Своя OpenAI за $5,6 млн: реальный бюджет на создание ИИ-компании

Открыть свою OpenAI обойдется минимум в 5,6 миллиона долларов — столько потратили китайцы на обучение DeepSeek-V3. Но это лишь вершина айсберга: полный бюджет включает аренду кластера, зарплаты и раздачу модели, и в сумме может достигать десятков миллионов. Разбираем, из чего складываются реальные расходы и почему обучение — самая дешевая статья.

Итак, мы с тобой открываем свою OpenAI. Решение принято, причем мной, и возможности отказаться у тебя нет. Учредительные документы я подал, домен купил, тебя записал техническим директором. Долю, так и быть, поделим поровну. Обязанности такие: ты отвечаешь за то, чтобы модель обучилась, я за то, чтобы деньги не кончились раньше. Забегая вперед: с моей частью будут проблемы.

План простой и красивый, как все планы до первой таблицы. Китайцы обучили DeepSeek-V3 за 5,576 миллиона долларов и сами написали это в техотчете. Значит, нам нужно примерно столько же плюс аренда офиса. Дальше подписки, API, инвесторы, интервью в подкастах. Ниже посчитано все: кластер, на котором такой прогон вообще возможен, зарплатная ведомость, данные вместе с юристами, раздача готовой модели пользователям и то, откуда на это берут деньги. С первоисточником на каждую цифру, отдельной колонкой по России и калькулятором в конце, чтобы ты подставил свои. Давай считать.

Реальный бюджет: от обучения до запуска

Когда мы говорим про создание своей OpenAI, первое, что приходит в голову, — стоимость обучения модели. DeepSeek-V3, флагманская модель китайской компании, обошлась в 5,576 миллиона долларов. Эта цифра указана в техническом отчете DeepSeek и включает только вычислительные ресурсы — аренду GPU-кластера на время обучения. Но это лишь малая часть того, что нужно для полноценного запуска.

Чтобы воспроизвести такой прогон, потребуется кластер, способный обеспечить необходимую производительность. Речь идет о тысячах GPU, например, NVIDIA H800, которые используются в DeepSeek. Аренда такого кластера на несколько месяцев обойдется в те самые 5,6 миллиона, но это только вычислительные мощности. К ним добавляются затраты на хранение данных, сетевое оборудование и энергопитание, которые часто упускают из виду.

Помимо железа, нужны люди. Команда инженеров, исследователей, DevOps-специалистов и менеджеров — это зарплатная ведомость, которая за год легко превысит 2–3 миллиона долларов. В России, кстати, зарплаты в IT ниже, чем в США, но при этом найти специалистов уровня DeepSeek сложно, поэтому экономия может оказаться мнимой.

Предыстория и контекст

DeepSeek-V3 стала сенсацией в мире ИИ не только из-за низкой стоимости обучения, но и из-за качества модели, которое сопоставимо с GPT-4. Китайская компания использовала инновационные подходы, включая архитектуру Mixture of Experts (MoE), которая позволяет активировать лишь часть параметров модели при каждом запросе, экономя вычислительные ресурсы. Именно это и позволило снизить затраты на обучение.

До DeepSeek считалось, что обучение большой языковой модели стоит сотни миллионов долларов. Например, GPT-4 от OpenAI, по оценкам экспертов, обошелся в сумму от 100 до 200 миллионов долларов. Новый подход китайских разработчиков показал, что можно добиться сопоставимых результатов при бюджете в 20 раз меньше, что открывает двери для небольших команд и стартапов.

Однако важно понимать: 5,6 миллиона — это только прямые затраты на обучение. В техотчете DeepSeek не указаны расходы на сбор и очистку данных, исследовательские эксперименты, зарплаты сотрудников и инфраструктуру для обслуживания модели после обучения. Все это может увеличить итоговую сумму в несколько раз, и именно об этом часто забывают, когда говорят о «дешевых» моделях.

Чем отличается обучение модели от запуска продукта?

Обучение модели — это лишь первый шаг. Чтобы превратить модель в продукт, нужно развернуть инфраструктуру для инференса — обработки запросов пользователей. Это требует мощных серверов, которые должны работать 24/7. Если обучение можно провести за несколько месяцев, то инференс — это постоянные расходы, которые зависят от количества пользователей.

Например, если мы планируем обслуживать миллион запросов в день, нам потребуется значительное количество GPU, что обойдется в десятки тысяч долларов в месяц. Плюс затраты на электроэнергию, охлаждение, поддержку и обновление модели. В итоге годовые операционные расходы могут превысить первоначальные инвестиции в обучение.

Технические подробности: кластер, данные, раздача

Для обучения модели уровня DeepSeek-V3 нужен кластер с суммарной производительностью порядка 2–3 экзафлопс в день. Это достигается за счет тысяч GPU H800, которые соединяются через высокоскоростную сеть, например, InfiniBand. Аренда такого кластера на три месяца, как это делали китайцы, обходится примерно в 5,5 миллиона долларов, но это без учета затрат на хранение данных.

Данные для обучения — еще одна статья расходов. Необходимо собрать триллионы токенов качественного текста, что требует лицензирования датасетов, краулинга веб-страниц и фильтрации мусора. Стоимость таких работ может достигать сотен тысяч долларов, особенно если привлекать специалистов по обработке данных.

Раздача готовой модели пользователям предполагает создание API и интерфейсов. Это требует разработки, тестирования и поддержки, а также затрат на облачные вычисления. Если мы планируем предоставлять доступ бесплатно, как это делает DeepSeek, нам придется искать другие источники дохода, например, корпоративные лицензии или государственные гранты.

Кого затронет и как

Для разработчиков и стартапов появление возможности создать свою ИИ-модель за 5–10 миллионов долларов — это революция. Раньше такие проекты были доступны только гигантам вроде Google или OpenAI. Теперь же средние компании и даже исследовательские группы могут позволить себе собственные модели, что усилит конкуренцию на рынке.

Для бизнеса это означает снижение стоимости внедрения ИИ. Вместо того чтобы платить за API от OpenAI или Google, можно обучить свою модель, адаптированную под конкретные задачи. Однако это требует наличия команды специалистов и инфраструктуры, что доступно не всем.

В России ситуация осложняется санкциями и сложностями с доступом к современным GPU. Тем не менее, есть отечественные разработки, например, YandexGPT, которые уже работают на собственных кластерах. Для российских компаний создание своей модели может быть даже более выгодным, учитывая курс рубля и необходимость импортозамещения.

Что будет дальше

В ближайшие годы мы, скорее всего, увидим рост числа компаний, которые будут пытаться повторить успех DeepSeek. Это приведет к дальнейшему снижению стоимости обучения и появлению более доступных инструментов для разработчиков. Возможно, появятся специализированные сервисы, которые предоставляют кластеры в аренду с предустановленным ПО для обучения моделей.

Однако не стоит забывать о рисках. Не все компании смогут окупить инвестиции, особенно если модель не найдет достаточного спроса. Конкуренция на рынке ИИ ужесточается, и выживут только те, кто предложит уникальные решения или сможет снизить издержки.

Итог

Создание своей OpenAI — это реально, но требует не только 5,6 миллиона долларов на обучение, но и значительных ресурсов на инфраструктуру, персонал и маркетинг. Полный бюджет может достигать 30–40 миллионов долларов в год, и лишь малая часть из них — само обучение. Если вы готовы к таким расходам и имеете команду, то дерзайте — но помните, что это марафон, а не спринт.