Суверенный корпоративный ИИ — это не лозунг, а конкретная архитектура развёртывания: вычисления, данные и модели находятся в здании, которое контролирует организация, а не у внешнего провайдера. Ещё несколько лет назад казалось, что весь ИИ уйдёт в облако. Сегодня заметная часть корпоративных проектов движется в обратную сторону — в собственную серверную. Причины не в моде на «своё железо», а в трёх практических факторах: юридический статус данных, зависимость от поставщика модели и появление серверов, которые дают дата-центровую плотность без строительства дата-центра. Разбираем каждый.
Четыре компонента, без которых суверенитет частичный
Организация либо контролирует все четыре уровня, либо имеет частичный суверенитет, который трудно отстоять перед регулятором, аудитором или советом директоров:
- Частная инфраструктура. Оборудование в помещении под контролем организации или доверенного партнёра в той же юрисдикции.
- Границы данных. Данные не покидают периметр для обработки: модель приходит к данным, а не наоборот.
- Модели с открытыми весами. Веса, которые можно разместить у себя, проверить и запускать по собственному графику, а не только через чужой API.
- Дообучение внутри. Возможность адаптировать модель к своим данным, не отправляя их в чей-то конвейер обучения.
Формула простая: частная инфраструктура + граница данных + открытые модели + внутреннее дообучение = под собственным контролем. Уберите любое слагаемое — и появляется зависимость, о которой спросят в самый неудобный момент.
Фактор 1. Данные, которые не могут покинуть здание
Существуют классы данных, для которых внешний ИИ-сервис — не вопрос удобства, а вопрос права. В российской и региональной практике это:
- Персональные данные — с требованиями законодательства о персональных данных, включая локализацию баз и ограничения на трансграничную передачу.
- Коммерческая тайна и интеллектуальная собственность — исходный код, конструкторская документация, черновики сделок, клиентские базы, модели ценообразования. Если внешняя модель увидела их, данные уже вышли из-под контроля организации.
- Финансовая и стратегическая информация — материалы для совета директоров, аудиторские рабочие документы, отчётность в черновиках.
- Медицинские и биомедицинские данные — истории болезни, геномные данные, результаты клинических исследований.
- Данные оборонного и экспортно-контролируемого характера — здесь размещение на внешнем сервисе часто исключено условиями самого контракта.
- Данные клиентов под NDA — обязательства перед заказчиками могут запрещать передачу третьим лицам независимо от наличия персональных данных.
Если проект касается любого из этих классов, архитектурный разговор начинается и заканчивается на собственной инфраструктуре. Эта же логика видна и за рубежом: европейские регламенты о защите данных и об ИИ делают локальное развёртывание структурно более простым для доказательства соответствия.
Фактор 2. Зависимость от поставщика на уровне модели
Провайдер API может сменить модель, изменить цены и условия, отключить возможности или уйти с рынка. Рабочие процессы, построенные на проприятельном API, переносятся только с существенной переработкой. Модели с открытыми весами на собственном оборудовании дают уровень, который организация может поддерживать по своему графику — и который остаётся у неё после окончания любого контракта. Для заказчиков в России и СНГ, где доступность зарубежных сервисов зависит от факторов вне их контроля, этот аргумент весит особенно много.
Фактор 3. Появился «средний ярус» вычислений
Долгое время плотные вычисления существовали в двух формах. Гиперскейлерные фабрики ИИ — мегаваттные залы с крышными теплообменниками, собственной подстанцией и кастомным железом. И обычная серверная — стойки 19″ на 2–3 кВт с воздушным охлаждением помещения и без запаса под современную плотность. Между ними — большинство организаций с реальной задачей, бюджетом и обычным зданием, в котором никто не будет строить дата-центр.
Именно для этого яруса появились платформы с замкнутым контуром жидкостного охлаждения внутри шасси. Пример — LM TEK 4U8GPU10KW: восемь полновысотных GPU PCIe Gen 5 до 700 Вт на слот в корпусе 4U, контур целиком в шасси, радиатор на фронтальном заборе воздуха, без подвода жидкости от здания и без внешнего CDU. Заявленный диапазон — обычная серверная с температурой 5–30 °C; в тестах производителя при 30 °C температура GPU держалась в пределах 76–81 °C. Требования к площадке сводятся к питанию под 8 кВт и кондиционеру, способному отвести это тепло. Чем такая архитектура отличается от дата-центровой — в статье о CDU и замкнутом контуре.
Значение этого сдвига трудно переоценить: раньше «суверенный ИИ» означал либо компромисс по мощности (несколько карт в воздушном сервере), либо капитальное строительство. Теперь дата-центровая плотность помещается в существующую стойку.
Облако и собственная инфраструктура — честное сравнение
| Критерий | Облако / API | Собственная инфраструктура |
|---|---|---|
| Старт | Дешевле: оплата за токены, без капитальных затрат | Дороже: капитальные вложения, планирование площадки |
| Пилот | Часы | Недели в первый раз; следующие проекты — быстро |
| Допустимые данные | Только нечувствительные | Все шесть классов выше |
| Зависимость | Условия, модели и сроки — у провайдера | Открытые модели, своё железо, свой график |
| Соответствие требованиям | Договорное: зависит от провайдера и его субподрядчиков | Техническое: доказуемо под вашим контролем |
Вопрос не в том, что лучше, а в том, что подходит классу данных. Многие организации в итоге держат оба контура: собственный — для чувствительных задач, облако — для всего остального. Как подойти к закупке поэтапно, не выбрасывая ранние вложения, — в чек-листе по выбору GPU-сервера.
Суверенитет на уровне железа: что проверить
Без контролируемого оборудования остальные аргументы о суверенитете остаются риторикой: модели и промпты — это программы, программы работают на железе, и если железо стоит в чужом здании, суверенное утверждение как минимум с оговорками. Но и само оборудование может создавать зависимость. Три проверки при выборе платформы:
- Нет проприетарной материнской платы. Стандартные платы EATX / EEB, серийные CPU (AMD SP5, Intel LGA 4677 / 4710), память, NVMe и сетевые карты — по нескольку поставщиков на позицию. Длинный срок поставки одной детали решается выбором другой.
- Второй источник на каждую внутреннюю деталь. Водоблоки, помпа, радиатор, фитинги — из открытого каталога, а не только от производителя шасси.
- Одна платформа на весь жизненный цикл. Старт с двух GPU на шасси, рассчитанном на восемь: кремний обновляется по вашему графику, а не по графику вендора.
Дополнительно — критерии, которые всё чаще входят в оценку тендеров: класс эффективности блоков питания (80 PLUS Titanium у референсной платформы) и нулевое водопотребление замкнутого контура в эксплуатации.
Когда покупать оборудование
На стадии пилота — почти никогда: пилот запускается на том, что есть под рукой. Исключение ровно одно, и оно совпадает с темой этой статьи: если пилот должен работать на данных, которые не могут покинуть периметр, вопрос оборудования встаёт раньше. Стартовый узел на 1–2 GPU, купленный для пилота, держит данные внутри здания и после запуска производственного сервера становится средой разработки. Мы, как независимый интегратор, собираем и такие узлы, и производственные 8-GPU серверы — на платформах партнёрских вендоров, без привязки к одному поставщику.
Что дальше
- Решения — поэтапный путь от стартового узла к выделенной AI-инфраструктуре внутри периметра.
- AI-серверы с жидкостным охлаждением — 8 GPU в 4U для обычной серверной, без CDU.
- GPU-серверы и рабочие станции — конфигурации под инференс, RAG и дообучение.
- Компоненты СЖО — открытый каталог для сервиса и апгрейда.
Опишите классы данных, ожидаемую нагрузку и параметры серверной — подготовим спецификацию оборудования и план развёртывания внутри вашего периметра. Поставка в Россию, Казахстан, Беларусь и Узбекистан.
Обсудить задачу с инженером