Google представила программный комплекс TorchTPU с открытым исходным кодом, предназначенный для запуска ИИ-моделей с использованием фреймворка PyTorch на ускорителях TPU. Проект призван упростить использование ускорителей Google в обучении и инференсе ИИ; поддерживаются популярные программные средства — создавать отдельную программную среду для TPU не требуется.

Разработанный совместно с командой PyTorch в Meta✴ инструментарий TorchTPU позволяет запускать существующие проекты в PyTorch с минимальными изменениями кода, используя привычный API. Поддерживаются отладка в обычном режиме PyTorch и механизмы распределенных вычислений. Google заручилась поддержкой Hugging Face, благодаря чему представленные на ИИ-платформе открытые модели могут запускаться нативно через TorchTPU — поддерживаются библиотеки Transformers v5 и Diffusers.

Источник изображения: youtube.com/@googlecloudtech

Программный модуль vLLM для TorchTPU поддерживает одновременную обработку множества запросов, квантизацию и распределение вычислений между чипами TPU; стандартные средства управления вычислениями и обработки запросов сохранены. Для TPU адаптирован инструмент SGLang — он позволяет ускорять сложные многоэтапные задачи, в том числе выполняемые ИИ-агентами; поддерживаются повторные обращения к KV-кешу и повторяющиеся префиксы запросов, за счёт чего одни и те же вычисления могут не выполняться заново. Версия SGLang-TorchTPU сохранила механизмы выполнения задач, распределения запросов и API. Средства обмена данными с HiCache помогают сократить задержку и оптимизировать вывод при сложной многоэтапной генерации.

Совместно с Red Hat, IBM и сообществом разработчиков выпущен роутер llm-d 1.0 — он направляет запросы к экземплярам модели, где уже сохранен контекст, а также разделяет обработку входного запроса и генерацию ответа по вычислительным ресурсам, что позволяет использовать их эффективнее. В Google Kubernetes Engine этот инструмент поддерживает запуск моделей как на GPU, так и на TPU. Google интегрировала TorchTPU с TorchTitan — инструментом распределённого обучения крупных моделей; поддерживаются, в частности, Llama 3, Qwen 3 и FLUX.1. Поддержка появилась в VeRL — одном из наиболее популярных фреймворков для обучения с подкреплением, позволяющий улучшать модели в математических задачах, написании кода и многоэтапных агентских задачах.

Заявлено о поддержке TorchTPU в Ray — инструмент для распределения вычислительных задач позволяет объединить обработку данных, обучение, и инференс в рабочий процесс с использованием центральных и графических процессоров, а также TPU. В экосистему PyTorch вошла библиотека LiteRT, предназначенная для запуска моделей на пользовательских устройствах. Google также представила предварительную версию TPU agent suite — при помощи плагинов этот набор инструментов помогает автоматизировать первоначальную настройку, диагностику и оптимизацию моделей в PyTorch.

Поддержку PyTorch на своих ускорителях реализовали также Amazon, Intel и Meta✴.

Российский разработчик решений для видеоконференцсвязи «Труконф» представил новую серверную архитектуру TrueConf Cluster.

Решение предназначено для построения отказоустойчивых систем унифицированных коммуникаций в государственных структурах, банках и промышленных предприятиях. Архитектура TrueConf Cluster позволяет объединять несколько серверов в единый логический кластер с автоматическим перераспределением нагрузки и мгновенным переключением на резервные узлы при сбоях. По данным разработчика, система обеспечивает непрерывность сеансов связи: при выходе из строя одного из узлов активные конференции не прерываются, а пользователи незаметно для себя переводятся на работающие мощности.

В основу архитектуры TrueConf Cluster положена фирменная технология компании «Труконф»: каждый участник взаимодействует только со «своим» узлом кластера, а медиаданные передаются напрямую между задействованными узлами — такой подход обеспечивает равномерную нагрузку на сеть.

Источник изображения: «Труконф» / trueconf.ru

Кластер может быть развёрнут в контуре заказчика или его доверенного подрядчика — в том числе в изолированных сетях. Настройка узлов TrueConf Cluster и конфигурирование системы осуществляется через единый портал с мониторингом нагрузки и активности в реальном времени, а также централизованным управлением правами групп пользователей и администраторов.

TrueConf Cluster поддерживает взаимодействие со сложными LDAP-лесами, настройку многофакторной авторизации и механизма единого входа, а также интеграцию со сторонними средствами защиты цифровых угроз. Благодаря возможностям масштабирования продукт может использоваться в организациях любого размера, будь то ведомственные предприятия, территориально распределённые или международные компании с широкой географией офисов.

Компания Marvell Technology анонсировала ретаймер Alaska E 3.2T и чип Alaska A 1.6T AEC DSP второго поколения для высокопроизводительных ИИ-инфраструктур. Изделия призваны решить проблему затухания сигналов и роста энергопотребления при построении сетей со сверхвысокими скоростями передачи данных.

Ретаймер Alaska E 3.2T обеспечивает общую пропускную способность до 3,2 Тбит/с. Конфигурация включает 16 линий 224G PAM4 SerDes. Реализована поддержка протоколов Ethernet, UALink и ESUN. Говорится об ультранизкой задержке и об архитектуре, оптимизированной для ИИ-платформ высокой плотности. Ретаймер позволяет гибко размещать вычислительные узлы без потери качества сигнала.

Источник изображения: Marvell

В свою очередь, решение Alaska A 1.6T AEC DSP — это специализированный цифровой сигнальный процессор для активных электрических кабелей (AEC). Его конфигурация предусматривает использование восьми линий 224G PAM4, а пропускная способность составляет 1,6 Тбит/с. Изделие производится по 3-нм технологии в корпусе с размерами 12 × 14 мм. Заявленное энергопотребление — 12,8 Вт. Решение даёт возможность передавать сигнал 1,6 Тбит/с по медным кабелям на расстояние более 6 м, что вдвое превышает показатель чипов первого поколения. Упомянуты протоколы Ethernet, UALink и ESUN.

У обеих новинок компенсация вносимых потерь превышает 45 дБ. Реализован полный набор диагностических возможностей. Пробные поставки Alaska E 3.2T и Alaska A 1.6T AEC DSP уже начались. 

Amazon анонсировала TorchNeuron — инструментарий с открытым исходным кодом, позволяющий запускать рабочие нагрузки PyTorch на ИИ-ускорителях AWS Trainium. До настоящего момента запуск на чипах Trainium самого популярного в отрасли фреймворка PyTorch для разработки систем искусственного интеллекта требовал значительного объёма ручной работы — затраты на разработку увеличивались, создавался барьер для пользователей.

TorchNeuron позволяет запускать проекты PyTorch на чипах Trainium, не внося масштабных изменений в код. Разработчикам, подчеркнули в Amazon, достаточно лишь задать параметр, какой именно чип следует использовать для выполнения задач. Поддерживаются Trainium2 и Trainium3 — две новейшие модели в линейке этих ускорителей; они подходят как для обучения, так и для инференса моделей.

Более мощный из двух ускоритель Trainium3 оснащён восемью вычислительными ядрами, каждое из которых состоит из четырёх модулей, оптимизированных для определённых типов вычислений, необходимых ИИ-моделям при обработке данных. Объём встроенной памяти составляет 144 Гбайт. На сервере могут работать до 144 ускорителей Trainium3 — одна такая система способна выполнять до 362 квадриллионов операций в секунду при работе с данными в формате MXFP8, который широко применяется в моделях ИИ.

Источник изображения: aboutamazon.com

Для серии Trainium был разработан собственный язык программирования NKI; благодаря наличию специального компилятора этот язык позволяет производить низкоуровневую оптимизацию моделей, за счёт чего снижается потребление аппаратных ресурсов и повышается скорость работы ИИ.

В состав TorchNeuron входит набор готовых операторов NKI — программных компонентов, которые можно использовать при создании ИИ-моделей. Одни из них упрощают реализацию архитектуры Mixture-of-Experts, другие помогают сократить объём памяти, который занимают нейросети. Ускоряется выполнение и сопутствующих задач, например, квантования. TorchNeuron поддерживает не только PyTorch, но и другие открытые инструменты, которые разработчики часто используют в связке с этим фреймворком. Среди них поддерживается TorchTitan — популярный механизм для обучения ИИ-моделей. Он автоматизирует часть задач, связанных с распределением процессов между ускорителями; метод полностью сегментированного параллелизма данных разделяет не только обучаемую модель, но также состояния оптимизатора и градиенты. Оптимизатор — программа совершенствующая способности модели; градиенты — данные, которые играют в этом процессе важную роль. В состав TorchNeuron вошли функции, позволяющие дополнительно оптимизировать рабочий процесс обучения с использованием ускорителей Trainium.

Ранее о поддержке PyTorch на своих ускорителях заявили Intel, Meta✴ и корейский стартап HyperAccel.

Компания Microsoft отказалась от участия в проекте, предусматривавшего аренду вычислительных мощностей в флагманском дата-центре компании Nscale, поддерживаемой NVIDIA. Такое решение было принято после того, как вероятные сроки подключения ЦОД к электроснабжению сдвинули на 2030-е годы — это стало наглядной демонстрацией того, что британские амбиции в сфере ИИ могут столкнуться с серьёзными препятствиями, сообщает Reuters.

В понедельник американский техногигант объявил, что намерен продолжить взаимодействие с Nscale, в т.ч. в проектах по строительству цифровой инфраструктуры и развитию ИИ по всему миру.

В компании подчёркивают, что отказ от сделки касается конкретной площадки в Лоутоне (Loughton) графства Эссекс. Именно там Nscale не смогла обеспечить своевременное подключение — представители оператора местных электросетей сообщили, что рассчитывают подавать энергию к ЦОД не раньше 2030-х гг. В самой Nscale также утверждают, что эта проблема с электросетевой инфраструктурой Лондона и прилегающих районов не повлияет на другие контракты.

Nscale выразила намерение и далее развивать проект в Лоутоне, как и свой бизнес в Великобритании в целом. Пока изучаются альтернативные источники электроснабжения площадки, а также масштабирования присутствия в других регионах страны.

Источник изображения: Nomadic Julien/unsplash.com

Проект впервые анонсировали в ходе визита в Великобританию президента США Дональда Трампа (Donald Trump) в сентябре 2025 года, Предполагалось, что он продемонстрирует желание страны стать одним из мировых лидеров в ИИ-индустрии. Тем не менее, Великобритания столкнулась с дефицитом электричества для ЦОД из-за нехватки доступных энергетических мощностей. Из-за очередей на подключение сроки реализации проектов ЦОД могут быть отложены на срок до 13 лет.

В 2025 году партнёры заявляли, что ЦОД в Лоутоне должен заработать в начале следующего года, 23 040 ускорителей NVIDIA GB300 должны были обеспечить 50 МВт вычислительных ИИ-мощностей в помощь сервисам Microsoft Azure в Соединённом Королевстве.

В сентябре Nscale подала заявку на IPO в США. Предполагалось, что в числе крупнейших клиентов будут Anthropic и Microsoft.

Nscale обеспечивает клиентам ИИ-инфраструктуру, включая вычислительные мощности, электроснабжение и собственно ЦОД, а также ПО для обучения и эксплуатации ИИ-моделей.

С момента основания Nscale активно развивалась. За 2,5 года стоимость заключённых ей контрактов выросла с $100 млн до более $103 млрд. В число прямых конкурентов входят CoreWeave, Nebius, Crusoe и Lambda.

Не все проекты удаётся реализовать одинаково успешно. Недавно сообщалось, что сдача ЦОД Nscale в норвежском Глом-фьорде отложена на полгода из-за пожара, утечек в системе охлаждения и более серьёзных проблем, включая ограничения со стороны местных властей.

Только 51,8 % из 10 104 ИИ-ускорителей, выделенных бизнесу, предприятиям и другим организациям, в рамках государственных проектов Южной Кореи, активно использовались по состоянию на сентябрь 2026 года, сообщает TelecomPaper.

По статистике Национального агентства по продвижению IT-индустрии (NIPA) Южной Кореи, используются лишь 5234 из 10 104 ускорителей, предоставленных при участии государства. Информация была раскрыта в ходе парламентского аудита государственных органов одним из депутатов страны, обратившим внимание на неэффективное расходование средств.

Согласно статистике по секторам, в крупных компаниях уровень использования ускорителей наиболее высок и составляет 80,6 %. В научно-исследовательских структурах он значительно ниже — 61,2 %.

Хуже всего показатели у малого бизнеса и университетов. На малых и средних предприятиях уровень использования составляет 56,5 %, в стартапах — 46,1 %, а в университетах — 42,1 %.

Источник изображения: Mathew Schwartz/unsplash.com

Более того, как минимум в 15 отдельных проектах, в том числе в 10 промышленных, академических и исследовательских проектах, а также в пяти инициативах в сфере ИИ, используется менее 20 % выделенных ускорителей.

Отмечается, что агентство NIPA не сообщало о неэффективном использовании ресурсов. При этом ни одна партия ускорителей, выделенных при поддержке государства, не была отозвана, хотя действующие в стране правила позволяют возвращать ресурсы, если те не находят применения.

Теперь NIPA заявило, что рассмотрит объяснения представителей проектов, недостаточно активно использовавших ускорители. Также будет изучена возможность отзыва ресурсов, если они используются не в должной мере.

Как сообщает DigiTimes, тем временем, пока у одних организаций ускорители остаются неиспользованными, многие небольшие исследовательские команды и ИИ-стартапы среднего размера в стране жалуются на серьёзный дефицит вычислительных мощностей, проблемы с арендой оборудования и получением поддержки для обучения крупных ИИ-моделей.

При этом в Южной Корее довольно решительно настроены на развитие ИИ-отрасли. Например, в июне сообщалось, что страна инвестирует почти $3 трлн в полупроводники и ИИ. В том же месяце было объявлено, что NVIDIA поможет SK hynix, Naver, Doosan, SK Telecom и LG расширить ИИ-инфраструктуру Южной Кореи.

Компания Sipeed сообщила о разработке компьютера MaixStation небольшого форм-фактора, который позиционируется в качестве альтернативы устройству NVIDIA DGX Spark, дебютировавшему в марте 2025 года. Новинка предназначена для локальной работы с большими языковыми моделями (LLM), включая Qwen и DeepSeek.

В основу MaixStation положен новый процессор AX8860P, разработанный китайской фирмой Axera. Чип объединяет 16 вычислительных ядер Arm Cortex-A55 и нейропроцессорный узел (NPU) с ИИ-производительностью до 256 TOPS в режиме FP4. Поддерживается до 128 Гбайт оперативной памяти LPDDR5X с 256-битной шиной и пропускной способностью до 273 Гбайт/с. Упомянута поддержка PCIe 5.0 и интерконнекта AXLink (C2C). Изделие изготавливается по 6-нм технологии, а энергопотребление под нагрузкой находится на уровне 40 Вт.

Источник изображения: Sipeed

MaixStation может нести на борту 32 или 128 Гбайт памяти LPDDR5x. В первом случае заявлена поддержка модели Qwen3.8-27B (27 млрд параметров), во втором — Qwen3.8-Flash-Next 125B (125 млрд параметров). При объединении в кластер двух и четырёх мини-компьютеров становится возможной работа с LLM DeepSeek V4-Flash 284B (284 млрд параметров) и DeepSeek V4.1-Flash 552B. (552 млрд параметров).

Устройство имеет размеры 110 × 110 × 30 мм. Предусмотрены сетевой порт 10GbE SFP+ и разъём USB 3.0 Type-C для подключения к ноутбуку. Питание подаётся через дополнительный порт USB Type-C (стандарт USB PD; мощность до 65 Вт).

Ожидается, что новинка поступит в продажу по цене «менее $2000» за версию с 32 Гбайт памяти и «менее $4000» за модификацию со 128 Гбайт LPDDR5X. Для сравнения, упомянутый NVIDIA DGX Spark сейчас стоит $6950 (тогда как на момент анонса в 2025 году он предлагался по цене от $3000 до $4000). 

Tenstorrent объявила о завершении раунда финансирования серии E на сумму $1,5 млрд, по итогам которого оценка рыночной стоимости компании достигла $6,2 млрд. В качестве ведущих инвесторов раунда выступили Trace Capital и Innovation X.

В финансировании также приняли участие новые и действующие инвесторы, среди которых Agostinelli Group, ARK Invest, Cadence Ventures, Eclipse, Fidelity, Maverick Silicon, Morgan Stanley, Protagonist, Sandisk, T. Rowe Price, Tether Investments, Virtu Financial и XTX Markets.

Источник изображения: Tenstorrent

Как сообщает Bloomberg, новая оценка компании более чем вдвое превышает показатель в $2,6 млрд, зафиксированный после предыдущего раунда финансирования в 2024 году.

Привлечённые средства Tenstorrent планирует направить на масштабное развёртывание серверов Galaxy, поддерживающих работу моделей с открытыми весами, — от больших языковых моделей до инструментов генерации видео. Кроме того, компания намерена развивать технологии в области ИИ и процессорные архитектуры (IP), лицензируемые клиентам, создающим собственные чипы, включая Samsung и LG.

Компания предлагает широкий спектр решений: от отдельных плат и рабочих станций до серверных стоек, суперкластеров и специализированных конфигураций. В процессорах Tenstorrent используется открытая архитектура RISC-V. Компания также предоставляет доступ к своему программному стеку на условиях открытого исходного кода (open source).

Комплексный портфель вычислительных платформ для ИИ Tenstorrent включает от серверов Galaxy и рабочих станций TT-QuietBox до специализированных плат Blackhole, предназначенных для ноутбуков и рабочих станций.

«Мы создали единую архитектуру, которая масштабируется для любых задач, — отметил Джим Келлер (Jim Keller), генеральный директор Tenstorrent, участвовавший в разработке передовых чипов для таких компаний, как Intel, Advanced Micro Devices, Apple и Tesla. — Будущее вычислительных технологий — за открытостью, масштабируемостью и контролем со стороны тех, кто создает на их основе свои продукты. Наши инвесторы разделяют этот подход, и мы очень ценим их поддержку».

В Tenstorrent работают 1150 сотрудников. Её офисы расположены в Санта-Кларе, Остине, Торонто, Белграде, Токио и Бангалоре. Келлера называют архитектором процессоров Apple A4 и A5, архитектуры AMD Zen, а также чипа для системы автономного вождения Tesla (Full Self-Driving).

По его словам, ранее в этом году Tenstorrent вела переговоры с рядом компаний, включая Intel и Qualcomm, о возможном поглощении, но предпочла привлечь дополнительные средства, а не продавать бизнес. В мае компания достигла важного технического рубежа: её серверы Galaxy успешно справились с запуском высокопроизводительных моделей ИИ, разработанных DeepSeek.

Келлер также отметил, что Tenstorrent способна конкурировать по цене и брать заказы, которые могут быть слишком малы для более крупных игроков рынка.

Аналитик компании Constellation Research Хольгер Мюллер (Holger Mueller) сообщил ресурсу SiliconANGLE, что Tenstorrent — один из множества инновационных стартапов, стремящихся создать более эффективные вычислительные платформы для ИИ. А благодаря внушительному профессиональному опыту Джима Келлера, Tenstorrent можно считать одним из самых перспективных игроков на рынке.

«Мало кто из компаний разрабатывает одновременно и чип, и ПО для него, а Tenstorrent делает и то, и другое. При этом результаты компании в области генерации видео превосходят отраслевые стандарты и даже наши ожидания», — говорит Джордж Бусис (George Bousis), соучредитель и управляющий партнёр фонда Protagonist.

Сервис-провайдер «РТК-ЦОД» (дочерняя компания «Ростелекома», предоставляющая услуги дата-центров и облачных услуг) сообщил об аттестации инфраструктуры «Облака КИИ» по требованиям приказа ФСТЭК России №117. Полученный документ подтверждает, что облачная платформа готова к размещению государственных информационных систем максимального 1 класса защищённости (К1).

Аттестация «Облака КИИ» была проведена в рамках нового регулирования: приказ ФСТЭК России №117, вступивший в силу 1 марта 2026 года, сменил приказ №17, определявший требования к защите информации в государственных информационных системах (ГИС) с 2013 года. Новый документ существенно расширил периметр регулирования: под требования к защите информации теперь подпадают не только ГИС, но и информационные системы государственных органов и учреждений, унитарных предприятий, организаций, взаимодействующих с госсектором, а также муниципальные информационные системы.

Источник изображения: «Ростелеком» / cloud.rt.ru

Приказ №117 обязывает операторов обеспечивать непрерывный мониторинг и оценку защищённости данных с регулярной отчётностью перед Федеральной службой по техническому и экспортному контролю. «Облако КИИ» подтвердило готовность выполнять эти процедуры. Кроме того, прохождение аттестации свидетельствует, что в «Облаке КИИ» выстроены и постоянно совершенствуются процессы управления защитой информации, а также отработаны механизмы устранения уязвимостей в установленные приказом сроки.

«Облако КИИ» представляет собой мультитенантное защищённое облако, построенное на отечественных программных и аппаратных решениях. Платформа имеет аттестаты соответствия требованиям безопасности, подтверждающие возможность размещать объекты КИИ до второй категории значимости, ГИС до 1 класса защищённости и информационные системы персональных данных до первого уровня защищённости включительно. «Облако КИИ» обладает сертификатом PCI DSS (стандарт безопасности данных платёжных карт) и соответствует ГОСТ 57580 (регулирует защиту информации при проведении банковских и финансовых операций).

К 2030 году мировой рынок систем промышленного искусственного интеллекта вырастет почти втрое, а российский — более чем в три раза. Об этом свидетельствует подготовленное при участии «Газпромбанка», «Газпром нефти», ПАО «Северсталь» и ООО «Газинформсервис» исследование, посвящённое анализу состояния и перспектив отрасли индустриального ИИ в России и мире, основным технологическим направлениям, инвестициям, барьерам внедрения, вопросам регулирования и кибербезопасности.

Согласно представленным в исследовании данным, отечественный рынок промышленного искусственного интеллекта может вырасти с 40 млрд рублей в 2025 году до 134 млрд рублей к 2030 году при среднегодовом темпе роста в 27,4 %. При этом мировой рынок промышленного ИИ увеличится с 53,8 млрд долларов в 2025 году до 153,9 млрд долларов к 2030 году при среднегодовом темпе роста 23,4 %.

На мировом рынке сложился выраженный дисбаланс между созданием технологий и их внедрением. Более 75 % глобальной выручки вендоров контролируют технологические гиганты из США (около 50 %) и Евросоюза (2 5%), где разрабатываются алгоритмы и ИИ-платформы. При этом главным потребителем и полигоном для внедрения выступает Азиатско-Тихоокеанский регион во главе с Китаем: его доля вырастет с 40 % в 2025 году до 46–48 % к 2030 году.

Источник изображения: аналитическое исследование «Промышленный искусственный интеллект» / gazprombank.ru

В 2025 году крупнейшими сегментами в деньгах стали предиктивная аналитика (12,2 млрд долларов, или 23 % рынка) и компьютерное зрение (10,8 млрд долларов, или 20 %) за счёт наличия типовых решений с быстрой отдачей. Однако к 2030 году максимальный прирост доли рынка покажут совершенно новые направления — воплощённый ИИ для роботов-гуманоидов (рост с 0 % до 9 % рынка, или 13,9 млрд долларов) и мультиагентные генеративные системы (рост доли на 7,5 п.п., до 17,7 млрд долларов). При этом классические промышленные NLP-решения к 2030 году будут полностью поглощены генеративным ИИ.

Что касается отечественного рынка индустриального ИИ, то он развивается в условиях внешних ограничений и курса на технологический суверенитет, что формирует его уникальную архитектуру. Основными заказчиками в данной сфере и двигателями рынка выступают госкорпорации и крупнейшие холдинги из нефтегазового сектора, металлургии, энергетики и химии.

Если в мире концерны активно используют публичные облака гиперскейлеров, то в РФ из-за санкционных рисков и требований к защите критической информационной инфраструктуры компании разворачивают ИИ-решения внутри закрытого физического периметра. Это делает проекты более дорогими и сложными в интеграции, но стимулирует спрос на периферийные вычисления (Edge AI) и компактные отраслевые языковые модели, не требующие гигантских мощностей.

Иллюстрация сгенерирована ИИ Google Gemini

По оценкам аналитиков, к началу 2026 года парк оборудования для промышленного ИИ в РФ на 45 % состоял из ранее установленных западных систем, на 35 % — из китайского оборудования (серверы, графические ускорители, камеры) и на 20 % — из российских решений (датчики, ПЛК, серверы). Вместо дорогостоящей полной замены производственных линий предприятия делают ставку на точечную ИИ-модернизацию действующего оборудования.

Главным тормозом внедрения промышленного ИИ в России выступает неготовность базовой IT-инфраструктуры — на эту проблему указывают 93 % компаний, а полная автоматизация сбора данных есть лишь у 7 % предприятий. Кроме того, только 9 % отечественных организаций обеспечены достаточными вычислительными мощностями (GPU). Среди других острых проблем: риски кибербезопасности (53 %), нехватка публичных успешных кейсов (46 %), кадровый голод (38 %), дефицит бюджетов (30 %) и отсутствие чёткого правового регулирования ответственности за аварии, спровоцированные ошибками искусственного интеллекта.