Что если Сэм Альтман отберёт у нас всю оперативку?

Наверное, уже все успели позлиться и посмеяться над Альтманом и его заявлением. Глава OpenAI считает, что с точки зрения глобального распределения ресурсов довольно странно держать дефицитную оперативную память в домашних компьютерах, где она используется всего 5% времени.

Что, если Сэм не просто предлагает нам пересмотреть отношение к домашней оперативке, а действительно каким-то волшебным образом забирает ВСЕ наши плашки?

Прикинем, сколько памяти получит OpenAI, насколько это увеличит её вычислительные мощности, насколько быстрее после этого будут развиваться нейросети и посмотрим самые смешные мемы по теме.

Что случилось

29 октября 2026 года в подкасте Cheeky Pint Сэм Альтман рассуждал о дефиците DRAM и локальном запуске нейросетей:

Локальный инференс — это крайне неэффективное распределение дефицитных ресурсов. Многие хотят использовать локальный инференс, полагая, что раз появились модели с открытым исходным кодом, которые можно запускать на собственных компьютерах, то необходимость в мощностях дата‑центров отпадает. Однако, если смотреть на ситуацию в глобальном масштабе, это крайне нерационально: значительная часть мирового запаса оперативной памяти (DRAM) стоит на пользовательских компьютерах, где она используется лишь пять процентов времени. В условиях жесткого дефицита ресурсов необходимо стремиться к максимальной загрузке мощностей в облаке.

Удивительно, но интуиция многих людей подсказывает им ровно обратное.

При этом он не уточнил, что именно подразумевает под использованием памяти: время активности пользователя, загрузку ОЗУ или долю времени, когда компьютер выполняет полезные вычисления. Поэтому заявление Альтмана — скорее аргумент в пользу облачной модели распределения вычислений. И, конечно, он не объявлял о планах конфисковать наши модули памяти. Пока.

Надо больше золота: сколько памяти есть у OpenAI

Для начала разберёмся, с чем сравнивать домашние запасы оперативки.

OpenAI не владеет большей частью вычислительного оборудования, которое использует. Компания арендует мощности у облачных партнёров, в том числе Microsoft, Oracle и CoreWeave.

По оценке Epoch AI, вычислительная мощность OpenAI на конец 2025 года составляла около 1,9 ГВт. Это примерно 1,7 млн эквивалентов GPU Nvidia H100. Здесь и ресурсы для исследований, и обучения моделей, и вычисления для обслуживания пользовательских запросов.

Для понимания масштаба можно посмотреть на одну стойку NVIDIA GB300 NVL72, которую Microsoft  использует в инфраструктуре для OpenAI. В ней находятся:

• 72 GPU NVIDIA Blackwell Ultra;

• 36 процессоров Grace;

• около 20 ТБ HBM3E-памяти на ускорителях;

• около 17 ТБ LPDDR5X-памяти процессоров.

Всего получается примерно 37 ТБ быстрой памяти на стойку. Внутри неё GPU соединены через NVLink с пропускной способностью до 130 ТБ/с.

В октябре 2025 года Microsoft сообщила о развёртывании кластера для OpenAI более чем из 4600 GB300. Если округлить до 64 стоек по 72 ускорителя, получим около 2,4 ПБ быстрой памяти на одном конкретном кластере.

Публичной цифры, которая показывала бы общий объём оперативной и видеопамяти во всей инфраструктуре OpenAI, нет. Поэтому дальше придётся считать самостоятельно.

По верхней оценке, новый физический ввод памяти под её инфраструктуру может составлять около 0,3–1 ЭБ. Это порядка 2–6% мирового выпуска DRAM в битах и примерно 2–5% в эквиваленте производственных пластин, если учитывать повышенную ресурсоёмкость HBM.

Впрочем, даже эта оценка не объясняет весь дефицит. Производители перераспределяют мощности в пользу серверной памяти и HBM из-за спроса со стороны всех крупных облачных компаний, а не только OpenAI.

Это уже отражается на потребительском рынке. По оценке TrendForce от 30 сентября, контрактные цены на обычную DRAM в IV квартале могут вырасти ещё на 10–15% квартал к кварталу. Аналитики также допускают сокращение поставок памяти для ПК в 2027 году из-за перераспределения мощностей в пользу серверного сегмента.

Если ВСЮ память отобрать у нас еще до этапа покупки и перенаправить в дата-центры весь будущий выпуск DRAM, то получится около 18 ЭБ DRAM в год. Если представить, что весь этот объём удалось превратить в HBM, из-за более высокой ресурсоёмкости производства получилось бы около 6 ЭБ HBM в год. Один эксабайт — это миллиард гигабайт.

0,07–0,105 ЭБ HBM на один гигаватт обеспечили бы памятью инфраструктуру на 57–86 ГВт. Но построить и запитать такие дата-центры всё равно не получится без соответствующих GPU, упаковки, сетей и капитала. Даже в этом сценарии память перестаёт быть первым ограничением, об этом дальше.

Сколько это в эксабайтах

Для расчета возьмём за основу несколько известных параметров инфраструктуры. В октябре 2025 года OpenAI и Oracle сообщили, что кампус Stargate в Абилине должен вместить более 450 тыс. ускорителей GB200 при проектной мощности площадки 1,2 ГВт. Это около 375 тыс. GPU на один гигаватт.

Если учитывать не только HBM на GPU, но и связанную с ним оперативную память CPU, получаем ориентировочно 330–514 ГБ на ускоритель. При 375 тыс. ускорителей на один гигаватт это соответствует примерно 0,124–0,193 ЭБ памяти.

Умножаем диапазон на 1,9 ГВт вычислительной мощности OpenAI и получаем около 0,24–0,37 ЭБ. Это приблизительная оценка: фактическая конфигурация разных кластеров может отличаться по типам ускорителей и соотношению HBM и системной памяти.

Посмотрим, как может меняться объём памяти при расширении вычислительных мощностей:

Последняя цифра — заявленный ориентир из меморандума для инвесторов, по данным Quartz. Также для расчета использовала оценку от Epoch AI. Остальное — приблизительная оценка.

Корейские договоренности 2025 года между Samsung, SK hynix и OpenAI о намерениях на закупку до 900 тыс. DRAM-пластин в месяц мы пока не учитываем. Хотя, дефицит уже вызван. По словам советника президента Кореи, заказ планировался на 2029 г., а соглашения были предварительными. Для понимания масштаба, получится около 1,5–1,9 ТБ памяти на пластину. Тогда 900 тыс. пластин в месяц за год дают порядка 16–20,5 ЭБ обычной DRAM или примерно 5,4–6,8 ЭБ в год, если это HBM. Это всё равно больше, чем весь расчётный объём памяти в гипотетической инфраструктуре OpenAI мощностью 10 ГВт.

Чем располагаем мы

Теперь попробуем оценить, сколько памяти находится в наших с вами устройствах.

Сразу оговорюсь: готовой и достоверной мировой статистики по установленному объёму ОЗУ во всех активных пользовательских устройствах я не нашла, скорее всего, её и не существует. Поэтому ниже — собственная оценка на основе количества устройств и предположений об их средней конфигурации или проверенный метод «пол — палец — потолок» .

Считать будем именно установленную базу, а не продажи за год. Иначе получим объём памяти, который производители отгрузили за определённый период, а не тот, которым люди располагают прямо сейчас.

В моем гипотетическом сценарии получается около 54 ЭБ. То есть в пользовательских устройствах может быть установлено примерно в 180 раз больше памяти, чем доступно OpenAI сегодня.

Разберём допущения.

ПК и ноутбуки
За основу берём от 1,1 до 1,5 млрд активных устройств, включая Windows, Mac и Chromebook. Средний объём памяти оцениваем в 10–16 ГБ. Нижняя граница учитывает старые устройства с 4–8 ГБ, верхняя — более современные конфигурации. Например, в выборке Steam в сентябре 2026 года 32 ГБ уже опережали 16 ГБ, но здесь стата “шумит” из-за геймеров, берем среднюю температуру по больнице.

Смартфоны
Здесь больше всего памяти в абсолютных значениях. Для расчёта используем 4,5–6 млрд активных устройств и средний объём 4,5–6,5 ГБ. Новые смартфоны в среднем оснащены большим объёмом ОЗУ, но парк включает множество старых аппаратов. Поэтому брать среднее значение только по продажам последних лет было бы слишком оптимистично.

Планшеты
Принимаем базу 0,8–1,3 млрд устройств и 2,5–4 ГБ памяти на одно устройство. Точной открытой оценки активного парка нет, поэтому здесь особенно много допущений. Мой старый iPad 2012 года в расчёт, конечно, не попал, раритет Альтману отдавать не будем.

Консоли
Учитываем активные PlayStation, Xbox и Nintendo. Диапазон памяти большой — от 4 ГБ у первого Switch до 16 ГБ у PS5. Оценка базы — 250–350 млн устройств.

Предположим, Альтман до нас добрался

Итак, у пользователей — 34–74 ЭБ, у OpenAI — около 0,24–0,37 ЭБ. Получается разрыв примерно в 93–315 раз.

Представим, что память из всех наших устройств каким-то образом оказалась у Альтмана. Сценарий с облаком еще разберем, но пока нужно подключить воображение, вспомнить все мрачные картины будущего, ведь пока оперативки улетели в Техас не в виде старых планок DDR5 (а может даже DDR3) и распаянных микросхем LPDDR. Они ушли сразу в форме подходящей для дата-центров высокоскоростной памяти, подключённой к вычислительным ускорителям.

Если предположить, что вычислительные ресурсы OpenAI растут пропорционально доступному объёму памяти и память является единственным ограничением, компания получила бы увеличение ресурсов, по средним показателям, в 180 раз.

При нынешнем темпе роста обучающих вычислений в 3–5 раз в год такой скачок соответствует примерно 3,2–4,7 годам обычного развития инфраструктуры. Если брать всю вилку допущений, результат составляет около 2,8–5,2 лет.

То есть вместо постепенного наращивания ресурсов OpenAI получила бы разовый скачок, сопоставимый с несколькими годами развития индустрии.

Но это не означает, что модели станут в 180 раз умнее или что компания начнёт выпускать их в 180 раз чаще. Мы пока не учитывали одну маленькую деталь: оперативная память — далеко не единственное ограничение.

Сколько энергии и денег потребуется

Если сохранить пропорцию между памятью и вычислительной мощностью, то для размещения всего пользовательского объёма потребовалось бы около 177–599 ГВт мощности. Сейчас OpenAI использует около 1,9 ГВт. Даже её ориентир к 2030 году заметно ниже средних 250 ГВт.

Теперь деньги. Если условно принять стоимость строительства и оснащения инфраструктуры на уровне 50 млрд долларов на один гигаватт, получим от 8,9 до 30 трлн долларов.

Почему оперативка не ускорит обучение в 180 раз

Для обучения с оптимизатором Adam в смешанной точности часто используют оценку около 16 байт на параметр: сюда входят веса, градиенты и состояния оптимизатора. В утечках о GPT-6 Astra фигурирует ориентировочная оценка около 10 триллионов параметров. Если считать по 16 байт на параметр, для обучения такой модели требуется около 160 ТБ. Дополнительно понадобилась бы память под активации, промежуточные вычисления и буферы.

При нашей оценке в 0,24–0,37 ЭБ доступной памяти OpenAI в теории хватило бы на состояния моделей с 1,5–2,3 × 10¹⁶ параметров. Это на несколько порядков больше, чем требуется даже очень крупным современным моделям.

Физически распределить всю эту память под одну модель не получится. Скорее, упираемся в другие ресурсы:

• Гигабайты сами по себе не обучают нейросети. Для этого нужны ускорители, которым требуется питание и охлаждение.

• Наличие DRAM не означает, что рядом автоматически появится нужный вычислительный чип.

• Скорость соединения и задержки влияют на то, насколько эффективно используется оборудование.

• Строительство дата-центров, энергоснабжение и закупка ускорителей требуют огромного капитала.

• Даже если вычислительные мощности доступны, нужны качественные данные, исследовательские команды и новые методы обучения.

Почему память из наших устройств не подходит для дата-центров

В современных ИИ-системах важную роль играет HBM — высокопропускная память, размещённая рядом с GPU. Например, у B300 заявлено 279 ГБ HBM3E с пропускной способностью до 8 ТБ/с. В стойке GB300 NVL72 суммарно около 20 ТБ GPU-памяти и ещё 17 ТБ LPDDR5X у процессоров Grace.

В обычных компьютерах используются DDR5 и LPDDR, в смартфонах — LPDDR, в консолях могут применяться другие конфигурации, включая GDDR.

Пропускная способность пользовательской DDR5 или LPDDR может быть на уровне 0,05–0,1 ТБ/с, тогда как у B300 HBM3E — до 8 ТБ/с. Это разница примерно в 80–160 раз. Сравнение здесь приблизительное: мы сопоставляем разные типы памяти и разные системы, а не две планки в одинаковых условиях.

Какие сценарии вообще возможны

Продолжая тему, почему наши плашки не подходят для ИИ разберем два более реалистичных сценария.

Внутри стойки GB300 NVL72 NVLink обеспечивает до 130 ТБ/с суммарной пропускной способности. Между узлами кластера Microsoft указывала до 800 Гбит/с на GPU по InfiniBand. Домашняя сеть с обычной скоростью исходящего соединения тем временем — около 60 Мбит/с.

Память в смартфоне или домашнем ПК не может стать частью единого вычислительного пула только потому, что мы подключили устройство к интернету. Её нужно обслуживать локальным процессором, передавать данные по сети и синхронизировать работу с другими узлами. И всё это создаёт дополнительные задержки.

Впрочем, распределённое обучение через интернет не является невозможным в принципе. Исследователи уже научились сокращать объём передаваемых данных и реже синхронизировать узлы. Например, Google DeepMind в апреле 2026 года сообщила об обучении модели на 12 млрд параметров между четырьмя регионами США с использованием каналов связи 2–5 Гбит/с.

Также есть вариант с локальным запуском. В 2025 году вычислительные мощности OpenAI были примерно поровну распределены между исследованиями и разработкой моделей, с одной стороны, и инференсом — с другой. Если часть пользовательских запросов удастся обрабатывать на устройствах, облаку потребуется меньше ресурсов для обслуживания юзеров.

В теории полная передача инференса на пользовательские устройства могла бы высвободить до половины текущих вычислительных мощностей компании. Не думаю, что мы потянем локальный запуск для всех задач, да и тут много более интересных вариантов для развертывания.

Итоги

Если представить идеальный мир, в котором вся память пользовательских устройств становится совместимой с инфраструктурой OpenAI, а вычислительная мощность растёт пропорционально объёму памяти, компания получает разовый скачок примерно на 3,2–4,7 года вперёд. После него OpenAI снова упрётся в темпы производства чипов, доступность электроэнергии, стоимость строительства дата-центров, пропускную способность сетей и другие ограничения.

Так что, Сэм, пока можешь оставить наши плашки в покое.