектурных механизмов для построения устойчивых, абстрактных, конфигурируемых представлений о реальности, что отсекает их от возможности проведения R&D и управления бизнес-процессами (они никогда не смогут стать результативными и надежными менеджерами, управляющими). Масштабирование в рамках прежних архитектур не снимет этих ограничений. Добавление параметров и данных улучшает качество интерполяции, но не добавляет по-настоящему новых когнитивных способностей, т.е. не приводит к пониманию модели мира, всех взаимосвязей и противоречий. LLMs запоминают и интерполируют огромный набор наблюдённых паттернов, но не выделяют явной структуры мира, из которой можно выводить новые правила. LLM не думает в привычном смысле, а продолжает (точнее предсказывает) последовательность токенов. Такой подход прекрасно подходит для статичной задачи: классификация, перевод, конспектирование, генерация гипотез в схожем конфигурационном паттерне, но это плохо аппроксимируется на реальный мир, где: • Необходимо выстраивать динамическое равновесие в условиях изменяющихся экзогенных факторов • Корреляции и взаимосвязи не статичны – устойчивость связи сейчас может быть деконструирована в будущем • Цели меняются от ситуации к ситуации; • LLM должна уметь ставить подзадачи и производить многофакторную декомпозицию • Нужны механизмы выбора между альтернативными, но достоверными сценариями будущего для полноценного моделирования. Все современные LLMs обучаются на истории того, как кто-то ранее описал прошлое (механизм предвзятости), но не способны самостоятельно синтезировать собственный опыт. Это информационное обеднение принципиально менее пригодно для построения физической, причинной модели мира. Реальный мир устроен как непрерывная динамика объектов, сил и ограничений, а не как поток токенов с заранее вшитой корреляционной зависимостью. Попробую к вечеру доосмыслить концептуальные зарисовки Лекуна, синхронизировав со своими.

Возьми и поглоти меня Такой девиз технологического сектора в США среди стартапов. Ян Лекун (один из самых известных инженеров ИИ и один из основателей современных LLMs) планирует покинуть Meta и основать собственный стартап в области ИИ. Как я понимания, исходя из контекста, причиной могли стать расхождения в стратегическом позиционировании. Цукер ни хрена не соображает в ИИ, но яростно хайпует, создав в середине 2025 супер подразделение по созданию сверхинтеллекта, организовав самый агрессивный в истории HR-hunting звездных специалистов за десятки миллионов долларов за персону, которые ему пообещали «стать сказочно богатым и невероятные прорывы в ИИ». Лекун опытный волк и создавал архитектуры ИИ тогда, когда его сегодняшний руководитель (Александр Ванг) пешком под стол ходил – первый момент, а во-вторых, Цукер хочет быстрого результата, а позиция Лекуна заключается в том, что на текущей технологической базе создание ASI невозможно (нельзя перескочить технологическую итерацию, последовательность), но Цукер неадекватен – влил миллиарды и хочет результата. С позицией Лекуна я согласен, но об этом подробнее в других материалах. Лекун предлагает архитектуру JEPA (Joint Embedding Predictive Architecture) как основу для построения world models – новое поколение нейросетей, но первые результаты могут быть не ранее 2035. Так что на счет стартапов? Сейчас это стало модным – уходить из крупных технологических компаний, забирая с собой небольшой коллектив коллег, громко пиарится в СМИ, обещая, что «ИИ спасет мир и сделает всех сказочно богатыми», а далее два базовых пути: ▪️Сесть на подсос к венчурному капиталу так, как это сделал Сэм Альтман (всосал 70 млрд и просит еще), Дарио Амодей из Anthropic и даже Илон Маск, представляя xAI. Сейчас схема изменилась. Четверть века назад распространены были мелкие IPO на пике дотком пузыря, а еще совсем недавно венчурные капиталисты вливали десятки, реже сотни миллионов долларов в стартапы, а сейчас чек идет на миллиарды и десятки миллиардов. Для IPO слишком много процедур согласования и очень жесткие требования/регламент листинга. Привлечь на IPO свыше 10 млрд – это уже заявка на книгу рекордов, а обычно «жалкие» миллиарды. Теперь «теневое» финансирование венчурного капитала за одни лишь красивые презентации и честные глаза отгружают десятки миллиардов. Вот до чего дошел прогресс. ▪️Второй вариант – уйти из бигтехов, раскрутиться и распиариться, чтобы снова продаться бигтехам, тот самый принцип «возьми и поглоти меня обратно». 🔘Microsoft в марте 2024 фактически наняла почти всю команду Inflection AI (около 60 человек), включая основателей Мустафа Сулеймана и Карен Симоняна (ранее работали в Google), для создания нового подразделения Microsoft AI. 🔘Google в августе 2024 за 2.7 млрд (!) вернула основателей Ноама Шазира и Даниэля Де Фрейтаса из Character AI (пару лет назад ушедших из Google), наняв их на руководящие посты в Google AI, одновременно инвестировав в сам стартап Character AI. 🔘В июле Google частично поглотила Windsurf за 2.4 млрд, выкупив лицензии и ключевых спецов. 🔘Amazon в августе 2024 провела аналогичную сделку, наняв большую часть команды Adept AI), включая основателей (Дэвид Луан и Ашиш Васвани из OpenAI и DeepMind), для усиления своего подразделения AGI. 🔘Цукер в середине 2025 сошел с ума и начал скупать все, что движется. Scale AI за 14.8 млрд без права владения (хахаха), Black Forest Labs за 140 млн без каких-либо прав (по типу доната), пытался дожать Midjourney и Runway, но те послали его к черту. Ранее из OpenAI ушли Илья Сутскевер вместе с Даниэлем Гроссом и Дэни Леви, создав Safe Superintelligence, по похожему пути пошла Мира Муратти, основав Thinking Machines Lab. Андрей Карпатый в июле 2024 основал Eureka Labs (ранее глава Tesla AI и соучредитель OpenAI), еще десятки крупных переливов из команды в команду. С 2022 не было ни одного успешного (коммерчески окупаемого) ИИ стартапа, но всегда есть успешный стартапер (основатель стартапа) – работать на зарплату скучно, гораздо интереснее хайпануть и попытаться продаться максимально дорого, пока дают.

Оценка денежно-кредитных условий в России в октябре Интегральный показатель жесткости ДКУ достиг максимума за 10 лет за счет нормализации инфляции и темпов роста денежных агрегатов (проинфляционный эффект близок к нейтральному) и значительного замедления кредитных индикаторов до показателей 2017 года (наибольший дезинфляционный эффект за 10 лет) при сохранении исключительно жестких неценовых условий кредитования (нормативы и обеспечения) на фоне относительно медленного смягчения ДКП. Чтобы не перегружать материал графиками (важных изменений не так много), демонстрирую основной и самый важный график в этом материале – историческая динамика отдельных индикаторов жесткости ДКУ (чем сильнее «отлетают» от нулевого уровня вверх – тем жестче ДКУ и наоборот). Черная линия объединяет четыре основных компонента и показывает меру жесткости ДКУ, проецируя направление ДКП. Чем выше черная линия от нуля, тем выше пространство смягчения ДКП в условиях нормализованных инфляционных ожиданий. Данные показывают, что пространство для смягчения ДКП открыто. Смягчение условий банковского кредитования (УБК) в 3кв25 затронуло все сегменты рынка в связи со снижением ключевой ставки, конкуренцией банков за заемщиков и улучшением ситуации с внутренним фондированием. Смягчение происходило за счет ценовых эффектов (хода процентной ставки), тогда как нормативы/стандарты кредитования оставались жесткими (небольшое смягчение в розничном сегменте, но ужесточение в корпоративном сегменте). При этом ЦБ отмечает ужесточение контроля банков за качеством корпоративных заемщиков, сужение спектра направлений кредитования, сокращение срочности и повышение залоговых требований под кредит. Восстановительная динамика идет только в ипотечном кредитовании (в основном за счет льготного ИЖК), тогда как потребительские кредиты и кредитование малого и среднего бизнеса остается в подавленном состоянии (автокредитование не компенсирует слабую динамику в розничном кредитовании). ЦБ отмечает, что потребность корпоративных заемщиков в реструктуризации продолжила возрастать без детализации подробностей. Незначительное оживление рыночного ИЖК (доля льготных кредитов в объеме выдач продолжила уменьшаться и составила 78% после 82% в августе). Банки ждут роста спроса на кредиты в 1кв26, объясняя это ожиданиями дальнейшего смягчения ДКП. В сентябре-октябре происходила стабилизация процентных ставок на денежных и кредитных рынках за счет пересмотра вверх ожиданий участников рынка по дальнейшей траектории ключевой ставки. По ключевым тенденциям на основе обзора ЦБ: • В сентябре приток рублевых средств населения на вклады был слабее, чем в предыдущие месяцы. • Общее смягчение условий кредитования в 3кв25 сдерживалось поддержанием жестких неценовых условий среди корпоративных клиентов. • Изменение ставок в сентябре было наиболее заметным в долгосрочным сегменте кредитно-депозитного рынка. • В октябре рост денежных агрегатов ощутимо ускорился, тогда как замедление кредитной активности сдерживало рост денежного предложения в сентябре • В октябре замедлилось снижение ставок по операциям банков с розничными клиентами. Прогноз структурного дефицита ликвидности банковского сектора на конец года понижен на 0.6 трлн руб и находится в диапазоне от 0.5 трлн до 1.3 трлн руб из-за операций Минфина по инвестирования средств ФНБ. План по заимствованию Минфина России на 2025 был увеличен до 7 трлн руб (ранее: 4.8 трлн руб). За 10м25 привлечение средств составило 4.4 трлн руб, а по выручке и 5.3 трлн руб по номиналу (65% годового плана по выручке). Банк России заявил, что будет поддерживать такую жесткость денежно-кредитных условий, которая необходима для возвращения инфляции к цели. Дальнейшие решения по ключевой ставке будут приниматься в зависимости от устойчивости замедления инфляции, динамики инфляционных ожиданий и параметров бюджетной политики.

Как с нуля создать капитал 3-5-10 млн ₽ и выйти на 200 000+ ₽ пассивного дохода Про Сашу Верга многие из вас слышали ещё в 2022 году. Он один из немногих, кто продолжает топить за отечественный фондовый рынок 🇷🇺🤝 ☝️Сейчас он записал разбор стратегии на 2026 год с доходностью 30-50%, который стоит посмотреть каждому: • перспективы российского фондового рынка на 3-5 лет • как выбирать акции с потенциалом роста 20-50% • как определять точки входа/выхода Видео реально стоящее. Доступ бесплатный 👇 https://t.me/+bg67qQNqaDAxN2Zi

Минфин России начал экономить средства В октябре дефицит бюджета составил 402 млрд vs 799 млрд годом ранее – это первое улучшение дефицита с фев.25 и самое сильное с авг.24, до этого на протяжении 12 из 13 месяцев дефицит бюджета непрерывно увеличивался. За 10м25 дефицит бюджета составил 4.19 трлн (это худшие 10м за всю историю) vs дефицита 0.22 трлн за 10м24 и дефицит около 1 трлн за 10м23. За последние 12м дефицит бюджета немного стабилизировался, сократившись с 7.85 трлн (максимум был в мае 2023 – почти 8 трлн) в сентябре до 7.45 трлн в октябре. Чем обусловлено сокращение дефицита? ▪️Расходы бюджета в октябре рухнули на 19% г/г (сопоставимая нормализация расходов была в дек.23). • За 3м расходы снизились на 1.3% г/г, но выросли на 26.6% к аналогичному периоду в 2023. • За 10м25 расходы выросли на 14.1% г/г и +41.2% к 10м23. • Годовые расходы составили 44.4 трлн с увеличением на 16.6% г/г и +32.6% к 2023. По годовым темпам достаточно резкое замедление по расходам бюджета, т.к. пиковые темпы были 32% г/г в янв.25. к середине 2025 – 24% г/г и держались на уровне 22.6% г/г до сентября. Минфин начал экономить с сентября (сокращение на 9.3% г/г в сентябре-октябре), т.к. за 8м25 расходы выросли на 21.1% г/г. ▪️Доходы ухудшаются, в октябре снижение на 11.8% г/г, где нефтегазовые доходы снизились на 26.6% г/г, а ненефтегазовые снизились на 3.5% г/г (самая слабая динамика с 2022 года, не считая янв.23 при трансформации ЕНС). • За 3м доходы снизились на 3.1% г/г, где ненефтегазовые выросли на 6.7% г/г. • За 10м25 рост всего на 0.9% г/г, где ненефтегазовые выросли на 11.4% г/г. • За последние 12м доходы бюджета составили 37 трлн (+3.6% г/г), из которых нефтегазовые доходы – 9.1 трлн (-18.5% г/г), а ненефтегазовые 27.9 трлн (+13.6% г/г). Какие планы Минфина? 37 трлн доходов по итогам 2025, для этого необходимо показать сопоставимую с 2024 годом динамику сборов в ноябре-декабре, но это не так просто, т.к. нефтегазовые доходы сокращаются на 27-30% г/г с тенденцией на ухудшение, особенно на фоне крепкого рубля (в том году рубль был выше 100), слабой конъюнктуры и усиления санкций (многие НПЗ в Китае и Индии отказываются или замораживают поставки нефти). В ноя-дек.24 по нефтегазовым доходам собрали 1.6 трлн, в этом году будет 1 трлн или в лучшем случае 1.1 трлн. Это означает, что за счет ненефтегазовых доходов необходимо компенсировать 0.5-0.6 трлн или нарастить сборы на 10% г/г при относительно высокой базе 2024 (реалистичный план +2-3% г/г). Это формирует 36.5-36.6 трлн доходов по итогам 2025. Что по расходам? Цель состоит в расходах на уровне 42.8 трлн по итогам 2025. При фактических расходах 34.1 трлн за 10м25, необходимо в конце года потратить 8.7 трлн vs 10.3 трлн или сократить расходы на 15.5% г/г. Минфин уже сократил расходы на 19% г/г в октябре, т.е, если поставит жесткую задачу – теоретически выполнимо, но ценой сильного удара по экономике в начале 2026 (лаг составляет 2-5 месяцев в распределении бюджетных средств). Если Минфин исполнит план по расходам, это будет означать обвал расходов на 16.5% г/г и минус 13% с сен.25, когда вышли в режим экономии. Здесь доходы еще можно как-то спрогнозировать, расходы находятся полностью во власти Минфина и зависят от множества факторов, которые не покрываются аналитическими методами. План по дефициту в 5.7 трлн по итогам 2025 практически невыполним – нужно нарастить ненефтегазовые доходы до 10-11% г/г при одновременном резком сокращении расходов на 16-17% г/г, что больно ударит по экономике в конце года и начале 2026.

Денежная масса в России ускоряется, но остается в рамках долгосрочного тренда В октябре рост М2 составил 1.6% м/м – это максимальный рост с окт.09 для этого времени года, но это скорее следствие «недобора» за 8м25. По всей видимости рост обусловлен резким ускорением корпоративного кредитования на фоне частичного восстановления розничного кредитования при умеренном влиянии операций бюджета (дефицит 400 млрд, подробности завтра). Не стоит акцентировать внимание на октябре, учитывая сильную волатильность данных, более важна тенденция. В окт.25 в сравнении с дек.24 рост М2 составил 5.1%, что вдвое ниже 2024 (10.7%) и 2023 (10.6%). Средний прирост за 10 месяцев составлял 3.2% в 2017-2019 и 3.6% в 2015-2021 (максимум был в 2020 – 8.2%). Ускорение роста денежных агрегатов в конце года – это сезонное явление (предупреждал ранее), поэтому «выброс» октябрьских данных не является аномалией. В реальном выражении М2 снизился на 0.1% за 10м25 vs +3.9% в 2024, +4.9% в 2023, 0.8% в 2017-2019 и сокращения на 0.9% в 2015-2021 из-за сжатия реальной денежной массы в 2015 (-8.5%), в 2016 (-1.9%), в 2019 (-0.3%) и 2021 (-2.6%). Несущественное отклонение (+1.9 п.п) роста номинального М2 от тренда 2017-2019 и сокращение реальной денежной массы не является проинфляционной направленностью денежных индикаторов так, как это было в 2022-2024. • В структуре прироста М2 (+5.96 трлн) с начала года на наличку приходится 126 млрд, текущие счета – 1817 млрд, а срочные счета – 4021 млрд. • В структуре прироста М2 (+14.3 трлн) за год на наличную валюту – 605 млрд, текущие счета и вклады до востребования – 3462 млрд, срочные счета – 10206 млрд. В 2023-2024 практически весь вклад в прирост М2 обеспечивали срочные счета (резкое замедление роста с 40% г/г в конце 2024 до 17.2% в окт.25 – минимальные темпы с начала цикла ужесточения с авг.23), теперь структура меняются в пользу текущих счетов (ускорение годового роста до 10.6% - максимум с начала 2024). Детализации по структуре собственности нет в оперативных данных, но на сентябрь расклад следующий: • Депозиты населения составили 61.7 трлн vs 28.4 трлн в янв.22; • Депозиты компаний – 35 трлн vs 21 трлн в янв.22; • Депозиты других финансовых организаций, не относящихся к банкам – 7.3 трлн vs 2.9 трлн в янв.22; • Наличная валюта вне банковской системы – 17.4 трлн. Годовые темпы роста депозитов населения замедляются с максимума 32.2% в середине 2024 до 21% в сен.25 – это минимальные темпы с середины 2023, но по историческим меркам очень интенсивный рост (с 2015 по 2021 среднегодовой рост был 11.7%). С июля некоторое ускорение роста М2 присутствует (среднемесячный рост 0.86% vs 1.27% в 2024 и 1.09% в 2023), но пока темп укладывается в целевой диапазон ЦБ (7-10% по итогам 2025), сейчас ближе к 8-9%, но все решит декабрь, точнее все решит Минфин РФ – будет ли тратить так, как обычно (если будет, дефицит улетит за 8 трлн, а если не будет – это приведет к замедлению М2, т.к. в декабре основной эффект на М2 оказывает бюджет, а это приведет к рецессии в начале 2026). В целом, статистика по денежным индикаторам нейтральна с точки зрения проинфляционного воздействия.

Предложение валюты на российском валютном рынке экстремально низкое, спрос на валюту продолжает расти. Продажи валюты со стороны крупнейших экспортеров на внутреннем валютном рынке составили $8.2 млрд в октябре, +68% м/м, но (-21%) г/г, рост продаж валюты во многом связан с выплатами НДД в объеме $4.1 млрд в октябре. Однако, продажи за 3м и 6м на минимуме с 2022. 🔘Так за 3м средние продажи составили $6.4 млрд в месяц, что на 38% ниже прошлого года (до этого минимум с 2023 года был в авг.23 – $7.3 млрд, а максимум в июню24 – $14.1 млрд). 🔘За 6м средние продажи валюты снизились до $7.2 млрд в месяц, это минус 40% г/г (ранее минимум в сен.23 – $7.6 млрд, а максимум в май.24 – $13.2 млрд). По крайней мере, с начала СВО (весь период доступной статистики и условия ограничений внешнего фондирования), столь низкого предложения валюты еще не было – почти вдвое ниже максимумов 2024 и на 5% ниже минимума 2023 в сравнении по 6м средней (затрагивает весь период аномально крепкого рубля). На фоне экстремально низкого предложения валюты, спрос на валюту растет, причем растет устойчиво. ▪️Спрос на валюту со стороны физлиц рекордный за последние полгода. Если оценивать нетто-покупки иностранной валюты за рубли физическими лицами с накопленным итогом за 10м25 – 918 млрд руб vs 1062 млрд за 10м24 и 1038 млрд за 10м23. Однако, за последние 3м чистый спрос составил 334 млрд vs 87 млрд в 2024 и 275 млрд в 2023, а за 6м (с мая по октябрь и весь период рубля, прилившего к 80) спрос составил 643 млрд vs 503 млрд и 471 млрд в 2023 (все данные в рублевом выражении). ▪️Спрос на валюту со стороны юрлиц достиг максимума с дек.24 – 3.04 трлн руб, за 3м – 2.95 трлн, за 6м – 2.5 трлн при 3м минимуме 1.91 трлн в 2кв25 по среднемесячным темпам (далее в указанном измерении). Почти 3 трлн ежемесячного спроса на валюту за последние 3м – это много. Например, средний спрос в 2023 – 2.74 трлн при 3м средней 3.1 трлн с августа по октябрь 2023, а в 2024 – 3.37 трлн при 3м средней 3.78 трлн в это же время. Если оценивать в долларовом эквиваленте, за последние 3м – $36.3 млрд vs $41.1 млрд в 2024 и $32.4 млрд в 2023 за аналогичный период времени. ▪️Нетто-покупки (-)/продажи (+) по категориям участников на биржевом и внебиржевом валютном рынках с января по октябрь 2025, в млрд долл: Кредитные организации +$21.1 млрд, прочие финансовые организации (-$10.4 млрд), банк-нерезидент (-$46.1 млрд), нефинансовые организации-нерезидент +$6.5 млрд, нефинансовые компании – резидент +$28.8 млрд. Резиденты в совокупности продали валюты на $39.5 млрд. Напомню, годом ранее рубль штурмовал 110 и выше по USD/RUB почти в это же время (ближе к концу ноября), сейчас же присосался к 80 на протяжении более полугода. Так что мы имеем? 🔘Минимальное предложение валюты за 6м с 2022 года (вдвое ниже максимума и минус 40% г/г). 🔘Максимальный спрос на валюту со стороны физлиц с 2022 года (если оценивать с мая по октябрь). 🔘Устойчивый рост спроса на валюту со стороны юрлиц до максимальных значений за год, сопоставимые с максимумом 2023, но на 12% ниже 2024 (в долларовом выражении). 🔘Все это в условиях худшего счета текущих операций с 2020 года (рост импорта при падении экспорта) при этом основные структурные трансформации в структуре валютных расчетов завершились в 2023-2024 (сейчас доля рублей в импорте 54.1% vs 51.7% в ноя.24-янв.25, когда рубль был слаб. 🔘Денежно-кредитные условия сейчас намного мягче (рыночные ставки 15-16%), чем годом ранее (21-24%), хотя инфляционные ожидания снизились за год. 🔘Чистые продажи валюты ЦБ с учетом операций Минфина лишь на 20% компенсируют выпадающее предложение экспортеров в сравнении с прошлым годом. С точки зрения платежного баланса, условия в 2025 намного хуже, чем в 2024, а по валютному балансу смещение в сторону дефицита валюты (снижение предложения на фоне роста спроса). Все это показывает, что сила рубля не имеет прямого экономического обоснования, по крайней мере, на основе публичной статистики.

17 000 компаний ищут бизнес-аналитиков, — HeadHunter. Действующие специалисты просто не могут перекрыть такой спрос Дефицит кадров очевиден: аналитики помогают малому бизнесу выдержать конкуренцию, а корпорациям — упорядочить сотни процессов так, чтобы они приносили деньги. Благодаря этим специалистам компании растут в кризис и считают прибыль вместо долгов. Бизнес-аналитикам не обязательно уметь программировать, а работа есть в любой сфере: от IT и медицины до финансов и ритейла. При этом зарплаты достойные: от 100 000 рублей без опыта и до 171 000 рублей через 1-2 года. Освойте все навыки специалиста с нуля и начните новую удалённую карьеру после 7 месяцев обучения на курсе «Бизнес-аналитик» в Академии Eduson. Преимущества программы: — Сделаете 8 разноплановых проектов для портфолио, чтобы продемонстрировать нанимателю ваши навыки. Научитесь работать с Python, Power BI и SQL. — Будете взаимодействовать с командой профессионалов. Лекторы — представители «Яндекса», «Работа.ру», Ozon + год будет сопровождать личный куратор. — Сможете учиться в своем темпе — доступ к курсу останется навсегда. — Получите удостоверение о повышении квалификации и диплом Eduson, верифицированный «Сколково». Цель Академии — ваше трудоустройство. Вас будут поддерживать во время поиска работы и доведут до оффера — или вернут деньги за обучение, это зафиксировано в договоре. Оставляйте заявку по промокоду SPYDELL и получайте скидку 65% и второй курс в подарок. Реклама ООО «Эдюсон», ИНН 7729779476 erid:2W5zFJbSHma

Что не так с экономикой ИИ? Продолжение Проблема в фундаментальном дисбалансе между линейным ростом капитальных расходов и нелинейной траекторией монетизации в условиях быстрой амортизации активов. ▪️Сильно переоценивается монетизируемая часть корпоративного спроса, как основной долгосрочный источник стабильного денежного потока с высокой конверсией на один токен. Помимо того, что LLMs по качеству очень далеки от корпоративной интеграции, ни одна крупная организация не будет лить трафик через открытый API. Все использование LLMs будет исключительно через локальное развертывание на основе открытых моделей. Ни одного доллара во внешний контур. Для компаний с выручкой 30-40 млрд в год и количеством сотрудников 5-10 тыс человек с избытком хватит одного вычислительного кластера (не нужно выстраивать «плантации» вычислительных кластеров в ЦОД) для обслуживания комплекса внутренних LLMs. Это означает, что сделать сепарацию дешевых токенов (массовые запросы на общие темы) и дорогих токенов (для научно-исследовательских работ и сложных финансовых, юридических задач), как планирует реализовать OpenAI, станет сложным. ИИ-провайдеры не смогут упаковывать премиальный спрос в отдельные продукты (специализированные ИИ агенты), т.к. этот спрос будет оседать в открытых моделях и в локальных корпоративных сетях. ▪️Сильно переоценивается порог монетизации. Долгосрочная траектория – дефляционная, т.е. цена за токен будет снижаться или оставаться постойной при росте «упаковки» токенов, т.е. выдачи более сложных и качественных ответов за единый прайс. Главная причина – высокая конкуренция среди ИИ-провайдеров при выравнивании конкуренции в презентации LLMs. В конце 2025 нет явного лидера (каждая LLMs имеет свои плюсы и минусы), а это значит, что захват доли рынка будет за тем, кто предоставит лучший баланс цены и качества, что предопределяет стратегию на захват рынка через демпинг. Если один из ИИ провайдеров повысит цену без хотя бы сопоставимого роста качества, клиенты быстро мигрируют к конкурентам. Никто не будет церемониться. Здесь нет «религиозной» фанатской секты верной паствы экосистемы Apple, здесь работает чистый прагматизм и эффективность в каждый конкретный момент времени без рефлексии по прошлым заслугам. ▪️Сильно недооценивается фактор Китая. Среди конкурентноспособных LLMs: Alibaba Qwen3-max, DeepSeek V3.2, Baidu ernie-5.0, Z.ai glm-4.6, Moonshot kimi-k2, ByteDance Seed OSS, Tencent hunyuan-t1, MiniMax M1, StepFun step-3. Как видно, 9 (девять!) конкурентноспособных китайских производителей. Разрыв с каждым месяцем сокращается. Передовые китайские LLMs в некоторых задачах вполне соревнуются с американскими флагманами, но им не хватает целостной интегральной сборки, стабильности, гибкости и функционала, но все это наращивается. Нет никаких причин считать, что Китай замедлит темп сжатия технологического гэпа, скорее наоборот – я ставлю на то, что в 2026 Китай будет вырываться в лидерах в отдельных задачах с закреплением в 2027-2028. Китайские разработчики демонстрируют кратную эффективность в сравнении с американскими, скоро дифференциал качества схлопнется, а дисбаланс эффективности станет более явным. ▪️Экспоненциальный рост запросов не пропорционален росту денежного потока. Бизнес может нагружать ЦОДы ИИ-провайдеров сложными запросами или паразитным трафиком (генерация ресурсоемких видео), но это не гарантирует пропорциональный прирост выручки, особенно в запросах не через API, а внешнюю оболочку или ИИ агенты (условно, генерация токенов может вырасти в 10 раз, а выручка только в 3 или 5 раз). ▪️Все эти мега проекты на десятки ГВт энергии неосуществимы и невыполнимы ни ресурсно (физические ограничения доступа к сырью, материалам, цепочкам поставок и компетентным кадрам), ни финансово (убыточные ИИ провайдеры могут финансировать свои агрессивные проекции только в долг и за венчурный капитал). ▪️Более эффективные алгоритмы и архитектуры LLMs могут в разы или кратно повысить эффективность, сделав невостребованными все эти фантастические мощности на сотни миллиардов.

Что не так с экономикой ИИ? На основе последних ответов бигтехов, на основе анализа интервью и подкастов ведущих спикеров среди топ менеджеров и инженеров ИИ компаний, анализа отраслевых изданий можно сделать некоторые выводы. Прямых заявлений нет, есть обрывки и вот из разрозненной информации собираю относительно целостную картину экономики ИИ через собственные аналитические инструменты и расчеты. ▪️Операционные расходы на обслуживание, интеграцию и амортизацию ИИ фабрики/ ЦОД с учетом инфраструктуры составляют около $10 млрд в год в расчете на 1 ГВт мощности (в доверительном диапазон от 8 до 12 млрд в зависимости от места возведения ЦОД, скорости амортизации, типа чипов и сотен других нюансов). ▪️Вместе с этим у ИИ компаний есть расходы на исследования и разработки непосредственно ИИ моделей, расходы на обучение LLMs (сейчас это часто покупка лицензий и данных для обучения на основе качественных источников с учетом расходов на разметку), маркетинговые, административные, коммерческие расходы и прочие расходы, необходимые для функционирования бизнеса. Если расходы на возведение и обслуживание ЦОД растут линейно на траектории наращивания мощностей, доля расходов на R&D и обслуживание ИИ бизнеса снижается по мере масштабирования ИИ бизнеса. Что не так с экономикой ИИ? 🔘Предел генерации доходов для ведущих и самых успешных ИИ компаний, вероятно, лежит в диапазоне $7-11 млрд на 1 ГВт мощностей. Этот показатель я получил после фиксации текущих мощностей у OpenAI на уровне 2 ГВт при текущей выручке в $13 млрд за 12м, около $15 млрд за весь 2025 и примерно $18-20 млрд в ноябре-декабре в годовом выражении, что составляет по верхней границе как раз $10 млрд на 1 ГВт. Примерно также было в 2023. Тогда мощностей было 0.2 ГВт, а выручка была $1.5 млрд и до $2 млрд в конце года по методу AR. Выручка OpenAI растет линейно в соответствии с наращиванием вычислительных мощностей. Да, корректно рассматривать в флопсах, а в ваттах – это идиотизм, но учитывая короткий инвестцикл и отсутствие масштабной ротации поколений ИИ чипов, расчеты плюс-минус справедливы. Пример OpenAI – это скорее пример с наивысшей конверсией, учитывая клиентский охват и меру интеграции во все средства разработки и во все ИИ сервисы. Это означает, что у других ИИ компаний меньше отдачи на вычислительные мощности – ближе к 3-6 млрд на 1 ГВт (у ОpenAI сейчас по факту около 7 млрд). Что такое $10 млрд на ГВт по выручке по верхней границе? Это как раз стоимость обслуживания и развёртывания ЦОД, т.е. R&D, маркетинг, административные и коммерческие расходы сразу идут в минус. Высокие убытки OpenAI (свыше 30 млрд в 2025) связаны с тем, что выручка догоняет инвестиции в ИИ с лагом примерно 12м и значительная часть инвестиций сделана с опережением, т.е. инвестиций еще не были переданы в обслуживание (закладка мощностей ИИ без ввода в эксплуатацию). На траектории экспансии нормально быть убыточным, особенно в инновационных отраслях, и тем более, если это крайне капиталоемкая отрасль. Но не нормально работать в условиях запредельно высоких инвестиционных расходов с критически быстрой амортизацией в условиях, когда конверсия выручки не может быть постоянной величиной. Вот, как например, в весной 2025 OpenAI обделались с GPT Orion 4.5 и еще хорошо, что в резерве был GPT-5 спустя несколько месяцев и когда конкуренты «застыли», а если нет? 🔘В условиях выравнивания конкуренции очень сложно добиться лояльности клиентов (в этой сфере интенсивная миграция клиентов от одной LLMs к другой) при быстром развитии Китая. 🔘Эта схема предполагает 100% загрузку мощностей и высокую конверсию, но не учитывает сезонность, миграцию клиентов, регулирование ИИ и фактор «пресыщения» особенно в розничном сегменте. 🔘Эта схема не учитывает неоднозначную траекторию насаждения ИИ в корпоративном сегменте. 🔘Все их выкладки вообще не учитывают фактор Китая, считая свое доминирование исключительным и непоколебимым, но это не так. Китай уже активно наступает и разрыв будет сокращаться. Я вообще не вижу сценария выхода в прибыль гиперскейлеров.

Сколько стоит обслуживание ИИ фабрики? Попробую сделать первую «пристрелку» на основе многолетнего опыта анализа корпоративных отчетов и изучения специфики ИИ отрасли. Оценка стоимости 1 ГВт мощностей в $50 млрд вполне реалистична, но скорее по верхней границе. • Получается, что вычислительные кластеры с учетом ИТ оборудования, систем мониторинга, безопасности и контроля стоят около $28-35 млрд (все зависит от типа оборудования и систем скидок для оптовых партий). • ИИ фабрика под ключ со всеми сооружениями и оборудованием в среднем $10 млрд. • Земля, разработка проекта и вся внешняя инфраструктура около $2.5 млрд + еще $2.5-3 млрд электрогенерация. Диапазон $40-50 млрд можно брать за основу. Следует понимать, что эти расчеты для Blackwell GB300. Выход более производительных чипов раздвинет границу производительности на Вт и экономика будет другой. Амортизация чипов и связанной ИТ инфраструктуры примерно 7 лет до полного списания / замены, но актуальный диапазон для бигтехов сейчас от 5 до 6 лет за счет интенсивного внедрения производительных чипов Blackwell. Амортизация энергетической инфраструктуры обычно 25-40 лет, а средневзвешенная амортизация ИИ фабрики при учете внешней инфраструктуры и с учетом внутренних распределительных систем, сетей, телеком и ИТ оборудования составляет в среднем 17 лет с учетом стоимости за счет веса вспомогательных ИТ компонентов. ▪️Получается, что амортизация вычислительных блоков около 4.7 млрд в год и еще около 0.8 млрд для ИИ фабрики и всей внешней инфраструктуры с учетом энергоснабжения, т.е. примерно 5.5 млрд в год в расчете на 1 ГВт мощности. Это скорее минимум, т.к. реалии таковы, что амортизация оборудования в бигтехах идет более быстрыми темпами (скорее ближе к 5 годам). Даже если «растянуть» амортизацию на инфраструктуре ИИ фабрики до 20 лет и более, это не даст существенной экономии, т.к. в структуре затрат свыше 70% - это вычислительные кластеры, которые быстро замещаются на траектории выхода более экономичного и производительного оборудования + выходят из строя из-за работы 24 на 7 с предельной нагрузкой. Поэтому 6-7 млрд амортизации не будут преувеличением на данный момент и для данной категории оборудования. ▪️Стоимость затрат на коммунальные услуги и связь (электроэнергия, вода, отходы) минимум 1 млрд в год, но реалистично начинать от 1.5 млрд. ▪️Стоимость операционных расходов на обслуживание, содержание, ремонт ИИ фабрики, энергосистем и всей инфраструктуры с учетом расходов на внутреннюю интеграцию, отладку, калибровку, настройку и мониторинг вычислительных кластеров – около 2-2.5 млрд в год, учитывая премиальный и технический сложный сегмент. Соответственно, комплексные операционные расходы с учетом электроэнергии около 4 млрд в год в расчете на 1 ГВт, а амортизация свыше 6 млрд, что выводит на стоимость в 10 млрд на 1 ГВт мощности ИИ фабрики / дата центра. Все это – необходимые расходы для функционирования вычислительного ядра, которые растут пропорционально масштабированию вычислительных ресурсов – требуется больше электричества, больше чипов, больше персонала для настройки и обслуживания оборудования. Есть ли здесь пространство для оптимизации? 🔘Нет, если оценивать с точки зрения возведения инфраструктуры и сооружений дата центров / ИИ фабрики и никак не получится оптимизировать расходы на электроэнергию и персонал (скорее только расти будут по мере роста дефицита мощностей, персонала и ресурсов). 🔘Да, если оценивать с точки зрения самого дорогостоящего сегмента – ИИ чипы. Хуанг потерял берега на своей монополии и исключительном положении, работая с операционной маржинальностью в среднем 62% - втрое выше нормы, т.е. цены можно смело делить в два раза, а это не 30-33 млрд для кластеров, а 15-16 млрд (пусть в цене не все доля Хуанга, но тренд понятен). 🔘Да, есть пространство для оптимизации, если следующее поколение чипов будет существенно более производительным и на 1 ГВт мощности будут выдавать в 2-3 раза больше токенов, что значительно перестроит экономику проектов. Многое упирается в чипы.

‼️Напоминание! Завтра начинаем публикации в новом канале «Инвестиции в будущее», будут идеи и стратегия с учетом текущей ставки, с доходностью 15-50% и сроком до 1-2 месяцев. Уже опубликованы облигационные портфели, актуальная подборка, под новый ключ. ‼️Дополнительно каждый день будет выходить 1 урок, идеально для новичков! Без пустых новостей, без лишней информации, только то, что действительно важно и нужно. ВХОД — https://t.me/+uP81dqt7cvYxODEy Задумка свежая, стоит задача набрать отзывы, заходите, тестируйте!

Анализ поправок в российский бюджет Общий объем расходов и ассигнований не изменился, но правительство внесло 590 правок на сумму свыше 7 трлн руб в рамках перераспределения ресурсов на поддержку ключевых отраслей, регионов и приоритетных направлений, включая социальную сферу, инфраструктуру и технологический суверенитет, без ущерба для бюджетной стабильности в соответствии с текстом документа и бюджетными правками. ▪️Гибкость в модуляции порога отсечения для расчетов НДС – самый чувствительный вопрос для малого бизнеса, который поднял сильный общественный резонанс после принятия проекта бюджета в изначальной редакции. 🔘Предполагается поэтапное снижение порога доходов для уплаты НДС (с 2026 — 20 млн руб, 2027 — 15 млн руб, 2028 — 10 млн руб), давая бизнесу немного больше времени для адаптации под обновленный налоговый формат. 🔘Мораторий на ответственность за первое нарушение при уплате НДС для новых плательщиков, а также возможность однократного отказа от пониженной ставки НДС в первый год. 🔘Сохранение патентной системы налогообложения для стационарной розничной торговли в сельских и труднодоступных районах, а также для автотранспортных услуг по перевозке грузов. ▪️Гибкость в вопросе поддержки ИТ сектора – еще один чувствительный момент, который ранее спровоцировал обвал акций ИТ компаний на Мосбирже. 🔘Сохранение освобождения от НДС при реализации прав на российское программное обеспечение, что должно поддержать денежные потоки ИТ компаний в условиях попытки замещения иностранного софта. 🔘Также предполагает дополнительное ассигнование на 44.6 млрд руб на создание спутников связи для обеспечения интернета и защищенного орбитально-частотного ресурса ▪️Перераспределение средств в национальных проектах и государственных программах: Общее перераспределение: 300 млрд руб на нацпроекты, 270 млрд руб после принятия нормативных актов, 250 млрд руб в рамках госпрограмм. 🔘Инфраструктура: •  75.5 млрд руб на приведение в нормативное состояние 700 км региональных дорог и строительство 22 объектов; •  32 млрд руб на обновление общественного транспорта (свыше 5 тыс. автобусов); •  9.6 млрд руб на местные дороги (190 км); •  15 млрд руб на электросетевой комплекс в ключевых округах. 🔘Образование и молодежь: 15.6 млрд руб на создание современных студенческих кампусов мирового уровня (в Архангельской и Тюменской областях). 🔘Космос и данные: 5 млрд руб на закупку данных дистанционного зондирования Земли с высоким разрешением. ▪️Социальная поддержка и здравоохранение: Расширения льгот и поддержки по широкому спектру получателей, в том числе освобождение от НДФЛ доходов участников «Земский тренер», исключение процентов по вкладам из базы спецрежимов для ИП, дополнительные выплаты на погашение ипотеки при рождении третьего и последующих детей в ДФО; обеспечение отдыха детей в арктических регионах. В здравоохранении предполагается выделение, как минимум 80 млрд руб на закупку лекарств и вакцин. ▪️Другие налоговые и экономические меры: финансовая помощь регионам на 3.6 трлн руб в трансфертах (всего 263 на следующий год), плюс 11 дополнительных трансфертов (будут рассмотрены на трехсторонней комиссии). Регионам также предложено дать право устанавливать инвестиционный налоговый вычет по расходам на свое усмотрение. ▪️Совершенствование международного налогообложения: продление норм по избежанию двойного налогообложения. В целом, правительство услышало запрос, два наиболее острых вопроса закрыты или смягчены – льготы ИТ сектору и пролонгированное снижение порога для вхождения в зону НДС, а по остальным пунктам перераспределение средств идет в направлении социальной поддержки, здравоохранения и инфраструктуры.

Сколько стоит развертывание ИИ мощностей? Достаточно противоречивые оценки в зависимости от источника, но Хуанг и операционный директор OpenAI склоняются к $50 млрд и выше в расчете на 1 ГВт мощности. Решил оценить распределение расходов и понять, что включено в стоимость. Расчеты очень приблизительные, но позволяют оценить структуру распределения стоимости. Сейчас рыночная цена одного вычислительного кластера на базе самого современного чипа Blackwell GB300 стоит около 4.5 млн долларов, где стоимость самих чипов и NVlink около 3.5 млн, а остальное – сетевая, энергетическая и инфраструктурная «обвязка». Система включает 72 GPU Blackwell (36 суперчипов GB200, каждый с 2 GPU), 36 CPU Grace и инфраструктуру NVLink для соединения всех компонентов, сетевое оборудование InfiniBand, коммутаторы Spectrum-X800, DPU BlueField-3, кабельная система и блоки питания, система охлаждения, компоненты самой стойки и распределительных энергосистем с учетом мониторинга и систем защиты, далее система маршрутизации, виртуализации и хранения данных. Каждая такая система весит около 1.5 тонн минимум с учетом вспомогательного оборудования и нормализованное потребление с постоянной нагрузкой около 120-132 кВт. Производительность одного вычислительного кластера 360 петафлопс FP16, 5800 терафлопс FP32 и 2900 терафлопс FP64. Если сравнить с игровой видеокартой RTX 5090 по цене 2 тыс баксов, по FP32 и FP64 производительность кластера выше всего в 55 раз, однако в специализированных ИИ вычислениях и тензорной производительности разница в среднем в 500 раз, а пропуская способность NVlink выше в 1000 раз. В сопоставимой ИИ производительности система на базе RTX 5090 обойдется примерно в 2 млн долларов, но проиграет по площади развертывания и главное – по межядерному взаимодействию. Напрямую сравнить нельзя. Во-первых, память у кластера 13.4 ТБ HBM3e и 576 ТБ/с у NVL72 против 32 ГБ и 1.8 ТБ/с у RTX 5090, т.е. разрыв свыше 320 раз в пользу кластера. Интерконнект NVL72 у вычислительного кластера имеет пропускную способность в 130 ТБ/с, а масштабирование игрового GPU ограничено PCIe и NVLink-мостами прошлых поколений, что несопоставимо. Слабое архитектурное звено гражданских RTX 5090 – память и межчиповое взаимодействие через интерконнект NVlink, что приведет к тому, что вычислительный чип будет простаивать, ожидая отклика в обмене данных, снижая КПД системы. Для LLM-нагрузок определяющими будут не производительность в FP32-64, как в экосистеме Windows/Linux совместимых приложений, а FP8/FP4 Tensor (в основном для инференса), при обучении LLM доминируют BF16/FP16 и FP8 в смешанных схемах, имеют значение пропускная способность между GPU и HBM памятью. Поэтому при реальных ИИ-задачах разрыв между кластерами и RTX 5090 обычно сотни раз и растет с размером модели. В ИИ фабрике в расчете на 1 ГВт входной мощности на вычислительные кластеры с учетом систем хранения данных приходится примерно 75-77% потребления всей энергии, еще 15% идет на работу систем охлаждения, кондиционирование и обеспечение насосных станция для водоснабжения, 5% - системы питания, а 2-3% - освещение, административный корпус, мониторинг и управление. Получается, что в расчете на 1 ГВт мощности (по собственным оценкам): • Около 6100-6300 вычислительных кластеров стоимостью от $28 млрд + 5 млрд обслуживающее ИТ оборудование. • Подготовка земли, разработка проекта, сертификация – $0.5-1 млрд в зависимости от места. • Полный комплекс всех сооружений, модулей и корпусов ИИ фабрики, в том числе инженерная инфраструктура ЦОД (здание, электрика, UPS, охлаждение) с учетом особого уровня ИТ оборудования для «капризных» ИИ кластеров стоимостью около $8-12 млрд в зависимости от сложности и места проекта. • Электростанция (ТЭЦ) с учетом электроподстанций, трансформаторов, электросетей, сопряженной энергоинфраструктуры и подсоединения к сетям около $3 млрд в расчете на 1 Гвт мощности. • Внешняя промышленная инфраструктура – водные резервуары, телеком магистрали, резервы топлива, транспортная инфраструктура еще около $1-2 млрд. Продолжение следует...

Оценка финансовой дыры у OpenAI Через отчетность Microsoft можно оценить, насколько все плохо с OpenAI. В последнем отчете Microsoft было обозначено 4.1 млрд признанных убытков vs 0.69 млрд годом ранее по методу долевого участия. Точная доля Microsoft в OpenAI не раскрывается, но позже была отражена в пресс-релизе – 32.5% (после октябрьских раундов финансирования доля снизилась до 27%), что предполагает 12.6 млрд убытков OpenAI в 3кв25, но, вероятно, 11.5-12 млрд, учитывая налоговые и бухгалтерские корректировки. В отчетах за 1кв25 и 2кв25 OpenAI не выделяется отдельной строкой, но сообщается, что основной убыток идет от OpenAI, что при общих убытках от инвестиций в 2.9 млрд за 1П25 позволяет сделать предположение, что 8-8.9 млрд убытков концентрируется в OpenAI. Соответственно, около 20 млрд убытков за 9м25 у OpenAI. В 2023 году при выручке 1.5 млрд в убытки составили 2 млрд, в 2024 при выручке почти в 4 млрд убытки достигли 5 млрд, а в 2025 при выручке около 15 млрд по итогам года убытки могут превысить 30 млрд. Соответственно, сформированный денежный поток от основной деятельности за три года (весь период ИИ хайпа) оценивается в 21-22 млрд при расходах 57-58 млрд (без учета отложенных инвестиционных и партнерских соглашений), т.е. убытки 36 млрд или больше. Учитывая объем венчурного финансирования около 70 млрд, на счетах компаний может оставаться примерно половина от этой суммы (35 млрд), а половину сожгли в убытках. Приняв во внимание темпы эскалации убытков, запаса кэша хватить может на полгода или даже меньше (потребуется очередной раунд финансирования на десятки миллиардов). Почему? • Неадекватные планы развертывания до 20 ГВт вычислительных мощностей в следующие 2 года, что при заявленной стоимости в 50 млрд расходов на 1ГВт может стоить около 1 трлн. • Коммунальные услуги (электроэнергия, вода, отходы) стоят около $1 млрд в год на 1 ГВт. Сейчас у компании доступ к 2 ГВт мощностей (вообще, адекватное измерение в флопсах, но никак не Вт, т.к. выход более производительных чипов в расчете на единицу мощности исказит все расчеты) и получается, что: • Потенциал генерации выручки составляет 10 млрд на 1 ГВт (в ноябре-декабре выручка может составить 20 млрд в годовом выражении при 14-16 млрд по итогам 2025, а основной импульс роста начался с весны 2025). • На каждый доллар выручки генерируется примерно два доллара чистых убытков. Может ли компания повысить конверсию, отдачу в расчете на единицу вычислительной мощности? Маловероятно. Какой потенциал генерации выручки? • При 13 млрд за последние 12м доля розницы составляет 60% или 7.8 млрд – это эквивалент 32.5 млн частных лиц при расчете годовых платежей $240. • Теоретический предел находится в диапазоне 60-70 млн платных частных лиц (бенчмарк – количество платных пользователей Office, которые более, чем за 30 лет как раз составляют около 89 млн). У чатботов никогда не будет больше платных клиентов, чем у Office, в том числе учитывая конкуренцию на рынке ИИ в отличие от Office. • Все это формирует предел розничной выручки около 15 млрд. • Основной рост будет за счет корпоративных клиентов напрямую через API и через оболочки сторонних ИИ сервисов, которые используют ресурсы OpenAI, но предоставляют внешние ИИ услуги. • Выручка от корпоративных клиентов может вырасти на порядок (до 50 млрд в год) в идеальном сценарии (если будут доминировать на рынке LLMs и предоставят углубленные ИИ агенты), но для этого необходимо сопоставимое наращивание вычислительных мощностей, которые стоят десятки миллиардов на интеграцию и миллиарды на обслуживание. • От ИИ предел выручки 65 млрд в год при сверх высокой конкуренции и давлении со стороны Китая, тогда как расходы растут по экспоненте и не могут быть остановлены из-за скоростной амортизации (чипы списываются через 5-7 лет и очередной инвестцикл). Текущая конфигурация ИИ бизнеса даже теоретически не может быть прибыльной, это вчера подтвердила финансовый директор OpenAI. Единственный, кто зарабатывает – Nvidia и производители оборудования.

Невероятная авантюра Весьма полезное и цельное интервью финансового директора OpenAI, где есть повторение уже озвученные метрик, но и раскрытие новых. Основной вайб: этот бизнес двигают сумасшедшие романтики, идущие на ощупь, вслепую, но сильно верящие в свою ценность и миссию, причем на драйве и концентрированном авантюризме. Нет никаких четких планов, есть только путь. Почему это важно? • Крупнейший инвестпакет в истории человечества (свыше 1 трлн прямых инвестиций); • Крупнейшее привлечение средств за всю историю (около 70 млрд венчурного капитала за 3 года); • Эпицентр создания капитализации на десятки триллионов долларов (практически все рывки капитализации с августа 2025 связаны с анонсами крупных сделок с OpenAI, что в свою очередь двигало весь сектор, а далее по принципу обратных связей, расширяло капитализацию всех остальных; • Крупнейший пузырь за всю историю – свыше 52 трлн избыточной капитализации. • Пока все еще передовая LLMs, создающая правила игры в индустрии, хотя уже не так ультимативно, как годом ранее. Из объявленных метрик и фактов в интервью: 🔘Платформа достигла отметки в 800 млн еженедельных активных пользователей. Продукт назван "самым быстрорастущим потребительским приложением в истории". 🔘Компания достигла отметки в 1 млн корпоративных клиентов. 🔘Доходы выросли с 1 млрд в 2023 до 4 млрд в 2024 и 13 млрд сейчас (совпадает с моими оценками). 🔘Потребительский бизнес принес 70% дохода, а корпоративный 30%, сейчас 60 на 40%. За год корпоративный бизнес вырос в 9 раз (подтверждение ранее представленных собственных оценок) 🔘В конце 2023 OpenAI располагала 0.2 ГВт вычислительных мощностей, сейчас уже 2 ГВт, амбиция состоит в кратном увеличении (до 20 ГВт) к концу 2027. Вот это первые подтвержденные данные о текущих мощностях. Инвестпакет предполагает до 40 ГВт на горизонте 7 лет. 🔘Стоимость 1 ГВт обходится в 50 млрд, где 15 млрд – земля, электромощности (часто строительство новых электростанций, расходы на строительство и внедрение ИИ-фабрики со всей обвязкой, в том числе оборудование, а 35 млрд – вычислительные чипы. 🔘Проблема скоростной амортизации – чипы быстро устаревают (от 3 до 7 лет под полное списание), что требует постоянных инвестиций. 🔘IPO не стоит на повестке дня прямо сейчас. Ранее я говорил, что Альтман ждет оценки компании в 1 трлн, чтобы отгрузить минимум 100 млрд чистого кэша на размещении. 🔘Текущая стратегия – экспоненциальной рост и агрессивное развитие, а не выход на безубыточность. 🔘AGI будет достигнут, когда модели станут способны выполнять большинство экономически ценной работы. 🔘Идет тренд на переход от пилотных проектов к корпоративным решениям на базе ИИ практически во всех секторах (финансы, здравоохранение, потребительский сектор, биотех, профессиональный услуги, производство) 🔘OpenAI думает над переходом от экономики токенов (продажи API за фиксированный прайс) к механизму распределения ценности (ценность токенов, например, при генерации видео не эквивалента ценности токенов при генерации научных прорывов в медицине, химии и т.д), но не знает как. 🔘Sora 2 – как первый прототип широкой многомодальности и модели понимания физических законов мира, дальше будет больше. 🔘Вся работа с корпоративными данными в пределах строгой enterprise-security (SSO, отсутствие передачи данных на тренировки, защита конфиденциальности). Все это пока не слишком воодушевляет компании, что тормозит интеграцию. 🔘Был ответ буквально на мои опасения пару дней назад. Суть в мною описанной концепции выдачи спонсируемых результатов поиска и ИИ ответов в коллаборации с торговыми сетями. Здесь предсказуемо развеяли опасения, что «интеллект приведет вас к лучшему ответу, а не к платному ответу», что пока выглядит неубедительно. Стратегия понятна – агрессивный, авантюрный захват доли рынка, пока венчурный капитал и спонсоры дают, а далее уже думать, что делать. Интервью в очередной раз подтверждает, что нет никакой концепции монетизации, есть цель предельно агрессивно использовать кредит доверия инвесторов и общества.

За счет чего подпитываются ИИ-стартапы? На данный момент нет ни одного успешного кейса ИИ-стартапа – все убыточные в разной степени катастрофичности. Однако, убытки на старте, особенно в инновационных и быстрорастущих компаний – это скорее норма (Tesla была убыточной на протяжении 15 лет, прежде чем в 2020 выйти в прибыль). Есть несколько важных отличий пузыря 2025 от пузыря 2000 помимо ранее перечисленных структурных характеристик: 🔘Тогда большинство ИТ стартапов имели лишь идеи с околонулевым балансом активов, а сейчас чрезвычайно прожорливая ИИ индустрия требуется запредельно капиталоемкости с одной стороны, и высочайших операционных расходов с другой стороны (аренда вычислительных мощностей, выкуп токенов по API у ИИ-провайдеров, дорогостоящие ИИ инженеры и программисты, маркетинг под целевую аудиторию с высоким прайсом в этой категории и т.д.) 🔘Тогда был бум IPO, сейчас нет ничего подобного, но откуда подпитываются ИИ стартапы в условиях, когда на финансирование уходят миллиарды долларов? Порог входа в 2025 выше, чем в 2000. Для поддержания конкурентоспособности нужно соревноваться с гиперскейлерами из ТОП-10 бигтехов, тут с ноги не вышибить дверь и не ворваться на одной лишь дерзости, как многие делали четверть века назад. Компании не имеют доступа к открытому рынку капитала так, как публичные компании и не могут реализовывать вторичное размещение акции, т.к. не прошли листинг по всем процедурам. Однако, потребность в финансировании невероятная, тогда как выручка покрывает в лучшем случае треть от затрат. Чем покрывают кассовый разрыв? «Теневое» венчурное инвестирование в том смысле, что проходит непублично с необъявленными параметрами. Не существует верифицированной базы данных по венчурным инвестициям, учитывая специфику сделок, но я слежу за индустрией три года и некоторые «наброски» удалось сделать. Ниже представленные расчеты не являются точными – это скорее аналитические оценки в первом приближении на основе открытых источников и отраслевой аналитики венчурного капитала. В структуре финансирования ИИ стартапов венчурный капитал занимает ближе к 90-95% (остальное частный кредит) vs 20-25% в 2000 (тогда в основном IPO и банковские кредиты), а объем среднего раунда финансирования вырос в 100 раз (тогда финансировали мелкие и средние стартапы, сейчас транснациональные и нацеленные на конкуренцию с гиперскейларами). Суммы приблизительные, т.к. помимо прямого вливания там обширные партнерские соглашения с бигтехами. • OpenAI – 64 млрд чистого кэша (реально сильно больше из-за пула партнерских контрактов) • Anthropic – 29 млрд (вероятно, больше из-за необъявленных партнерских сделок с Amazon) • xAI – 15-16 млрд если учитывать долговые обязательства на 5 млрд (статус пока не понятен) • Databricks – 10-11 млрд • CoreWeave – 7-8 млрд • Mistral AI – 4 млрд • Figure AI – 2-3 млрд • Scale AI – 2-2.5 млрд • Inflection AI – 1.3-1.7 млрд • Perplexity AI – 1-1.5 млрд • Cohere – 1-1.5 млрд. На IPO пока движутся Cerebras Systems и Databricks. Сэм Альтман дожидается, пока оценка OpenAI превысит 1 трлн и закрепится выше, но может не дождаться, т.к. рыночная конъюнктура будет только ухудшаться. Суммарное венчурное фондирование стартапов оценивается в 180 млрд в 2023-2024 (60 млрд в 2023 и 120 млрд в 2024), а в 2025 ожидается до 300 млрд, т.е. ближе к полутриллиону за три года, где ТОП-3 забирают на себя 20-25% всего венчурного потока инвестиций. Для стартапов не так много стимулов выходить на IPO, учитывая невероятный поток «теневого» финансирования через венчурный капитал (впервые в истории в таком объеме), причем в отличие от публичного статуса, где жесткий регламент и ответственность, здесь значительно больше пространства для маневра. Крупнейшие сделки IPO в истории США для американских компаний находятся в диапазоне 16-18 млрд (рекорд у Visa в 2008), при этом OpenAI уже в 4 раза больше привлекла и не собирается на этом останавливаться. Альтман целиться сразу на 100 млрд чистого кэша от IPO – сопоставимо с месячными размещения трежерис, но вера в исключительность губительна (можно не успеть).

Два столь похожих пузыря Все то, что сейчас происходит уже проходили четверть века назад, но в гораздо менее извращенной форме, чем сейчас. Сопоставление двух эпох технологического хайпа выявляет поразительные параллели в нарративах, структуре инвестиций и масштабах капитальных вложений с заранее известным концом и вот, как это было тогда и как происходит сейчас… 🔘Центральный стержневой нарратив, который Хуанг, Альтман и компания пытаются внедрить заключается в том, что «ИИ трансформирует каждую компанию, каждую отрасль, каждую бизнес-функцию», но 25 лет назад известный слоган гласил «интернет трансформирует каждую компанию, проникнет в каждый дом, преобразует каждую отрасль». 🔘Бизнес и технологические СМИ, рупоры техно-утопизма сейчас, как и тогда заявляли, что «происходит технологическая революция, рождается новая экономика, необходимо переосмыслить старомодную идею прибыли», где мерилом успеха является трафик и клики тогда и токены/ИИ мощность сейчас. 🔘Ключевой бизнес-императив, вокруг которого были зациклены корпоративные брифинги, отчеты и интервью: «каждая компания должна стать .com» в начале нулевых и «каждая компания должна стать AI-first» в том смысле, что быстрее и масштабнее внедрять ИИ функционал. 🔘Доминирующий лозунг сменился с «интернет и компьютеры изменят все» к «ИИ (AGI) изменит все». 🔘Четверть века назад главным фетишем была прокладка оптоволоконных кабелей (наземных и подводных) и производство маршрутизаторов и коммутаторов вместе с полупроводниками (Intel, AMD, Cisco, Nortel, Lucent, Sun Microsystems, AT&T, WorldCom, Qwest, Sprint, AOL и т.д). Теперь фетишем является создание ИИ-фабрик, гигантских дата-центров с бесконечными «плантациями» вычислительных кластеров, как правило, на чипах Nvidia. 🔘В обоих случаях инфраструктура в реальном мире развертывается в расчете на будущий спрос. Сейчас предполагается, что законы масштабирования – это путь к AGI, нужно лишь непрерывно обучать модели, что сделает всех счастливыми и сказочно богатыми. Инвестиционный поток среди технологических компаний тогда на пике оценивался в 140-150 млрд, что составляло около 1.4% от ВВП на тот момент, а сейчас инвестпоток превышает 400 млрд, если с ТОП-10 бигтехов объединить другие ведущие ИТ компании, что также составляет около 1.4% от ВВП. Относительно размеров экономики инвестпоток сопоставим, но структурно есть отличия. 🔘Пузырь сейчас намного масштабнее (примерно в 1.6-1.8 раза), чем тогда (подробный анализ приводил ранее и еще в десятках материалах). 🔘Сейчас значительная часть инвестиций идет от финансово-устойчивых компаний (гиперскейлеров), финансируемых преимущественно за счет операционного денежного потока, а тогда во многом за счет долговых/заемных/венчурных средств для компаний с низкой финансовой устойчивостью. На корпоративном уровне устойчивость выше (прямого риска банкротства нет), но на макроуровне дисбалансы значительно сильнее, а стратегическая устойчивость ниже во многом из-за долговой перегрузки. Что критически важно отметить? Пузырь доткомов не убил ни интернет (телекомы), ни компьютеры (полупроводниковая отрасль), наоборот, именно с 2000 и как минимум, до 2015 шло экспоненциальная развитие интернета и все, что с ним связано, средств связи, коммуникаций, компьютеров и электроники. В количественных метриках отрасль выросла не в разы, а на несколько порядков (в тысячи раз), но пузырь доткомов «убил» рынок капитала и капитализацию технологических компаний и не на год, а на 15 лет. Лишь с 2016 начали оживать, а по мультипликаторам вышли на уровне конца 90-х только в 2021 году. От точки взрыва до восстановления прошло более 20 лет… Также будет и сейчас. ИИ только начинает свое развитие, но нет никакой связи между ИИ хайпом с раздутой капитализацией и развитием ИИ индустрии. Через 15 лет генерация токенов может вырасти в несколько тысяч раз от уровня 2025 со сквозной и всепоглащающей интеграцией ИИ во все бизнес процессы и в каждый дом, но не удивлюсь, если капитализация будет ниже, чем сейчас.