AI-новости 26 апреля 2026: Google удваивает ставку на TPU, Alibaba переписывает правила эффективности, а Meta меняет Nvidia на Amazon

Пока одни компании гонятся за количеством параметров в моделях, другие решили, что настало время пересмотреть всю экономику искусственного интеллекта. Воскресенье 26 апреля принесло сразу несколько анонсов, которые показывают: индустрия AI входит в новую фазу – где важнее не «больше», а «умнее и дешевле».

Google выкатила восьмое поколение своих TPU и намекнула на скорый релиз новой версии Gemini. Alibaba доказала, что 27 миллиардов параметров могут работать лучше 397 миллиардов, если подойти с умом. А Meta и Amazon заключили мультимиллиардную сделку, которая может стать первым звонком для Nvidia. Разбираемся, что это значит для отрасли и почему 2026 год всё меньше похож на гонку вооружений и всё больше – на шахматную партию.

Google удваивает ставку: TPU восьмого поколения и корпоративные агенты

На Google Cloud Next '26 компания анонсировала сразу два новых TPU: TPU 8t для тренировки моделей и TPU 8i для инференса. Цифры впечатляют: до трёх раз быстрее в обучении, на 80% лучше по соотношению производительность/доллар, и – что особенно интересно – поддержка кластеров свыше миллиона чипов.

Звучит как очередная попытка Google показать мускулы Nvidia? Отчасти да. Но здесь есть нюанс: восьмое поколение TPU явно затачивается под агентные workloads (agentic workloads). То есть не просто под обучение больших языковых моделей, а под их реальную работу в корпоративных сценариях – автоматизацию процессов, принятие решений, интеграцию с бизнес-системами.

В тандеме с TPU Google представила Gemini Enterprise и обновлённую платформу для создания AI-агентов. Это уже не просто облачные GPU в аренду, а попытка выстроить полноценную экосистему: от железа до готовых корпоративных решений. Идея понятна: если раньше компании покупали чипы и сами разбирались, что с ними делать, то теперь Google предлагает «всё включено».

Скептически настроенные наблюдатели, впрочем, помнят, что Google уже не раз объявляла о «корпоративной революции» в AI. Gemini пока не стал убийцей GPT-4, а TPU седьмого поколения не вытеснили Nvidia H100 с рынка. Восьмое поколение может оказаться сильнее, но вопрос остаётся: купятся ли enterprise-клиенты на очередное обещание «на этот раз всё будет по-другому»?

И да, Google намекнула на скорый релиз новой модели Gemini. Без деталей, без сроков – просто «очень скоро». Интрига или отвлекающий манёвр перед тем, как OpenAI анонсирует что-то своё? Поживём – увидим.

Alibaba против MoE: как 27B параметров обыграли 397B

Пока все обсуждают TPU от Google, команда Alibaba Qwen тихо выпустила модель Qwen3.6-27B – плотную (dense) нейросеть на 27 миллиардов параметров, которая на бенчмарках agentic coding показала результаты лучше, чем модели класса MoE (Mixture of Experts) на 397 миллиардов параметров.

Это не просто цифры – это сдвиг парадигмы. Индустрия последние пару лет шла по пути «больше параметров = лучше результат». MoE-архитектуры (где активируется только часть сети) позволили масштабировать модели до сотен миллиардов параметров, не взрывая бюджеты на вычисления. Но Alibaba показала, что правильно обученная плотная модель скромного размера может быть эффективнее гигантских MoE – по крайней мере, в задачах агентного программирования.

Что такое agentic coding? Это когда модель не просто генерирует код по запросу, а может самостоятельно планировать решение, вызывать инструменты, отлаживать ошибки, итерировать. Задачи, где важна не столько «широта знаний», сколько точность рассуждений и способность к многошаговому планированию.

Результаты Qwen3.6-27B намекают, что будущее AI может быть не в бесконечном наращивании параметров, а в качестве обучения и архитектурных решениях. Плюс это open-weight модель – то есть доступна для скачивания и локального запуска. Для исследователей и компаний за пределами США и Европы это золото: не нужно платить за API, не нужно беспокоиться о санкциях и зависимости от американских провайдеров.

Конечно, один бенчмарк – не истина в последней инстанции. Но если тренд подтвердится, мы можем увидеть конец эпохи «параметрической гонки вооружений» и начало эры «умных моделей малого и среднего размера». Что, честно говоря, звучит гораздо более устойчиво с точки зрения экологии и экономики.

Meta арендует чипы Amazon: конец эры Nvidia?

А теперь самое интересное: Meta и Amazon заключили мультимиллиардную сделку, по которой Meta будет арендовать кастомные чипы Amazon Graviton для AI-инференса. Не Nvidia. Не TPU от Google. А собственные чипы Amazon, изначально созданные для облачных вычислений, а теперь адаптированные под нагрузки машинного обучения.

Это сделка с несколькими слоями смысла. Во-первых, Meta явно хочет диверсифицировать свою зависимость от Nvidia. H100 и грядущие B100 – это мощно, но дорого, и Nvidia диктует условия. Во-вторых, Amazon получает крупнейшего клиента для своих кастомных чипов, что помогает масштабировать производство и снижать себестоимость. В-третьих, это сигнал всей индустрии: альтернативы Nvidia существуют и начинают работать в production на уровне гипермасштабаторов.

Graviton изначально проектировался для энергоэффективности и высокой плотности вычислений на единицу стоимости. Для инференса (то есть применения уже обученных моделей) это может быть выгоднее, чем универсальные GPU. Meta, владеющая огромной инфраструктурой для запуска Llama и внутренних AI-сервисов, явно посчитала экономику и решила, что игра стоит свеч.

Значит ли это «конец эры Nvidia»? Конечно, нет. Nvidia по-прежнему доминирует в тренировке больших моделей, и её CUDA-экосистема – это огромное конкурентное преимущество. Но трещины появляются: Google делает свои TPU, Amazon – Graviton и Trainium, даже Microsoft инвестирует в собственные чипы Maia. Рынок AI-железа перестаёт быть монополией, и это, пожалуй, хорошая новость для всех, кроме акционеров Nvidia.

Тренды дня: эффективность побеждает масштаб

Если попытаться найти общий знаменатель в сегодняшних новостях, он будет звучать так: эффективность становится важнее масштаба.

Google продвигает TPU 8-го поколения не просто как «быстрее», а как «производительность на доллар». Alibaba доказывает, что 27B параметров могут работать лучше 397B. Meta меняет дорогие GPU Nvidia на более экономичные кастомные чипы Amazon.

Это логичный этап эволюции индустрии. Первая волна AI-бума была про «больше данных, больше параметров, больше вычислений». Вторая волна – та, в которую мы входим сейчас – про «как получить максимум результата при минимуме затрат». Потому что бесконечно наращивать расходы на электричество и железо невозможно, особенно если нужно выходить на прибыль.

Ещё один тренд – агентность. Все три крупных анонса (Google TPU + Gemini Enterprise, Alibaba Qwen для agentic coding, Meta для инференса агентов) так или иначе касаются перехода от «AI-ассистентов» к «AI-агентам», которые не просто отвечают на вопросы, а выполняют задачи автономно. Это рынок с гораздо более понятной монетизацией, чем просто чат-боты.

И наконец, диверсификация поставщиков железа. Nvidia была королём бала последние пять лет, но 2026 год показывает: крупные игроки больше не хотят зависеть от одного вендора. Google, Amazon, даже Meta – все вкладываются в альтернативы. Это делает рынок здоровее и конкурентнее.

Открытый вопрос: что будет, когда эффективность упрётся в потолок?

Мы видим, как индустрия переходит от экстенсивного роста к интенсивному. Вместо «добавь ещё один ноль к параметрам» – «обучи умнее». Вместо «купи ещё тысячу GPU» – «используй кастомные чипы под конкретные задачи».

Но что будет дальше? Когда мы выжмем максимум из текущих архитектур, когда Transformer-модели упрутся в фундаментальные ограничения эффективности обучения, когда все переедут на кастомное железо и оптимизируют до предела – куда двинется индустрия?

Возможно, следующий скачок будет не количественным, а качественным – новые архитектуры (state-space models, sparse networks, нейроморфные чипы?), новые подходы к обучению (меньше данных, больше reasoning?), новые формы взаимодействия человека и AI.

Или, может быть, индустрия просто успокоится и войдёт в режим «зрелой технологии», где основная работа – не гонка за новыми рекордами, а внедрение уже существующих решений в реальную экономику. Что, если подумать, тоже неплохой сценарий.

Время покажет. А пока – следим за анонсами, считаем параметры и доллары, и пытаемся понять, где здесь реальная ценность, а где просто хайп.

---

Что мы могли пропустить: если сегодня были анонсы от OpenAI, Anthropic, Meta (по Llama), Microsoft или других крупных игроков – дайте знать. Мы отслеживаем основные источники, но иногда важные новости всплывают в блогах и соцсетях раньше, чем в официальных релизах.