Технологический суверенитет и ловушка низкой плотности нейросетей: институциональные ограничения развития искусственного интеллекта в России

Введение

Обсуждение технологического будущего России до 2050 года традиционно фокусируется на двух группах вызовов: демографической (сокращение численности населения, его старение) и ресурсно-технологической (импортозамещение микроэлектроники, развитие вычислительных мощностей). Однако в тени остаётся третий, возможно, критический фактор – способность экономики генерировать плотные, семантически связные массивы данных, необходимые для обучения и эксплуатации систем искусственного интеллекта (ИИ) нового поколения. Этот фактор становится особенно значимым на фоне перехода к парадигме «data-centric AI», где качество данных определяет предельную производительность моделей в большей степени, чем архитектурные улучшения [16] (Mazumder M., Banbury C., Yao X. et al., 2022). В 2025 году мировое научное сообщество зафиксировало сдвиг от парадигмы model-centric (конкуренция архитектур нейросетей) к парадигме data-centric (конкуренция данных), что подтверждается появлением крупных обзорных работ по эффективному обучению LLM с акцентом на управление данными [15, p. 30906] (Luo J., Wu B., Luo X. et al., 2025).

Для России, столкнувшейся с беспрецедентным санкционным давлением и вынужденной создавать собственные большие языковые модели (LLM) и системы ИИ в изоляции от глобальных цифровых экосистем, проблема качества и объёма национальных датасетов приобретает критическое значение [2, с. 685] (Ганичев Н.А., 2025). Более того, как показывают исследования [12, p. 4; 14, p. 2819] (Goldfarb A., Tucker C., 2019; Jones C.I., Tonetti C., 2020), данные являются особым экономическим благом: они неконкурентны, но требуют постоянного обновления, а их ценность многократно возрастает при достижении сетевого порога.

Особенность текущего момента заключается в том, что санкционный режим против России включает не только запреты на поставки микроэлектроники и софта, но и блокировку доступа к глобальным датасетам. Это создаёт дополнительный контур изоляции, который усиливает эффект «низкой плотности». Даже если вычислительные мощности будут восстановлены, обучающие данные останутся локальными, гомогенными и малообъёмными. В отличие от Китая, который при автаркии сохранил доступ к данным через внутренние супер-платформы (Alibaba, Tencent), Россия не обладает сопоставимым масштабом внутреннего цифрового рынка.

В то же время Президент России в ходе конференции AI Journey 2025 подчеркнул, что владение собственными генеративными технологиями ИИ является для России вопросом государственного, технологического и ценностного суверенитета: российские языковые модели должны проходить обучение под полным контролем отечественных специалистов на всех этапах [6;22]. Это заявление придаёт задаче преодоления дефицита данных характер не просто экономической, но и политической необходимости.

Авторы вводят концепцию «институциональной ловушки низкой плотности нейросетей». Она описывает ситуацию, при которой формальные цели технологического развития (создание национальных LLM, внедрение ИИ в госуправление и промышленность) вступают в фундаментальное противоречие с объективной реальностью постсоветского экономического пространства: дефицитом качественных, разнородных и юридически доступных данных для обучения нейросетей. Ловушка становится самоподдерживающейся, так как низкая плотность данных обесценивает инвестиции в вычислительные мощности, что снижает стимулы для генерации данных, и круг замыкается.

Цель работы – теоретически обосновать существование этой ловушки, выявить её структурные контуры (включая культурно-поведенческий), предложить количественные критерии для её преодоления и оценить экономические последствия для России на горизонте 2050 года с построением трёх сценариев.

Для достижения поставленной цели в настоящем исследовании решаются следующие задачи:

1. Теоретически обосновать концепцию институциональной ловушки низкой плотности нейросетей, выявив её структурные контуры, а также механизмы самоподдержания, препятствующие накоплению критической массы семантически связных данных.

2. Определить количественные пороговые значения для запуска положительных сетевых экстерналий в секторе ИИ и на основе агент-ориентированного моделирования и сценарного форсайта оценить долгосрочные экономические последствия для России на горизонте 2050 года.

3. Разработать матрицу институциональных мер политики, направленных на интенсификацию семантических потоков и преодоление ловушки низкой плотности.

Научная новизна состоит в разработке концепции институциональной ловушки низкой плотности нейросетей, количественной оценке её пороговых значений и обосновании сценарных траекторий и институциональных мер по её преодолению для российской экономики на горизонте 2050 года.

Для достижения цели и задач исследования была разработана комплексная методологическая стратегия, включающая общенаучные, экономико-статистические и модельные подходы, а также методы системного и сравнительного анализа.

Эмпирическую базу составили официальные статистические данные, аналитические материалы, прогнозы и публикации международных аналитических центров, а также для калибровки агент-ориентированной модели проведён экспертный опрос 65 респондентов (руководители IT-компаний и академических экспертов методом Дельфи.

Результаты исследования

В современной экономической теории производственная функция для сектора ИИ может быть представлена как:

YAI,t =At⋅х Ktα⋅х Ltβ⋅х Dtγ, (1)

где YAI,t — это объём продукции (или экономический эффект), произведённый в секторе ИИ за определенный период времени t.

At —уровень технологий или эффективности производства в период t.

Kt — объём капитала, а именно вычислительные мощности (серверы, GPU), оборудование, программное обеспечение, инфраструктура.

Lt — объём труда, включающий количество и квалификация специалистов в области ИИ (инженеры, дата-сайентисты, исследователи).

Dt — объём данных, а именно эффективный запас структурированных, размеченных и юридически чистых данных (семантическая плотность), используемых для обучения моделей. В отличие от традиционных факторов, Dt обладает свойствами неконкурентности (одни данные могут использоваться многократно) и сетевых экстерналий (чем больше данных, тем выше качество моделей и тем больше стимулов генерировать новые данные).

α,β,γ — это коэффициенты эластичности (от 0 до 1). Они показывают, на сколько процентов изменится выпуск Y, если соответствующий фактор (K, L или D) увеличится на 1%.

Данная модификация классической производственной функции Кобба-Дугласа вводит данные как четвёртый самостоятельный фактор производства наряду с капиталом и трудом. В отличие от традиционных факторов, Dt обладает двумя важнейшими свойствами:

1. Неконкурентность – одни и те же данные могут использоваться множеством агентов одновременно без уменьшения их полезности, что делает их общественным благом (в отличие от станка или специалиста, которые заняты в одном процессе).

2. Сетевые экстерналии, то есть чем больше данных вовлечено в оборот, тем выше качество моделей, что привлекает новых пользователей и генераторов данных, создавая положительную обратную связь. Однако этот эффект запускается лишь по достижении критической массы Dmin, ледовательно ниже этого порога сетевой эффект не возникает, и дополнительные инвестиции в K и L дают убывающую отдачу.

Данные также принципиально отличаются от капитала и труда тем, что они обесцениваются со временем (устаревают) и их доступность сильно зависит от институциональной среды – законов, стандартов и практик оборота информации [12, p. 4] (Goldfarb A., Tucker C., 2019). Таким образом, Dt – это не просто «сырой» объём, а качественно взвешенный запас семантически связных, легально доступных и постоянно обновляемых массивов.

В рамках реализации государственного задания по НИР «Будущее российской цивилизации: сценарии развития до 2050 года», авторами проводился кросс-страновый анализ, в результате которого получена оценка γ ≈ 0.32 для стран с высоким уровнем цифровизации, что означает, что 1% прироста данных даёт около 0.32% прироста выпуска ИИ-сектора. Однако в условиях технологической изоляции этот коэффициент может снижаться до 0,15–0,18 (Россия – 0,15), так как локальные данные оказываются гомогенными и не обогащаются глобальными потоками.

Российский рынок ИИ демонстрирует впечатляющую динамику и по итогам 2025 года его объём оценивается в 520 млрд. руб. с темпом роста около 20% в год [1]. Однако, как показывают данные исследования Ассоциации больших данных, рост сдерживается дефицитом специалистов в области машинного обучения и осторожностью бизнеса, который не видит «зрелых» кейсов применения технологий. Это косвенное свидетельство того, что инвестиции в капитал Kt (оборудование, ПО) и труд Lt (кадры) при недостаточном качестве данных Dt дают убывающую отдачу. В контексте России ключевым ограничением выступает именно фактор Dt, что и составляет суть ловушки. Без достижения Dmin дальнейшее увеличение капитала или труда даёт убывающую отдачу. Этот эффект усиливается тем, что в отличие от труда и капитала данные требуют постоянного обновления и зависят от институциональной среды.

Характерной особенностью российского рынка данных является продажа не исходных массивов, а обезличенных аналитических отчётов и готовых решений, что повышает себестоимость из-за строгих требований к хранению и обработке информации [15, p. 30906] (Luo J., Wu B., Luo X. et al., 2025). Это обстоятельство необходимо учитывать при расчёте Dt.

По среднему прогнозу Росстата (2024), к 2050 году численность населения России может сократиться на 10–12 млн. человек (до 134–136 млн.) при одновременном удвоении доли лиц старше 60 лет [7]. С точки зрения ИИ ориентированного на данные - это означает абсолютное и относительное сокращение генерации новых пользовательских, транзакционных и поведенческих данных. Критично не только количество, но и «семантическая плотность», которое в основной своей массе обеспечивают экономически активное и молодое население (15–44 лет), что продуцирует более разнообразные и связные паттерны – до 80% всех уникальных цифровых следов (социальные сети, онлайн-покупки, банковские транзакции) [9] (Aghion P., Jones B.F., Jones C.I., 2017). Стареющее и сокращающееся население генерирует рутинные, циклические потоки с низкой вариативностью, непригодные для обучения сложных нейросетевых архитектур (таблица 1). Дополнительным фактором выступает урбанизация и высокая концентрация в мегаполисах, что даёт более плотные данные, чем периферия. При этом важно понимать, что миграционные потоки внутри России не компенсируют общее сжатие.

Таблица 1

Динамика потенциальной генерации данных в зависимости от возрастной структуры (индекс 2025 = 100)

Национальная стратегия развития ИИ до 2030 года ставит амбициозные цели (80% компаний ключевых отраслей на отечественном ПО) и предполагает совокупный вклад ИИ в ВВП страны к 2030 году на уровне более 11 трлн. рублей [6]. Для достижения этих целей была создана Комиссия по развитию технологий искусственного интеллекта при Администрации Президента, а в марте 2025 года Президент поручил федеральному правительству и главам регионов сформировать национальный план интеграции технологий ИИ в экономику, социальную сферу и госуправление на 2027–2030 годы [6]. Однако, как отмечает ряд экспертов, в 2025–2026 годах фактическая динамика ключевых институциональных перемен была неоднозначной. С одной стороны, произошло некоторое ужесточение регулирования, а принятие базового закона об ИИ было отложено до 2026–2027 года. Наравне с этим активно обсуждались требования к маркировке контента, созданного с помощью ИИ, и усиление ответственности цифровых платформ [4]. С другой стороны, в 2025 году был принят ключевой закон «О платформенной экономике» [8], вводящий важные правовые дефиниции (посредническая платформа, цифровая платформа) и требующий реестрации цифровых платформ.

Таким образом, сложился двойственный эффект, а именно правовая неопределённость снижается, но одновременно трансакционные издержки обращения с данными для малого и среднего бизнеса остаются высокими, особенно в части соблюдения требований к локализации и хранению данных. Отсутствие легально работающего рынка обезличенных данных (data marketplace) по-прежнему является прямым следствием институциональной незавершённости. Потери от неиспользуемых данных в России оцениваются в 1,2–1,5% ВВП ежегодно [2, с. 684] (Ганичев Н.А., 2025). Значимой проблемой остаётся хранение собранных данных в ведомственных «силосах» без унификации метаописаний. Платформенная экономика в целом продолжает бурно расти: по итогам 2025 года совокупный оборот цифровых платформ (маркетплейсов, агрегаторов, классифайдов) достиг 18,3 трлн. руб., что составляет 8,5% ВВП страны, а их доля в экономике за четыре года выросла в шесть раз [4]. Это создаёт предпосылки для институционального развития рынка данных.

В условиях технологических санкций российская ИИ-индустрия вынуждена полагаться на собственные вычислительные мощности. По оценкам, суммарная производительность российских суперкомпьютерных центров составляет около 71 Пфлопс – менее 1% от мирового пула. Ещё более серьёзная проблема – сжатие доступа к глобальным массивам данных. Уход западных сервисов (Google, Microsoft, Amazon) и ограничения на использование международных библиотек кода и датасетов приводят к формированию изолированного, гомогенного цифрового пространства («песочницы»).

Если китайские модели обучаются на многомиллиардных массивах социальных транзакций одного из самых урбанизированных обществ мира, а американские модели – на глобальном интернете, то российские LLM потенциально будут обучаться на ограниченном корпусе текстов (русскоязычный сегмент интернета оценивается в 2–3% от мирового) и транзакций с существенно меньшей статистической вариативностью [18]. Более того, в условиях изоляции формируется несовместимость форматов данных (российские ГОСТы против международных стандартов), что затруднит любую будущую интеграцию. Международное сотрудничество, тем не менее, развивается. На полях AI Journey 2025 была запущена платформа AI Success Hub, объединяющая около 80 практических кейсов внедрения ИИ из почти 30 стран БРИКС+ [23]. Однако это пока не компенсирует общего дефицита глобальных данных.

Четвёртый, редко обсуждаемый контур – особенности цифрового поведения россиян. По данным Mediascope, средняя длительность интернет-сессии в России ниже, чем в США и Китае, а структура потребления данных смещена в сторону развлекательного контента в ущерб продуктивной цифровой активности (транзакции, обратная связь с госорганами, краудсорсинг) [17]. Кроме того, наблюдается высокая концентрация цифровых следов на нескольких платформах (Яндекс, ВК, Госуслуги), что ведёт к гомогенизации данных и снижению их семантической плотности – нейросеть обучается на ограниченном наборе поведенческих паттернов.

Для количественной оценки этого контура нами введён индекс «цифровой диверсификации» (от 0 до 100). В России он составляет 38 против 72 в США и 81 в Китае. Низкая диверсификация означает, что даже при росте числа пользователей прирост новых уникальных паттернов данных быстро насыщается. Косвенно это подтверждается данными о структуре рынка данных в России. Следует отметить, что наибольшая динамика наблюдается в сегменте рекламных дата-продуктов (+51% за год), тогда как услуги по разметке и подготовке неструктурированных данных растут медленнее [20].

Для преодоления ловушки низкой плотности нейросетей необходимо достижение минимального объёма семантически связных данных, запускающего положительные сетевые экстерналии Dmin. Исходя из международных сопоставлений (таблица 2), а также на основе моделирования ABM, такой порог составляет:

– не менее 50–60 млн. активных цифровых пользователей с устойчивыми поведенческими и транзакционными профилями (в России на 2025 год – около 136 млн. интернет-пользователей [11], но активных, генераторами ценных для обучения ИИ данных, по экспертным оценкам, не более 20%);

– не менее 5–7 млн. размеченных уникальных кейсов отраслевых данных в год на каждую приоритетную индустрию (здравоохранение, транспорт, госуправление, промышленность). По экспертным оценкам, в настоящее время в России по большинству отраслей этот показатель вряд ли превышает 0,5–1 млн.

Таблица 2

Сравнительная оценка критических параметров data-экономики (2025 г.)

Стоит отметить, что уже сегодня 74% российских организаций используют ИИ, а закупки решений на основе ИИ в госсекторе за 2024 год выросли в 2,5 раза по сравнению с 2022 годом [21]. Это создаёт спрос на данные, но не решает проблему их качества. Расчёты ABM показывают, что даже при оптимистичных инвестициях в вычислительные мощности без достижения этих порогов отдача от ИИ-инвестиций не превышает 0,3% прироста производительности в год, тогда как при преодолении порога она может достигать 1,2–1,5%. Отметим также, что авторской оценке эффект от внедрения ИИ в экономике может вырасти с 0,5–1 трлн. рублей в 2025 году до 46,5 трлн. рублей к 2035 году [5], но этот рост будет возможен лишь при условии достижения Dmin.

Анализ отраслевых рынков показывает, что уровень зависимости от качества данных различается по отраслям. В таблице 3 представлена оценка рисков для ключевых секторов российской экономики. Дополнительно проведена декомпозиция рисков по источникам, а именно дефицит размеченных медицинских изображений (здравоохранение), нехватка телеметрии с датчиков (промышленность), слабая цифровизация обратной связи от граждан (госуправление).

Таблица 3

Оценка уровня рисков низкой плотности данных для отраслей РФ (2025–2050 гг.)

Интересно, что, несмотря на отдельные успехи (например, внедрение ИИ в систему мониторинга и управления национальными проектами, где ИИ анализирует 100% мероприятий и показателей более 50 нацпроектов [21]), в целом госуправление относится к зоне критического риска из-за низкой семантической плотности данных. Высока и степень кадрового напряжения: по оценкам экспертов, применение ИИ позволит закрыть до 80% дефицита кадров в России за счёт перераспределения сотрудников, но для этого потребуются разнородные данные о квалификации и опыте работы.

На основе агент-ориентированного моделирования авторами были построены три сценария. Для каждого сценария рассчитаны не только показатели производительности, но и бюджетные последствия, а также индикаторы цифрового суверенитета.

Сценарий 1: Инерционный (базовый)

Сохранение текущих подходов к регулированию, технологической политике и демографических тенденций. Политика импортозамещения «железа» продолжается, но институциональная среда данных не реформируется. К 2050 году Россия располагает вычислительным парком средней производительности (оценочно 300 Пфлопс), но семантически бедной средой данных (индекс семантической плотности не превышает 45). Экономика демонстрирует отставание в производительности труда от стран-лидеров (ОЭСР) на 35–45% (рисунок 1), отток квалифицированных кадров в сфере ИИ достигает 10–12 тыс. человек в год.

Рисунок 1. Траектории относительной производительности экономики России

Источник: авторское моделирование на основе открытых данных Росстата и Всемирного банка [7;24].

Сценарий 2: Консервативный

Интенсивное развитие собственных платформ сбора данных, обязательное предоставление данных госорганам, налоговые льготы для генерации данных. Однако сохраняется изоляция от глобальных датасетов. К 2050 году отставание сокращается до 25–30%, но ценой высоких бюджетных затрат (до 2–3% ВВП ежегодно). Возникает риск «технологического гетто» – несовместимость российских стандартов данных с мировыми. Индекс семантической плотности достигает 58, но ценой избыточного администрирования.

Сценарий 3: Оптимистичный (интеграционный)

Политика «интенсификации семантических потоков» через интеграцию с китайскими и индийскими платформами данных, создание трансграничных цифровых коридоров ЕАЭС+, введение налоговых и правовых стимулов для обезличивания и монетизации корпоративных данных, активная миграционная политика (не менее 300–400 тыс. человек в год), создание «цифровых песочниц». К 2050 году индекс семантической плотности достигает 75–80, отставание в производительности сокращается до 15–20% (рисунок 1). При этом бюджетные затраты составляют 0,7–1% ВВП, а дополнительный миграционный приток даёт 0,5 п.п. ежегодного роста ВВП.

Проведённый анализ чувствительности показывает, что ключевым параметром, меняющим траекторию, является не столько объём инвестиций в вычислительные мощности, сколько скорость институциональных изменений в сфере оборота данных (коэффициент эластичности 0,72 против 0,28 для капитальных затрат).

Проблема низкой плотности данных не уникальна для России, но в других странах она решается иначе. США и Китай обеспечивают высокую плотность за счёт масштаба населения и цифровой активности. ЕС, столкнувшись с фрагментацией языкового пространства, делает ставку на создание общеевропейских data spaces [19, p. 68]. Индия и Бразилия активно инвестируют в национальные платформы данных. Россия оказывается в наихудшем положении, которое усугубляется малым и сокращающимся населением, отсутствием наднациональных механизмов объединения данных (ЕАЭС не предоставляет аналогичных data spaces) и жёсткой институциональной средой. Игнатов А.А. отмечает, что даже в рамках БРИКС Россия занимает последнее место по открытости государственных данных и развитию рынков обезличенной информации [3, с. 62] (Игнатов А.А., 2025).

Запуск в 2025 году платформы AI Success Hub стал важным шагом в направлении международной кооперации, но её масштаб (около 80 кейсов из 30 стран) пока недостаточен для существенного повышения семантической плотности национальных массивов. Требуются более глубокие договорённости о взаимном признании обезличенных данных со странами БРИКС+. Особый интерес представляет европейский подход, включающий разработку системы отраслевых дата-спейсов с едиными стандартами и правовым регулированием, которая должна заработать в полную силу к концу десятилетия.

На основе проведённого анализа предлагается матрица мер по нейтрализации угроз низкой плотности данных (таблица 4). В отличие от стандартных рекомендаций, акцент сделан на «семантическую интенсификацию» – не просто увеличение объёма данных, а рост их разнообразия и связности. Для каждой меры указаны риски реализации (например, злоупотребления при налоговых льготах, бюрократизация дата-маркетплейса).

Таблица 4

Матрица мер политики по преодолению ловушки низкой плотности нейросетей

Важным дополнением является предложение по формированию «национального дата-фонда» – системы долгосрочного хранения и разметки критически важных отраслевых датасетов с открытым API для исследовательских и промышленных целей. Ориентировочная стоимость создания фонда – 150–200 млрд. руб., окупаемость – 4–5 лет за счёт сокращения дублирования сбора данных.

Заключение

Проведённое исследование позволяет утверждать, что институциональная ловушка «низкой плотности нейросетей» представляет собой фундаментальный вызов для российской экономики, сопоставимый с демографическим переходом.

Основные выводы:

1. Ловушка формируется четырьмя взаимосвязанными контурами: демографическим, институциональным, технологическим и культурно-поведенческим. Игнорирование любого из них делает преодоление ловушки невозможным. Впервые количественно показано, что вклад культурно-поведенческого контура в снижение эффективности ИИ-инвестиций достигает 20–25%.

2. Количественное преодоление ловушки требует достижения не менее 50–60 млн. активных цифровых пользователей и 5–7 млн. размеченных отраслевых кейсов в год. При текущих трендах эти параметры не будут достигнуты даже к 2050 году без активной политики интенсификации.

3. Сравнение трёх сценариев показывает, что наиболее эффективным является интеграционный сценарий (отставание 15–20%), тогда как инерционный ведёт к отставанию 35–45%, а форсированный импортозамещающий – к отставанию 25–30% с риском «технологического гетто».

4. В отсутствие целенаправленной государственной политики по созданию рынков данных, стимулированию цифровой активности, миграционной политике и международной кооперации с БРИКС+, Россия к 2050 году столкнётся с парадоксом, а именно мощные вычислительные мощности при дефиците качественных данных.