Чарльз Хоскинсон: для ИИ-вычислений больше не нужны крупные дата-центры

Основатель Cardano Чарльз Хоскинсон считает, что нынешняя гонка по строительству гигантских дата-центров для искусственного интеллекта может оказаться временным этапом. По его мнению, индустрия постепенно перейдет к распределенной модели, в которой вычислительные мощности смартфонов, персональных компьютеров и отдельных GPU будут объединяться в единую инфраструктуру.

Такую позицию Хоскинсон высказал в выпуске подкаста deeptech INSIGHTS от 16 сентября 2026 года. В центре разговора оказались экономика искусственного интеллекта, стоимость обучения крупных моделей, энергетические ограничения и перспективы объединения AI с блокчейн-технологиями. 

Заявление прозвучало на фоне продолжающегося масштабного строительства инфраструктуры для ИИ. Компании вкладывают миллиарды долларов в серверные комплексы, ускорители и энергоснабжение. Однако одновременно растет интерес к более компактным и распределенным архитектурам, способным приблизить вычисления непосредственно к пользователю.

Хоскинсон полагает, что именно такая модель со временем может изменить представление о том, где должен выполняться искусственный интеллект.

Почему Хоскинсон сомневается в бесконечном строительстве дата-центров

По мнению основателя Cardano, нынешние темпы инвестиций в AI-инфраструктуру трудно поддерживать бесконечно. Одним из главных ограничений он называет электроэнергию.

Логика Хоскинсона заключается в следующем: если вычислительные мощности для ИИ будут продолжать расти прежними темпами, потребность в электроэнергии также будет увеличиваться. При этом энергетическая инфраструктура не может расширяться с такой же скоростью.

В подкасте он указывал на многократный рост расходов на дата-центры и задавался вопросом, насколько долго подобная динамика способна продолжаться. Дополнительной проблемой, по его мнению, является экономика самих AI-компаний: разработчикам необходимо не просто создавать все более мощные модели, но и превращать их в прибыльный бизнес.

Особое внимание Хоскинсон уделил предварительному обучению моделей — pre-training. Этот этап требует огромных объемов вычислений и становится одним из наиболее дорогих элементов разработки современных систем искусственного интеллекта.

Отсюда возникает принципиальный вопрос: обязательно ли для следующего поколения ИИ постоянно строить новые гигантские вычислительные комплексы?

Хоскинсон считает, что нет.

От гигантских комплексов к распределенным вычислениям

В качестве альтернативы он рассматривает распределенную модель. Ее идея достаточно проста: вместо того чтобы концентрировать тысячи или десятки тысяч ускорителей в одном специально построенном здании, можно объединять большое количество уже существующих вычислительных устройств.

Речь идет о GPU, рабочих станциях, персональных компьютерах и даже смартфонах.

В таком сценарии отдельное устройство становится частью более крупной сети. Само по себе оно может обладать относительно небольшой вычислительной мощностью, но миллионы подобных устройств способны сформировать значительный совокупный ресурс.

Подобный подход принципиально отличается от классической модели облачных вычислений.

Сегодня крупная AI-модель обычно обучается в контролируемой инфраструктуре, где компания владеет или арендует огромный кластер оборудования. Серверы находятся в дата-центре, имеют высокоскоростное соединение, централизованное управление и предсказуемые характеристики.

Распределенная система работает иначе.

В ней вычислительная задача разбивается на множество частей, которые передаются разным устройствам. После выполнения результатов они возвращаются в общую систему. Теоретически это позволяет использовать вычислительные ресурсы, которые в противном случае простаивали бы.

Именно здесь, по мнению Хоскинсона, блокчейн может получить новую функцию.

Как криптовалюта может быть связана с ИИ

Хоскинсон рассматривает блокчейн не только как технологию для выпуска цифровых активов.

В его концепции распределенной AI-инфраструктуры блокчейн может выступать в роли координационного механизма.

Если тысячи или миллионы независимых устройств предоставляют свои вычислительные ресурсы, возникает целый набор практических вопросов.

Кто оплачивает вычисления?

Как доказать, что устройство действительно выполнило работу?

Как определить объем предоставленной мощности?

Как распределять вознаграждение?

Как установить происхождение используемых данных?

Как автоматизировать расчеты между участниками?

В централизованном дата-центре значительная часть этих вопросов решается самой компанией. В распределенной сети единого владельца может не быть.

Поэтому, считает Хоскинсон, блокчейн способен стать своеобразным экономическим и координационным слоем между владельцами вычислительных ресурсов.

Пользователь предоставляет GPU или другое устройство, сеть фиксирует выполненную работу, а программный протокол автоматически рассчитывает вознаграждение.

В таком случае вычислительная мощность превращается в своеобразный цифровой товар, которым можно торговать через открытую сеть.

Почему это напоминает историю интернета

Для описания нынешнего AI-бума Хоскинсон использует аналогию с телекоммуникационной инфраструктурой конца 1990-х годов.

В период бума интернет-компаний телекоммуникационные операторы активно прокладывали оптоволоконные линии, рассчитывая на стремительный рост интернет-трафика.

Часть этой инфраструктуры впоследствии оказалась избыточной. По словам Хоскинсона, значительная доля построенной тогда оптоволоконной емкости длительное время оставалась невостребованной.

Именно поэтому он предполагает, что история может повториться с искусственным интеллектом.

Сегодня компании строят огромные вычислительные комплексы исходя из ожиданий будущего спроса. Но если развитие более эффективных моделей, локального ИИ и специализированных систем будет происходить быстрее роста потребности в централизованных вычислениях, часть новых мощностей может оказаться экономически неоправданной.

Эта аналогия не означает, что дата-центры исчезнут. Скорее речь идет о возможном изменении структуры рынка.

Маленькие модели могут изменить экономику ИИ

Один из важных элементов этой концепции — развитие небольших AI-моделей.

На раннем этапе развития генеративного ИИ внимание индустрии было сосредоточено преимущественно на увеличении размера моделей и количества используемых вычислений.

Однако параллельно развивается другое направление: модели становятся компактнее, оптимизируются и начинают работать непосредственно на устройствах пользователя.

Это особенно важно для задач, которые не требуют обращения к гигантской облачной модели.

Например, локальный искусственный интеллект может выполнять функции голосового помощника, анализировать документы, обрабатывать фотографии, помогать с программированием или работать с персональными данными непосредственно на компьютере или смартфоне.

В этом случае запрос пользователя не обязательно отправлять в центральный дата-центр.

Такой подход имеет несколько потенциальных преимуществ.

Во-первых, уменьшается задержка. Вычисления происходят непосредственно на устройстве.

Во-вторых, часть данных может вообще не покидать компьютер или смартфон.

В-третьих, снижается зависимость от постоянного соединения с облачным сервером.

В-четвертых, совокупная вычислительная мощность миллионов пользовательских устройств потенциально может стать дополнительным ресурсом для AI-сервисов.

Именно сочетание этих тенденций Хоскинсон рассматривает как возможную альтернативу бесконечному наращиванию централизованной инфраструктуры. 

Но полностью заменить дата-центры будет сложно

При этом утверждение о том, что крупные дата-центры больше не нужны, следует воспринимать именно как прогноз Хоскинсона, а не как установленный отраслевой факт.

Современное обучение передовых моделей предъявляет чрезвычайно высокие требования к вычислениям, памяти, пропускной способности сети и синхронизации между ускорителями.

Крупный централизованный кластер имеет существенное преимущество: все оборудование находится в контролируемой среде.

Это позволяет разработчикам обеспечивать стабильное электропитание, охлаждение, сетевое соединение и практически постоянную доступность вычислительных ресурсов.

Распределенная сеть сталкивается с противоположными проблемами.

Домашний компьютер может отключиться. Смартфон может оказаться без подключения к интернету. GPU может быть перегружен другой задачей. Производительность оборудования у разных участников будет различаться.

Еще одна проблема — скорость обмена данными.

При обучении крупных моделей многие операции требуют очень быстрого обмена информацией между вычислительными ускорителями. Перемещение данных через интернет между миллионами независимых устройств может оказаться значительно менее эффективным, чем использование специализированной высокоскоростной сети внутри дата-центра.

Поэтому распределенные вычисления могут не столько полностью заменить централизованные комплексы, сколько дополнить их.

Модель «центр плюс периферия»

Вполне вероятно, что развитие AI-инфраструктуры приведет не к выбору между дата-центром и пользовательским устройством, а к появлению смешанной архитектуры.

В ней разные типы задач будут выполняться на разных уровнях.

Самые тяжелые операции, например обучение фундаментальных моделей, могут оставаться в крупных вычислительных центрах.

Средние по сложности задачи будут передаваться региональным или специализированным вычислительным узлам.

А простые запросы будут выполняться непосредственно на смартфоне, ноутбуке или другом пользовательском устройстве.

Такой подход часто описывают через понятия edge computing и hybrid AI.

Для пользователя результат может выглядеть очень просто: часть функций AI работает без подключения к облаку, а более сложные задачи автоматически передаются на удаленную инфраструктуру.

В таком мире дата-центры сохраняют свое значение, но перестают быть единственным источником вычислительной мощности.

Главный вопрос — экономика

Аргумент Хоскинсона связан не только с техническими возможностями.

Ключевым фактором он считает экономику.

Строительство AI-дата-центра требует огромных капиталовложений. Необходимо приобрести серверы и ускорители, построить или модернизировать объект, обеспечить его электроэнергией, охлаждением и сетевыми каналами.

При этом оборудование быстро устаревает.

Новое поколение ускорителей может обеспечивать значительно более высокую производительность при аналогичном энергопотреблении. Это создает постоянное давление на владельцев инфраструктуры: чтобы оставаться конкурентоспособными, им приходится регулярно обновлять оборудование.

Дополнительная проблема — загрузка мощностей.

Если вычислительный кластер построен с расчетом на определенный объем спроса, а реальная загрузка оказывается ниже ожиданий, капитальные затраты становятся значительно сложнее окупить.

Именно возможным избытком инфраструктуры Хоскинсон объясняет свой скептицизм относительно продолжения нынешнего темпа строительства.

При этом текущий рынок демонстрирует и обратную тенденцию.

Крупнейшие технологические компании продолжают инвестировать в AI-инфраструктуру, а спрос на вычислительные мощности остается высоким. Параллельно появляются новые модели дата-центров меньшего размера.

Показательный пример — компания Crusoe, которая после строительства крупного AI-комплекса начала активно развивать более компактные модульные дата-центры. Такие объекты можно производить серийно и размещать там, где уже доступна необходимая энергетическая инфраструктура. 

Таким образом, даже внутри индустрии дата-центров наблюдается движение к более гибким формам размещения вычислительных мощностей.

Энергия становится главным ограничением

Для AI-индустрии вопрос электроэнергии становится все более важным.

Обычный интернет-сервис может масштабироваться преимущественно за счет серверов и сетевого оборудования. Современный ИИ добавляет к этому огромный объем вычислительной работы.

Графические и специализированные ускорители потребляют много энергии. Кроме того, электричество необходимо для охлаждения оборудования.

Поэтому строительство нового AI-дата-центра невозможно рассматриватьают внимание на другую проблему: крупные дата-центры потребляют значительные объемы воды и энергии. В августе 2026 года специалисты Калифорнийского университета в Беркли отдельно рассмотрели вопрос о том, обязательно ли дальнейшее развитие ИИ должно сопровождаться строительством все новых крупных дата-центров. Среди рассматриваемых направлений они выделили более компактные и эффективные AI только как проект в сфере IT.

Это одновременно энергетический проект.

Необходимо обеспечить подключение к электросети, найти источник генерации, построить инфраструктуру передачи энергии и решить вопрос охлаждения.

Именно поэтому дефицит доступной мощности может стать ограничением для дальнейшего роста.

Исследователи и специалисты в области AI-инфраструктуры одновременно обращают внимание на другую проблему: крупные дата-центры потребляют значительные объемы воды и энергии. В августе 2026 года специалисты Калифорнийского университета в Беркли отдельно рассмотрели вопрос о том, обязательно ли дальнейшее развитие ИИ должно сопровождаться строительством все новых крупных дата-центров. Среди рассматриваемых направлений они выделили более компактные и эффективные AI-системы. 

Это не подтверждает прогноз Хоскинсона автоматически, однако показывает, что вопрос эффективности AI-инфраструктуры обсуждается далеко за пределами криптовалютной индустрии.

Распределенный ИИ требует новых механизмов доверия

Если представить распределенную AI-сеть, сразу возникает проблема доверия.

В централизованной инфраструктуре оператор знает, какое оборудование используется и кто отвечает за его работу.

В открытой распределенной системе участники могут быть анонимными или полуавтономными.

Это создает несколько рисков.

Участник может заявить, что предоставил определенный объем вычислительных ресурсов, хотя на самом деле сделал меньше.

Устройство может вернуть неправильный результат.

Некоторые участники могут попытаться манипулировать системой ради получения вознаграждения.

Для решения подобных задач нужны механизмы проверки вычислений, репутации и экономических стимулов.

Здесь блокчейн действительно может оказаться полезным технологическим компонентом. Однако одной блокчейн-сети недостаточно для решения всех технических проблем распределенного машинного обучения.

Необходимы соответствующие протоколы передачи данных, алгоритмы распределения задач, методы проверки результатов и защита от злоумышленников.

Еще одна проблема — данные

ИИ зависит не только от вычислений.

Для обучения моделей нужны данные.

Причем их происхождение становится все более важным вопросом.

Если искусственный интеллект использует текст, изображения, видео или другие произведения, возникает вопрос о том, кто является их автором и на каких условиях эти материалы могут использоваться.

Хоскинсон считает, что блокчейн способен обеспечить механизм фиксации происхождения данных.

Идея заключается в создании проверяемой истории: кто создал контент, кто его использовал и при каких условиях.

В дальнейшем смарт-контракты теоретически могут автоматически распределять платежи между правообладателями.

Таким образом, AI-система сможет не только получать информацию, но и совершать экономические операции с ее создателями.

Это направление хорошо сочетается с другой частью концепции Хоскинсона — автономными AI-агентами.

ИИ-агенты и экономика микроплатежей

Современные AI-системы постепенно превращаются из инструментов, отвечающих на вопросы, в автономных агентов.

Такой агент может самостоятельно искать информацию, обращаться к внешним сервисам, выполнять программный код и принимать решения в рамках заданных пользователем полномочий.

В этом случае возникает еще одна проблема: как один программный агент будет платить другому?

Человеческий пользователь может оформить банковскую карту или подписку. Для автономного программного обеспечения такой механизм значительно менее удобен.

Хоскинсон считает, что криптовалютные сети и стейблкоины могут стать инфраструктурой для подобных автоматических расчетов.

Например, AI-агент может заплатить другому сервису небольшую сумму за получение конкретных данных. Платеж происходит автоматически, без участия человека.

В экосистеме Cardano уже формируется отдельное направление, связанное с AI-агентами. Официальные материалы Cardano описывают инфраструктуру для идентификации агентов, платежей, цифровых активов и взаимодействия автономных систем. 

Однако важно различать существующие продукты и долгосрочные прогнозы. Наличие блокчейн-инструментов для AI-агентов само по себе еще не означает, что именно такая архитектура станет доминирующей в мировой индустрии.

Хоскинсон видит в этом более крупный сдвиг

Для основателя Cardano речь идет не просто о способе сэкономить на серверах.

Он связывает развитие распределенного ИИ с изменением самой структуры цифровой экономики.

Сегодня значительная часть AI-индустрии сосредоточена вокруг небольшого числа технологических компаний, располагающих огромными финансовыми ресурсами и доступом к вычислительным кластерам.

Распределенная модель потенциально способна снизить порог входа.

Если вычислительная мощность становится доступна через открытый рынок, небольшая компания может арендовать ее у множества независимых поставщиков, не строя собственный дата-центр.

Если данные могут иметь проверяемое происхождение, разработчики получают новые способы взаимодействия с правообладателями.

Если платежи автоматизированы, AI-агенты могут самостоятельно покупать вычисления, информацию и другие цифровые услуги.

А если модели становятся меньше, часть AI-функций перемещается непосредственно на пользовательские устройства.

В совокупности эти процессы способны сделать AI-инфраструктуру значительно более распределенной.

Не только техническая, но и политико-экономическая проблема

Есть и более широкий аспект.

Концентрация вычислительных мощностей означает концентрацию экономического влияния.

Крупнейшие дата-центры требуют огромных инвестиций. Их строительство доступно ограниченному числу компаний и финансовых структур.

Кроме того, владельцы крупных вычислительных кластеров контролируют доступ к инфраструктуре.

Распределенная модель теоретически способна изменить этот баланс.

Владельцем вычислительного ресурса может стать практически любой человек или компания.

Однако децентрализация не гарантирует автоматического распределения влияния.

Даже распределенная сеть может постепенно концентрироваться вокруг крупнейших поставщиков оборудования, операторов узлов или владельцев капитала.

Поэтому вопрос заключается не только в том, где физически находятся GPU, но и в том, кто контролирует протокол, рынок вычислений и правила доступа к нему.

Почему крупные дата-центры пока никуда не исчезают

Несмотря на прогноз Хоскинсона, современная AI-индустрия продолжает активно строить крупные вычислительные комплексы.

Причины очевидны.

Большие модели требуют огромных вычислительных ресурсов. Для их обучения важно, чтобы ускорители могли быстро обмениваться данными.

Централизованный дата-центр обеспечивает именно такую среду.

Кроме того, крупный объект позволяет оптимизировать охлаждение, электроснабжение и обслуживание оборудования.

Поэтому утверждение «дата-центры больше не нужны» было бы слишком категоричным.

Более точной формулировкой будет другая: в будущем для некоторых AI-задач может потребоваться меньше централизованных вычислений, чем предполагает сегодняшняя модель развития отрасли.

При этом самые ресурсоемкие задачи, вероятно, еще долго будут выполняться в специализированных центрах.

Возможен компромисс между двумя моделями

Наиболее реалистичным сценарием может оказаться сосуществование нескольких типов инфраструктуры.

Крупные дата-центры будут заниматься фундаментальными моделями и задачами, требующими огромного количества синхронизированных ускорителей.

Региональные вычислительные центры смогут обслуживать конкретные рынки и приложения.

Небольшие локальные серверы будут работать непосредственно рядом с пользователями.

А смартфоны, ноутбуки и персональные компьютеры возьмут на себя все больше задач, которые сегодня отправляются в облако.

В такой архитектуре распределенные вычисления не уничтожают дата-центры. Они уменьшают их монополию на AI-вычисления.

Именно этот сценарий лучше всего соответствует тенденциям развития edge AI и компактных моделей.

Что может произойти с рынком GPU

Если прогноз Хоскинсона реализуется хотя бы частично, измениться может и рынок графических ускорителей.

Сегодня значительная часть спроса приходится на крупные серверные кластеры.

В распределенной модели спрос становится более фрагментированным.

Вместо нескольких гигантских заказчиков появляется огромное количество владельцев отдельных GPU.

Это может привести к развитию специализированных рынков вычислительной мощности, где пользователи будут сдавать простаивающие ресурсы.

С экономической точки зрения модель напоминает маркетплейс.

Один участник предлагает вычислительный ресурс, другой его покупает, а программный протокол автоматически организует сделку.

Блокчейн в этом случае является не обязательным условием самой технологии распределенных вычислений, а потенциальным механизмом учета, расчетов и стимулирования участников.

Главный барьер — эффективность

Однако для массового перехода к такой модели необходимо решить проблему эффективности.

Не каждое вычисление имеет смысл распределять между миллионами устройств.

Если задача требует постоянного обмена большими объемами данных, стоимость передачи информации может оказаться выше экономии от использования распределенных GPU.

Для хорошо распараллеливаемых задач ситуация может быть другой.

Поэтому будущее распределенного ИИ во многом будет зависеть от того, какие алгоритмы и архитектуры машинного обучения получат распространение.

Если разработчики научатся создавать модели, которые эффективно работают на разнородном оборудовании, концепция Хоскинсона станет более реалистичной.

Если же фундаментальные модели будут по-прежнему требовать тесно связанных между собой гигантских кластеров, крупные дата-центры сохранят ключевую роль.

ИИ может стать менее централизованным

Главная идея Хоскинсона заключается не в том, что серверы больше не понадобятся.

Его прогноз значительно шире.

Он предполагает, что нынешняя модель, в которой искусственный интеллект концентрируется в нескольких огромных дата-центрах, может оказаться переходным этапом.

По мере совершенствования алгоритмов, уменьшения моделей и роста мощности пользовательских устройств вычисления могут перемещаться ближе к пользователю.

Одновременно распределенные сети смогут объединять простаивающие ресурсы миллионов устройств.

В этой системе блокчейн потенциально выполняет роль экономического слоя: помогает организовать оплату, идентификацию участников, учет данных и распределение вознаграждений.

Это соответствует более широкой стратегии самого Cardano, который сейчас позиционирует блокчейн как инфраструктуру для взаимодействия автономных AI-агентов, цифровой идентичности и машинных платежей. 

Прогноз или начало нового тренда?

Пока рано говорить о том, что индустрия действительно отказалась от крупных дата-центров.

Наоборот, инвестиции в централизованную AI-инфраструктуру остаются огромными. Параллельно появляются новые проекты как в области гигантских вычислительных комплексов, так и в сегменте небольших модульных центров. 

Но одновременно меняется само устройство искусственного интеллекта.

Модели становятся компактнее.

AI все чаще работает непосредственно на устройствах.

Развиваются автономные агенты.

Растет интерес к распределенным вычислениям.

Энергия становится одним из главных ограничений масштабирования.

А стоимость обучения наиболее крупных моделей заставляет компании искать более эффективные архитектуры.

Все эти тенденции делают сценарий более распределенной AI-инфраструктуры технологически и экономически интересным.

Поэтому заявление Чарльза Хоскинсона можно рассматривать не столько как утверждение о немедленном исчезновении дата-центров, сколько как прогноз относительно следующего этапа развития отрасли.

Что это означает для будущего AI

Если Хоскинсон окажется прав хотя бы частично, через несколько лет привычная картина AI-инфраструктуры может выглядеть иначе.

Вместо нескольких гигантских вычислительных комплексов, которые выполняют практически все задачи, появится многоуровневая система.

Крупные центры будут обучать наиболее тяжелые модели.

Региональные узлы будут предоставлять вычисления для бизнеса.

Персональные компьютеры и смартфоны будут запускать локальные модели.

А свободные GPU смогут продавать вычислительную мощность через открытые распределенные сети.

Для пользователя различие между этими уровнями может быть практически незаметным. AI-система сама будет выбирать, где выгоднее выполнить конкретную задачу.

Если запрос простой — он останется на устройстве.

Если требуется более мощная модель — задача уйдет на удаленный сервер.

Если необходимы значительные вычисления — сеть сможет найти доступный ресурс и оплатить его автоматически.

Такой подход потенциально способен изменить не только архитектуру искусственного интеллекта, но и экономику всей отрасли.

Блокчейн

Чарльз Хоскинсон поставил под сомнение идею о том, что будущее искусственного интеллекта обязательно связано с бесконечным строительством все более крупных дата-центров.

Его аргумент основан на трех факторах: ограниченности энергетической инфраструктуры, высокой стоимости обучения моделей и возможности использовать распределенные вычислительные ресурсы.

В качестве альтернативы он рассматривает объединение существующих GPU и пользовательских устройств в распределенную сеть. Блокчейн в этой модели может использоваться для координации, платежей, идентификации и учета происхождения данных.

Однако говорить о скором исчезновении крупных дата-центров пока преждевременно. Современные фундаментальные модели по-прежнему требуют огромных объемов централизованных вычислений, а высокая скорость взаимодействия между ускорителями значительная часть AI-задач со временем переместится на устройства пользователей и в распределенные сети, сегодняшняя гонка за гигантскими вычислительными комплексами действительно может оказаться лишь одной остается важнейшим условием эффективного обучения.

Вероятнее всего, развитие пойдет сразу по нескольким направлениям.

Крупные дата-центры продолжат существовать, но одновременно будут расти локальные AI-системы, edge computing, компактные модели и распределенные рынки вычислительной мощности.

В конечном счете вопрос может оказаться не в том, нужны ли ИИ большие дата-центры, а в том, какую долю вычислений действительно необходимо выполнять в них.

И именно здесь прогноз Хоскинсона представляет наибольший интерес: если значительная часть AI-задач со временем переместится на устройства пользователей и в распределенные сети, сегодняшняя гонка за гигантскими вычислительными комплексами действительно может оказаться лишь одной из стадий развития искусственного интеллекта.