ЖУРНАЛ СТА №4/2026

О Б З О Р Ы 30 www.cta.ru СТА 4/2026 троллерах , являющихся сердцем боль - шинства IoT- устройств , где счёт идёт на килобайты ОЗУ и мегагерцы такто - вой частоты . Решением для подобных мини - платформ становится кванто - вание – переход от 32- битных чисел с плавающей запятой к 8- или 16- битным целочисленным форматам . 16- битное квантование (int16) практически не сни - жает точность , вдвое сокращая размер модели ; 8- битное (int8) с использованием Quantization-Aware Training уменьшает модель вчетверо при падении точности всего на 0,5–1,1%, что для подавляющего большинства прикладных задач некри - тично . Тестирование на открытом фреймвор - ке MicroAI, который компилирует обу - ченную модель в нативный C- код , позво - ляя компилятору выполнять серьёзную оптимизацию , показало на задачах распознавания активности произво - дительность , сопоставимую с пропри - етарными решениями крупных произ - водителей вычислительных платформ , но с уникальной поддержкой 16- битного квантования и полной переносимостью между 32- разрядными миниконтролле - рами . И вот здесь в полный рост прояв - ляется роль мини - ЦОД как центра дис - тилляции : « тяжёлая » модель обучается на GPU- серверах внутри шкафа , затем автоматически конвертируется и кван - туется под целевое устройство – будь то камера с VPU или крошечный датчик , – и развёртывается на десятках , а то и сот - нях оконечных устройств . Более того , мини - ЦОД способен периодически соби - рать данные с этих устройств , дообучать базовую модель и рассылать обновлён - ные веса обратно , замыкая цикл непре - рывного улучшения работы нейросетей без участия , но под контролем человека . Рыночный контекст : почему всё это важно именно сейчас Глобальные аналитические обзоры сходятся в том , что к концу 2026 года затраты на ИИ приблизятся к 2,5 трлн долларов , а ключевыми векторами раз - вития станут системы агентов с ИИ , мультимодальные модели и глубокая интеграция в бизнес - процессы . В России к этому добавляется три местных факто - ра : необходимость соблюдения 152- ФЗ , острый дефицит привычных западных ускорителей и растущий запрос на суве - ренные ИИ - платформы , которые можно полностью контролировать . Рынок отве - чает бурным ростом доли китайских GPU: если ещё недавно доля доминиру - ющего западного вендора на азиатском рынке ИИ - ускорителей превышала 95%, то сейчас , по имеющимся оценкам , она сократилась примерно до 50%, а новые игроки стремительно сокращают техно - логический разрыв . Глобальные тренды : от LLM к агентным системам . Обзоры рынка ИИ за 2025–2026 годы сходятся в нескольких ключевых тези - сах ( рис . 1): ● рост инвестиций в ИИ остаётся взрыв - ным . Оценки говорят о +40–45% год к году с суммарным объёмом затрат до 2,5 трлн долларов к 2026 году ; ● фокус смещается с « голых LLM» на агентные системы и Large Action Models (LAM). Модели перестают быть просто генераторами текста и стано - вятся исполнителями цепочек дей - ствий в инфраструктуре компании ; ● укрепляются мультимодальные реше - ния . Одновременная работа с текстом , изображениями и видео становится нормой , особенно в задачах аналити - ки , робототехники и видеоаналитики ; ● появляются локализованные и отрас - левые модели . Всё больше решений адаптируется под конкретные рынки и отрасли : финансы , медицина , промыш - ленность . На рис . 1 представлены основ - ные сегменты применения суверенных систем с ИИ в промышленности . Для инфраструктуры это означает , что нагрузка на ИИ - платформы становится не только « широкой », но и « глубокой »: одно - временно растут число сценариев , плот - ность интеграций и требования к SLA. Если дать инженерный ориентир на оборудование , применяемое для проек - тирования кластеров , в таблице пред - ставлено сравнение ускорителей юго - восточных поставщиков для типовых нагрузок , опираясь на открытые источ - ники и результаты пилотных проектов , проведённых в том числе ведущим рос - сийским техническим университетом . Сразу оговоримся : это не лабораторные бенчмарки « в вакууме », а скорее практи - ческие результаты тестирования , кото - рые позволяют на старте понять , какой класс GPU нужен и под какую конкрет - ную задачу ( табл . 2). Понятно , что при детальном проекти - ровании потребуются пилоты и профи - лирование на реальных задачах , но даже такая грубая оценка позволяет отсечь заведомо нерабочие конфигурации и осмысленно подойти к выбору оборудо - вания для вычислительных платформ . Важно и то , что рассмотренные здесь серверы на китайских GPU плюс плат - форма управления « Арка » – как раз и ориентированы на средний и базовый классы , закрывая самые массовые сце - Рис . 1. Распределение суверенного ИИ в отраслях промышленности