+7 383 380-81-89
22 августа 2023
Когда говорят про искусственный интеллект, обычно обсуждают программы. Но любая нейросеть — это в первую очередь расчёты, а расчёты кто-то должен считать. От того, на чём они считаются, зависит и скорость ответа, и итоговая цена внедрения — часто больше, чем от выбора самой модели.
Разберём простыми словами, почему для искусственного интеллекта нужно особое железо, сколько это стоит в 2026 году и что это значит для компании, которая только думает о внедрении.
Коротко
- Нейросетям нужно не «посчитать одну сложную вещь», а миллиарды простых однотипных действий одновременно — для этого годятся видеокарты, а не обычный процессор.
- Обучение модели с нуля и применение готовой модели — разные по цене задачи. Почти всем компаниям нужно только второе.
- Главный ограничитель — объём памяти видеокарты. Модель, которая туда не помещается, на этой карте не запустится, какой бы быстрой она ни была.
- Комплект серверов с видеокартами под самые крупные модели подорожал в России почти втрое за год — с 13,7 до 38,8 млн ₽. Типовому внедрению для чата с клиентами столько железа не нужно.
- Правильный порядок для начинающих: сначала подписка на готовое, потом расчёт объёма, и только потом — решение о своём сервере.
В этой статье
Почему обычный процессор не подходит
Процессор компьютера умеет делать сложные вещи по очереди. Он как один очень образованный человек: справится почти с любой задачей, но по одной за раз.
Нейросети устроены иначе. Им нужно выполнить миллиарды очень простых однотипных действий — умножений и сложений — и все одновременно. Здесь не нужен один умный работник: нужны десятки тысяч простых, работающих в одну секунду параллельно.
Именно так устроены видеокарты. Их придумали для игр, где нужно одновременно рассчитать цвет миллионов точек на экране. Оказалось, что расчёт нейросети устроен похожим образом — и видеокарты стали основным железом для искусственного интеллекта.
Аналогия. Процессор — один инженер, который решает задачи по очереди, но любые. Видеокарта — цех из тысяч рабочих, которые умеют только умножать и складывать, зато делают это все разом. Нейросети нужен именно цех.
Две разные задачи: обучение и применение
Здесь скрывается разница, которая определяет весь бюджет проекта.
Обучение
Модель учится на огромных объёмах данных. Это очень долго и очень дорого: недели работы на десятках и сотнях мощных карт одновременно.
Хорошая новость: подавляющему большинству компаний обучать модель с нуля не нужно и не имеет смысла. Это делают несколько крупных игроков — Сбер, Яндекс, зарубежные лаборатории, — а остальные берут уже готовое.
Применение
Готовая модель просто отвечает на вопросы. Это в тысячи раз дешевле обучения, и именно этим занимается любое внедрение искусственного интеллекта в обычной компании.
Когда говорят «нужен свой сервер под ИИ», речь почти всегда про применение, а не про обучение. И требования там несопоставимо скромнее.
Что определяет, потянет ли железо
| Параметр | На что влияет |
|---|---|
| Объём памяти видеокарты | Главный ограничитель. Модель должна целиком поместиться в память карты. Не поместилась на карту — на ней не запустится, какой бы быстрой она ни была; можно перенести часть расчётов на обычный процессор, но это сильно медленнее |
| Скорость памяти | Определяет, как быстро приходит ответ. При работе с текстом упираются обычно именно в неё, а не в чистую вычислительную мощность |
| Количество карт | Большие модели разносят на несколько карт сразу — тогда важно, насколько быстро карты обмениваются данными между собой |
Новые поколения моделей с каждым годом становятся мощнее: лучше понимают сложные запросы и удерживают в разговоре больше контекста. Но за это приходится платить именно памятью — новым моделям её требуется заметно больше, чем моделям годичной давности.
Три варианта, где считать
Чужой сервис по подписке
Вы отправляете запрос, получаете ответ, платите за объём. Не нужно ничего покупать и настраивать, начать можно за день.
Минус: данные уходят на сторону поставщика услуги. Для части компаний — медицина, госсектор, финансы — это неприемлемо по закону или по внутренней политике безопасности.
Аренда мощностей
Вы арендуете сервер с видеокартами и ставите на него модель сами. Данные обрабатываются на арендованной машине, платить нужно за время использования, а не за объём запросов.
Разумный средний вариант, когда объёмы уже большие, но покупать своё железо ещё рано.
Своё железо — контур на территории компании
Сервер стоит у вас, данные не покидают компанию совсем. Это то, что называют размещением в собственном контуре, или коротко — on-prem: всё считается на вашем сервере, ничего не уходит наружу.
Требует денег вперёд и людей, которые это обслуживают. Оправдано, когда данные секретные по закону — медицина, госсектор, банки, фармацевтика, — или когда объём запросов такой, что подписка на внешний сервис выходит дороже собственной покупки за пару лет.
Наш опыт. Мы разворачивали такой контур аптечной сети «Вита» (около 11 000 сотрудников) и Минцифре — там, где данные по закону или по внутренним правилам не могут уходить за пределы компании. В обоих случаях считает открытая модель на сервере заказчика, а не облачный сервис (наш проект, 2026).
Сколько это стоит в 2026 году
Цена собственного железа для искусственного интеллекта в России сильно выросла за последний год — новые модели требовательнее к видеопамяти, а сами видеокарты подорожали.
Источник: MWS Cloud; CNews, 2026
Источник: Onside, Just AI, 2025
Важная оговорка: 13,7 → 38,8 млн ₽ — это стоимость полного серверного стенда под самые крупные модели вроде DeepSeek или GLM, с расчётом на сотни параллельных запросов. Для типовой задачи компании — чат с клиентами или помощник для сотрудников на открытой модели среднего размера — нужен набор карт кратно скромнее. Мы делаем такие проекты на своём сервере заказчика «под ключ» — с железом, установкой и настройкой — от 2 500 000 ₽, и это на порядок меньше, чем 38,8 млн ₽ за один только флагманский стенд. Отсюда практический вывод: своё железо — это уже не вопрос «купить один хороший сервер». Это отдельная статья бюджета, которая продолжает дорожать, и решение о покупке стоит принимать с запасом на год-два вперёд, а не по текущей цене на витрине поставщика.
Осторожно. Сравнивать нужно не цену сервера с ценой подписки за месяц, а полную стоимость владения за два-три года. В своё железо, кроме покупки, входят электричество, место в стойке, охлаждение, замена вышедших из строя карт и зарплата человека, который всё это обслуживает.
Практическое правило: если запросов немного и они нерегулярные — подписка почти всегда дешевле. Если нагрузка постоянная и предсказуемая, а данные обязаны оставаться внутри компании — собственный контур начинает окупаться, несмотря на рост цены железа.
Что делать компании, которая только начинает
Не покупать железо. Сначала выяснить, работает ли идея вообще, и уже потом считать, что она реально стоит.
- Собрать решение на подписке.
Возьмите готовую модель по подписке и проверьте её на реальных задачах компании, а не на демонстрационных примерах.
- Посчитать реальный объём запросов.
Сколько обращений в день и сколько текста уходит на каждое — модели считают объём текста в токенах, это кусочки слова размером примерно в несколько букв. Чем длиннее вопрос и ответ, тем больше токенов и тем больше нужно памяти и мощности. Эти цифры и определят, что выгоднее дальше.
- Сравнить полную стоимость владения.
Подписку на год вперёд — с покупкой и обслуживанием своего сервера на два-три года, с учётом текущих цен на видеокарты.
- И только потом решать про свой сервер.
С цифрами на руках, а не с ощущением «наверное, дешевле купить своё».
Обратный порядок — купить сервер, а потом придумывать, что на нём считать, — самый частый способ потратить несколько миллионов рублей впустую. Если данные компании разбросаны по разным системам, начинать разумнее не с железа, а с того, чтобы навести в них порядок — этому посвящена отдельная статья: репозиторий данных простыми словами. А если уже понятно, что нужен генеративный помощник, а не предсказание чисел, — разница разобрана в статье про предиктивный и генеративный ИИ.
Если решение принято в пользу своего сервера, его придётся отделить от остальной сети компании отдельными правилами доступа — иначе он станет самой уязвимой точкой. Как это делают, разбирали в статье про сегментацию сети простыми словами.
Частые вопросы
Можно ли запустить ИИ-помощника на обычном офисном сервере без видеокарты?
Медленно и с сильными ограничениями по размеру модели — да, но для рабочей скорости ответа в чате нужна хотя бы одна видеокарта с достаточным объёмом памяти. На обычном процессоре ответ будет занимать минуты вместо секунд.
Сколько видеопамяти нужно для типового ИИ-помощника компании?
Зависит от размера модели и от того, сколько диалогов идёт одновременно. Для многих задач хватает одной карты среднего класса; для нагруженного сервиса с десятками параллельных разговоров нужно больше памяти или несколько карт. Точный расчёт делается под конкретную задачу.
Что выгоднее в 2026 году — облако или свой сервер?
При небольшой и нерегулярной нагрузке почти всегда выгоднее облако или подписка. Свой сервер начинает окупаться при постоянной большой нагрузке или когда данные по закону обязаны оставаться внутри компании — несмотря на то что цена видеокарт заметно выросла за последний год.
Почему нельзя просто взять один мощный процессор вместо видеокарты?
Потому что нейросети считают миллиарды простых однотипных операций одновременно, а процессор умеет делать сложные операции только по очереди. Видеокарта устроена именно для параллельных расчётов — в этом и разница задач, а не в общей «мощности».
Обязательно ли своё железо для соответствия требованиям по защите данных?
Не всегда, но для медицины, госсектора, банков и фармацевтики размещение в собственном контуре — самый надёжный способ доказать, что данные не покидают компанию. Для менее чувствительных данных достаточно проверить условия конкретного облачного поставщика.
Назад к блогу
