Вопрос о том, насколько далеко может зайти масштабирование ИИ, перестаёт быть теоретическим. Каждое поколение моделей требует больше вычислительных мощностей, энергии и охлаждения. На какой-то точке физическая реальность станет жёстче, чем амбиции разработчиков. На TechCrunch Disrupt 2026 Cerebras Systems попытается дать на этот вопрос практический ответ, основанный на опыте строительства реальной инфраструктуры для больших вычислений.

Cerebras Systems занимает нишу, которую долгое время считали невыполнимой: производство процессоров на целой кремниевой пластине вместо нарезки её на отдельные чипы. Архитектура wafer-scale специально разработана для тяжёлых ИИ-нагрузок и уже доказала жизнеспособность. Компания прошла IPO в мае 2026 года (привлекла 5,5 млрд), получила долгосрочный контракт с OpenAI на развёртывание мощностей начиная с 2026 года, а недавно представила третье поколение своей платформы CS-4.

Но здесь важна главная точка: мощные процессоры сами по себе не решают проблему масштабирования. Нужны дата-центры, электроснабжение, системы охлаждения, производственные мощности. Это именно то узкое место, которое сейчас становится критическим. По сообщениям Cerebras, у компании уже контрактовано более 600 МВт дата-центровой мощности для запуска к концу 2027 года, производство будет увеличено более чем в десять раз в 2026-м, а в Европе планируется развернуть первый дата-центр с последующим расширением до 200 МВт к 2027 году.

Масштабирование ИИ — это не только гонка инженеров за более быстрым кремнием. Это гонка логистическая: нужна земля, нужна электроэнергия, нужны фабрики и квалифицированные люди. Cerebras здесь показывает честный взгляд на проблему: компания не просто проектирует новую архитектуру, а активно ломает голову над тем, как это всё физически реализовать. История Feldman показательна: до Cerebras он основал SeaMicro, энергоэффективный стартап, который AMD купила в 2012-м. Опыт работы с физической инфраструктурой вычислений видно в каждом решении Cerebras.

В российском контексте эта тема имеет двойное значение. С одной стороны, локальным компаниям, которые работают с большими моделями или хотят строить собственные решения, нужно понимать реальные ограничения — не все смогут рассчитывать на облачные API западных гигантов из-за регуляции и суверенитета данных. С другой стороны, инфраструктурная задача в России стоит ещё острее: спрос на вычислительные мощности растёт, а предложение локального высокотехнологичного железа крайне ограничено. Появление альтернативных архитектур вроде Cerebras потенциально интересно для российских операторов дата-центров и компаний, которые ищут пути к более эффективному использованию энергии и площадей. Инструменты автоматизации на основе ИИ, которые работают на собственной инфраструктуре (вместо зависимости от облачных сервисов), становятся более практичными.

Основной вопрос, который поднимет Feldman на Disrupt, звучит просто, но ответ на него определит всю архитектуру ИИ-индустрии на следующие годы: можно ли продолжить экспоненциальный рост вычислительной мощности, или мы подходим к точке, где физические ограничения будут диктовать темп развития сильнее, чем алгоритмические прорывы? Ответ, скорее всего, будет компромисс: масштабирование продолжится, но став дороже, энергозатратнее и более требовательным к географической распределённости инфраструктуры.