Технологический базис цифровой экономики

1. Стек технологий цифровой экономики
2. Большие данные: 5V и архитектуры обработки
3. Облачные вычисления: модели IaaS/PaaS/SaaS и экономика
4. Интернет вещей и промышленный IoT
5. Сети связи: 5G, спутниковый интернет, ЦОДы
6. Распределённые реестры и блокчейн
7. ИИ как «верхний слой» стека: история и современность
8. Прогноз развития технологий до 2030 года

После лекции студент сможет:

От физики к бизнес-приложениям

1. Физический — Чипы, серверы, ЦОДы, оптоволокно, базовые станции, спутники
2. Сетевой — Интернет-протоколы, 4G/5G, Wi-Fi, спутниковая связь, CDN
3. Платформенный — Облака, СУБД, операционные системы, контейнеры, API
4. Данные и ИИ — Хранилища, потоковая обработка, модели машинного обучения
5. Приложения — Маркетплейсы, банки, госуслуги, промышленные системы

Каждый слой опирается на нижние. Ограничение любого слоя (например, дефицит чипов или энергии для ЦОДов) сдерживает всю экономику.

• Закон Мура (1965): число транзисторов на чипе удваивается примерно каждые 2 года — стоимость вычислений упала в миллиарды раз за 50 лет
• Закон Крайдера: плотность хранения данных растёт экспоненциально — гигабайт стоил сотни тысяч долларов в 1980-х и доли цента сегодня
• Закон Нильсена: пропускная способность сетей растёт примерно на 50 % в год
• Следствие: технологии, невозможные экономически 10 лет назад (видеостриминг, обучение больших моделей), становятся массовыми
• Ограничения 2020-х: физические пределы миниатюризации, энергопотребление, стоимость фабрик (> 20 млрд долл.), геополитика поставок

Стоимость 1 гигафлопс, долл. США (логарифмическая шкала, оценки)

долл. США, логарифмическая шкала

Стоимость вычислений упала примерно в миллион раз за 25 лет.

Источник исходной лекции: Оценки на основе AI Impacts, Our World in Data; логарифмическая шкала

• Падение примерно в миллион раз за четверть века
• Графические процессоры (GPU) и специализированные ускорители — новый драйвер
• Ключевое следствие для ИИ: обучение модели стоимостью 100 млн долл. в 2023 г. стоило бы триллионы в 2000-х
• Цена не единственное ограничение: энергия и доступ к чипам

Когда таблицы перестают помещаться в один сервер

1970

Реляционная модель Кодда; SQL

1990-е

Хранилища данных, OLAP, Teradata

2004–2006

Google MapReduce; Hadoop

2010–2014

NoSQL, Spark, потоковая обработка Kafka

2015–2020

Облачные хранилища: Snowflake, BigQuery; озёра данных

2021–2023

Lakehouse, data mesh, векторные базы для ИИ

2025–2026

Данные для агентов: семантические слои, ИИ-запросы к данным

Каждое поколение технологий данных отвечало на новый масштаб: от таблиц в одной базе до потоков, озёр и векторных хранилищ для ИИ.

1. СУБД — Postgres Pro, Arenadata, ClickHouse (Яндекс), Tarantool (VK) — импортозамещение Oracle и Microsoft SQL
2. BI и аналитика — Yandex DataLens, Visiology, Luxms BI, «Форсайт» вместо Tableau и Power BI
3. Платформы данных — Комплексные решения Сбера, VK Tech, Т-Банка для корпораций
4. Облачные данные — Yandex Cloud, Cloud.ru (Сбер), VK Cloud, Selectel
5. Госрегулирование — Реестр отечественного ПО, переход критической инфраструктуры на российские СУБД к 2025–2027
6. Кадры — Дефицит инженеров данных; программы вузов и корпоративные школы

• Точность решений: прогноз спроса на уровне SKU и магазина вместо средних по сети — снижение запасов на 10–20 %
• Скорость: обнаружение мошенничества за миллисекунды вместо расследования постфактум
• Новые продукты: геоаналитика операторов связи для ритейла и городов, кредитный скоринг на транзакциях
• Стоимость владения: облачные хранилища переводят капитальные затраты в операционные, но требуют контроля расходов (FinOps)
• Условие успеха — не технология, а данные с управляемым качеством и бизнес-задача с измеримым эффектом

Вычислительная мощность как коммунальная услуга

Оценки iKS-Consulting, ТМТ Консалтинг; прогноз — экстраполяция

млрд руб.

Российский рынок облаков растёт на 30–40 % в год.

Источник исходной лекции: iKS-Consulting, ТМТ Консалтинг; округлено

• Рост 30–40 % в год — быстрее мирового рынка
• Драйверы: уход иностранных провайдеров, ИИ-нагрузки, госсектор
• Лидеры: Cloud.ru, Yandex Cloud, VK Cloud, Selectel, МТС Web Services
• Ограничение — дефицит GPU и электроэнергии для ЦОДов

• Локализация: персональные данные граждан РФ хранятся в России (152-ФЗ); аналогичные требования в ЕС (GDPR), Китае, Индии
• Уход глобальных провайдеров (AWS, Microsoft, Google) из России в 2022 году ускорил переход на отечественные облака
• Гособлако («ГЕОП»): единая платформа для государственных информационных систем
• Отраслевые ограничения: банки и критическая инфраструктура — требования ЦБ и ФСТЭК к размещению
• Мировой тренд «суверенных облаков»: ЕС (GAIA-X), Индия, Ближний Восток; конкуренция за ИИ-инфраструктуру

Когда датчики становятся источником данных

Источник / оценка: IoT Analytics, GSMA, оценки операторов; округлено

Главная экономическая проблема IoT — не подключение устройств, а превращение потоков телеметрии в решения. Здесь IoT смыкается с большими данными и ИИ.

Кейс

КЕЙС

Предиктивное обслуживание на металлургическом комбинате

Типовой кейс российской промышленности 2020-х

Физическая основа и инфраструктура доверия

1. 5G — Скорость до 10 Гбит/с, задержка ~1 мс, миллион устройств на км² — основа IIoT и автономного транспорта; в России развёртывание сдерживается частотами и оборудованием
2. Спутниковый интернет — Низкоорбитальные группировки (Starlink, «Бюро 1440» в России) — покрытие удалённых территорий и транспорта
3. ЦОДы — «Фабрики» цифровой экономики: в России более 80 тыс. стойко-мест, рост 10–15 % в год; главное ограничение — электроэнергия
4. Оптоволокно и магистрали — Транзитные маршруты Европа — Азия через Россию; подводные кабели как геополитический актив

• ЦОДы потребляют около 1,5–2 % мировой электроэнергии; прогноз МЭА — удвоение к 2030 году главным образом из-за ИИ
• Обучение одной большой модели — десятки гигаватт-часов; вывод (инференс) для миллионов пользователей — постоянная нагрузка
• Компании строят собственные электростанции, заключают контракты с АЭС, инвестируют в охлаждение
• В России: размещение ЦОДов рядом с дешёвой энергией (Сибирь, ГЭС), майнинг как конкурент за мощность
• Экономический вывод: конкурентоспособность в ИИ к 2030 году определяется доступом к энергии и чипам не меньше, чем алгоритмами

История, современность, прорывы

1980-е

Экспертные системы на мейнфреймах; «зима ИИ» из-за дороговизны вычислений

2006–2009

GPU для нейросетей; облака AWS делают вычисления доступными

2012

AlexNet на двух GPU — старт глубокого обучения

2017–2020

Трансформеры, TPU Google, обучение на тысячах ускорителей

2022–2024

ChatGPT; дефицит GPU; ЦОДы на гигаватты

2025–2026

Специализированные чипы, инференс на устройствах, энергетика как ограничение

Каждый скачок ИИ был скачком инфраструктуры: без дешёвых GPU, облаков и ЦОДов на гигаватты современные модели были бы невозможны.

• Телеком: прогноз нагрузки на сеть, оптимизация размещения базовых станций, выявление мошенничества с 2000-х
• Энергетика: прогноз потребления и выработки, диспетчеризация; ИИ-оптимизация охлаждения ЦОДов Google (2016) снизила расход энергии на охлаждение на 40 %
• Облака: автоматическое масштабирование, обнаружение аномалий, оптимизация размещения виртуальных машин
• IoT: обработка телеметрии моделями машинного обучения — предиктивное обслуживание, контроль качества
• Общая черта: ИИ снижал затраты на эксплуатацию инфраструктуры, оставаясь «невидимым» для конечного пользователя

1. Специализированные ускорители — GPU нового поколения, TPU, чипы для инференса; в России — проекты собственных ускорителей и адаптация к доступным чипам
2. ИИ на устройстве — Компактные модели работают на смартфонах и ноутбуках без облака — приватность и низкая задержка
3. Дешёвый инференс — Оптимизация моделей (дистилляция, квантование) снизила стоимость запроса на порядки
4. ИИ-ЦОДы — Кампусы на сотни мегаватт; в России — ЦОДы Сбера, Яндекса, МТС под ИИ-нагрузки
5. Векторные базы и RAG — Новый класс хранилищ для поиска по смыслу — корпоративные знания для моделей
6. Протоколы агентов — Стандарты подключения моделей к инструментам и данным (MCP и аналоги) — «USB для ИИ»

ИИ в контексте темы: история, современность, горизонт 2030

Оценка МЭА (IEA), ТВт·ч в год

ТВт·ч

Энергопотребление ЦОДов удвоится к 2030 году.

Источник исходной лекции: IEA Electricity 2024–2025; округлено, прогноз — базовый сценарий

• Удвоение за 6 лет — быстрее любого другого сектора
• ИИ — главный драйвер роста после 2023 года
• Для сравнения: потребление России целиком ≈ 1 100 ТВт·ч в год
• Реакция: инвестиции в энергетику, эффективные чипы, размещение ЦОДов у дешёвой энергии

1. Инфраструктура как услуга — норма — Собственные серверы останутся только у критической инфраструктуры и крупнейших компаний
2. ИИ встроен в каждый слой — От сети (самонастройка) до приложений (агенты); вопрос не «внедрять ли», а «на каких данных»
3. Суверенитет и совместимость — Национальные стеки должны оставаться совместимыми с мировыми стандартами
4. Энергоэффективность как KPI — Стоимость и углеродный след вычислений войдут в оценку цифровых проектов
5. Новые роли — Инженеры данных, MLOps, FinOps, архитекторы агентных систем
6. Риски — Концентрация у нескольких провайдеров, сбои, кибератаки на инфраструктуру

1. Цифровая экономика опирается на многослойный стек: физика → сети → платформы → данные и ИИ → приложения; слабый слой ограничивает всё
2. Большие данные — это не объём, а архитектура: DWH, озёра, lakehouse и управление качеством
3. Облако превращает капитальные затраты в операционные и даёт эластичность; суверенитет данных определяет выбор провайдера
4. IoT переводит физические процессы в данные; ценность создаётся только при их анализе
5. ИИ всегда зависел от вычислений и данных; к 2030 году главным ограничением станет энергия, а инфраструктура будет строиться для агентов

1. Назовите слои технологического стека и приведите пример ограничения на каждом
2. Как закон Мура связан с появлением генеративного ИИ?
3. Объясните модель 5V и чем lakehouse отличается от хранилища данных
4. Сравните экономику собственных серверов и облака; когда облако невыгодно?
5. В чём разница между потребительским и промышленным интернетом вещей?
6. Почему энергия становится ограничением цифровой экономики?
7. В каких случаях оправдано применение блокчейна вместо обычной базы данных?
8. Какие технологические изменения к 2030 году сильнее всего повлияют на бизнес-решения в вашей отрасли?

• Mell P., Grance T. The NIST Definition of Cloud Computing. NIST SP 800-145, 2011
• Laney D. 3D Data Management: Controlling Data Volume, Velocity and Variety. META Group, 2001
• Dean J., Ghemawat S. MapReduce: Simplified Data Processing on Large Clusters. 2004
• IEA. Electricity 2025 — Analysis and Forecast to 2027 (раздел о ЦОДах и ИИ)
• IoT Analytics. State of IoT 2025; GSMA Mobile Economy 2025 iKS-Consulting, ТМТ Консалтинг: обзоры российского рынка облачных услуг и ЦОДов (2024–2025)
• Федеральный закон от 31.07.2020 № 259-ФЗ «О цифровых финансовых активах…»
• Постановление Правительства РФ о реестре российского ПО; требования ФСТЭК к защите информации
• Nakamoto S. Bitcoin: A Peer-to-Peer Electronic Cash System. 2008
• Отчёты Cloud.ru, Yandex Cloud, VK Cloud, Selectel; материалы Минцифры России о нацпроекте «Экономика данных»

• Следующая лекция:
• ИИ в бизнесе: история и классические методы

Вопросы — на семинаре и в чате курса

• 5V — RAG
• 5V — объём, скорость, разнообразие, достоверность, ценность данных
• BI — бизнес-аналитика
• DWH — хранилище данных
• NoSQL — нереляционные базы данных; «не только SQL»
• OLAP — оперативная аналитическая обработка данных
• SQL — язык структурированных запросов
• SKU — единица складского учёта
• GFLOPS — миллиард операций с плавающей точкой в секунду
• GPU — графический процессор
• TPU — тензорный процессор
• API — программный интерфейс приложения
• CDN — сеть доставки контента
• DLT — технология распределённого реестра
• RAG — генерация с дополнением из найденных источников
• MCP — SP
• MCP — протокол контекста модели
• MLOps — развёртывание и сопровождение моделей машинного обучения
• GPT — генеративный предобученный трансформер
• IaaS — инфраструктура как услуга

• PaaS — платформа как услуга
• SaaS — программное обеспечение как услуга
• AI-as-a-Service — искусственный интеллект как услуга
• AWS — облачные сервисы Amazon
• CAPEX — капитальные затраты
• OPEX — операционные затраты
• FinOps — управление финансовой эффективностью облака
• KPI — ключевой показатель эффективности
• NIST — Национальный институт стандартов и технологий США
• SP — специальная публикация; серия документов NIST
• GDPR — ГЕОП
• GDPR — Общий регламент защиты данных ЕС
• GAIA-X — название европейской инициативы инфраструктуры данных
• IoT / IIoT — интернет вещей / промышленный интернет вещей
• 4G / 5G — четвёртое / пятое поколение мобильной связи
• Wi-Fi — беспроводная локальная сеть; торговое название
• GPS — глобальная система позиционирования
• ГЛОНАСС — глобальная навигационная спутниковая система
• USB — универсальная последовательная шина
• GSMA — ассоциация операторов мобильной связи

• ЦОД — центр обработки данных
• СУБД — система управления базами данных
• ГЕОП — государственная единая облачная платформа
• АЭС — ТМТ / TMT
• АЭС — атомная электростанция
• ГЭС — гидроэлектростанция
• МЭА / IEA — Международное энергетическое агентство
• ИИ / AI — искусственный интеллект
• ПО — программное обеспечение
• РФ — Российская Федерация
• ФЗ — федеральный закон
• ЕС / EU — Европейский союз
• США — Соединённые Штаты Америки
• ЦБ — Центральный банк; в России — Банк России
• ЦФА — цифровые финансовые активы
• ЖКХ — жилищно-коммунальное хозяйство
• ФСТЭК — Федеральная служба по техническому и экспортному контролю
• МТС / MTS — «Мобильные ТелеСистемы»
• VK / ВК — «ВКонтакте»; бренд компании
• ТМТ / TMT — телекоммуникации, медиа и технологии

Единицы: тыс. / млн / млрд / трлн — тысяча / миллион / миллиард / триллион; руб. / долл. — рубль / доллар; Гбит/с — гигабит в секунду; ТВт·ч — тераватт-час; км² — квадратный километр; 3D — три измерения.