ИИ-агенты запускают «мультипликативный эффект» в вычислительных мощностях: промышленная революция парадигмы от «продажи ресурсов» к «производству интеллекта»

За прошедшую неделю ажиотаж в сфере вычислительных мощностей не утих, но фокус внимания незаметно сместился. Если ранее ключевым вопросом рынка было, «распроданы» ли чипы и «заполнены» ли вычислительные центры, то в центре внимания последней недели оказалась более глубинная переменная — ИИ-агенты с их «мультипликативным эффектом» перестраивают саму логику вычислительной отрасли. От совместного доклада IDC и Inspur Information «Оценка развития вычислительных мощностей для искусственного интеллекта в Китае в 2026 году» до тезиса на конференции Apsara 2026 о том, что «общий объём машинного мышления достигнет 1000-кратного уровня человеческого», и до интенсивных анонсов новых продуктов и стратегий для эпохи агентов от таких лидеров, как Lenovo, Inspur и AMD — всё это формирует чёткий сигнал: критерий оценки вычислительной отрасли смещается от «сколько у вас вычислительной мощности» к «сколько интеллекта вы можете произвести».

Это не ординарная технологическая итерация, а системная реконструкция, затрагивающая структуру спроса, распределение стоимости в аппаратном обеспечении, бизнес-модели и даже национальную стратегическую позицию. Чтобы понять эту трансформацию, необходимо начать с того, почему ИИ-агенты обладают «мультипликативным эффектом».

I. ИИ-агенты переписывают уравнение вычислительной мощности: рост потребления токенов в 37 раз превышает рост числа агентов

Ключ к пониманию этого взрыва спроса на вычислительные мощности кроется в переменной, которая ранее недостаточно обсуждалась: «мультипликативном эффекте» ИИ-агентов. За последние два года центральными темами индустрии больших моделей были масштаб параметров, объём обучающих данных и позиции в рейтингах моделей. Подтекст был таков: ИИ — это гонка за «создание двигателей», и побеждает тот, кто построит более крупный и мощный двигатель. Именно это уравнение и переписывают ИИ-агенты.

ИИ-агент — это система ИИ, способная автономно планировать, вызывать инструменты, выполнять многошаговые задачи и самокорректироваться на основе обратной связи. Его принципиальное отличие от традиционного разговорного ИИ состоит в следующем: разговорный ИИ работает по принципу «вопрос — ответ», и взаимодействие завершается после одного обмена; ИИ-агент же подобен цифровому сотруднику — получив задачу, он автономно разбивает её на шаги, вызывает поисковые системы или базы данных, пишет и исполняет код, проверяет результаты и повторяет попытки при обнаружении ошибок, пока задача не будет выполнена. Этот процесс может включать от нескольких до десятков раундов логического вывода, и каждый раунд потребляет токены.

В докладе «Оценка развития вычислительных мощностей для искусственного интеллекта в Китае в 2026 году» IDC привёл две впечатляющие цифры: число активных ИИ-агентов в мире вырастет с 79,4 млн в 2026 году до 2,216 млрд в 2030 году, среднегодовой темп роста составит 129,8%; за тот же период мировое потребление токенов будет расти со среднегодовым темпом 4822,6%, что примерно в 37 раз превышает темп роста числа агентов. Это означает, что отдельный агент не просто выполняет один вызов и завершает работу; благодаря многораундовому логическому выводу, вызову инструментов и межсистемному взаимодействию каждое развёртывание задачи запускает экспоненциальное потребление токенов.

Промышленное значение этой цифры заслуживает более глубокого анализа. Предположим, агент получает задачу «проанализировать финансовые данные компании за последние пять лет и сгенерировать инвестиционные рекомендации». Ему может потребоваться последовательно: вызвать базу данных для получения финансовой отчётности, написать скрипт на Python для расчёта финансовых коэффициентов, найти данные компаний-аналогов по отрасли, построить графики, составить аналитический отчёт, самостоятельно проверить согласованность данных и исправить ошибки в расчётах. Весь процесс может включать десятки вызовов модели для логического вывода, потребляя в десятки или даже сотни раз больше токенов, чем если бы пользователь напрямую спросил: «Стоит ли инвестировать в эту компанию?» Когда сотни миллионов агентов одновременно работают в финансах, производстве, здравоохранении, государственном управлении и других сферах, масштаб потребления токенов возрастает геометрически.

Как отметил Хуан Шань, директор по стратегическим технологиям бизнес-группы инфраструктуры Lenovo China: «Раньше пользователь задавал вопрос, модель отвечала, и потребление токенов шло по линейной траектории; теперь, чтобы ИИ выполнял многошаговые задачи и самопроверку, как цифровой сотрудник, потребление токенов перестаёт быть простым кратным отношением и демонстрирует многократный или даже экспоненциальный взрывной рост». Он далее пояснил эту перемену яркой метафорой: «Раньше мы измеряли спрос на вычислительные мощности, как подсчёт того, сколько посетителей ресторан обслуживает за день; теперь в эпоху агентов каждый "посетитель" заказывает полный комплексный обед и продолжает просить добавки — оборачиваемость столиков ресторана находится совершенно на другом порядке величин».

Это структурное изменение напрямую подтолкнуло вверх угол наклона кривой роста интеллектуальных вычислительных мощностей Китая. Согласно докладу, масштаб интеллектуальных вычислительных мощностей Китая достигнет 2576,5 EFLOPS в 2026 году, увеличившись на 87,9% год к году, а к 2030 году достигнет 10 524,3 EFLOPS; среднегодовой темп роста с 2025 по 2030 год повышен с 46,2% в предыдущем прогнозе до 50,3%. Повышение на 4,1 процентного пункта может показаться небольшим, но по своей сути это не более оптимистичное допущение, а корректировка формы кривой спроса — агенты приносят не линейную экстраполяцию, а совершенно новую парадигму спроса. Линейная экстраполяция означает: «какой рост был в прошлом, примерно такой же будет и в будущем»; смена парадигмы означает: «форма самой кривой роста изменилась» — с пологой экспоненциальной кривой на крутую. Эта разница на пяти- или десятилетнем горизонте даст различия в масштабах в несколько раз или даже десятки раз.

С глобальной точки зрения эта тенденция столь же значима. Gartner прогнозирует, что к 2028 году как минимум 15% повседневных рабочих решений будут приниматься агентами автономно, и к тому времени глобальное годовое потребление токенов ИИ достигнет сотенкратного текущего уровня. Данные Китайской академии информационных и коммуникационных технологий показывают, что в первой половине 2026 года среднесуточный объём вызовов токенов ИИ в Китае превысил 500 трлн, более чем в шесть раз превысив уровень аналогичного периода 2025 года, что значительно превзошло прежние общие отраслевые ожидания.

II. Сторона логического вывода становится главным полем боя: соотношение потребления токенов между обучением и логическим выводом уже превысило 6:4

Ещё одно глубокое изменение, обусловленное агентами, — смещение структуры спроса на вычислительные мощности от доминирования обучения к доминированию логического вывода. Значение этого сдвига не уступает переходу интернета от «коммутируемого доступа» к «постоянно подключённому широкополосному доступу» — вычислительная мощность перестаёт быть единовременными капитальными затратами и становится постоянными операционными расходами.

В ходе конференции Apsara Хуан Шань сообщил, что в настоящее время соотношение потребления токенов между логическим выводом и обучением уже превысило 6:4, и спрос на вычислительные мощности на стороне логического вывода быстро растёт. Данные, предоставленные Цзи Чжаохуэем, вице-президентом по маркетингу AMD в Большом Китае, дополнительно подтверждают эту тенденцию: в 2025 году соотношение рабочих нагрузок между логическим выводом и обучением ИИ составляло 5:5, к 2026 году доля логического вывода выросла до 60%, а к 2030 году, как ожидается, превысит 80%. Иными словами, центр инвестиций в вычислительную инфраструктуру в будущем сместится от «строительства крупных кластеров для обучения больших моделей» к «широкому покрытию для массового логического вывода».

Данные Gartner раскрывают разницу на порядки в потреблении между агентами и традиционными разговорными ботами: потребление токенов в приложениях-агентах на 5–30 раз выше, чем у разговорных ботов, а IDC прогнозирует, что к 2027 году потребление токенов ИИ среди 2000 крупнейших компаний мира увеличится в 1000 раз по сравнению с текущим уровнем. Что такое 1000 раз? Если сейчас крупное предприятие потребляет в среднем 1 млрд токенов в месяц для ИИ, то к 2027 году этот объём вырастет до 1 трлн, а соответствующие затраты на вычислительные мощности подскочат с сотен тысяч юаней до сотен миллионов.

Это изменение предъявляет совершенно иные требования к вычислительной инфраструктуре. Традиционные обучающие кластеры стремятся к предельной производительности одной карты и низколатентному взаимному соединению; их философия проектирования — «соединить десять тысяч карт в одну», с акцентом на высокую пропускную способность, низкую задержку и сильную согласованность — типичные примеры: NVLink и сети InfiniBand от NVIDIA. Сценарии логического вывода агентов, напротив, должны справляться с такими характеристиками нагрузки, как «фрагментация запросов, большие колебания трафика, повышенное внимание к мелкогранулярному разделению ресурсов». Запросы могут поступать из разных регионов, приложений и с разными приоритетами; трафик в течение дня может колебаться в десятки раз; и каждый запрос имеет разную чувствительность к задержке. Это требует от вычислительной инфраструктуры более сильных возможностей эластичного планирования и более мелкой гранулярности разделения ресурсов — например, разделения одной GPU на несколько виртуальных экземпляров и распределения их по требованию между различными задачами агентов.

Лю Цзюнь, главный стратег по ИИ компании Inspur Information, на конференции по искусственному интеллекту и вычислениям 2026 года обобщил эту дифференциацию в два чётких направления развития: «интеллектуальные вычисления, ориентированные на возможности» для переднего края интеллекта, поддерживающие прорыв верхних пределов интеллекта и отвечающие на вопрос «насколько сильным в конечном счёте может быть интеллект»; и «интеллектуальные вычисления, ориентированные на ёмкость» для популяризации интеллекта, обеспечивающие достаточное предложение интеллекта и отвечающие на вопрос «сколько интеллекта мы можем получить при какой низкой стоимости». Эти два направления не изолированы друг от друга, а образуют положительный цикл «прорыв на переднем крае — популяризация и внедрение — возникновение нового спроса — дальнейший прорыв».

Лю Цзюнь далее пояснил, что ключевыми показателями интеллектуальных вычислений, ориентированных на возможности, являются «максимальный масштаб вычислений одного кластера» и «эффективность обучения», а их пользователями выступают главным образом ведущие компании по разработке больших моделей и национальные исследовательские институты; ключевыми показателями интеллектуальных вычислений, ориентированных на ёмкость, являются «стоимость единицы токена» и «пропускная способность логического вывода», а их пользователями — малые и средние предприятия и разработчики из всех отраслей. Два типа центров интеллектуальных вычислений также существенно различаются по выбору аппаратного обеспечения, сетевой архитектуре, решениям по охлаждению и даже по выбору площадки — центры, ориентированные на возможности, тяготеют к западным узлам с изобилием энергии и прохладным климатом, а центры, ориентированные на ёмкость, располагаются ближе к густонаселённым восточным регионам для снижения сетевой задержки.

Эта дифференциация также объясняет, почему рынок аренды вычислительных мощностей в последнее время чрезвычайно активен. Для большинства предприятий экономическая эффективность строительства собственного центра интеллектуальных вычислений, ориентированного на ёмкость, невысока — аппаратное обеспечение слишком быстро устаревает, эксплуатация и обслуживание слишком сложны, колебания спроса слишком велики. Аренда вычислительных мощностей и оплата по токенам становится более рациональным выбором. Именно это и составляет промышленный фон для роста модели «продажи токенов».

III. CPU возвращается в ядро вычислительных мощностей: потребность в ядрах CPU на гигаватт мощности дата-центра выросла в четыре раза

Смена парадигмы, вызванная агентами, перестраивает структуру распределения стоимости всей цепочки производства аппаратного обеспечения для ИИ. За последние два года внимание рынка было почти полностью поглощено GPU, и миф о рыночной капитализации NVIDIA сделал «GPU = ИИ» общепринятым восприятием. Но по мере перехода ИИ от «доминирования обучения» к «управлению на основе логического вывода и агентов» CPU совершает скачок от вспомогательной роли при GPU к центральному узлу систем ИИ. Это изменение переписывает карту власти в полупроводниковой отрасли.

Генеральный директор AMD Лиза Су на телефонной конференции по итогам первого квартала 2026 года чётко указала, что в инфраструктуре ИИ соотношение CPU и GPU постепенно сходится от традиционного 1:4–1:8 к 1:1, а в сценариях интенсивного развёртывания агентов количество CPU может даже превысить количество GPU. Логика заключается в том, что сложные рабочие процессы ИИ-агентов помимо GPU и ускорителей требуют большого количества CPU для выполнения планирования задач, исполнения инструментов и оркестрации; только этап оркестрации может занимать от 50% до 90% общей задержки системы. Иными словами, GPU отвечает за «вычисления», а CPU — за «управление». Когда объём «управления» экспоненциально растёт вместе со сложностью агентов, стратегическая ценность CPU естественно возрастает.

Расчёты Arm показывают, что количество ядер CPU, необходимых на гигаватт мощности дата-центра, выросло примерно с 30 млн до 120 млн, увеличившись в четыре раза. Morgan Stanley прогнозирует, что к 2030 году Agentic AI может создать дополнительный рынок CPU объёмом от 32,5 до 60 млрд долларов, а соответствующий общий рынок серверных CPU может превысить 100 млрд долларов. Если этот прогноз сбудется, это означает, что рынок серверных CPU удвоится в течение пяти лет, причём почти весь прирост придётся на потребности, связанные с ИИ-агентами.

Прямым следствием дисбаланса спроса и предложения стало всеобъемлющее напряжение по ценам и срокам поставки. Сроки поставки серверных CPU от Intel и AMD увеличились с обычных 1–2 недель до 8–12 недель, а некоторые продукты Intel — до 6 месяцев. Финансовый директор Intel ожидает, что в 2026 году серверные CPU определённо будут в дефиците, а давление на поставки может сохраняться до 2028 года. Серверная отрасль переходит от принципа «спрос определяет рост» к принципу «предложение определяет, сколько можно поставить», и CPU стал новым узким местом расширения вычислительных мощностей ИИ после GPU и HBM.

Появление этого узкого места также породило новые промышленные возможности. С одной стороны, серверные CPU на архитектуре ARM ускоряют проникновение на рынок дата-центров, а их высокая энергоэффективность особенно заметна в сценариях логического вывода — поставки самостоятельно разработанных ARM-чипов, таких как Amazon Graviton, Google Axion, Alibaba Yitian 710, продолжают расти. С другой стороны, архитектура RISC-V также начинает появляться в ускорителях ИИ и сценариях периферийного логического вывода, предоставляя отечественным чипам новый путь в обход лицензионных ограничений x86 и ARM. Диверсифицированная конкуренция архитектур CPU становится одной из самых динамичных переменных в цепочке производства вычислительных мощностей для ИИ.

IV. От «продажи ресурсов» к «производству интеллекта»: фундаментальная реконструкция бизнес-модели вычислительных услуг

Самое глубокое изменение, приносимое агентами, вероятно, заключается в том, что бизнес-модель вычислительных услуг переживает фундаментальную реконструкцию. Раньше ключевая логика вычислительных услуг заключалась в «продаже ресурсов» — оплата за карто-часы GPU, объём хранилища, пропускную способность сети; клиент покупал «голую вычислительную мощность» и должен был самостоятельно решать вопросы развёртывания моделей, настройки производительности, устранения неполадок. В эпоху агентов клиент хочет «непосредственно используемый интеллект», оплату по токенам и расчёт по результатам — «Intelligence as a Service».

Юй Фэнхуэй, старший исследователь аналитического центра Pangu Think Tank, отмечает, что наиболее заметное изменение в текущей индустрии вычислительных услуг — это смещение модели предоставления от «продажи ресурсов» к «продаже токенов», смещение конкурентного измерения от масштаба к эффективности, а отраслевой конкурентный показатель меняется с «сколько у вас карт» на «эффективность производства токенов на ватт». Интегрированная оптимизация программного и аппаратного обеспечения, настройка движка логического вывода, интеллектуальное планирование для сглаживания пиков и заполнения провалов становятся ключевыми компетенциями. Он далее анализирует, что этот сдвиг предъявляет совершенно новые требования к структуре компетенций поставщиков вычислительных услуг: раньше сравнивались капитальная мощь и способность закупок — у кого больше GPU-карт и дешевле электроэнергия, тот и в выигрыше; теперь сравниваются технические и операционные способности — кто может произвести больше эффективных токенов на том же оборудовании, снизить стоимость логического вывода и обеспечить стабильность сервиса, тот и получит клиента.

Обобщение Хуан Шаня ещё более прямое: «Критерий измерения вычислительных мощностей ИИ постепенно смещается от "сколько стоит токен" к "сколько ценности создал токен"». Он далее разбирает структуру затрат на токены — инфраструктура занимает около четверти, из которых электроэнергия — около 10%, а программно-аппаратная кооптимизация влияет более чем на 50% стоимости токена. Это означает, что на эффективность производства токенов влияет не только аппаратное обеспечение чипов, но и вычисления, связь, доступ к памяти, хранение, оптимизация логического вывода и способность планирования всей системы; конкуренция в области вычислительных мощностей ИИ переходит от единичных аппаратных возможностей к системным. На примере оптимизации движка логического вывода он поясняет: «С той же моделью и тем же оборудованием глубоко оптимизированный движок логического вывода может повысить пропускную способность в 3–5 раз, что эквивалентно снижению стоимости токена на 60–80%. Этого нельзя добиться покупкой более дорогих карт — это зависит от силы программного обеспечения и алгоритмов».

Постоянное высвобождение спроса уже напрямую отражается в заказах. В последнее время публичные компании интенсивно заключают крупные контракты на вычислительные услуги: контракт на услуги GPU-вычислений, подписанный полностью дочерней компанией Parallel Technology с клиентом, имеет общую сумму с учётом налогов не более 1,913 млрд юаней; контракт на вычислительные услуги, подписанный полностью дочерней компанией Kanghui Pharmaceutical, имеет общую сумму около 1,720 млрд юаней со сроком действия пять лет. Общие черты этих контрактов — длительные сроки, крупные суммы и единицы ценообразования на основе токенов или объёма вычислительных услуг, что знаменует переход вычислительных услуг от «проектной» к «подписной» модели и от «разовых сделок» к «долгосрочной эксплуатации».

В то же время периферийный ИИ становится важным путём снижения стоимости токенов. Цзи Чжаохуэй предложил яркую метафору: размещение агентов на локальных новых вычислительных устройствах, таких как ИИ-ПК и хосты агентов, и передача только тяжёлых задач облачным большим моделям позволяет снизить потребление токенов предприятием более чем на 80% — «это как если бы большую часть времени мы покупали продукты и готовили дома, а в ресторан ходили только по важным случаям». Соответствующие исследования показывают, что возможности последней локально развёртываемой модели Qwen3.8 (27 млрд параметров) достигли 80–90% от возможностей самых передовых облачных больших моделей, и осуществимость периферийного ИИ значительно повышается. Это означает, что в будущем архитектура вычислительных мощностей приобретёт многоуровневую структуру «облако — периферия — устройство»: сторона устройства обрабатывает высокочастотные, лёгкие и чувствительные к приватности задачи логического вывода; облако обрабатывает низкочастотные, тяжёлые задачи обучения и сложного логического вывода, требующие массового параллелизма; периферийные узлы выполняют функции планирования и кэширования посередине.

Эта тенденция оказывает столь же глубокое влияние на чиповую индустрию. Рост периферийного ИИ будет стимулировать спрос на NPU, энергоэффективные CPU и память с высокой пропускной способностью, а расширение облачного логического вывода будет благоприятствовать высокоэффективным GPU, специализированным ASIC и чипам высокоскоростного взаимного соединения. Рынок вычислительных чипов перейдёт от «доминирования GPU» к структуре «многообразного гетерогенного сосуществования».

V. Вычислительные мощности становятся национальной стратегической инфраструктурой, логика городской конкуренции фундаментально меняется

Постоянный, жёсткий спрос на вычислительные мощности, обусловленный масштабной работой агентов, подталкивает вычислительные мощности от отраслевого понятия к национальной стратегической инфраструктуре того же уровня, что водное хозяйство, электросети и железные дороги. В период «15-й пятилетки» прямые инвестиции в строительство вычислительных сетей увеличатся на 4 трлн юаней, что сопоставимо с такими традиционными крупными инфраструктурными проектами, как водное хозяйство (6 трлн юаней), электросети (5 трлн юаней) и железные дороги (4 трлн юаней). Установление этой стратегической позиции означает, что вычислительные мощности перестают быть «внутренним делом» технологической отрасли и становятся всеобъемлющим вопросом, касающимся национальной конкурентоспособности, промышленной безопасности и экономических артерий.

Это изменение стратегической позиции также глубоко повлияло на систему оценки городской конкуренции. В рейтинге городов Китая по вычислительным мощностям для ИИ 2026 года Пекин, Ханчжоу и Шэньчжэнь заняли первые три места. Примечательно, что доклад впервые включил внедрение агентных приложений, промышленное размещение овеществлённого интеллекта, разработку больших моделей и инфраструктуру логического вывода в качестве ключевых показателей оценки развития городских вычислительных мощностей для ИИ — раньше, оценивая силу города в области ИИ, смотрели на «сколько вычислительных центров построено»; теперь смотрят на «что сделано с помощью вычислительных мощностей». Этот сдвиг системы оценки по сути представляет собой вопрос об «эффективности вычислительных мощностей»: построить вычислительный центр, который никто не использует, и построить его так, чтобы он стимулировал промышленную модернизацию, — это совершенно разные по ценности вещи.

Различия в структуре трёх ведущих городов как раз соответствуют трём различным путям развития. Пекин — «полноцепочечный»: и на стороне предложения, и на стороне спроса присутствует полная производственная цепочка — есть чиповые компании, такие как Cambricon и Moore Threads, гиганты больших моделей и приложений, такие как Baidu и ByteDance, ведущие исследовательские институты, такие как Китайская академия наук и Университет Цинхуа, образуя полный замкнутый цикл от фундаментальных исследований до промышленного применения. Ханчжоу — «сценарно-ориентированный»: кластер инновационных ИИ-компаний и интернет-промышленная база накладываются на инвестиции в передовые области, такие как овеществлённый интеллект; Alibaba Cloud, Zhejiang Lab, Unitree и другие формируют многообразную экосистему от облачных вычислений до производства роботов, а богатство сценариев применения является его ключевой конкурентоспособностью. Шэньчжэнь — «производственная база»: его статус базы по производству ИИ-серверов и вычислительных чипов в период взрыва агентов превращается в прямое преимущество; Huawei Ascend, Tencent, BYD и другие компании образуют синергию в области чипов, облачных сервисов и интеллектуальных терминалов, а способность к производству аппаратного обеспечения и эффективность цепочки поставок — его уникальное достояние. У этих трёх путей нет превосходства или inferiority, но все они вместе раскрывают одну тенденцию: точечного преимущества уже недостаточно, настоящая конкуренция происходит в эффективности замкнутого цикла «предложение — сценарий — промышленность».

С более макроскопической точки зрения стратегизация вычислительной инфраструктуры также порождает новые вызовы управления. Как избежать дублирования строительства, как стимулировать межрегиональное планирование, как обеспечить энергоснабжение, как сбалансировать безопасность данных и эффективность оборота — все это вопросы, требующие срочного решения. Запуск национальной пилотной платформы мониторинга и планирования интегрированной вычислительной сети является именно институциональным ответом на этот комплекс вызовов. В будущем вычислительные мощности, вероятно, будут функционировать подобно электроэнергии, используя операционную модель «единое планирование, зональное ценообразование, межрегиональная торговля», и институциональный дизайн этой модели окажет глубокое влияние на пространственную структуру цифровой экономики Китая.

Заключение

От «предоставления вычислительных мощностей» к «производству интеллекта» — эта трансформация, выраженная в семи словах, концентрирует самую суть парадигмальной революции вычислительной отрасли в эпоху ИИ-агентов. Как сказал Лю Цзюнь, конкуренция в области ИИ-вычислений в эпоху агентов сместилась от сравнения производительности единичного оборудования к состязанию полноспековых системных возможностей и промышленной экосистемы — «раньше, покупая вычислительные мощности, клиент должен был сам решать вопросы развёртывания модели и настройки производительности; теперь клиент хочет непосредственно используемый интеллект и постоянную стабильную поставку токенов».

Глубинный смысл этой трансформации состоит в том, что она переопределяет цепочку создания стоимости вычислительной отрасли: чип перестаёт быть конечной точкой и становится отправной; вычислительный центр перестаёт быть целью и становится средством; истинная ценность заключается в преобразовании вычислительных мощностей в интеллект, а затем интеллекта в производительную силу. Когда агенты переходят от разговорных инструментов к производственной практике, а вычислительные мощности становятся фактором производства, который можно масштабно производить, как воду и электричество, значение этой трансформации выйдет далеко за пределы самой вычислительной отрасли, глубоко перестраивая способы работы и конкурентную структуру тысяч отраслей. Для предприятий вопрос больше не в том, «использовать ли ИИ», а в том, «как получить интеллект наивысшего качества при наименьших затратах»; для городов вопрос больше не в том, «строить ли вычислительные центры», а в том, «как заставить вычислительные мощности действительно служить промышленной модернизации»; для страны вопрос больше не в том, «развивать ли вычислительные мощности», а в том, «как построить устойчивое автономное преимущество в глобальной конкуренции вычислительных мощностей». Ответы на эти вопросы определят карту цифровой экономики на следующее десятилетие.