Преамбула. Человек в очереди
В 1937 году дальнобойщик Малком МакЛин простоял несколько часов на причале в Нью-Джерси — ждал, пока грузчики вручную перекладывают тысячи ящиков с его грузовика на борт корабля. Разгрузка шла медленно: каждая единица груза — отдельная операция, каждая перевалка — потерянные дни. (OpenSIUC)
МакЛин подумал: а что если не вскрывать грузовой ящик, а грузить его целиком? Идея простая почти до неприличия. Но за ней стояла вполне конкретная инженерная задача. Нужно было создать стандартный металлический контейнер, который выдерживает морскую перевозку, перепроектировать доки и корабли под новый формат, изобрести кран, поднимающий несколько тонн за один цикл, и — главное — убедить портовые профсоюзы, которые справедливо видели в этом угрозу тысячам рабочих мест.
Реализация заняла двадцать лет. Когда 26 апреля 1956 года корабль Ideal X отплыл из Ньюарка с 58 стальными ящиками на борту, стоимость перевалки груза упала с $5,83 до $0,16 за тонну. Мировая торговля, цепочки поставок, современная глобализация — всё это стало возможным благодаря тому, что человек был раздражён пробкой на шоссе между Северной Каролиной и Нью-Йорком. (Transport Geography, Smithsonian Magazine)
МакЛин не планировал перестроить мировую экономику. Он просто хотел избавиться от узкого места — от очереди на причале.
Именно в этой рамке стоит разбирать то, что Илон Маск обсуждал в интервью с Dwarkesh Patel и John Collison 5 февраля 2026 года. Там Маск атакует сразу несколько узких мест — электричество, чипы, роботы, орбита. Он может ошибаться в сроках. Но понимать, куда он целится и почему — полезно: не чтобы угадать, сбудется ли «Starship за 36 месяцев», а чтобы замечать сдвиги раньше других.
У этого текста есть главный вопрос, к которому всё сводится: когда вычисления перестают быть дефицитом — что становится следующим горлышком бутылки? Каждый тезис Маска — про снятие очередного физического ограничения. Но история МакЛина учит: снятие ограничения не решает проблему — оно перемещает её. Контейнер убрал перевалку — и дефицитом стали порты нового типа. Держи это в голове, пока читаешь дальше и мысль мудрую обретёшь тогда.☝️
⚡ Тезис 1. Электричество — настоящий дефицит для AI
«The output of chips is growing pretty much exponentially, but the output of electricity is flat. So how are you going to turn the chips on? Magical electricity fairies?!»
«Производство чипов растёт почти экспоненциально, а выработка электроэнергии стоит почти на месте. Как вы собираетесь всё это обеспечивать? Волшебными феями электричества?»
МакЛин мог спроектировать контейнер идеальных размеров — но без кранов, способных его поднять, контейнер просто стоял бы на причале. Именно это сейчас происходит с AI-чипами: они производятся по экспоненте, а электросеть не успевает за ними.
Маск формулирует это как абсолютное ограничение — и почти прав, но не совсем. Данные уточняют картину: дефицит не глобальный, а локальный и юрисдикционный. Потребление электроэнергии дата-центрами в США составило около 176 ТВт·ч в 2023 году — порядка 4,4% национального потребления. По прогнозам Lawrence Berkeley National Laboratory, к 2028 году эта доля может вырасти до 6,7–12%. (Belfer Center, Harvard) В очереди на подключение к сети ERCOT стоят 226 ГВт заявок — почти втрое больше пиковой нагрузки всего штата Техас (~85 ГВт). PJM Interconnection зафиксировал рост стоимости резервирования мощности с $2,2 млрд до $14,7 млрд — и причина прямо названа: AI-дата-центры. (Reuters) Счета за электроэнергию уже реагируют: по данным Goldman Sachs, цены выросли на 6,9% в 2025 году — более чем вдвое быстрее общей инфляции. (CNBC)
Всё это указывает на то, что дата-центры концентрируются там, где электричество дешевле и доступнее — в Техасе, Вирджинии, Айове — и именно там давление на сеть уже критическое. Проблема не в том, что электричества не хватает вообще, а в том, что его не хватает там, где хотят, и так быстро, как нужно.
Но есть ловушка, о которой Маск не говорит напрямую. Британский экономист Уильям Стэнли Джевонс описал её ещё в 1865 году: повышение эффективности технологии ведёт не к снижению потребления ресурса, а к его росту. Медианный текстовый промпт Gemini Apps стал в 33 раза энергоэффективнее за 12 месяцев — но совокупный углеродный след Google вырос на 48% с 2019 по 2023 год (с 9,7 до 14,3 млн тонн CO₂-эквивалента). (Earth.Org) DeepSeek сделал инференс дешевле — и совокупные расходы на вычисления выросли. Это означает: решение энергетической проблемы не снимет давление на инфраструктуру — оно его ускорит. Morgan Stanley фиксирует: «второй волной» бенефициаров AI-бума становятся не только производители чипов, но компании в сфере энергоснабжения и сетевой инфраструктуры. (Morgan Stanley)
🔩 Тезис 2. Турбинные лопатки — горлышко бутылки
«It's the blades and vanes in the turbines that are the limiting factor... there are only three casting companies in the world that make these. And they're massively backlogged.»
«Узкое место здесь — лопатки и направляющие аппараты турбин… В мире всего три литейные компании, которые это производят, и они забиты заказами под завязку.»
За электричеством стоит другая очередь — и она ещё длиннее.
Когда МакЛин разработал контейнер, выяснилось, что нужны краны нового типа — а их производство занимало годы. У AI та же история: даже при наличии денег и политической воли построить газовую электростанцию за 2–3 года фактически невозможно. Не потому что нет инженеров или финансирования — а потому что есть один физический предел, который невозможно обойти деньгами: лопатки турбин из монокристаллических суперсплавов. По имеющимся данным, их производство сконцентрировано у нескольких специализированных литейных производств.
Это не метафора дефицита — это его механизм. Siemens Energy по итогам Q1 2026 финансового года зафиксировал рекордный портфель заказов — €146 млрд, рост прямо связан с AI-дата-центрами. (WSJ) GE Vernova расписан до 2030 года. Строительство нового литейного завода — от инвестиционного решения до выхода на объём — занимает 5–7 лет. Это означает: даже если сегодня принять все инвестиционные решения, физический предел сдвинется не раньше 2031 года.
Маск упоминает турбины, имея в виду конкретный опыт: для Colossus в Мемфисе пришлось агрегировать несколько турбин, переносить генерацию через границу штата и тянуть высоковольтные линии. Это не абстракция — это описание реальной инфраструктурной истории, которая повторяется у каждого крупного игрока прямо сейчас.
Важна одна оговорка: не все пути к электричеству проходят через турбины. Солнечная генерация масштабируется за 18–24 месяца от одобрения до коммерческой эксплуатации — но упирается в другое: тарифы на импорт, ограниченное внутреннее производство компонентов и дефицит систем хранения. Разные пути к энергии — разные бутылочные горлышки.
🧠 Тезис 3. Дефицит памяти важнее дефицита логики
«My biggest concern actually is memory... The path to creating logic chips is more obvious than the path to having sufficient memory to support logic chips...»
«Если честно, моя главная тревога сейчас — это память… Как делать логические чипы, более-менее понятно; а вот как обеспечить эти чипы достаточным объёмом памяти — уже далеко не так очевидно...»
Почему память сложнее масштабировать, чем логику? Потому что это разные физические процессы с разными производственными ограничениями. Логические чипы (GPU) производятся на тех же литографических линиях, которые TSMC и Samsung наращивают агрессивно. HBM (High Bandwidth Memory) — принципиально другое производство: трёхмерное стекирование кристаллов с микронными допусками, и только три компании в мире умеют делать это коммерчески — SK Hynix, Samsung, Micron. Производственный цикл от инвестиционного решения до реального объёма составляет 2–3 года. Это означает: даже если GPU перестанут быть дефицитом, AI-кластеры упрутся в HBM — и эта очередь уже образовалась. TrendForce фиксировал рост цен на DDR5 как «беспрецедентный»; SK Hynix в феврале 2026 года объявил о контракте на поставку HBM3E для NVIDIA — прямое подтверждение, что память уже стала отдельным переговорным активом.
Здесь стоит честно признать: детальных публичных данных о темпах роста HBM-дефицита меньше, чем по энергетике — потому что производители не раскрывают производственные лимиты. Но именно это и является аргументом: когда информации мало, а Маск говорит «my biggest concern», это сигнал, что внутренняя картина хуже публичной.
Парадокс Джевонса здесь особенно жёсткий. Когда память станет доступнее, модели станут ещё больше — следующее поколение потребует вдвое больше HBM, чем текущее. Дефицит не исчезнет — он переедет на следующий уровень вместе с потребностями.
🤖 Тезис 4. Optimus — рекурсивный мультипликатор
«The usefulness of the robot is roughly those three things multiplied by each other — digital intelligence, chip capability, electromechanical dexterity — but then the robot can start making the robot. So you have a recursive multiplicative exponential!»
«Практическая полезность робота — это примерно результат перемножения трёх факторов: цифрового интеллекта, вычислительных возможностей чипов и электромеханической ловкости. А затем робот начинает производить других роботов — и возникает рекурсивный экспоненциальный рост с мультипликативным эффектом!»
Маск описывает не просто робота — он описывает механизм, при котором три экспоненты не складываются, а перемножаются. А потом рекурсируют, потому что роботы начинают производить роботов. 🤯
Направление верное. AI-интеллект действительно растёт — каждое поколение моделей опережает предыдущее на задачах, которые ещё год назад считались недостижимыми; вычислительная мощность на доллар удваивается примерно каждые три года; прогресс в электромеханической ловкости реален, но медленнее. Amazon Robotics к середине 2025 года развернул более миллиона роботов при 1,56 млн сотрудников — примерно 1 робот на 1,5 человека. (Inc. Magazine) Но даже при таком масштабе роботы требуют значительного человеческого участия в обслуживании и перенастройке.
Рекурсивное самовоспроизводство — более сложная история, чем кажется. Производство робота — это сборка нескольких тысяч компонентов с разными допусками, разными материалами и разными поставщиками. Tesla Optimus пока не прошёл публичных тестов в реальных производственных условиях. Но тезис важен не как факт сегодняшнего дня, а как структурный прогноз: множитель AI × физический труд уже работает в отдельных доменах. Insilico Medicine совместно с Университетом Торонто обнаружила кандидата для лечения гепатоцеллюлярной карциномы за 30 дней, используя AlphaFold и AI-платформу Pharma.AI для выбора мишени и генерации молекулы — и это не про «быстрее», это про другой класс задач, физически невозможных при ручном переборе. (University of Toronto)
Если роботы подешевеют настолько, чтобы стать экономически выгоднее людей — спрос на них не «заместит» текущую рабочую силу. Он создаст новые категории задач, которые сейчас вообще не выполняются, потому что нерентабельны при ручном труде.
🚀 Тезис 5. Орбитальный дата-центр — дальний горизонт
«My prediction is that it will be by far the cheapest place to put AI will be space in 36 months or less, maybe 30 months.»
«Я прогнозирую, что уже через 36 месяцев, а может и через 30, самым дешёвым местом для размещения ИИ — и с огромным преимуществом перед всем остальным — окажется космос.»
Когда наземная инфраструктура не успевала — МакЛин не стал ждал, пока порты перестроятся. Он обошёл их, построив свою. Маск предлагает буквально то же самое: вместо того чтобы ждать, пока сеть обеспечит дата-центры энергией, выйти за пределы атмосферы, где солнечная панель производит в пять раз бо��ьше энергии — нет дня и ночи, нет погоды, нет атмосферных потерь, не нужны батареи.
Физические аргументы корректны. В открытом космосе солнечная постоянная составляет около 1360 Вт/м², на поверхности — порядка 1000 Вт/м² в лучших условиях. Преимущество по выработке реальное.
Но экономика пока не сходится — и это принципиальный разрыв. Стоимость выделенного запуска Falcon 9 составляет $67–74 млн, что даёт порядка $3 800–4 200 за килограмм полезной нагрузки на низкую орбиту. Серийные GPU весят и стоят так, что CAPEX орбитального кластера на порядки выше наземного при сопоставимой вычислительной мощности. Сам Маск называет ключевую переменную: «миллион тонн на орбиту в год» через Starship. Starship совершил 5 тестовых полётов в 2025 году, ни один из которых не завершился полноценным орбитальным рейсом. Для масштаба, который он описывает, потребовались бы тысячи запусков ежегодно. За всю историю космонавтики состоялось около 7 000 успешных орбитальных запусков суммарно.
36 месяцев — почти наверняка нереалистичный срок для экономического паритета орбитальных дата-центров с наземными. Но из этого не следует, что тезис Маска ложный. Следует другое: вектор, возможно, выбран верно, а вот горизонт в очередной раз агрессивно сжат.
Для SpaceX это важно уже сейчас не потому, что «прогноз должен буквально сбыться», а потому, что сам рынок начинает примерять к компании другую рамку. Starlink уже показал, что SpaceX умеет превращать орбитальную инфраструктуру в коммерческий актив, который финансирует следующий этап масштабирования. Если тезис о вычислениях в космосе подтвердится хотя бы частично, SpaceX будут оценивать уже не только как транспортную компанию, но как претендента на роль вертикально интегрированной орбитальной compute-инфраструктуры. Ну вау? Инвесторы будут в восторге!
🌍 Тезис 6. Снятие энергетического ограничения меняет не инфраструктуру — а географию и власть
Маск фокусируется на инженерной стороне вопроса: как добыть достаточно электричества для AI. Но если поднять взгляд на уровень выше, откроется более важный вопрос: что происходит, когда это ограничение будет снято?
Сейчас AI-вычисления концентрируются там, где есть дешёвое электричество. В Вирджинии дата-центры потребляли 24% продаж электроэнергии Dominion Energy в 2023 году, а запросы на подключение новых мощностей достигли 70 000 МВт — втрое больше пиковой нагрузки штата. (Data Center Dynamics) Ирландия — где дата-центры потребляют 22% национальной электроэнергии — не стала AI-хабом по какому-то стратегическому замыслу: просто там оказалась дешёвая энергия и мягкий налоговый режим.
Это прямая аналогия с контейнерами. До МакЛина торговые маршруты определялись географией портов и трудовыми договорами. После контейнеризации стоимость перевалки стала ничтожной — и маршруты перестроились вокруг новой логики: где дешевле налоги, земля, рабочая сила. Возникли Роттердам, Сингапур, Гонконг — не потому что там были лучшие гавани, а потому что они первыми перестроились под новую экономику. То же самое случится с AI-инфраструктурой, когда энергетическое ограничение снимут.
Но дальше — интереснее. Когда энергия перестаёт быть дефицитом, дефицитом становится что-то другое. История с электричеством показывает: после того как лампочки появились везде, экономическую ценность начали определять не «есть ли у тебя свет», а «что ты с ним делаешь». Заводы, которые первыми перестроились с группового привода на индивидуальный, получили кратный прирост производительности — не за счёт самой электрификации, а за счёт реорганизации процесса под новую логику. Именно это Брайнджолфссон называет «дополняющими инвестициями» — нематериальный капитал, который накапливается медленно и не виден в статистике, пока не наступает фаза «сбора урожая». (NBER) В 2025 году американская производительность труда выросла примерно на 2,7% — почти вдвое выше среднего за десятилетие (1,4%). Брайнджолфссон называет это первыми признаками «harvest phase» для AI. (Fortune) Но не торопимся с выводами: то же самое говорили про электричество в 1910-е — и ещё 10–15 лет ждали реального сдвига, пока заводы не перестроились полностью.
Когда вычисления дешевеют, меняется не только эффективность — меняется то, что возможно в принципе. Перебирать миллионы молекул в вычислительном пространстве раньше было физически невозможно. Когда компьютер стал стоить меньше $1000, возможным стал интернет — не потому что появился компьютер, а потому что он стал доступным.
И вот здесь — самый важный вопрос: когда вычисления перестают быть дефицитом — что становится следующим горлышком бутылки?
Ответ, который уже виден в данных: не энергия, не чипы — а доверие, регулирование и интерпретируемость. Когда AI-агент может принять за тебя кредитное решение, поставить диагноз или спроектировать ракетный двигатель — вопрос «а проверить-то как?» становится дороже самого вычисления. UnitedHealth Group использовала AI-алгоритм nH Predict для оценки страховых случаев пожилых пациентов. Алгоритм систематически отклонял заявки, переопределяя решения лечащих врачей, и имел 90% ошибок при пересмотре — 9 из 10 обжалованных отказов отменялись. Но обжаловали только 0,2% пациентов. Итог: коллективный иск 2023 года, расследование Сената, и вопрос «по каким именно критериям алгоритм принимал решение?» — на который до сих пор нет публичного ответа, потому что компания назвала логику алгоритма proprietary. (STAT News) Вычислительная мощность для этого алгоритма стоила копейки. Невозможность объяснить его решения обошлась в репутацию, иски и человеческие жизни.
Именно поэтому Anthropic строит «debugger для нейронов» — возможность трассировать, где именно AI «подумал неправильно». Именно поэтому Маск в интервью упоминает интерпретируемость как критическую инфраструктуру: не потому что это модно, а потому что без неё весь вычислительный потенциал не конвертируется в реальные решения. (Ctech / Calcalist)
Города и юрисдикции, которые первыми создадут регуляторные песочницы для AI-агентов с реальными полномочиями, получат то же преимущество, что портовые города после контейнерной революции. Не просто «у них дешевле» — а «именно там это вообще возможно».
Финал. Возврат к причалу
МакЛин в 1956 году не думал о глобализации. Он думал о пробке на шоссе. Но, решая локальную проблему — очередь на причале, — он переписал правила мировой торговли. В его истории важно не то, что он «угадал будущее», а то, что он нашёл настоящее узкое место и ударил именно по нему.
Контейнер изменил не только логистику — он изменил географию производства, рынок труда и геополитику. Дешёвые вычисления могут сделать нечто похожее. Парадокс Джевонса здесь прост: чем дешевле вычисления, тем шире их будут встраивать в реальные процессы. А значит, тем болезненнее станет вопрос, на который современные нейросети отвечают плохо: почему система приняла именно это решение, а не другое?
Проблема не в том, что у ИИ «плохой интерфейс объяснений». Проблема в том, что большинство передовых AI-систем — особенно глубокие нейросети — устроены как чёрные ящики: они уверенно выдают результат, но плохо раскрывают внутреннюю логику, которая к нему привела. Это не просто недоработка продукта, а следствие самой архитектуры, масштаба и способа обучения таких моделей.
Пока это так, удешевление вычислений будет производить не только больше ответов, но и больше решений, в которых нельзя по-настоящему разобраться. Турбинную лопатку можно отлить. Интерпретируемость нейросети — пока нет. В этом и состоит наша очередь на причале.
