Обучить свою нейросеть стало дешевле обеда, а бизнесу эта работа не нужна

Пол Грэм, сооснователь Y Combinator, ответил на вопрос, чем бы занялся в семнадцать лет: учился бы строить языковые модели с нуля и обучать их на любом железе, до которого дотянется. Обсуждение под твитом на Hacker News перевалило за четыре сотни комментариев, и спорят там о совете целиком. А он развалился на две половины, и каждая устроена по-своему.

Предыдущий массовый совет звучал так: освой нейросети, научись ставить им задачи, и это станет преимуществом. Совет был верным, проблема только в том, что ему последовали.

По июльскому опросу ВЦИОМ, в котором ответили 3200 человек, к нейросетям за год обращались 78% российских интернет-пользователей, а 58% делают это еженедельно или чаще. Полгода назад было 73%. Навык, которым владеют трое из четырёх, отличием быть перестаёт по определению.

Рынок труда заметил это первым. На Петербургском экономическом форуме гендиректор HeadHunter Дмитрий Сергиенков привёл две цифры: вакансий, где требуются навыки работы с ИИ, около двух процентов рынка, а резюме, где такие навыки указаны, уже 2,8%. Людей, заявляющих умение, стало больше, чем мест, где оно нужно. Дальше цена идёт вниз просто по арифметике.

В деньгах это видно у Вышки. В августе в «Вопросах экономики» вышла работа про эволюцию спроса на ИИ-навыки на российском рынке труда: зарплатная премия за такие навыки упала с 31,8% в 2022 году до 11,8% в 2025-м. Но там же есть вторая половина, которую в пересказах обычно теряют. Премия за ИИ-навыки в связке с умением работать с данными держится на 31%, то есть почти втрое выше, и разница здесь ровно в глубине.

Для компании отсюда следует неприятное. Программа «обучим всех сотрудников работать с нейросетями», которая год назад выглядела инвестицией в отрыв, сейчас покупает вход в клуб, куда уже пришли все.

Дальше напрашивается вывод, который я и сам был готов сделать до того, как полез в цифры: раз поверхность обесценилась, надо идти вглубь. Вывод ломается ровно посередине, и начну с той половины, которая работает.

Андрей Карпатый, бывший директор по ИИ в Tesla и один из основателей OpenAI, ведёт открытый проект nanochat и прямо в описании приводит арифметику. Модель уровня GPT-2, обучение которой в 2019 году стоило около 43 000 долларов, сегодня обходится в 48 долларов – это примерно два часа на одном сервере с восемью ускорителями H100. На дешёвых мощностях выходит около 15 долларов. В соседнем открытом проекте, который ведёт исследователь Келлер Джордан, рекорд по времени такого прогона за два года улучшился в тридцать с лишним раз.

Я пересчитал это по российским ценам на аренду вычислений, которые лежат в открытом доступе. Час H100 у российских провайдеров стоит примерно от 300 рублей, час восьми A100 – от 2800. Повторить обучение маленькой модели уровня GPT-2 из России выходит в 2000–6000 рублей и полтора часа машинного времени, смотря у кого арендовать. Это мой пересчёт по опубликованным ценам, чужого отчёта за ним нет, и любой может проверить его за вечер. Полтора часа тут – время самого прогона, а вечер уйдёт ещё и на то, чтобы скачать данные и подружить версии библиотек.

Для масштаба рядом: обучение GPT-4 обошлось примерно в 40 млн долларов, а Grok 4 – в 500 млн. Между 2000 рублей и 40 миллионами долларов шесть порядков, а если сравнивать с Grok, то уже семь.

Здесь сразу возражение, и оно звучало в той же ветке на Hacker News: собрать языковую модель с нуля – упражнение одновременно тривиальное и бесполезное, таких репозиториев на гитхабе тысячи, а работают модели за счёт масштаба, которого в гараже не бывает. Возражение справедливо ровно наполовину. Как вклад в науку такой выходной не стоит ничего, тут спорить не с чем. Ценность в другом, и её хорошо сформулировал ещё один участник того же обсуждения: понимать, как эти штуки работают, стоит для того, чтобы выработать чутьё на моменты, когда решение «просто отдать это модели» окажется неверным.

Я математик и программист по образованию, а один из бизнесов, которые я собирал – e-Legion, мобильная разработка из тройки крупнейших в России. Иллюзий, что за выходные человек становится исследователем, у меня поэтому нет. Речь про другое.

Практическая ценность здесь в том, что основатель перестаёт покупать вслепую. Человек, который своими руками прогнал обучение, видел, из чего складывается результат, и у него появляются три вопроса, которые до этого задать нечем.

Первый – на каких данных это обучено и что происходит за их границами. Подрядчик, который показывает демо на удобных примерах, обычно не готов ответить, где проходит край выборки. Между тем именно там живут все будущие жалобы клиентов.

Второй – как измеряется качество и кто собирал эту выборку. Фраза «точность 90%» без описания того, на чём считали, ничего не значит. Человек, который сам обучал модель, знает, что цифру можно нарисовать выбором данных для проверки, и спрашивает про методику раньше, чем про проценты.

Третий – что происходит, когда модель не знает ответа. Молчит, честно говорит, что не уверена, или выдумывает уверенным тоном. Это определяется настройкой, а не природой технологии, и решение принимает подрядчик, обычно молча.

Ни один из этих вопросов не требует уметь обучать модели. Все три требуют один раз увидеть, откуда берётся ответ.

Материал для такого выходного бесплатный: открытый курс Карпатого по нейросетям, курсы Hugging Face, Школа глубокого обучения МФТИ. Открытые веса выложили и Т-Банк, и Сбер, причём под лицензиями, разрешающими коммерческое использование.

Вторая половина совета Грэма – про глубину как про заработок, и она закрывается.

Главная причина лежит в экономике, и железо тут вторично. Бизнес массово не покупает обучение своих моделей: по опросу Menlo Ventures 2024 года среди шестисот ИТ-руководителей дообучены всего 9% моделей из тех, что реально работают в компаниях, а в выпуске того же исследования за 2025 год дообучение по-прежнему названо нишевой техникой. Фонд a16z по итогам разговоров с сотней ИТ-директоров в 2025 году формулирует причину так: возможности готовых моделей выросли, и дообучение стало менее критичным. Проще говоря, задача, ради которой стоило бы держать своего человека по обучению моделей, у большинства компаний просто не возникает.

Сверху то же самое подпирают деньги. Исследовательская организация Epoch AI, которая ведёт базу по стоимости обучения моделей, считает, что с 2016 года финальный обучающий прогон дорожает в 2,4 раза в год, и делает вывод: крупнейшие прогоны перевалят за миллиард долларов к 2027 году, а обучение передовых моделей окажется по карману только самым богатым организациям мира. Порядок цифр легко сверить по отчётам самих компаний: капитальные затраты крупнейших американских технологических корпораций на 2026 год в сумме идут к 700 млрд долларов.

В России к этому добавляется своё. По опросу компании OrionSoft среди ста организаций, 79% испытывают нехватку ИИ-специалистов, и одновременно у 91% нет ни одного сервера с графическими процессорами. Оговорюсь, что опрос делал инфраструктурный вендор на небольшой выборке, а арендованное облако он не считает. Но направление тут совпадает с экономикой: там, где задача не возникает, инфраструктуру и не заводят.

Лучше всех разрыв сформулировал семнадцатилетний участник ветки на Hacker News, то есть ровно тот человек, кому совет адресован. Он написал, что при слабом железе остаётся дообучать мелкие модели или мучиться сутками на одну итерацию, а весь бюджет на эксперименты в его возрасте – долларов сто. А дальше он приводит сравнение, после которого красивая аналогия «языковые модели сегодня – это как программирование в девяностые» перестаёт работать: программировать он научился в восемь лет, и для этого нужен был компьютер за триста долларов.

Само слово «понимать» здесь натянуто. Дарио Амодей, глава Anthropic, в эссе про срочность интерпретируемости, написанном в апреле 2025 года, пишет, что генеративные системы скорее выращены, чем построены, их внутреннее устройство складывается само, и когда модель что-то делает, никто точно не знает, почему она приняла именно это решение. Цель его компании – научиться надёжно ловить большинство проблем модели к 2027 году. То есть строгого понимания устройства нет и у тех, кто эти модели обучает.

Ян Лекун, лауреат премии Тьюринга, ответил Грэму в тот же день, и его ответ собрал больше поддержки, чем второй твит самого Грэма: он бы разбирался, почему языковая модель пишет эссе, но не убирает комнату, и искал бы методы за пределами таких моделей. Углубляться в устройство сегодняшних моделей по этой логике значит углубляться в направление, которое он считает тупиковым.

Самое неудобное здесь то, что экономисты Азулей, Джонс, Ким и Миранда в 2020 году опубликовали в AER: Insights такой результат: средний возраст основателя у тысячи самых быстрорастущих компаний – сорок пять лет, и сильнее всего успех предсказывает опыт в своей отрасли. Это бьёт и по «в семнадцать лет», и по идее технической глубины как входного билета.

В эссе «Before the Startup», написанном в 2014 году, Грэм сводил весь совет будущим основателям к двум словам: просто учись. Учиться он предлагал широко, брать самые сильные вещи и не выбирать одну дорожку заранее, и отдельно успокаивал тех, кто торопится: отказавшись от запуска в двадцать лет, человек ничего не теряет, потому что тот, кто подождал, чаще добивается своего. Там же стоит мысль, которая держится двенадцать лет: в предпринимательстве решает знание своей отрасли, а чтобы стартап получился, надо разбираться в своих пользователях и их проблеме.

В 2026 году он называет ровно одну вещь, которую стоит учить, и это техническое устройство одного класса моделей. В обсуждениях твита его собственный текст двенадцатилетней давности не всплывал.

Отдельная ирония в том, что человек, по чьим урокам совет Грэма обычно и исполняют, в марте выложил инструмент, автоматизирующий именно это ремесло. Проект Карпатого autoresearch набрал больше 94 000 звёзд за пять месяцев, и в описании прямо сказано, что смысл в том, чтобы вообще не трогать код руками, пока агент за ночь прогоняет около сотни экспериментов. Но там же есть и опровержение: единственный файл, который правит человек, задаёт направление исследования. Перебор автоматизировали, а понимание никуда не делось.

Мысль Грэма о том, что решает знание своей отрасли, за двенадцать лет обзавелась цифрами. Венчурный фонд Euclid Ventures в апреле разобрал опыт основателей 673 вертикальных компаний, поднявших от 15 млн долларов в 2025 году. В сегменте вертикального ИИ у 71% команд есть хотя бы один основатель, который до этого работал в самой отрасли, и средний раунд у таких команд – 99,5 млн против 44 млн у остальных. Чем крупнее чек, тем выше доля: на раундах свыше 100 млн это уже три четверти. Авторы отдельно отмечают, что отраслевой опыт в вертикальном ИИ значит больше, чем в обычном софте, вопреки ожиданию, что технология его обесценит.

Когда я смотрю на это как партнёр венчурного фонда, вопрос к команде звучит просто: откуда они знают эту задачу изнутри.

Стоит ли идти учиться на ML-инженера в 2026 году? Наверху закрыто: обучение передовых моделей упирается в миллиардные вычисления, а массового спроса на дообучение своих моделей у бизнеса нет. Ниже спрос растёт: по данным hh.ru число вакансий ML-инженеров выросло почти втрое за год, а медианная вилка втрое выше, чем у специалистов по составлению запросов.

Правда ли, что умение работать с нейросетями обесценилось? Как отличие – да. Как навык – нет: по исследованию PwC «2026 Global AI Jobs Barometer», опубликованному в июне и построенному на миллиарде вакансий в 27 странах, премия за ИИ-навыки продолжает расти и составляет 62%. Навык по-прежнему даёт прибавку по сравнению с теми, кто им не владеет вовсе, и одновременно перестал выделять среди тех, кто владеет.

Сколько стоит обучить свою модель с нуля? Маленькую модель уровня GPT-2 – около 48 долларов по расчётам автора проекта nanochat, что в российских ценах на аренду вычислений выходит в 2000–6000 рублей за полтора часа машинного времени. Передовую модель – от 40 млн долларов и выше, и этот разрыв только растёт.

Что делать предпринимателю без технического образования? Потратить один вечер на то, чтобы увидеть механику своими глазами, и дальше вкладывать время в свою отрасль. Разбор Euclid Ventures по 673 компаниям показывает, что команды с отраслевым опытом поднимают вдвое более крупные раунды, и в вертикальном ИИ этот эффект сильнее, чем в обычном софте.

Совет Грэма стоит разрезать пополам и взять ту часть, которая работает. Строить на обучении моделей заработок сегодня получится у очень немногих: у большинства компаний просто не возникает задачи, ради которой такого человека держат. Разобраться, как эта штука устроена, наоборот, стало дешевле в тысячу раз и делается за один выходной и пару тысяч рублей.

Обычно технологии дешевеют или дорожают целиком, а здесь потолок и порог разъехались в разные стороны одновременно. Такого расхождения между ценой знания и возможностью им зарабатывать я в других технологиях не припомню, и именно из-за него решать, во что вкладывать время, приходится иначе, чем год назад. Понимание перестало быть входным билетом в профессию, зато его теперь ждут от всех остальных – примерно как умения читать финансовый отчёт.

У семнадцатилетнего с Hacker News на эксперименты есть сто долларов, и в его случае это мало. У основателя, который каждый месяц платит подрядчику или команде, те же деньги лежат в строке расходов на один обед.

Подписывайтесь на мой блог: считаю деньги за громкими новостями про ИИ и смотрю, за какие навыки рынок платит сегодня.