[1/2] Тренд-репорт: рынок GenAI в 2025 году - Технологическая база российского GenAI (Рубрика #AI)

Прочитал на днях отчет RedMadRobot про рынок GenAI в России в 2025 году. Сам отчет вышел увесистым (50+ страниц) и краткое саммари по нему я решил разбить на пару постов. Все начинается с красивой картинки с онтологией рынка GenAI, которая потом раскладывается в линейный список тем навроде: инфраструктура и телеком, модели? данные и отраслевые знания, профессиональные инструменты, приложения, услуги и так далее. Дальше я пойду примерно по этой схеме, но добавляя материалы не только из этого отчета.

Инфраструктура под GenAI ограничена - новейшие GPU (например, NVIDIA H100) официально недоступны, их закупка через параллельный импорт дороже ~на 30%. Компании вынуждены использовать предыдущие поколения (A100 и т.д.), которые предлагают в аренду местные облачные провайдеры. В результате основная ставка - на свои вычислительные ресурсы: on‑premise-развёртывание доминирует.

Большие языковые модели (LLM) с нуля тренирует только Сбер, остальные файнтюнят зарубежные (преимущественно китайские модели). Условно у Сбер есть GigaChat, у Yandex - YandexGPT, у Т-Банка - T-Pro. Общая тенденция - переход от гонки за размером модели к поиску оптимальной эффективности. Вместо безудержного роста параметров (что упирается в аппаратные лимиты) акцент смещается на «small LLM» - специализированные меньшие модели, дообученные под задачи. Активно используется RAG, применяя векторные базы данных для ясемантического поиска. Кстати, последняя модель Сбера вышла в популярной архитектуре Mixture-of-Experts (MoE) - разреженные «смеси экспертов», где несколько узких моделей совместно покрывают разные домены. MoE стал популярным после DeepSeek модели, что вышла в начале года.

Качественные датасеты - «топливо» GenAI - тоже под ограничениями. После многолетнего web-scraping практически исчерпаны доступные корпуса текстов: по оценке MTS AI, для новых прорывов не хватает человеческого контента. Много свежих текстов в интернете сами созданы нейросетями, и обучение на них может приводить к деградации качества. Разработчики ищут новые подходы: обучают модели на видео, аудио, изображениях, расширяют мультимодальные выборки. Российские игроки формируют собственные наборы: так, Сбер и Яндекс собирали терабайты русскоязычного текста из открытых источников для своих LLM; вузы и компании публикуют бенчмарки и датасеты (например, RuLM, российские аналоги SuperGLUE и др.). Но доступ к ряду западных баз ограничен, и качество данных на русском языке зачастую требует очистки и разметки.

Вокруг LLM складывается экосистема вспомогательных технологий. В ходу библиотеки вроде HuggingFace Transformers, российские фреймворки (DeepPavlov и др.), а также специализированные векторные БД для семантического поиска знаний. Появляются и агрегаторы нейросетей - каталоги сервисов GenAI для бизнеса. В сфере MLOps возникают решения по настройке и мониторингу больших моделей. Тем не менее, единых стандартов нет: компании используют разные стеки инструментов, что осложняет интеграцию моделей в существующие системы. На помощь приходят интеграторы: после ухода крупных консалтеров (Accenture, PwC и др.) роль советников берут местные игроки.

В итоге, российская GenAI-инфраструктура развивается автономно, опираясь на локальные ресурсы и мозги. В продолжении я расскажу про конкретные примеры применения технологий и варианты дальнейшего развития этой индустрии.

#Engineering #AI #Software #Management #Economics