stackovernotes

Привет, Пикабу.

Впервые с GPT(generative Pre-trained transformer) я соприкоснулся ещё в 2021 году, скачав GPT-2 с HiggingFace на компьютер, и пытался его дообучить. Потом произошел бум нейросетей в 22ом. С того момента я скептически относился к ИИ компаниям, так как чуть лучше понимал, что именно им может помешать в развитии – экономика. Создание, обучение, и поддержание работы ИИ моделей обходится очень дорого.

Долгое время я пользовался бесплатными нейронками, и не хотел покупать подписки на нейронки. Но когда несколько моих друзей купили подписки, я тоже решил попробовать. А также закрыть гештальт, и сделать наконец проект мечты - свой децентрализованный мессенджер, который может работать и без интернета. До этого летом, я пару раз пытался начать, но останавливался примерно на написании интерфейса кошелька, ну а теперь решил попробовать какого это - вайбкодить на полную катушку. Скормил Клоду несколько своих проектов и свой GitHub и получил готовое приложение, в котором пока не написал ни одной строчки кода. Чтобы написать такое самому, мне пришлось бы потратить около трёх месяцев свободного времени по вечерам. Стилем кода я тоже в восторге: Клод оформил его так, как я и просил.

Подписка стоила 20 баксов в месяц, но где-то я слышал, что она должна стоить в 20 раз дороже. И вот я решил проверить, а сколько на самом деле она должна стоить?

Считаем сколько стоит обучить модель

Для наших подсчётов возьмём модели Claude Opus 5 и GPT-6 Astra. И всё бы было хорошо, но в последнее время данные даже о количестве параметров никто не выкладывает, равно как никто не сообщает, на чём и как долго модели учили. Так что, основываясь на косвенных оценках, будем считать, что в обеих моделях сейчас примерно 4,5–6 трлн параметров. Для расчётов возьмём 5 трлн. Ну а как посчитать, сколько стоит обучить модель? Давайте пойдём от железа: потребления в ваттах и производительности в терафлопсах.

В таблице ниже, мы можем увидеть потребление и мощность плат nvidia, а также стоимости их аренды

По неофициальным данным, обучение GPT-6 проходило на более чем 100 тысячах GPU и шло около полугода — если считать и неудачные, и экспериментальные запуски. Предположим, что модель учили на GB200. Тогда по цене аренды обучение стоило бы около $4,5 млрд. Это верхняя граница: на своём железе OpenAI обходится дешевле. Если говорить о нижней границе, то обучение могло пройти и быстрее: за три месяца оно стоило бы около $2 млрд.

Данных от Anthropic в разы меньше, чем от OpenAI. Хотя, казалось бы, число параметров в модели — почему бы его не раскрыть? Но почему-то ни OpenAI, ни Anthropic его не раскрывают, хотя когда-то делали это спокойно.

Вот формула, по которой можно посчитать, сколько операций с плавающей запятой нужно на один прогон обучения модели: C ≈ 6 · N · D,

где N — число параметров, D — число токенов обучения. Множитель шесть складывается так: примерно 2 операции на параметр на токен при прямом проходе и ещё вдвое больше при обратном. (Формула из работы Kaplan et al. 2020)

Теперь вопрос сколько данных могли использовать для обучения последнего поколения моделей:

• DeepSeek-V3 — 14,8 трлн (декабрь 2024);

• Kimi K2 — 15,5 трлн (июль 2025);

• Llama 3.1 405B — 15,6 трлн (июль 2024);

• Llama 4 Behemoth — больше 30 трлн (апрель 2025);

• Qwen3 — 36 трлн (блог Qwen, апрель 2025).

То есть ориентировочно для обучения Astra и похожих моделей могли использовать ~45 трлн токенов.

Получаем объём вычислений:

6 × 5·10¹² × 45·10¹² =1,35·10²⁷ операций

Кластер из 100 000 GB200 выдаёт 100 000 × 5 000 терафлопс = 5·10²⁰ операций в секунду. Но это в идеальном мире. На практике карты часть времени ждут данные, синхронизируются между собой и иногда просто падают. Meta в статье про Llama 3 честно пишет про загрузку 38–43%. Возьмём 35% с запасом на огромный кластер. Тогда:

1,35·10²⁷ / (5·10²⁰ × 0,35) = 7,7 млн секунд = 89 дней

Это 214 млн GPU-часов, или ~$2,25 млрд по цене аренды и ~$0,6 млрд на своём железе. Ровно то же, что вышло выше для трёх месяцев обучения. Значит, мы на верном пути, хотя, конечно, из-за неполноты данных это всё равно грубые прикидки.

Важная оговорка: я считал так, будто на каждом токене работают все 5 трлн параметров. Скорее всего, флагманы устроены как mixture of experts — на каждом токене включается лишь часть параметров. Тогда вычислений нужно в разы меньше, так что мой расчёт — верхняя граница.

Ещё один сюрприз: электричество здесь стоит меньше 5% от всех потраченных на обучение денег. Промышленный киловатт-час стоит в среднем около $0,1. Для карты вроде GB200 это около 2% от цены её аренды. Больше всех на этом, пожалуй, зарабатывают компании, строящие дата-центры и производящие чипы.

Модель обучена. А что дальше?

На каждый токен ответа на ваш вопрос модель делает примерно 2N операций. И это мы не считаем надбавку за длину контекста: чтобы написать очередное слово, модель сравнивает его со всем, что было в переписке до него.

Про OpenAI есть утёкшие данные(The Information, отчётность, которую проверила FT):

За год расходы на обслуживание выросли в четыре раза. И почти $4 млрд в 2025 году OpenAI потратила на тех, кто не платит ни копейки. К 2030 году компания сама ждёт ~$85 млрд в год только на инференс.

За год расходы на обслуживание выросли в четыре раза. И почти $4 млрд в 2025 году OpenAI потратила на тех, кто не платит ни копейки. К 2030 году компания сама ждёт ~$85 млрд в год только на инференс. При этом платят немногие: из примерно 900 млн еженедельных пользователей ChatGPT около 95% не платят ничего. Получается, что почти половина расходов на обслуживание уходит на тех, кто не приносит денег напрямую.

B2C и B2B - OpenAI и Anthropic

Существует три источника выручки:

• Подписки — наши с вами $20 или больше.

• API — компании и разработчики платят за каждый токен и встраивают модели в свои продукты.

• Корпоративные контракты — подписки для целых компаний.

• Реклама (в бесплатном ChatGPT).

OpenAI делает ставку на массовость: около миллиарда пользователей в неделю, но платят из них лишь ~5%. По данным Forbes, около 85% выручки OpenAI связано с потребительским ChatGPT. Выручка за 2025 год — $13,1 млрд, в 2026-м она растёт: $5,7 млрд в первом квартале и $6,7 млрд во втором.

Anthropic идёт другим путём: около 85% выручки дают компании и разработчики (Forbes). И тут у нас наконец появились официальные цифры: сегодня, 26 октября 2026 года, Anthropic опубликовала в комиссии по ценным бумагам США черновик документа для выхода на биржу (S-1).

За полгода 2026-го компания заработала в 3,5 раза больше, чем за весь 2025-й. У неё больше 11 900 клиентов, которые платят больше $100 тыс. в год, и около 250 — больше $10 млн в год. Бесплатных пользователей здесь сильно меньше, и на флагманскую модель их не пускают.

Главное поле битвы сейчас это программисты. По опросу JetBrains (больше 15 тысяч разработчиков, май–июль 2026), Claude Code на работе пользуются 39% профессиональных разработчиков, а в начале 2025 года было 3%. Codex от OpenAI за то же время вырос с нуля до 16%. Программисты легко пересаживаются с одного инструмента на другой и часто держат оба, так что верность клиентов тут низкая, а ценовая война — жёсткая. А ещё обе компании постепенно поднимают планку цен. Самая дорогая подписка за три года выросла с $20 до $200, а у OpenAI с конца сентября 2026 года появился тариф за $500.

А вот цена API флагмана OpenAI после дешёвого GPT-5 снова поползла вверх: с $10 до $50 за миллион токенов ответа у GPT-6 Astra. Anthropic, наоборот, снижает: с $75 у Claude 3 Opus до $20 у Opus 5.5.

Так сколько должна стоить моя подписка?

Честнее всего считать не по прайсу АПИ и не по отдельным пользователям, а по компании целиком: сколько она тратит на каждый заработанный доллар. Если разложить все расходы пропорционально выручке, получится цена подписки, при которой компания вышла бы в ноль.

Программист с Claude Code в среднем сжигает токенов на $150–250 в месяц по прайсу api. Но в подписке Pro за $20 есть лимиты, и кто в них упирается, переходит на Max за $100–200 — то есть примерно на ту же сумму. Да и прайс API это не просто себестоимость, а цена с наценкой.

Подписка на самом деле стоит не в 20 раз дешевле, чем должна, а примерно в 2,5 раза — именно столько OpenAI сейчас тратит на каждый заработанный доллар. Anthropic в 2025 году была в таком же положении, а в 2026-м почти вышла в ноль из-за контактов с корпоративными клиентами.

А если уволить половину офиса?

В мире больше миллиарда человек работают в офисных профессиях: менеджеры, маркетологи, HR, бухгалтеры, программисты, юристы, аналитики. По оценке аналитиков Swell Asset Management вместе они получают $15–20 трлн в год.

Теперь мысленный эксперимент: уволим половину и заменим их нейронками. Это $7,5–10 трлн в год, которые компании перестанут платить людям. Даже если только 10% этих денег уйдёт ИИ-компаниям, это $750 млрд–$1 трлн выручки в год. Для сравнения, сейчас: в первом полугодии 2026 года выручка Anthropic составила $16,3 млрд, OpenAI — около $12,4 млрд ($5,7 млрд в I квартале и $6,7 млрд во II). Вместе это темп около $57 млрд в год — в 13–18 раз меньше тех самых 10% от зарплат. Думаю, что в будущем эти две компании на пополам будут съедать около 2 трлн от бюджета зарплат бывших работников.

А ваш мозг?

Напоследок сравним с самым экономичным компьютером, который мы знаем.

Наш мозг потребляет около 20 ватт — как слабая лампочка. Весь человек в покое тратит около 100 ватт: примерно 2 000 килокалорий в сутки.

Кластер из 100 000 GB200 вместе с охлаждением и серверами потребляет около 220 мегаватт. Это в 11 миллионов раз больше одного мозга.

А теперь про энергию на обучение. В нашем расчёте (89 дней на 100 тысячах карт) уходит около 470 гигаватт-часов. Мозг за год тратит 175 киловатт-часов. Выходит, что на одно обучение уходит столько же энергии, сколько мозгу хватило бы на 2,7 миллиона лет работы. Или на жизнь целого города в 35 тысяч человек от рождения до старости.

Час автономного агента по полному прайсу выходит в 8 раз дешевле одного часа американского программиста, а команда агентов стоит примерно, как один человек. Но час агента не равен часу человека: агент быстрее пишет код, но ему нужен человек, который ставит задачи и проверяет результат. А по энергии человеческий мозг всё ещё вне конкуренции.

Правда, сравнение нечестное в обе стороны. Мозг тоже долго учится, и на работе мы по-настоящему сосредоточены далеко не все восемь часов. Зато обученная модель одновременно разговаривает с миллионами людей, а человек только с одним.

Но как инженерное решение наш мозг пока вне конкуренции.

Некоторые выводы

Тема подсчётов стоимости обучения моделей оказалась более глубокой, чем я думал. Слишком много неизвестных, или сложных технических терминов.

Как мне кажется, сейчас в самом выигрышном положении находятся в первую очередь NVIDIA и владельцы дата-центров. Anthropic пока что выглядит устойчивее OpenAI. Но это всё равно трудно утверждать, учитывая, что компании скрывают довольно много — как финансовых показателей, так и технологических.

Если смотреть шире, то, наверное, выигрывают те, кто не гонится за иллюзорным AGI, а тихо делает дешёвые модели и агентов. К примеру, DeepSeek не так давно выкатил своего агента. Для 90% задач сильно умные и дорогие модели не нужны, даже наоборот бизнесу нужны наиболее дешевые нейронки.
Также, вероятнее всего, подход ориентированный на B2B, оправдает инвестиции лучше, чем желание оснастить каждого человека самой умной и дорогой ИИ моделью.

Заценить, что получилось заклаудкодить за 4 вечера можно тут.

На написание приложения сразу под половину платформ ушло 1,12 млрд токенов. За API пришлось бы заплатить около 365 долларов, а так ушла только подписка за 20 долларов. Проект делал чисто для себя и for fun, но получилось больно неплохо. Сообщения могут передаваться как от телефона к телефону, как в проекте Джека Дорси, так и через интернет, когда он есть. Дальше скорее всего, если буду дорабатывать проект, то буду писать код сам, так как это будет проще чем прописывать огромное тех задание клоду для внесения нужных исправлений.