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

Запуск собственной ИИ-компании, подобной OpenAI, — задача амбициозная, но теперь она стала доступнее, чем когда-либо. Китайская DeepSeek-V3 обошлась в 5,576 миллиона долларов, и эта цифра всколыхнула индустрию. Однако за ней скрывается гораздо более сложная финансовая картина, включающая аренду кластеров, зарплаты специалистов, затраты на данные и инфраструктуру. В этой статье мы разберем реальный бюджет, шаг за шагом, от обучения до запуска, и выясним, что нужно, чтобы создать свою ИИ-компанию в 2025 году.

Когда говорят о создании собственной модели, первым делом вспоминают стоимость обучения. DeepSeek-V3, флагманская разработка китайской компании, потратила на это всего 5,576 миллиона долларов — цифру, которая поразила экспертов. Однако эта сумма покрывает лишь аренду GPU-кластера на время обучения, как указано в техническом отчете. Чтобы воспроизвести такой прогон, нужен кластер с тысячами GPU, например NVIDIA H800, и высокоскоростной сетью InfiniBand. Аренда на три месяца обойдется примерно в те же 5,6 миллиона, но это только начало.

Помимо железа, критически важны люди. Команда инженеров, исследователей, DevOps-специалистов и менеджеров — это зарплатная ведомость, которая за год легко превысит 2–3 миллиона долларов. В России зарплаты в IT ниже, чем в США, но найти специалистов уровня DeepSeek сложно, поэтому экономия может оказаться мнимой. Данные для обучения — еще одна статья расходов: триллионы токенов качественного текста требуют лицензирования датасетов, краулинга и фильтрации, что стоит сотни тысяч долларов.

Реальный бюджет: от обучения до запуска

Создание своей ИИ-компании начинается с обучения модели, но этим не ограничивается. Полный бюджет включает несколько ключевых компонентов: вычислительные ресурсы, персонал, данные, инфраструктуру для инференса и операционные расходы. Начнем с обучения. DeepSeek-V3 использовала инновационную архитектуру Mixture of Experts (MoE), которая активирует лишь часть параметров модели при каждом запросе, экономя ресурсы. Это позволило снизить затраты до 5,576 миллиона долларов, но для воспроизведения такого результата нужен кластер, способный обеспечить производительность порядка 2–3 экзафлопс в день.

Аренда такого кластера на время обучения — это прямые затраты, но они не включают хранение данных, сетевое оборудование и энергопитание. Эти расходы часто упускают из виду, и они могут добавить еще 10–20% к бюджету. Кроме того, обучение — это не однократный процесс: для экспериментов и настройки гиперпараметров потребуются дополнительные прогоны, что увеличивает стоимость в несколько раз.

После обучения начинается самый дорогой этап — инференс. Чтобы обслуживать запросы пользователей, нужны мощные серверы, работающие 24/7. Если вы планируете обрабатывать миллион запросов в день, аренда GPU обойдется в десятки тысяч долларов ежемесячно. Плюс затраты на электроэнергию, охлаждение, поддержку и обновление модели. В итоге годовые операционные расходы могут превысить первоначальные инвестиции в обучение.

Предыстория и контекст

DeepSeek-V3 стала сенсацией не только из-за низкой стоимости, но и из-за качества, сопоставимого с GPT-4. До этого считалось, что обучение большой языковой модели стоит сотни миллионов долларов. Например, GPT-4 от OpenAI, по оценкам экспертов, обошелся в 100–200 миллионов. 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 круглосуточно. Если обучение можно провести за несколько месяцев, то инференс — это постоянные расходы, зависящие 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.