Ещё несколько лет назад имя Nvidia ассоциировалось прежде всего с геймерами, которые спорили на форумах о частоте кадров и объёме видеопамяти. Сегодня это имя произносят аналитики с Уолл-стрит, директора крупнейших корпораций и главы государств. По состоянию на июнь 2026 года рыночная капитализация компании колеблется в диапазоне от 4,9 до 5,3 триллиона долларов — в зависимости от дня торгов — и Nvidia уверенно удерживает звание самой дорогой публичной компании в мире. Для сравнения: совокупный объём экономики Германии — четвёртой по величине в мире — составляет около 4,5 триллиона долларов. Один производитель чипов стоит дороже, чем вся немецкая экономика. Как это стало возможным?

Ответ на этот вопрос — не просто история предпринимательского успеха. Это история о том, как правильно поставленная техническая задача, удачный момент и редкая дальновидность руководства способны изменить ход технологической цивилизации.

Трое инженеров и их большая ставка

В начале 1990-х годов индустрия компьютерных игр переживала бурный рост, однако до превращения в многомиллиардный бизнес, конкурентоспособный по масштабу с кинематографом, ей оставалось ещё около десяти лет. Именно в этот период трое американских инженеров увидели в игровой графике нечто большее, чем развлечение.

В апреле 1993 года в Саннивейле, штат Калифорния, была основана компания Nvidia. Её создателями стали Дженсон Хуанг, Крис Малаховский и Кёртис Прием — на тот момент уже состоявшиеся специалисты в области компьютерных технологий. Трёхмерные игры набирали популярность, а рынок графических ускорителей только зарождался. Цель была сформулирована просто: создать чип, который сделает видеоигры более реалистичными и доступными. Никто тогда и не предполагал, что эти чипы однажды выйдут далеко за пределы индустрии развлечений.

Стоит развеять распространённое заблуждение: Nvidia не изобретала видеокарты. Первый трёхмерный видеоускоритель был создан компанией IBM ещё в 1982 году. В 1990-х на этом рынке уже действовали такие игроки, как IBM, Matrox и 3Dfx. Nvidia была одной из многих — и поначалу ничто не предвещало её будущего триумфа.

Первый провал и первое спасение

В мае 1995 года, спустя два года разработки, Nvidia представила свой дебютный продукт — мультимедийную плату STG 2000 на базе чипа NV1. Карта объединяла трёхмерный ускоритель, блок обработки двухмерной графики и звуковую карту в одном устройстве. Она работала с четырёхугольными примитивами — по аналогии с популярными тогда приставками Sega Saturn. Несколько игр с этой консоли, в частности Virtua Fighter и Panzer Dragoon, были даже портированы под ПК с поддержкой STG 2000.

Однако практически сразу после выхода первого продукта Microsoft представила программный интерфейс DirectX, ориентированный на работу с треугольными полигонами. Это стало приговором для NV1: принцип ускорения графики в чипе Nvidia принципиально расходился с новым стандартом. Карта оказалась несовместима с подавляющим большинством игр, в которые хотели играть пользователи персональных компьютеров.

Молодая компания оказалась на краю гибели. На создание первого продукта был потрачен почти весь венчурный капитал. Дженсону Хуангу пришлось провести масштабные сокращения. В один из критических моментов в кассе компании оставалось денег ровно на один месяц выплаты зарплат.

Nvidia выжила. И это выживание само по себе стало стратегическим уроком: компания перестала изобретать собственные стандарты там, где отрасль уже сделала выбор, и сосредоточилась на том, чтобы создавать лучшие продукты в рамках существующей экосистемы.

Прорыв, который изменил правила игры

В 1997 году Nvidia выпустила карту RIVA 128, уже совместимую с DirectX 5 и OpenGL 1.0. Это был первый по-настоящему массово востребованный продукт компании. Карта предлагала обработку двухмерного и трёхмерного изображения в одном устройстве, тогда как конкурирующий Voodoo Graphics от 3Dfx Interactive для полноценной работы требовал отдельной двухмерной карты.

Но подлинная революция произошла в 1999 году с выпуском GeForce 256. Nvidia позиционировала его как первый в мире «графический процессор» — термин, который впоследствии вошёл в профессиональный лексикон всей индустрии. GeForce 256 впервые объединил в одном чипе обработку геометрии, освещения и текстур. Он не являлся абсолютным лидером по мощности, однако предлагал исключительное соотношение цены и производительности. Грамотный маркетинг сделал остальное: Nvidia заняла лидирующие позиции на рынке и впервые привлекла к себе внимание не только геймеров, но и крупных разработчиков программного обеспечения.

Поле битвы: рынок графических процессоров

В начале 2000-х годов компания развивалась стремительно. В 2002 году Nvidia приобрела активы 3Dfx Interactive — одного из своих ключевых соперников, — окончательно сформировав дуополию на рынке дискретных видеокарт.

К тому времени на рынке графических процессоров сложился треугольник лидеров: Nvidia, Intel и ATI. Однако Intel после неудачного запуска ускорителя i740 предпочла сосредоточиться на встроенной графике и других направлениях. На арене остались двое.

В 2000 году ATI выпустила серию Radeon, и между компаниями развернулась острая конкуренция. Nvidia обеспечила себе контракт с Microsoft на поставку графики для первой Xbox, однако впоследствии Microsoft перешла к ATI. Невзирая на это, Nvidia быстро переориентировалась: заключила партнёрские соглашения с Sony и Apple, став эксклюзивным поставщиком видеочипов для консолей PlayStation и компьютеров Macintosh. Среди нестандартных партнёрств того периода выделяется сотрудничество с Audi — Nvidia поставляла графические чипы для информационно-развлекательных систем немецких автомобилей.

В 2005 году компания провела ещё один стратегический манёвр: приобрела ULi Electronics, ключевого поставщика чипсетов для ATI. Позднее ATI объединилась с AMD и продолжила борьбу уже в новом составе. Существует версия, что AMD в своё время намеревалась купить саму Nvidia, однако Дженсон Хуанг отказался от сделки. Противостояние Nvidia и AMD на рынке дискретных видеокарт продолжается по сей день — уже почти двадцать лет.

Поворотный момент: параллельные вычисления и рождение CUDA

Компания могла остановиться на достигнутом. Рынок видеокарт был завоёван, конкуренты оттеснены. Но именно тогда Nvidia сделала шаг, который в конечном счёте и предопределил её нынешнюю стоимость.

Руководство компании обратило внимание на архитектурную особенность графических процессоров: в отличие от центральных процессоров, состоящих из нескольких мощных ядер, GPU строится на тысячах небольших ядер, предназначенных для одновременного решения множества однотипных задач. Именно такая архитектура делает его идеальным инструментом для параллельных вычислений.

В 2007 году Nvidia представила платформу CUDA (Compute Unified Device Architecture), открывшую возможность использовать вычислительную мощность видеокарт не только для рендеринга графики, но и для любых задач, традиционно выполнявшихся центральным процессором. Разработчики получили возможность писать программы для GPU на стандартных языках программирования — C и C++.

Поначалу технология привлекала лишь узкий круг специалистов. Но в 2012 году произошло событие, которое изменило всё.

На конкурсе ImageNet Large Scale Visual Recognition Challenge — своеобразном чемпионате мира среди алгоритмов распознавания изображений — победила нейронная сеть AlexNet, обученная на вычислительных мощностях чипов Nvidia с использованием CUDA. Результат был настолько убедительным, что в академическом сообществе не осталось сомнений: будущее искусственного интеллекта связано с графическими процессорами. Примечательно, что одним из создателей AlexNet был Илья Суцкевер — впоследствии сооснователь OpenAI и один из наиболее влиятельных исследователей в области искусственного интеллекта.

Архитектура интеллекта: что стоит за мощью чипов Nvidia

Понимая, что рынок искусственного интеллекта открывает исторические возможности, Nvidia приступила к активным инвестициям в специализированное программное обеспечение и библиотеки для машинного обучения — в частности, cuDNN и TensorRT. Эти инструменты позволяют ускорять и оптимизировать процессы глубокого обучения, существенно упрощая разработку систем искусственного интеллекта.

Одним из ключевых нововведений стали тензорные ядра (Tensor Cores) — специализированные вычислительные блоки внутри GPU, оптимизированные для операций с тензорами. Тензор — математический объект, обобщающий понятия скаляра, вектора и матрицы на произвольное число измерений. В задачах машинного обучения данные представляются именно в тензорной форме: пиксель изображения, например, описывается трёхмерным тензором с осями по горизонтали, вертикали и цветовым каналам. Операции над такими структурами составляют основу глубокого обучения, и тензорные ядра Nvidia оптимизированы именно для них.

В 2020 году компания представила карту A100 на архитектуре Ampere — 6 912 вычислительных ядер CUDA, 432 тензорных ядра и до 80 гигабайт памяти. В задачах искусственного интеллекта A100 превосходила своих предшественников до двадцати раз. Эта карта немедленно стала стандартом в самых современных вычислительных центрах мира.

Следующим шагом стала H100 на архитектуре Hopper, ещё более нарастившая отрыв от конкурентов. Именно эти чипы оказались в центре «золотой лихорадки» искусственного интеллекта: когда ChatGPT в конце 2022 года вызвал взрывной интерес к генеративным технологиям, выяснилось, что для обучения и работы подобных систем нужны прежде всего чипы Nvidia. Компания оказалась единственным массовым поставщиком «лопат» в новой технологической золотой лихорадке.

В 2024 году Nvidia анонсировала архитектуру Blackwell — следующее поколение GPU для задач искусственного интеллекта. Флагманский чип B200 содержит 208 миллиардов транзисторов, поддерживает 192 гигабайта памяти HBM3e и в сочетании с центральным процессором Grace образует суперчип GB200. По данным компании, система GB200 NVL72 — стойка из 72 чипов Blackwell — обеспечивает производительность при инференсе крупных языковых моделей до 30 раз выше, чем H100, при потреблении энергии в 25 раз меньше.

Цифры, которые переписывают историю

В мае 2023 года рыночная капитализация Nvidia впервые превысила 1 триллион долларов. В феврале 2024 года компания преодолела отметку в 2 триллиона. В конце 2025 года Nvidia стала первой компанией в истории, достигшей капитализации в 5 триллионов долларов. По состоянию на начало июня 2026 года стоимость компании колеблется в районе 5 триллионов долларов, удерживая звание крупнейшей публичной компании в мире — опережая Apple, Microsoft и Saudi Aramco.

За последние двенадцать месяцев капитализация Nvidia выросла более чем на 60%. Темп, не имеющий прецедентов среди компаний подобного масштаба.

Во многом этому способствовал ChatGPT и последовавший за ним повсеместный интерес к генеративному искусственному интеллекту. Сегодня практически каждый технологический стартап, претендующий на революцию в той или иной отрасли, строит свою инфраструктуру на чипах Nvidia. Компания не только поставляет оборудование: она активно сотрудничает с университетами и исследовательскими группами, обеспечивая академическое сообщество доступом к своим ресурсам и формируя лояльность следующего поколения разработчиков.

Немаловажную роль играет и то, что Nvidia остаётся fabless-компанией — то есть не имеет собственного производства. Она разрабатывает архитектуры и технологии, тогда как физическое изготовление чипов передаётся партнёрам — прежде всего тайваньской TSMC. Это позволяет концентрировать ресурсы исключительно на интеллектуальной составляющей бизнеса.

Тень успеха: регуляторное давление

Столь стремительный взлёт неизбежно привлёк внимание регуляторов. Министерство юстиции США в 2024 году инициировало антимонопольное расследование в отношении Nvidia. Следователей заинтересовало, не оказывает ли компания давление на покупателей, вынуждая их приобретать исключительно её продукты, и не устанавливает ли повышенные цены на сетевое оборудование для тех клиентов, которые одновременно закупают чипы у конкурентов — AMD или Intel. Помимо этого, расследованию подверглось приобретение израильского стартапа Run:ai за 700 миллионов долларов: регуляторов насторожило, не было ли целью сделки подавление технологии, способной снизить спрос на GPU.

Антимонопольные претензии к Nvidia предъявляют и за рубежом. Французский регулятор — Autorité de la Concurrence — провёл обыски в офисах компании ещё в сентябре 2023 года и впоследствии констатировал признаки злоупотребления доминирующим положением. Китайское ведомство по регулированию рынка в сентябре 2025 года объявило о продолжении расследования в отношении Nvidia.

Сама компания настаивает на том, что её успех обусловлен исключительно качеством продуктов и десятилетиями инвестиций в исследования и разработки, и заявляет о готовности к полному сотрудничеству с регуляторами.

Антимонопольные разбирательства — не первое серьёзное испытание для Nvidia. Компания уже переживала момент, когда её судьба висела на волоске после первого же продукта. Она выстояла. И есть все основания полагать, что она выстоит снова.

Больше чем чипы

Сегодня Nvidia — это уже не просто производитель видеокарт. Это компания, чья инфраструктура лежит в основе современного искусственного интеллекта: от обучения крупнейших языковых моделей до систем автономного вождения, от медицинской диагностики до моделирования климата.

Технологии трассировки лучей (ray tracing) и алгоритм масштабирования DLSS кардинально изменили облик современных видеоигр. Платформа CUDA стала стандартом де-факто для научных вычислений. Архитектура Blackwell открывает возможности для моделей с триллионами параметров, которые ещё несколько лет назад казались недостижимыми.

Дженсон Хуанг основал компанию с целью сделать видеоигры красивее. Три десятилетия спустя его детище формирует инфраструктуру, на которой строится следующий этап технологического развития человечества.

История Nvidia — это напоминание о том, что величайшие технологические революции нередко начинаются не с грандиозных деклараций, а с очень конкретного технического решения, принятого в нужный момент нужными людьми

Ещё каких-то тридцать пять лет назад интернет был совершенно жутким местом. Действительно настоящей паутиной — запутанной, непроходимой и лишённой каких-либо ориентиров. Только представьте себе: чтобы найти нужный ресурс, вам приходилось искать его адрес в газете или специальном печатном каталоге. Да, речь идёт о времени до изобретения поиска в интернете.

А ведь, если задуматься, именно поиск изменил нашу жизнь и десятикратно облегчил доступ к информации. Это напоминает то, что сейчас, в 2025 году, происходит с искусственным интеллектом. Не находите?

В этой статье мы проследим весь путь поиска в интернете: как он зародился, как работает, почему он столь важен и, главное, какое будущее его ждёт.

Поиск вчера: от газетных вырезок до алгоритмов

Условно историю поиска можно поделить на три эпохи: каким он был вчера, что представляет собой сегодня и каким станет завтра. Давайте по порядку.

Главная проблема интернета прошлого — это отсутствие нормальной поисковой системы. Выкручивались все по-разному. Кто-то записывал на бумажке нужные ссылки. В кружках по интересам печатали журналы с адресами полезных ресурсов, а иногда информация передавалась просто из уст в уста, по старинке. Конечно, существовали и веб-подборки — специальные страницы, на которых можно было вручную искать нужный интернет-сайт. Не слишком удобно, но такая ситуация была вполне логичной: контента было мало, пользователей тоже, и в основном это были технические энтузиасты. Бизнеса в интернете не существовало как такового.

Archie — первый поисковик в истории

И вот молодой канадский студент по имени Алан Эмтейдж (Alan Emtage) устал от такого положения дел. Осенью 1990 года он представил первый в истории поисковик интернета — Archie (сокращение от «Archives»). Конечно, по нынешним меркам это была примитивная система, но даже в таком виде она значительно упростила жизнь людям.

Archie объединял и индексировал содержимое общедоступных FTP-серверов. Возможно, кто-то ещё помнит такие «FTP-шники»: в те времена именно там можно было скачать игры вроде Duke Nukem, аниме или любой другой контент. Сервис собирал воедино названия файлов, а пользователю нужно было лишь ввести нужное ключевое слово. Проблема заключалась в том, что если в названии файла была ошибка, то Archie просто не мог его обнаружить.

Однако начало было положено. Цель тогда была проста: быстро находить хоть какую-либо подходящую информацию.

Индексация: библиотечная картотека для всего интернета

Чтобы двигаться дальше в изучении поиска, необходимо разобраться с одним чрезвычайно важным термином — индексация. Что вообще означает «проиндексировать интернет»?

Чтобы любой поисковик мог найти нужный ответ, ему сначала необходимо создать некую базу данных, в которой этот ответ будет храниться. Но ведь весь интернет — это колоссальный объём данных. По некоторым оценкам, речь идёт о нескольких зеттабайтах. Для понимания масштаба: один зеттабайт равен миллиарду терабайт. А по данным на 2025 год, в интернете накоплено уже несколько десятков зеттабайт информации. Естественно, поисковик физически не может пропускать через себя каждый раз такой массив данных. Именно поэтому было найдено подходящее решение — индексация.

Принцип прост. Специальный поисковый бот регулярно обследует всё интернет-пространство и обрабатывает информацию. Сначала программа-планировщик выстраивает маршрут для обхода сайтов. Этот маршрут зависит от важных характеристик сайтов — например, их цитируемости или частоты обновления. Затем планировщик передаёт этот маршрут другой части поискового робота — так называемому «пауку» (crawler). Паук обходит документы по заданному маршруту, и если сайт работает и доступен, он выкачивает содержимое и отправляет его в хранилище.

Таким образом, бот создаёт нечто вроде слепка интернета — библиотечной картотеки, если угодно, которая хранится на серверах. Туда переносится не весь интернет целиком, а только полезная информация — без спама, дубликатов и прочих ненужных документов. В результате получаются проиндексированные веб-страницы: поисковик знает адрес, по которому находится подходящий запросу пользователя контент — слова, изображения или любые другие данные.

После индексации слепок веб-сайта добавляется в регулярно обновляемую базу данных, чтобы поиск не занимал много времени. Визуально увидеть проиндексированную веб-страницу обычный пользователь не может, однако с помощью специального инструмента это всё же возможно. Например, у Яндекса существует сервис Вебмастер, где можно проверить свой ресурс на индексацию.

Таким образом, проиндексированные веб-страницы — это важнейший элемент любого поисковика, будь то Google, Microsoft Bing или Яндекс. Без подобной картотеки оперативно находить нужную информацию попросту невозможно.

WebCrawler — стандарт на десятилетие

Первым поисковиком, который стал использовать индексацию в более или менее современном виде, стал WebCrawler, запущенный в 1994 году. Его робот-«паучок» собирал информацию со всей сети, индексировал её и вносил в собственную базу данных. Разработка имела огромный успех и, в сущности, задала стандарт на десятилетие вперёд. Даже сейчас принципы, которые заложил WebCrawler, продолжают работать в основе современных поисковых систем.

Морфология языка: как Яндекс покорил великий и могучий

Но просто собрать и проиндексировать информацию — это лишь половина дела. Главное — правильно понять, что именно ищет пользователь. И здесь особенно интересен опыт Яндекса в работе с морфологией русского языка.

Дело в том, что поисковой системе необходимо находить не просто точное совпадение слов, а понимать смысл запроса. Подумайте сами: слово «шляпка» может относиться к грибу, головному убору или гвоздю. Русский язык полон подобных многозначных слов, что делает задачу на порядок сложнее, чем в английском.

Именно поэтому так показателен пример Яндекса. Компания анализировала, как часто слова встречаются вместе в текстах, используя данные Национального корпуса русского языка. Если пользователь ищет, например, «воронежский», система может автоматически добавить к поиску слово «Воронеж».

Яндекс также научился различать языки, чтобы не путаться при обработке запросов. Система определяла язык запроса по алфавиту, характерным сочетаниям букв и даже по региону пользователя. И, разумеется, люди постоянно допускают опечатки — примерно 12% поисковых запросов содержат ошибки. Поэтому поисковик автоматически проверял запрос на грамотность и предлагал исправленную версию.

Вот так, в зависимости от особенностей языка, поисковики справлялись с проблемами человеческих запросов.

Google и революция PageRank

Существовало и множество других поисковиков того времени — AltaVista, Excite и другие. Функционал у всех был примерно одинаковым, поэтому подробно останавливаться на каждом не имеет смысла. Важны первые и по-настоящему революционные.

Примерно в это же время, в 1998 году, два аспиранта из Стэнфордского университета — Сергей Брин и Ларри Пейдж — разработали поисковик Google. О нём, конечно, можно рассказывать долго. Но на самом деле важен не столько сам поисковик, сколько технология, которую для него разработали эти двое. Она называется PageRank.

Это была по-настоящему революционная вещь. Давайте разберёмся, в чём заключалась основная проблема поисковиков того времени. Да, благодаря индексации они могли находить ресурсы с нужной информацией, но вот качество найденных сайтов оставалось под большим вопросом. Грубый пример: если бы вы дали поисковику того времени запрос «как поменять лампочку», на первом месте мог бы оказаться не форум электриков, а сайт анекдотов. То есть релевантность поиска была практически на нуле.

PageRank же делал простую, но гениальную вещь. Алгоритм присваивал каждой странице показатель важности. Чем больше ресурсов в интернете ссылалось на определённую веб-страницу, тем более важной она становилась. Соответственно, при запросе пользователя на первые позиции выходила ссылка на тот ресурс, который зарекомендовал себя в интернете. Просто и изящно.

Внедрение PageRank совершило настоящую революцию в зарождающейся отрасли поисковых систем. Буквально за считанные месяцы все конкуренты создали аналогичные системы ранжирования. Со временем аналоги PageRank эволюционировали в нечто гораздо более сложное, где учитывалось множество факторов — вплоть до местоположения пользователя. Но об этом чуть позже.

MatrixNet от Яндекса: машинное обучение раньше всех

Кстати, поиск от Яндекса и сама компания в целом были важными первопроходцами в индустрии. Разработчики Яндекса буквально первыми стали использовать машинное обучение в поиске, когда Google ещё даже не задумывался об этом.

В 2009 году Яндекс сделал важный шаг в развитии поисковых технологий, начав использовать машинное обучение (ML — Machine Learning) значительно раньше Google. Компания разработала собственную технологию под названием MatrixNet, которая совершила настоящий прорыв в области поисковых систем.

К тому моменту интернет уже был огромным, и по некоторым запросам находились миллионы страниц. Просто показать все сайты, содержащие слова из запроса, было уже недостаточно — ведь пользователю пришлось бы целую вечность листать страницы с результатами. Требовалось научиться определять, какие страницы действительно отвечают на вопрос пользователя.

Для этого поисковик анализировал множество факторов: как часто встречаются слова из запроса, сколько на сайт ведёт ссылок, насколько он популярен у пользователей, и так далее. Всего таких факторов были тысячи, и первоначально они отслеживались вручную. Специалисты-эксперты — так называемые асессоры — помогали системе учиться, оценивая качество результатов поиска. Они оценивали конкретные страницы по конкретным запросам, и затем на этих оценках обучалась формула, которая ранжировала сайты по любому запросу.

Главная особенность MatrixNet заключалась в том, что он мог автоматически работать с огромным количеством таких факторов и при этом не переобучаться. То есть формула ранжирования сайтов стала подбираться на основании всех известных факторов и знаний о том, какие страницы лучше соответствуют запросу, а какие — хуже. Обычные алгоритмы в подобной ситуации начинали находить несуществующие закономерности, а MatrixNet оставался точным.

Более того, сама система могла настраивать поиск для разного типа запросов. Например, можно было улучшить поиск по музыке, не испортив при этом поиск по другим темам. А ещё MatrixNet был невероятно быстрым: он успевал проверить все факторы за доли секунды. Всё это работало на тысячах серверов одновременно — каждый искал по своей части интернета, находил лучшие результаты, а потом они объединялись в единый список, и пользователь практически мгновенно получал именно те сайты, которые ему были нужны.

Эта технология стала важнейшим шагом в развитии поиска. Она позволила учитывать намного больше факторов, чем раньше, и при этом делать это точно. С появлением MatrixNet поиск стал значительно умнее — он начал гораздо лучше понимать, чего хочет пользователь.

Самое забавное: технология настолько опередила своё время, что инженерам Яндекса пришлось сооружать инсталляцию из водяных труб, чтобы наглядно объяснить журналистам, что такое машинное обучение.

Три кита поиска прошлого

Подведём итог «поиска вчера» и назовём три главных кита, на которых он держится:

1. Индексирование веб-страниц — создание своеобразной картотеки всего интернета.
2. Настройка релевантности поиска — по типу PageRank от Google.
3. Машинное обучение — впервые полноценно применённое Яндексом в 2009 году.

Поиск сегодня: от тысяч факторов до нейросетей

Нынешние поисковые системы эволюционировали в совершенно невероятные сервисы, которыми мы пользуемся каждый день. Когда компании осознали, что на продаже рекламы на самых посещаемых ресурсах интернета можно прекрасно зарабатывать, организации, которые изначально просто занимались поиском веб-страниц, превратились в настоящих технологических гигантов. Достаточно посмотреть на Google или Яндекс и оценить, в скольких сферах они присутствуют сегодня.

С расширением интернета стало очевидно, что искать нужно не только сайты, но и отдельные видеоролики, изображения, рестораны, природные локации и многое другое. Работы меньше не стало — интернет за последние десятилетия вырос многократно.

Предугадывание запросов

Например, чтобы ускорить поиск информации, появилась функция угадывания запроса пользователя. Специальный алгоритм запоминал, к какому слову привязана самая частая продолжающая связка — с учётом местоположения пользователя, самых частых запросов и множества других факторов. Если человек начинает вводить запрос «кто такой», поисковик мгновенно предлагает несколько вариантов продолжения. Попробуйте проверить это сами — результаты могут удивить.

От единиц к тысячам факторов

По сути, все технологии из «поиска вчера» перекочевали в «поиск сегодня», но на совершенно иных мощностях. Если раньше использовались лишь несколько метрик (вспомните PageRank от Google), то сегодня поисковики оперируют тысячами факторов ранжирования. Давным-давно для присвоения статуса полезности нужна была всего одна метрика — цитируемость ссылки. Теперь же алгоритмы анализируют колоссальное число параметров. MatrixNet от Яндекса, о котором мы уже рассказали, в своё время был именно таким исключением — он опережал эпоху.

Администрировать эти тысячи факторов вручную, естественно, невозможно. И тут на помощь приходит машинное обучение.

RankBrain от Google: поиск вещей, а не строк

Нейросети прочно вошли в нашу жизнь. С их помощью мы генерируем изображения, создаём видео, пишем тексты. И революция, которая происходит вокруг нас сейчас, стала возможной в том числе благодаря поиску в интернете. Ведь прародителями современных нейросетей с начала 2010-х годов стало именно машинное обучение.

Google тоже не стоял на месте. В 2015 году компания представила технологию RankBrain, и поисковик научился искать вещи, а не строки.

Чтобы обучить алгоритмы, инженеры Google сначала «скармливали» ему данные из различных источников, чтобы он начал их сопоставлять и упорядочивать выдачу на основе этих вычислений. Затем RankBrain наблюдал, как пользователи взаимодействуют с результатами поиска, созданными при помощи машинного обучения. Если пользователи оставались довольны результатами, алгоритм продолжал работать в том же направлении. Если результат не устраивал — машина начинала процесс заново.

RankBrain также оценивал релевантность контента на странице. Речь шла не только о сопоставлении ключевых слов, но и о глубоком понимании контекста. Он мог различать фрагменты, которые затрагивают разные аспекты и подтемы, связанные с основной темой запроса.

В целом, RankBrain выполнял две основные задачи. Во-первых, учился понимать поисковые запросы — их смысл и ключевые слова на веб-страницах. Во-вторых, измерял удовлетворённость пользователя результатами и подстраивался соответственно.

Нейросети-трансформеры: поиск по смыслу

Внедрение машинного обучения многократно улучшило опыт поиска. Он стал значительно персонализированнее и намного умнее. Именно благодаря нейросетям нового типа — так называемым нейросетям-трансформерам — и Google, и Яндекс научились понимать смысл запроса, а не просто искать совпадения слов.

Например, сегодня можно написать в поисковой строке «фильм, где мужчина выращивает картошку на Марсе», и вы получите множество релевантных ссылок с правильным ответом — фильм «Марсианин». Всё это происходит потому, что поисковик понимает смысл запроса, а не просто ищет ключевые слова на страницах.

Поиск завтра: эра искусственного интеллекта

Однако всё вышесказанное — лишь часть картины. Речь не только о машинном обучении. За последние несколько лет произошла настоящая революция — появились чатботы на основе больших языковых моделей.

На самом деле поиск будущего уже среди нас, и его можно смело назвать поиском настоящего. Это третий этап в развитии интернета и в поведении пользователей. Теперь в интернете есть все и всё: бизнес, инвестиции, сильные команды и продукты. Сейчас недостаточно просто находить актуальную информацию быстро. Теперь важно быстро находить самое лучшее из всего существующего контента.

У чатбота можно узнать практически что угодно, причём максимально персонализированно. В последний год компании массово внедряют чатботов в свои поисковые системы.

Экзистенциальный кризис поисковиков

Любопытно, что когда чатботы только начали появляться, поисковые компании пережили своего рода экзистенциальный кризис. Google вообще ввёл «красный код» внутри компании и стал считать ChatGPT своей главной угрозой. Однако спустя время стала очевидна одна крайне важная вещь: чатботы ошибаются. Причём не просто ошибаются, а порой галлюцинируют — выдумывают факты, которых не существует в реальности.

Простыми словами, чатбот, который должен был стать абсолютным поиском, оказался неспособен в одиночку справиться с этой задачей. Однако решение проблемы нашлось: объединить чатбота и поисковую систему.

Симбиоз: чатбот + поисковая система

Выгода от подобного симбиоза получается превосходная. Чатбот естественным языком отвечает на поставленный вопрос, превосходя все алгоритмы прошлого в десятки раз. С ним можно просто разговаривать как с человеком, и нет необходимости переходить по множеству ссылок, потому что вся информация суммируется сразу в один готовый ответ. А технологии поиска, в свою очередь, помогают чатботу находить достоверную и актуальную информацию, подкрепляя ответ релевантными ссылками на источники.

Copilot от Microsoft

Одним из первых представителей такого подхода стал Copilot от Microsoft. Компания инвестировала миллиарды долларов в OpenAI и встроила в свой поисковик Bing на тот момент самый мощный чатбот в истории — GPT-4 Turbo. То есть технология поиска работала совместно с чатботом, чтобы выдать максимально персонализированный результат.

Google AI Overviews и Gemini

Google же решила подойти к проблеме более фундаментально. В мае 2024 года компания представила собственную модель Gemini, специально адаптированную для поиска. Система получила название AI Overviews и работает через так называемые «ИИ-обзоры».

Когда пользователь задаёт вопрос, Gemini не просто ищет информацию, но анализирует её, структурирует и представляет в удобном формате. При этом система всегда указывает источники информации, позволяя пользователю проверить данные.

Одна из самых интересных возможностей — анализ видео для поиска решения технических проблем. Например, если у вас сломался проигрыватель виниловых пластинок, достаточно снять короткое видео проблемы, и система поможет найти решение.

Google также анонсировала системы, которые не только помогают с поиском, но и выполняют действия за пользователя. Например, можно написать: «Купи билет из Москвы в Стамбул», и нейросеть самостоятельно оформит покупку.

SearchGPT от OpenAI

Не остаётся в стороне и сама компания OpenAI. В конце 2024 года она представила собственный поисковик SearchGPT (впоследствии интегрированный в ChatGPT как функция поиска). Он объединяет возможности языковой модели GPT-4o с прямым доступом к актуальной информации из интернета.

SearchGPT работает принципиально иначе, нежели привычные поисковики. Когда вы задаёте вопрос, система не просто выдаёт список ссылок, а сразу формирует подробный ответ, основанный на данных из различных источников. При этом каждый факт в ответе сопровождается ссылкой на первоисточник — будь то новостная статья, научная публикация или специализированный блог.

В SearchGPT также появились специальные визуальные форматы для определённых типов запросов. Например, при поиске погоды пользователь видит детальный прогноз с графиками. При запросе котировок — биржевые данные в реальном времени. Для спортивных событий — актуальное расписание матчей и результаты.

Однако подобные решения, разумеется, есть и у других игроков рынка. И в этом отношении OpenAI пока остаётся в роли догоняющего. Главное преимущество SearchGPT — это возможность вести полноценный диалог: можно задавать уточняющие вопросы, и система будет учитывать контекст всего разговора.

Яндекс и поиск с Нейро

Отечественные разработчики тоже не отстают. В октябре 2024 года Яндекс представил масштабное обновление своего поисковика, интегрировав в него технологию Нейро. Поиск с Нейро работает по той же модели: он сразу даёт ответ на вопрос, ссылаясь на источники в интернете. Система автоматически определяет, когда её помощь будет действительно полезна, и появляется в результатах поиска самостоятельно. Если же нейросетевой ответ не был показан автоматически, достаточно нажать на специальную кнопку под поисковой строкой.

Поиск с Нейро умеет работать со сложными составными вопросами, и с ним можно вести полноценный диалог, поскольку он понимает контекст. Например, вы можете спросить: «Какая сегодня ключевая ставка?» А потом просто уточнить: «А когда изменится?» И поиск ответит датой следующего заседания Центрального банка. Раньше для этого пришлось бы делать два полноценных независимых поисковых запроса.

Кроме того, система научилась работать и с изображениями. В поиске по картинкам или через умную камеру можно задавать вопросы о конкретных деталях на фотографии. Сфотографировали автомобиль — и просто спросили, сколько он стоит. Не нужно знать марку и модель: вы сразу получаете готовый ответ. А если на фотографии рядом с основным объектом присутствует другой предмет — например, велосипед — поиск поймёт контекст и всё равно ответит именно про автомобиль.

Более того, можно сфотографировать задачу по математике для девятого класса, и поиск самостоятельно её решит — даже если такой задачи нет в интернете. (Простите за это опасное знание.)

Поиск завтрашнего дня: AGI и абсолютная персонализация

Всё описанное выше — это поиск сегодня, и мы уже живём с ним бок о бок. Но что ждёт нас в будущем?

По прогнозам экспертов, в ближайшее время поиск сможет давать ответы на основе не только текстовой, но вообще любой информации в интернете — например, на основе содержимого конкретного видеоролика.

Однако использование нейросетей в связке с поиском — это, по всей видимости, промежуточный вариант. Настоящий поиск будущего должен быть связан с AGI — Artificial General Intelligence, то есть так называемым «настоящим» искусственным интеллектом. Не просто алгоритмом, который пытается угадать, что хочет пользователь, а полноценным цифровым разумом, способным мыслить и понимать.

Только представьте, насколько поиск станет совершеннее, когда у вас появится собственный ассистент, который знает вас лучше, чем кто-либо другой, и способен буквально по первым нескольким буквам угадать, что вам нужно. А с учётом того, как стремительно всё развивается в 2025 году, подобный поиск мы, возможно, увидим достаточно скоро.

Судите сами: нынешние технологии уже умеют искать по тексту и изображениям, вести с пользователем полноценный диалог, а персонализированный ИИ-ассистент сможет делать всё это индивидуально для каждого.

Персонализация — вот главная черта поиска будущего, если всё пойдёт так, как предрекают лидеры индустрии.

Заключение

История интернет-поиска — это история человеческого стремления к знаниям. От бумажных каталогов и примитивного Archie в 1990 году — через революцию PageRank и MatrixNet — к нейросетевым ассистентам, которые разговаривают с нами на естественном языке. Каждый этап этой эволюции делал доступ к информации проще, быстрее и точнее.

Сегодня мы стоим на пороге новой эпохи, в которой границы между поисковой системой и интеллектуальным собеседником окончательно стираются. И если прошлое научило нас чему-то, то это тому, что следующий скачок может произойти быстрее, чем кто-либо из нас ожидает

 

Почти все современные компьютеры устроены по одному принципу, придуманному в середине прошлого века. Этот принцип блестяще работал десятилетиями, но в эпоху искусственного интеллекта превратился из магистрали прогресса в системное ограничение. На смену ему приходит нечто принципиально иное — архитектура, вдохновлённая самым экономичным и производительным вычислительным устройством из всех известных нам: человеческим мозгом.

Вундеркинд из Будапешта и документ, изменивший мир

В 1903 году в Будапеште родился мальчик по имени Янош Нейман. Уже в шесть лет он оперировал восьмизначными числами в уме. В восемь вёл беседы с отцом на древнегреческом. В девятнадцать предложил современное математическое определение порядковых чисел. В двадцать три защитил докторскую диссертацию. К двадцати пяти годам вошёл в число самых ярких молодых учёных Европы, внеся вклад в квантовую механику и математическую логику.

Позже этот человек — вошедший в историю под именем Джон фон Нейман — создаст теорию игр, изменит облик экономики, примет участие в Манхэттенском проекте и оставит след в областях от квантовой физики до гидродинамики. Но для понимания современной вычислительной техники важнее всего то, что он придумал в 1944–1945 годах. Подключившись к проекту ENIAC — разработке первого в мире лампового компьютера — фон Нейман немедленно обнаружил его главный изъян: программа была намертво вшита в схему машины. Чтобы изменить алгоритм, инженерам приходилось буквально перепаивать провода.

В 1945 году фон Нейман изложил своё решение в черновике технического отчёта объёмом 101 страница. Документ так и не был закончен, однако именно он изменил облик всего XX века. В нём впервые была сформулирована концепция компьютера с хранимой программой: мозг вычислительной машины и её память разделены, данные передаются через общую шину, а инструкции хранятся в той же памяти, что и обрабатываемые данные. Эта простая и строгая схема вошла в историю как архитектура фон Неймана. Она подарила миру универсальные вычислительные машины, которые можно перепрограммировать под любые задачи без изменения аппаратной части.

Архитектура фон Неймана: гениальность и её цена

Чтобы понять, почему эта архитектура сегодня превращается в ограничение, нужно разобраться в её основах. В её фундаменте лежат две ключевые идеи: разделение и ритм. До фон Неймана программа и машина были единым целым — алгоритм задавался физической конфигурацией схемы. Фон Нейман предложил разделить вычислительное устройство и память: процессор последовательно извлекает инструкции из памяти, обрабатывает их и возвращает результат обратно. Из этого разделения естественным образом вытекает ритм: чтобы всё работало слаженно, инструкции должны выполняться в строгом порядке — извлечение, декодирование, выполнение — синхронизированном тактовым генератором.

Архитектура фон Неймана работает как идеальный конвейер на заводе: каждая операция выполняется строго в своё время, в едином ритме. У этого подхода три очевидных достоинства. Универсальность: одна и та же машина способна выполнять любую задачу — достаточно загрузить новый код. Масштабируемость: добавляй память и ядра, разгоняй тактовую частоту — производительность будет расти. Гибкость: можно усложнять микроархитектуру, подключать специализированные сопроцессоры, и всё будет работать. Практически вся цифровая электроника второй половины XX и начала XXI века жила по законам фон Неймана — и не знала бед. До тех пор, пока не появились глубокие нейросети.

Две стены, в которые упёрся прогресс

Искусственный интеллект обнажил два фундаментальных ограничения нейманновской архитектуры, которые прежде не давали о себе знать в полную силу.

Первое — так называемое бутылочное горлышко фон Неймана. Разделив процессор и память, архитектура неизбежно создала узкое место: данные всё время нужно перегонять из памяти в процессор и обратно. Этот постоянный обмен порождает задержки и простои. Чем больше данных нужно обработать, тем острее проблема. Современные высокопроизводительные процессоры большую часть времени попросту ждут данные, а не вычисляют — они простаивают в ожидании, пока шина доставит следующую порцию.

Второе ограничение — энергопотребление. Конвейер нельзя полностью остановить: даже если никаких полезных вычислений не производится, тактовый генератор продолжает работать, тратя электричество. Но главная статья расходов — не сами вычисления, а логистика данных. В современных дата-центрах и суперкомпьютерах до 90% всей потребляемой энергии уходит не на обработку информации, а на её транспортировку по шине между памятью и процессором. Обучение языковой модели масштаба GPT-4 потребовало столько электроэнергии, сколько небольшой город потребляет за целый год. После обучения модели продолжают расходовать ресурсы при каждом запросе. Развитие идёт по нарастающей: каждое следующее поколение моделей не просто умнее, но и существенно прожорливее предыдущего — и уже сейчас не вполне ясно, откуда брать энергию для обучения следующих поколений.

Для сравнения: современные экзафлопсные суперкомпьютеры — самые мощные вычислительные машины в мире — потребляют порядка 20 мегаватт электроэнергии. Человеческий мозг выполняет сопоставимые по сложности задачи при потреблении всего около 20 ватт — в миллион раз меньше. При этом мозг параллельно обрабатывает потоки информации от всех органов чувств, управляет телом, формирует речь и принимает решения — в реальном времени, без тактового генератора, реагируя на события за миллисекунды. Это даёт очевидную подсказку, в каком направлении искать выход.

Что такое нейроморфные вычисления

Сам термин «нейроморфный» означает «подобный нейронам». Архитектура таких чипов вдохновлена строением и принципами работы биологического мозга. Чтобы понять её устройство, нужно сначала разобраться в том, как работает мозг на уровне базовых элементов.

Основу мозга составляют нейроны — биологические нервные клетки. У каждого нейрона есть множество входящих отростков, называемых дендритами: через них к нейрону поступают электрические сигналы от других нейронов через соединения — синапсы. Каждый синапс способен усиливать или ослаблять сигнал. Когда суммарный входящий сигнал превышает некоторый пороговый уровень, нейрон генерирует спайк — короткий электрический импульс — и передаёт его дальше по цепи к другим нейронам. Всё остальное время нейрон молчит.

Нейроморфные чипы воспроизводят эту архитектуру на аппаратном уровне. Ключевой элемент, отличающий их от классических процессоров, — мемристор (от слов memory и resistor). Это программируемый резистор, работающий наподобие синапса: он способен запоминать протекавший через него заряд, изменяя собственное сопротивление. Когда через мемристор проходит ток, его сопротивление может возрастать или убывать. После отключения питания он сохраняет последнее записанное состояние. Такое поведение воспроизводит пластичность биологических синапсов — их способность усиливаться или ослабевать в зависимости от накопленного опыта.

Именно благодаря свойствам мемристора — и прежде всего их количеству и способу соединения — нейроморфная архитектура позволяет отказаться от строгого тактового ритма. Искусственный нейрон бездействует большую часть времени, отслеживая входящие сигналы. Как только их суммарная величина достигает порогового уровня, нейрон «выстреливает» спайком и рассылает его множеству других нейронов — в точности повторяя логику биологического мозга. Синаптические связи усиливают или ослабляют передаваемые сигналы в зависимости от того, на чём была обучена сеть. Память и вычисление в такой архитектуре не разделены — они происходят в одном месте, локально, без необходимости гонять данные через общую шину.

Три главных преимущества: скорость, параллелизм и экономия энергии

В сравнении с классическими чипами нейроморфная архитектура предлагает три принципиальных преимущества. Первое — быстродействие. В традиционном конвейере нужно ждать, пока освободится процессор и поступят данные из памяти. В нейроморфной системе нейрон посылает сигнал немедленно, как только произошло значимое событие, не дожидаясь тактового цикла. Как и в живых организмах, решения принимаются за считанные миллисекунды.

Второе преимущество — массовый параллелизм. Все нейроны работают одновременно, каждый на своём участке, независимо от происходящего в других частях чипа. Сеть обрабатывает множество сигналов одновременно, не выстраивая их в очередь. Это принципиально отличает нейроморфные вычисления от GPU, где параллелизм достигается за счёт огромного числа однотипных ядер, работающих по единому расписанию.

Третье — и, пожалуй, самое важное для текущего момента — феноменальная энергетическая эффективность. В нейроморфных чипах энергия расходуется только на активные элементы и только в момент их активности. Нейрон потребляет её лишь при генерации импульса; в остальное время он молчит. Большинство нейронов в каждый конкретный момент неактивны. Это кардинально отличается от классического процессора, который тратит энергию непрерывно — на поддержание тактового ритма и на транспортировку данных, вне зависимости от того, производятся полезные вычисления или нет.

Intel Loihi и Hala Point: от лаборатории к рекордным системам

Среди разработчиков нейроморфных чипов особого внимания заслуживает Intel. Компания сделала ставку на цифровые нейроны и уже выпустила второе поколение исследовательского процессора Loihi 2. Один такой чип содержит один миллион программируемых нейронов и 120 миллионов синапсов, распределённых по 128 полностью асинхронным ядрам. По сравнению с первым поколением скорость обработки спайков выросла до 10 раз, скорость синаптических операций — в пять раз. Loihi 2 произведён на техпроцессе Intel 4 и занимает вдвое меньшую площадь при вдвое большей ёмкости.

В 2024 году Intel сделала следующий шаг: объединила 1 152 чипа Loihi 2 в единую систему под названием Hala Point — крупнейшую нейроморфную систему в мире на сегодняшний день. Система размером с микроволновую печь содержит 1,15 миллиарда нейронов и 128 миллиардов синапсов, распределённых по 140 544 нейроморфным ядрам. Максимальное потребление энергии — 2 600 ватт. Для сравнения: традиционный суперкомпьютер с сопоставимыми возможностями потребовал бы на несколько порядков больше. Первый экземпляр Hala Point был развёрнут в Национальной лаборатории Сандии и открыт для исследовательского сообщества.

В 2025 году исследователи опубликовали результаты, демонстрирующие, что нейроморфные принципы применимы даже к большим языковым моделям: запуск упрощённой архитектуры языковой модели на Loihi 2 обеспечил втрое более высокую производительность при вдвое меньшем потреблении энергии по сравнению с граничным GPU, и ожидается дальнейшее улучшение по мере оптимизации. Согласно более ранним тестам на прикладных задачах граничных вычислений, нейроморфные решения на базе Loihi демонстрировали скорость до 1 000 раз выше и энергоэффективность до 10 000 раз лучше, чем традиционные CPU на аналогичных задачах.

IBM также была в авангарде нейроморфных разработок на ранних этапах и сформировала свой подход, сосредоточившись на аппаратных имитациях биологических нейронов. Китайские университеты и исследовательские центры ведут собственные разработки. Ситуация сегодня напоминает ранние годы авиации: в разных уголках мира группы инженеров пробуют различные подходы к созданию электронного мозга, и никто пока не монополизировал эту область.

Реальные результаты: самоуправляемый велосипед и электронная кожа

Нейроморфные чипы — не абстрактная теория. Существуют демонстрации, которые наглядно показывают потенциал технологии. В 2019 году китайские учёные, используя нейроморфный чип Tianjic собственной разработки, создали полностью автономный велосипед. Машина удерживает равновесие, объезжает препятствия, реагирует на голосовые команды и следует за человеком. По сути, это демонстрация зачатков искусственного разума на колёсах — и всё это потребляет меньше энергии, чем смартфон. Принципиальный результат эксперимента: один компактный чип одновременно выполнял несколько принципиально разных алгоритмов — балансировку, компьютерное зрение и распознавание речи — в реальном времени, как маленький мозг.

Другой впечатляющий пример — электронная кожа. В 2020 году команда Национального университета Сингапура представила систему тактильных сенсоров ACES (Asynchronous Coded Electronic Skin), подключённую к нейроморфному процессору Intel Loihi. Эта плёнка с датчиками реагирует на прикосновение мгновенно: она различает силу нажатия, форму и текстуру предмета за десять миллисекунд — более чем в тысячу раз быстрее, чем человеческая нервная система. Система способна распознавать различные материалы и степень твёрдости объектов. Исследователям уже удалось с помощью такой кожи распознавать шрифт Брайля. Нейроморфный чип обрабатывает потоки импульсов от датчиков и на ходу классифицирует ощущения — именно так, как это делает кожный рецептор вместе с нервной системой.

Где это применяется уже сейчас — и почему роботы в центре внимания

Нейроморфные чипы не претендуют на то, чтобы заменить обычные процессоры в смартфонах или ноутбуках. Их ниша — задачи, где критичны локальная обработка данных в реальном времени и жёсткие ограничения по энергопотреблению. Наиболее очевидное применение — робототехника. Нейроморфные процессоры позволяют непосредственно на борту робота анализировать потоки сигналов с камер, лидаров, микрофонов и тактильных датчиков, мгновенно реагируя на изменения обстановки.

Робот с нейроморфным «мозгом» способен быть значительно более ловким и чутким. Для сравнения: компании вроде Boston Dynamics потратили колоссальные ресурсы и годы работы лучших инженеров, чтобы научить своих роботов убедительно стоять и передвигаться с помощью классических вычислительных архитектур. Нейроморфный подход потенциально позволяет достичь сопоставимых результатов значительно эффективнее.

Помимо робототехники, очевидны перспективы в области умных сенсоров и систем технического зрения, которые должны работать автономно с минимальным энергопотреблением, медицинских протезов, требующих мгновенной реакции на нервные сигналы, граничных вычислений для Интернета вещей, где каждый микроватт на счету, и автономных транспортных систем. В отличие от квантовых компьютеров, которые пока во многом остаются в теоретической плоскости, нейроморфные чипы уже переходят в практическую: работающие прототипы существуют, первые коммерческие и исследовательские системы развёрнуты.

Ограничения и нерешённые задачи

При всей привлекательности подхода нейроморфная революция не случится за один день. Технология сталкивается с рядом реальных ограничений. Первое — масштаб. Самый продвинутый на сегодня нейроморфный чип — Intel Loihi 2 в составе системы Hala Point — содержит 1,15 миллиарда нейронов.

Звучит внушительно, но человеческий мозг располагает примерно 86 миллиардами нейронов и около 100 триллионами синапсов. Разница в объёме памяти и связности — миллионы раз. Нынешние нейроморфные системы по вычислительным возможностям сопоставимы скорее с мозгом насекомого или небольшого животного. Создать полноценную мозгоподобную машину на современной кремниевой базе чрезвычайно сложно.

Второе ограничение — программный стек. Полная смена архитектуры требует пересмотра всего, что на ней строится. Нейроморфную сеть нельзя программировать так же, как обычный процессор: нельзя написать последовательность инструкций для спайковой сети так, как пишется код для CPU. Необходимы принципиально иные алгоритмы обучения спайковых нейронных сетей и новые подходы к кодированию информации в виде последовательностей импульсов. Пока эти методы находятся в стадии активного исследования, а инструменты разработки — такие как открытый фреймворк Lava от Intel — только формируются.

Третье — инженерные и производственные вопросы. Как наладить массовое производство нейроморфных чипов, снизить их стоимость и обеспечить простую интеграцию в конечные устройства? Пока это удел специализированных лабораторий и отдельных компаний, а не серийного выпуска.

Не замена, а новый инструмент в арсенале инженера

Мир вычислений десятилетиями двигался по рельсам, проложенным фон Нейманом: быстро, универсально, предсказуемо. Но сегодня главным тормозом оказалась не математика, а логистика — перевозка битов туда и обратно между памятью и процессором. Мы тратим огромные количества электроэнергии на транспортировку данных, тогда как собственно вычисления занимают лишь малую долю этих затрат. Это похоже на попытку прочитать одну страницу, перевозя ради этого всю библиотеку целиком.

Нейроморфная архитектура предлагает принципиально иной маршрут: событийность вместо тактов, локальная обработка вместо дальних поездок по шине. Нейрон молчит, пока не произойдёт нечто значимое, — и реагирует за миллисекунды. Энергия уходит не на ожидание, а на смысл. Это не полная замена существующей вычислительной экосистемы — это новый инструмент в арсенале инженера. Особенно там, где решают скорость реакции и автономность: роботы, медицинские протезы, сенсоры, умные камеры, автономные системы. В будущем гибридные архитектуры, где классические CPU и GPU работают рядом с нейроморфными сопроцессорами, представляются весьма вероятным сценарием.

Технология ещё молода и требует решения ряда серьёзных задач. Но уровень сложности этих задач — в отличие от, например, масштабирования квантовых вычислений — не является запредельным. Рабочие прототипы существуют. Первые крупные системы развёрнуты. Результаты обнадёживают. Возможно, мы стоим в начале того же пути, что прошли полупроводниковые транзисторы в 1950-х или персональные компьютеры в 1970-х: от лабораторной диковинки до технологии, изменившей повседневную жизнь.

 

Представьте: вы открываете чат с нейросетью и пишете — «Сделай мне браузерную игру-авиасимулятор с трёхмерной графикой». Идёте варить кофе. Возвращаетесь — игра готова. Проходит семнадцать дней, и на вашем счету миллион долларов выручки.

Именно это произошло с Питером Левелсом из Нидерландов в марте 2025 года. Всего три часа работы, ни одной строки кода, написанной самостоятельно.

Это называется вайб-кодинг. Словарь Коллинза признал его словом года. Четверть стартапов, прошедших через акселератор Y Combinator, создают таким образом девяносто пять процентов своего кода. А инструменты для вайб-кодинга оцениваются в десятки миллиардов долларов.

Но что это вообще такое? Будущее программирования или начало конца?

Одни говорят — революция: любой человек может создать приложение, просто описав его словами. Другие бьют тревогу: армия людей, которые не способны понять код, который они якобы «написали». И когда что-то ломается — а оно ломается непременно — никто не знает, как это починить.

Истина, как водится, находится где-то посередине.В этом материале мы разберёмся в трёх вещах. Первое — откуда вообще взялся этот «вайб» и как он устроен. Второе — что происходит, когда люди начинают строить настоящий бизнес на коде, которого не понимают. И третье — для чего вайб-кодинг действительно был создан.

Спойлер: это не замена программистов.

Глава первая. Откуда взялся этот вайб

Точкой отсчёта явления можно считать февраль 2025 года. Андрей Карпаты — почти легендарная фигура в мире искусственного интеллекта. Один из сооснователей OpenAI, бывший директор по искусственному интеллекту в компании Tesla и тот самый человек, который обучал нейросети водить автомобили.

3 февраля 2025 года он публикует пост в социальной сети X. Запись набирает более пяти миллионов просмотров.

Вот что он написал:

«Есть новый вид кодинга, который я называю vibe coding. Ты полностью отдаёшься вайбу, принимаешь экспоненциальный рост и забываешь, что код вообще существует».

Дальше Карпаты описывает, как теперь устроена его работа. Он разговаривает с нейросетью голосом через программу SuperWhisper. Просит самые, казалось бы, примитивные вещи: «уменьши отступ слева на половину». Почему голосом? Потому что лень искать нужную строчку в коде. Когда искусственный интеллект предлагает изменения, Карпаты жмёт «принять всё». Он вообще не смотрит, что именно нагенерировала машина.

А когда вылезает ошибка? Копирует её текст в чат к боту. Без комментариев и объяснений — просто красный текст из консоли. По его словам, как правило бот сам находит источник проблемы и устраняет её вполне эффективно.

В итоге код разрастается. Карпаты сам признаётся: он уже не понимает, что происходит внутри проекта. Чтобы разобраться, пришлось бы сесть и внимательно читать код несколько часов подряд. Иногда ошибка не поддаётся никаким текстовым командам — тогда он просит делать случайные изменения, пока проблема не исчезнет сама собой.

И вот тут кроется важная деталь, которую многие пропустили. В конце того самого поста Карпаты добавляет оговорку: «Неплохо для одноразовых проектов выходного дня».

Запомните эту фразу: throwaway weekend projects — одноразовые проекты выходного дня.

Однако интернет услышал другое. Широкая аудитория поняла: можно забить на код и просто «вайбить». Оговорка воспринялась как мелкий шрифт в договоре, который никто не читает. Но к этому мы вернёмся чуть позже.

Сначала стоит ответить на вопрос: почему это сработало именно сейчас? Почему не год и не пять лет назад?

Чтобы понять, нужно посмотреть на программирование как на лестницу.

В самом начале этой лестницы лежат нули и единицы. Машинные коды, которые понимает только процессор. Программисты пятидесятых годов вручную переключали тумблеры, чтобы ввести программу в компьютер.

Чуть позже, ступенькой выше, появился ассемблер. Он уже работал с буквами и командами вроде MOV и ADD, но всё ещё требовал думать на языке регистров и адресов памяти.

Ещё выше выросли языки вроде C и Java, где код начал напоминать английские предложения.

Потом пришёл Python — настолько простой, что его часто называют «исполняемым псевдокодом»: языком, на котором можно объяснить алгоритм даже человеку, далёкому от программирования.

Каждая ступенька всё дальше отдаляла программиста от железа. Причём, как это обычно бывает, консерваторы воевали с новыми технологиями. Сначала настоящие программисты писали на ассемблере. Потом настоящие программисты писали на C. Потом оказалось, что настоящие программисты пишут на чём угодно — лишь бы решить задачу.

Вайб-кодинг — это следующая ступенька. Он отдаляет программиста от синтаксиса вообще. Не нужно знать, как правильно расставить скобки в JavaScript. Достаточно сказать, что ты хочешь получить.

Но что конкретно изменилось в технологиях? Почему в 2023 году так не работало, а в 2025-м заработало?

Ответ лежит в двух технических прорывах, которые случились почти незаметно для широкой публики.

Первый прорыв — контекстное окно. Это количество текста, которое нейросеть может «держать в голове» одновременно, и сколько информации она учитывает при генерации ответа.

Представьте, что вы разговариваете с человеком, который помнит только последние три предложения. Вы не сможете обсудить с ним сложный проект, потому что он забудет начало разговора прежде, чем вы дойдёте до конца.

В 2023 году контекстные окна измерялись тысячами токенов — это примерно несколько страниц текста. Можно было показать искусственному интеллекту кусочек кода и спросить: «Что тут не так?» Но скормить ему весь проект целиком — невозможно.

К 2025 году контекст вырос до нескольких миллионов токенов. Это примерно вся кодовая база среднего проекта — около семидесяти пяти тысяч строк кода — целиком и сразу. Теперь можно сказать нейросети: «Добавь систему авторизации». И она поймёт, какие файлы нужно трогать, как они связаны между собой, какие зависимости учесть.

Второй прорыв касается способности моделей рассуждать. Ранние языковые модели просто предсказывали следующее слово на основе предыдущих. Это работало удивительно хорошо для генерации текста, но плохо для решения задач, требующих планирования.

Современные модели научились строить цепочки рассуждений. Прежде чем написать код, модель «думает» вслух, а затем выполняет шаги последовательно, проверяя результат каждого. Если вы пользуетесь нейросетями, вы наверняка сталкивались с этим — как правило, это так называемый «думающий» режим, или Pro-режим.

Эти два изменения — увеличение памяти и появление планирования — превратили искусственный интеллект из умного автодополнения в нечто, напоминающее младшего разработчика. Неопытного, ошибающегося, но способного взять задачу и довести её до результата.

И здесь важно рассказать об одной истории, которая многое объясняет про реальные границы вайб-кодинга.

Свой последний серьёзный проект — чат-клиент под названием Nanochat — Карпаты написал руками. Да, тот самый Карпаты. Человек, который придумал термин «вайб-кодинг» и легитимизировал его для миллионов разработчиков по всему миру.

Почему руками? Он сам объяснил в посте о проекте: «Искусственные интеллект-агенты просто не работали достаточно хорошо. Были бесполезны. Возможно, репозиторий слишком далёк от того, на чём они обучались».

Получается любопытная картина. Человек, открывший дверь в мир вайб-кодинга, сам в эту дверь не заходит, когда дело касается чего-то важного. Инструмент, который он описывал для «проектов выходного дня», другие люди начали применять для продакшена, стартапов, приложений с реальными пользователями и реальными деньгами.

Создатель термина сам очертил его границы — но эти границы увидели далеко не все.

Произошло то, что лингвисты называют семантической диффузией. Изначальный смысл размылся.

Кто-то решил, что вайб-кодинг означает любую помощь искусственного интеллекта при написании кода. Кто-то подумал, что это способ войти в творческое состояние потока. Кто-то вообще интерпретировал это как философию «кодинга по ощущениям», когда пишешь то, что кажется правильным.

Если давать определение точно, вайб-кодинг — это когда ты не понимаешь, что у тебя в коде, и принимаешь изменения на веру. Ещё проще: когда пользователь является дилетантом в работе с кодом.

Людей, которые не понимают код, который они «написали», с каждым месяцем становится всё больше. У них появились инструменты, которые раньше были доступны только профессионалам с годами обучения за плечами.

Карпаты открыл дверь. Но как именно в неё войти? Оказывается, есть несколько способов нырнуть в эту кроличью нору.

Глава вторая. Три способа нырнуть в кроличью нору

Вайб-кодинг условно можно поделить на три уровня вовлечённости.

Уровень первый — чат-боты

Первый уровень — это обычный чат. ChatGPT, Claude, Gemini, Grok и любой из десятков ботов, которые сейчас доступны каждому. Вы открываете браузер, описываете задачу человеческим языком, получаете код, копируете его куда нужно.

Это самый безопасный способ познакомиться с вайб-кодингом. Искусственный интеллект видит только то, что вы ему показали. Он не знает ваш проект целиком, не может залезть в файловую систему, не имеет доступа к вашей базе данных. Вы остаётесь полностью за рулём. Каждый кусок кода проходит через ваши руки, и именно вы решаете, куда его вставить и вставлять ли вообще.

Для небольших задач это работает отлично. Написать функцию сортировки. Разобраться с непонятным сообщением об ошибке. Спросить, что делает странный синтаксис, который вы встретили в чужом коде. Бот объяснит, покажет примеры, предложит варианты.

Но для целого проекта такой подход становится утомительным. Вы превращаетесь в курьера между чатом и редактором кода: скопировал туда, вставил сюда, запустил, получил ошибку, скопировал ошибку обратно в чат, получил исправление, вставил, снова запустил.

Контекст теряется. Бот не помнит, что вы делали пять сообщений назад, если разговор затянулся. Всё приходится объяснять заново.

Зато контроль — стопроцентный. Если бот сгенерировал чушь, вы просто не используете это. При условии, конечно, что вы поймёте, что это чушь.

Уровень второй — умные редакторы

Второй уровень серьёзнее. Это умные редакторы кода, в которых искусственный интеллект уже не слепой гость, а полноправный жилец вашего проекта.

Cursor стал символом этой категории. К ноябрю 2025 года компанию оценили в двадцать девять миллиардов долларов.

Почему такие деньги? Потому что Cursor решает ту самую проблему курьера. Здесь искусственный интеллект видит весь ваш проект. Он читает файлы, понимает структуру, знает, какие библиотеки вы используете. Когда вы говорите «добавь авторизацию», Cursor не просит скопировать код из десяти файлов — он сам находит нужные места и предлагает изменения.

Ключевая функция называется Composer. Вы открываете специальную панель, пишете задачу обычным языком, и искусственный интеллект редактирует сразу несколько файлов одновременно.

При этом вы всё ещё видите, что происходит. Каждое изменение подсвечивается. Можно принять, можно отклонить, можно попросить переделать. Вы всё ещё рулите, но искусственный интеллект сидит рядом на пассажирском сиденье и подсказывает дорогу.

Уровень третий — автономные агенты

Третий уровень меняет всё. Здесь вы перестаёте быть водителем. Вы становитесь менеджером. Или, если говорить честнее, пассажиром такси, который назвал адрес и откинулся на сиденье.

Автономные агенты — такие как Replit Agent или Devin — работают следующим образом. Вы ставите задачу, например: «Сделай систему оплаты с интеграцией платёжного сервиса». И уходите. Можете заварить чай, проверить почту, выгулять собаку.

Агент сам разбивает задачу на шаги. Сам проектирует архитектуру. Сам пишет код. Сам запускает, тестирует, видит ошибки, исправляет их. Часами. Без вашего участия.

Платформа Replit заявляет поразительную цифру: семьдесят пять процентов их пользователей вообще не пишут код. Они только описывают, что хотят получить. Платформа делает остальное.

Звучит как мечта? Так и есть. Но у этой мечты есть тёмная сторона, и мы к ней ещё вернёмся.

Пока важно понять механику. Автономный агент — это модель, обёрнутая в цикл действий. Специалисты называют его OODA: наблюдай, ориентируйся, решай, действуй (от английского Observe, Orient, Decide, Act).

Агент смотрит на текущее состояние проекта. Сопоставляет его с вашим запросом. Решает, что нужно изменить. Вносит изменения. Потом снова смотрит на результат. И повторяет цикл, пока задача не будет выполнена — или пока не упрётся в тупик.

Однако когда что-то ломается, вы оказываетесь в странной позиции. Вы владелец системы, которую не понимаете. Менеджер команды из одного искусственного интеллекта, который не может объяснить свои решения.

Казалось бы, рецепт катастрофы. Но по факту всё оказалось интереснее: на вайб-кодинге можно зарабатывать.

Глава третья. Когда вайб приносит миллионы

Вернёмся к нидерландцу из начала материала. Питер Левелс — человек-легенда среди независимых разработчиков. Он прославился тем, что запускает проекты в одиночку и доводит их до серьёзной выручки без инвесторов и команды.

Март 2025 года. Левелс открывает Cursor, подключает языковую модель Claude и начинает разговаривать с нейросетью. Он хочет сделать браузерную игру — авиасимулятор с трёхмерной графикой и мультиплеером, чтобы можно было летать вместе с другими игроками в режиме реального времени.

Три часа спустя игра работает.

Через семнадцать дней после запуска проект Fly приносит миллион долларов выручки. Триста двадцать тысяч игроков. Пиковая аудитория — двадцать шесть тысяч человек одновременно. Для браузерной игры, сделанной одним человеком за вечер, это поразительные цифры.

Монетизация оказалась простой: хочешь летать на истребителе F-16 вместо стандартного самолёта — плати тридцать долларов. Хочешь рекламу своего продукта на билбордах внутри игрового мира — пять тысяч долларов в месяц за рекламный слот. Предприниматель Илон Маск опубликовал репост проекта со словами «Игры с использованием искусственного интеллекта будут чем-то невероятным» — и это только добавило волны интереса.

Но Левелс — не новичок. У него за плечами годы опыта, десятки запущенных проектов, понимание архитектуры и инфраструктуры. Он знает, что просить у искусственного интеллекта, потому что знает, как устроен программный продукт.

Возникает резонный вопрос: а что насчёт людей, которые вообще не умеют программировать? Сработает ли для них эта магия?

Джош Морер решил проверить. Бывший глава Uber в Нью-Йорке, менеджер и управленец до мозга костей, человек из мира бизнеса. Опыт написания кода — нулевой.

Морер хотел приложение для записи встреч: чтобы оно само расшифровывало разговоры, выделяло ключевые моменты и генерировало резюме переговоров.

Идея понятная, рынок существует, но воплощение требует мобильной разработки, работы с аудио, интеграции с искусственным интеллектом для транскрибации. Раньше это означало либо нанять команду разработчиков, либо потратить год на самостоятельное обучение.

Однако Морер сел за инструменты с искусственным интеллектом и начал описывать, что хочет получить. Первый рабочий концепт появился за один день.

Через восемь месяцев приложение Wave AI приносит четыреста пятьдесят тысяч долларов ежемесячной выручки. Двадцать две тысячи платящих подписчиков. Морер утверждает, что написал «девяносто девять процентов кода самостоятельно с помощью искусственного интеллекта».

Можно подумать, что Морер — исключение. Талантливый бизнесмен, который просто переложил свои управленческие навыки на новый инструмент. Но похожие истории множатся с каждым месяцем.

Если собрать все эти кейсы вместе, вырисовывается закономерность. Вайб-кодинг работает лучше всего там, где скорость важнее совершенства. Прототип для проверки гипотезы. Основа для привлечения первых пользователей. Личный инструмент под конкретную задачу. Продукт, который либо взлетит и будет в дальнейшем переписан профессионально, либо провалится — и никто не заплачет.

Истории успеха соблазнительны. Они создают ощущение, что барьер между идеей и миллионом долларов измеряется теперь часами, а не годами. И отчасти это правда.

Но все эти кейсы объединяет кое-что ещё. Это ранняя стадия. Проверка продукта рынком. Первые деньги и первая эйфория. Ни одна из этих историй пока не прошла испытание временем. Никто ещё не рассказал, каково поддерживать вайб-код через два года. Каково масштабировать команду вокруг кодовой базы, которую никто толком не понимает.

Глава четвёртая. Когда вайб превращается в кошмар

На каждую историю успеха приходится история провала — и последних, к сожалению, даже больше.

Июль 2025 года. Джейсон Лемкин, основатель одной из крупнейших конференций для стартапов в мире — SaaStr, — решает поэкспериментировать. Он слышал про вайб-кодинг, видел истории успеха и хочет попробовать сам. Открывает Replit Agent, начинает строить бизнес-приложение: базу данных с контактами руководителей, инструмент для профессионального нетворкинга.

Девять дней всё идёт хорошо. Агент пишет код, добавляет функции, проект растёт. Тысяча двести шесть записей о руководителях компаний. Тысяча сто девяносто шесть компаний. Месяцы работы по сбору данных.

На десятый день агент удаляет всю базу данных. Просто стирает.

Лемкин потом подсчитал: он одиннадцать раз в явном виде запрещал агенту трогать данные. Писал заглавными буквами. Ставил пометки в коде. Создавал отдельные инструкции. Агент игнорировал всё.

Но это ещё не самое страшное. После удаления агент солгал. Лемкин спросил, можно ли восстановить данные. Агент ответил: невозможно, всё уничтожено, резервных копий нет. Лемкин, к счастью, не поверил и попробовал откатить изменения вручную. Сработало. Данные вернулись.

Но и это ещё не всё. Чтобы скрыть проблему, агент создал поддельную базу данных — четыре тысячи записей о несуществующих людях. То есть искусственный интеллект попытался замести следы.

Ошибки, конечно, случаются. Но эта история наглядно демонстрирует: автономный агент может действовать вопреки явным инструкциям, лгать о последствиях своих действий и пытаться скрыть проблемы. Это не баг в привычном понимании слова. Это нечто принципиально иное.

Теперь представим другой сценарий: Лемкин всё-таки довёл своё приложение до продакшена, и люди начали бы загружать туда свои данные. Нейросеть могла либо удалить их, либо — что ещё хуже — выложить куда-нибудь в открытый доступ.

Пока Лемкин разбирался с удалённой базой, на другом конце интернета разворачивалась история Enrichlead.

Леонель Ацеведо, предприниматель, решил построить SaaS-продукт целиком на базе Cursor. Ноль строк кода руками — принципиальная позиция. Он хотел доказать, что вайб-кодинг работает для настоящего бизнеса. Продукт для обогащения данных о потенциальных клиентах — полезный инструмент для специалистов по продажам.

Запуск прошёл успешно. Первые пользователи появились. Ацеведо начал рассказывать в социальных сетях, как построил продукт полностью с помощью искусственного интеллекта. Делился опытом, отвечал на вопросы, вдохновлял других.

Через два дня после запуска он написал панический пост: «Ребята, меня атакуют. Ключи к интерфейсам сторонних сервисов исчерпаны, люди обходят подписку, создают мусор в базе данных».

Когда исследователи посмотрели на код, они обнаружили классику ошибок новичка. Секретные ключи к API были прописаны прямо во фронтенде — любой мог открыть инструменты разработчика в браузере и увидеть их. База данных была открыта наружу без аутентификации. Проверка входящих данных отсутствовала. Подписку можно было обойти, просто изменив один параметр в запросе.

Искусственный интеллект написал код, который работал. Но этот код был дырявым, как решето. И Ацеведо, не имея опыта в области безопасности, не мог этого увидеть — просто потому что не знал, что именно искать.

Ацеведо закрыл проект. В последнем посте написал: «Cursor ломает другие части кода при каждом исправлении». Попытки залатать одни дыры создавали новые.

Различные исследования дают разные цифры, но порядок один и тот же: от сорока до сорока пяти процентов кода, сгенерированного искусственным интеллектом, содержит проблемы с безопасностью. Почти половина.

Объяснение этому явлению лежит на поверхности. Искусственный интеллект обучался на открытом коде из интернета. А открытый код в интернете полон уязвимостей. Stack Overflow завален примерами, которые работают, но небезопасны. GitHub хранит миллионы репозиториев, написанных новичками. Модель впитала всё это и теперь воспроизводит те же ошибки с уверенностью эксперта.

Линус Торвальдс, создатель операционной системы Linux и системы контроля версий Git — человек, чей код работает на миллиардах устройств по всему миру, — высказался на саммите Open Source в Сеуле.

«Вайб-кодинг — отличный способ заинтересовать новичков компьютерами», — сказал он. А потом добавил: «Ужасная, ужасная идея, если пытаться сделать из этого продукт».

Торвальдс объяснил, почему. Код ядра Linux должен быть скучным, предсказуемым и стабильным. Когда от твоего кода зависят серверы банков, медицинское оборудование, системы управления воздушными судами — «вайб» является последним, что тебе нужно. Нужны люди, которые понимают каждую строчку.

Получается парадоксальная картина. Вайб-кодинг экономит месяцы на старте, но создаёт годы проблем потом. Быстрый путь к рабочему прототипу оборачивается медленной смертью от тысячи ошибок.

Если вайб-кодинг создаёт миллионеров и банкротов одновременно, ускоряет разработку и множит уязвимости, если эксперты называют его и «отличным способом начать», и «ужасной идеей для продукта» — может быть, мы вообще не о том спорим? Может быть, вопрос «заменит ли вайб-кодинг программистов» изначально поставлен неверно?

Глава пятая. Персональный софт: настоящее будущее

Посмотрим на проблему с другой стороны. Сегодня, если вам нужно приложение, вы идёте в магазин.

App Store, Google Play, тысячи вариантов на любой вкус. Находите что-то похожее на то, что искали, скачиваете — и начинаете мириться. Какие-то функции вам не нужны: они загромождают интерфейс, отвлекают, иногда раздражают. Двадцать процентов нужных функций работают не совсем так, как хотелось бы: кнопка не там или логика странная. Интеграция с нужным сервисом отсутствует.

Но вы терпите, потому что альтернатива — писать своё приложение с нуля — требует либо денег на разработчика, либо месяцев обучения программированию.

Почему так происходит? Чтобы окупить затраты, продукты создают для миллионов пользователей. Разработчики усредняют потребности, ищут общий знаменатель, отсекают всё слишком специфичное. Ваш личный случай никому не интересен с экономической точки зрения.

Вайб-кодинг меняет это уравнение.

Здесь напрашивается аналогия. Когда появились цифровые фотоаппараты, а потом камеры в телефонах, профессиональные фотографы не исчезли. Но миллиарды людей получили возможность делать снимки. Появился новый класс контента — любительская фотография. Она не конкурирует с профессиональной. Она существует параллельно, в своей нише, для своих задач.

Вайб-кодинг создаёт такой же параллельный класс — персональный программный продукт. Приложения, которые существуют в единственном экземпляре. Решают задачу одного человека или одной небольшой компании. Они никогда не попадут в магазины приложений и не будут скачаны миллионами. Да и не должны.

Мечта нескольких поколений — делать приложения под себя, а не адаптироваться под чужие — становится реальностью. Не для критических систем. Но для тысячи маленьких раздражающих проблем, которые раньше приходилось терпеть, потому что решение стоило слишком дорого или его попросту не существовало.

И когда мы смотрим на вайб-кодинг через эту призму, вопрос «заменит ли он программистов» теряет смысл. Правильный вопрос звучит иначе: что смогут создавать те, кто раньше не мог создавать ничего?

Заключение

Так есть ли у вайб-кодинга будущее? Да. Но не то, о котором кричат заголовки.

Вайб-кодинг не заменит программистов. Для профессиональной разработки он останется тем, чем его задумывал Карпаты: способом быстро проверить идею и генератором черновиков, с которыми потом работают специалисты.

А вот простые пользователи станут новым классом создателей. Персональный программный продукт станет нормой — так же, как стал нормой личный блог. Большинство этих приложений никто никогда не увидит, кроме их создателей. И это нормально. Фотографии из отпуска тоже смотрит только семья, но камера в телефоне от этого не становится менее полезной.

Карпаты придумал термин для проектов выходного дня. Индустрия попыталась применить его к полноценному продакшену — и получила удалённые базы данных и серьёзные уязвимости в безопасности.

Урок прост: инструмент работает там, где его создатель и предполагал. Для всего остального есть профессионалы.

На этой неделе стало известно, что OpenAI переживает серьёзные кадровые потрясения: операционный директор Брэд Лайткэп переведён на «специальные проекты», коммерческий директор Кейт Рауч ушла в отпуск по болезни, директор по развёртыванию ИИ Фиджи Симо — тоже на больничном. Три ключевые роли оказались вакантны одновременно. Всё это происходит на фоне подготовки к IPO, которое компания планирует провести в конце 2026 года при оценке около одного триллиона долларов.

После мартовского закрытия раунда на $122 млрд текущая оценка компании составляет $852 млрд — крупнейшая в истории венчурного рынка. Тем не менее CFO Сара Фреар предупредила коллег, что IPO в 2026 году может быть слишком ранним: расходы компании могут превысить $200 млрд прежде, чем она выйдет в плюс. OpenAI удвоила число бизнес-пользователей Codex за три месяца — более девяти миллионов платных корпоративных подписчиков — но путь к устойчивой прибыли остаётся неопределённым.

На конференции GTC 2026 в марте глава Nvidia Дженсен Хуанг объявил, что AGI (искусственный общий интеллект) по ряду определений уже достигнут. Заявление немедленно вызвало полемику: критики указали, что Хуанг использует трактовку, при которой AGI означает превосходство ИИ-систем над среднестатистическим человеком по большинству задач — именно такое определение удобно подтверждается текущими результатами бенчмарков.

Параллельно Arm анонсировала первый в истории компании собственный процессор для дата-центров — AGI CPU, разработанный специально под ИИ-агентов. К консорциуму поддержки нового чипа присоединились Meta*, Google и Nvidia. На этом фоне акции Arm взлетели более чем на 16% за одну торговую сессию — рынок воспринял анонс как прямую заявку на долю в серверном сегменте, который традиционно принадлежит x86.

*Компания Meta Platforms Inc. признана экстремистской организацией и запрещена на территории РФ, также как и её продукты Facebook и Instagram.

7 апреля Samsung Electronics объявила предварительные результаты первого квартала 2026 года: операционная прибыль составила около 57,2 трлн. вон — примерно $38 млрд. Это в восемь раз больше, чем за аналогичный период прошлого года, и больше, чем вся прибыль компании за весь 2025 год. Главный двигатель рекорда — память для ИИ-ускорителей: средние контрактные цены на DRAM в первом квартале выросли на 64%.

Samsung первой в мире начала коммерческие поставки памяти нового поколения HBM4, обогнав конкурента SK Hynix после нескольких лет догоняющей игры. По прогнозу Citigroup, годовая операционная прибыль Samsung в 2026 году может достичь 310 трлн вон — около $206 млрд.

30 марта французская компания Mistral AI выпустила открытую модель синтеза речи Voxtral TTS — и сделала это не для серверов, а для носимых устройств. Модель настолько компактна, что работает прямо на смартфонах и умных часах, без отправки данных в облако. Задержка до первого звука — 90 миллисекунд, то есть фактически реальное время. Поддерживаются девять языков: английский, французский, немецкий, испанский, португальский, итальянский, нидерландский, хинди и арабский.

Стратегически это прямой вызов ElevenLabs и голосовым сервисам OpenAI, которые держат всю обработку в облаке. Mistral делает ставку на противоположное: никаких API-вызовов, никаких задержек, никаких данных за пределами устройства. Для разработчиков это означает безлимитный инференс без поминутной тарификации. Модель уже доступна на Hugging Face под открытой лицензией.

28 марта из-за ошибки в системе управления контентом в открытый доступ попал черновик блог-поста Anthropic. Из него стало известно, что компания тестирует новую модель под названием Claude Mythos — внутри компании её описывают как «безусловно самую мощную систему из всех, что мы когда-либо создавали». Модель входит в новый ценовой уровень под кодовым названием Capybara и, по утечке, значительно опережает Claude Opus 4.6 в задачах программирования, академических рассуждений и кибербезопасности.

Ирония ситуации не ускользнула от индустрии: компания, которая публично позиционирует себя как эталон ответственного развития ИИ, допустила базовую техническую оплошность именно в момент, когда готовилась объявить о своей наиболее мощной разработке. Официального анонса Mythos пока не было — Anthropic лишь подтвердила факт утечки.

Мировой рынок смартфонов переживает крупнейший кризис за десятилетие. Цены на чипы памяти DRAM и HBM почти удвоились только за первый квартал 2026 года — производители памяти массово переориентируются на поставки для дата-центров ИИ, оставляя отрасль смартфонов без комплектующих.

По прогнозу IDC, в 2026 году мировые продажи смартфонов упадут на рекордные 12,9% до 1,12 млрд устройств — минимум за более чем десять лет. Средняя цена аппарата вырастет на 14%, до исторического максимума в $523. Смартфонов дешевле $100 не останется вовсе. Отрасль, десятилетиями жившая за счёт доступного сегмента, оказалась заложником искусственного интеллекта, которому нужна та же самая память.