Простая экономика открытого и закрытого ИИ

Кристиан Каталини опубликовал это гостевое эссе в рассылке a16z в августе 2026 года, в разгар кампании Anthropic и OpenAI против "атак через дистилляцию" со стороны китайских лабораторий. Его тезис опирается на данные 1851 года. Экономист Петра Мозер закодировала почти 15 000 изобретений, представленных на Всемирной выставке в Лондоне и её американском продолжении 1876 года, из стран с патентной системой и без неё. Она обнаружила, что патентное право меняло сферы, в которых работали изобретатели, но не общее количество изобретений. Швейцарские изобретатели при отсутствии патентной защиты сосредоточились на научных приборах и пищевой промышленности, где их защищали коммерческая тайна и фора по времени. Каталини утверждает, что открытые веса влияют на ИИ точно так же: они меняют направление инвестиций (что именно создаётся, кто это создаёт и кто получает отдачу), а не их общий объём. В open-source-ai-reading-list Нейтан Ламберт описывает эссе как позицию о том, как открытые модели извлекают ценность, дополняя большую часть существующей экономики.

a16z - венчурный фонд с открыто заявленной позицией в пользу открытых весов, и эссе стоит читать с поправкой на это, хотя аргументам противоположной стороны здесь уделено больше места, чем в обычной агитационной статье.

Дистилляция - это не воровство

Сначала Каталини описывает позиции обоих лагерей. Против открытых весов: дистилляция - это кража интеллектуальной собственности, американские лаборатории не смогут финансировать следующие циклы обучения, а Китай бесплатно воспользуется результатами. Дарио Амодеи добавляет аргумент о безопасности: выше определённого порога возможностей общество не сможет защититься от злоупотреблений, а опубликованные веса уже нельзя отозвать назад. В защиту открытых весов: диффузия - это естественный путь распространения технологий общего назначения, закрытый рынок быстро монополизируется, и уж слишком удобно коммерческие интересы Anthropic совпали с её аргументами о безопасности и национальной защите. Закрытые модели тоже подвержены jailbreak'ам, а Claude уже использовался при взломе государственных систем Мексики.

Что касается дистилляции, Каталини отмечает, что защиты патентного типа, к которой, похоже, стремится Anthropic, никогда не существовало. Если вынести за скобки поддельные аккаунты и систематическое злоупотребление API, дистилляция остаётся обычной отраслевой практикой: китайские лаборатории отправляют промпты американским моделям, используя их как учителей, а не крадут веса. Сгенерированные ответы не защищаются авторским правом, и лаборатории обычно передают права на них клиентам. Условия использования могут запрещать обучение конкурентов, но обеспечить их соблюдение невозможно: ни один отдельный запрос не выглядит подозрительно, а организованная работа распределяет нагрузку по фермам аккаунтов, агрегаторам и юрисдикциям. Контроль, достаточно жёсткий, чтобы дать эффект, бьёт по добросовестным пользователям. В качестве примера он приводит Fable, чьи ограничения на помощь в R&D передового ИИ настолько возмутили клиентов, что Anthropic пересмотрела правила за считанные дни. К тому же сами лаборатории обучались на текстах из интернета, медиа и книгах под эгидой fair use, из-за чего называть обучение на сгенерированных ответах нелегитимным довольно неловко.

В ai-great-leap-forward антидистилляционный рефлекс рассматривается под другим углом. В anthropic-threat-report-september-2026 и the-distillation-panic представлены позиция самой лаборатории и позиция Ламберта в этой же дискуссии 2026 года.

Что говорит экономика инноваций

Веса без окружающего их программного обеспечения ведут себя как идеи: они неконкурентны в потреблении и после публикации перестают быть исключаемыми благами. Поэтому Каталини обращается к Ричарду Нельсону (1959), Кеннету Эрроу (1962) и компромиссу Йозефа Шумпетера: временная монополия для финансирования открытий с последующей диффузией. Решающий фактор здесь - кумулятивность. Когда последующая работа критически важна, ограничение доступа к исходным элементам обходится дорого. В подтверждение эссе приводит ряд естественных экспериментов.

Хайди Уильямс выяснила, что гены, секвенированные частной компанией Celera, которая ограничила к ним доступ, привлекли на 20-30% меньше последующих исследований, чем сопоставимые публичные гены. Этот разрыв сохранялся вплоть до 2009 года, хотя сами ограничения были сняты за два года. Джефф Фурман и Скотт Стерн зафиксировали рост объёма кумулятивных исследований на 57-135%, когда биоматериалы стало проще получать. Когда NIH договорился об отмене ограничений DuPont на мышей Cre-lox и OncoMouse, объём последующих исследований вырос и расширился: новые исследователи брались за более оригинальные направления, при этом создание новых генно-инженерных мышей на первичном этапе не сократилось. После того как антимонопольное соглашение 1956 года обязало AT&T бесплатно лицензировать свои патенты, включая транзистор, изобретательская активность за пять лет выросла на 17% за счёт новых компаний на других рынках, а Bell Labs продолжила работу, создав лазер, спутник связи и Unix. Уильям Нордхаус подсчитал, что инноваторы присваивают себе лишь около 2,2% создаваемого ими общественного излишка.

Вывод таков: открытость выигрывает, когда важен кумулятивный поиск и высока неопределённость - как сейчас в ИИ. Закрытый доступ наносит меньше вреда, когда остаётся лишь реализация по уже известному пути.

Куда уходит прибыль

Опросы Ричарда Левина в Йеле в 1980-х годах, повторённые десятилетие спустя, выясняли у руководителей компаний, что защищает их R&D. Патенты оказались на последнем месте, уступив обучению, коммерческой тайне, форе по времени и взаимодополняющим активам; исключениями были лишь фармацевтика и химия. Когда защита слаба, прибыль достаётся тому, кто контролирует комплементарные активы. EMI изобрела компьютерный томограф, и её инженер Годфри Хаунсфилд получил за это Нобелевскую премию, однако рынок забрали GE и Siemens благодаря своим сетям дистрибуции и обслуживания больниц.

ИИ, как утверждает Каталини, изначально родился со слабой защитой. Исследовательские инсайты утекают из лабораторий, специалисты переходят из одной компании в другую, а API раскрывают информацию о работе моделей. По оценке Epoch AI, финальные прогоны обучения составляют лишь 10-23% затрат на вычисления, так что лаборатории действительно обладают скрытыми неявными знаниями, однако без комплементарных активов создаваемая ценность осядет в других руках. Это объясняет текущую стратегию лабораторий. Привязка моделей к средам исполнения и выход в прикладные сценарии вроде Claude Cowork, Claude Tag и computer use в ChatGPT формируют привязку к продукту (lock-in) и позволяют собирать следы того, как работают люди. Регулирование - ещё один актив, который лаборатории могут искусственно ввести в игру: если правила безопасности повышают стоимость оценки и одобрения, конкурировать смогут только компании с большими отделами комплаенса и нормативного регулирования. Точно так же GDPR в итоге лёг более тяжёлым бременем на небольшие фирмы, чем на крупнейших сборщиков данных. Каталини предусмотрительно добавляет, что утверждения лабораторий "могут быть продиктованы корыстным интересом и одновременно оставаться верными".

Безопасность зависит от предметной области

Он сводит безопасность к двум экономическим вопросам: кто больше выигрывает от диффузии на пределе и где доступ реально возможно ограничить. В кибербезопасности защита распределена по огромному числу организаций, открытые веса удешевляют аудит и выпуск патчей, а квалифицированные атакующие способны обойти ограничения на уровне модели, поэтому запреты бьют преимущественно по защищающимся. В биологии ситуация иная. Один опасный навык модели может нанести непоправимый ущерб, поэтому выигрыш во времени имеет смысл, если использовать его для контроля физических ресурсов: синтезаторов, оборудования и материалов. Узкое горлышко из атомов - куда более надёжный барьер, чем программные ограничения. В отношении системных и неизвестных рисков он снова склоняется к открытости, поскольку знания, необходимые для выявления или устранения проблемы, скорее окажутся рассеяны в сообществе, чем сосредоточены у горстки сотрудников лабораторий.

При этом он выступает за независимое стороннее тестирование и поэтапный релиз мощных открытых моделей, а также за развитие методов удаления опасных возможностей на этапе обучения вместо полагания на отказы модели. Эта позиция близка к nonproliferation-is-the-wrong-approach-to-ai-misuse и к процессу публикации в a-safe-path-to-open-weights.

Корпоративный сегмент и структура спроса

Корпоративные клиенты сначала обратились к открытым моделям ради экономии - как реакция на месяцы бесконтрольного tokenmaxxing сотрудников, - а лаборатории ответили снижением цен на модели начального уровня. Каталини считает, что долгосрочная причина лежит в контроле. Взаимодействие с инструментами лабораторий ведёт к утечке информации, настройка под свои задачи усиливает lock-in, а клиенты всё больше опасаются, что их поставщик ИИ станет их прямым конкурентом, как, по его словам, произошло между Anthropic и Figma. В качестве альтернативы он приводит Thinking Machines, обучающую специализированную модель для Bridgewater поверх своей базовой модели: лаборатория предоставляет общий интеллект и инструментарий, а хедж-фонд сохраняет контроль над весами, в которых закодировано его ноу-хау. Microsoft и Palantir названы аналогичными ставками, а коалиция Nvidia в поддержку открытых весов следует логике компаний с комплементарным бизнесом, финансировавших Linux.

Ожидаемое им разделение рынка зависит от формы кривой отдачи от прироста возможностей. В большей части экономики эта кривая быстро выходит на плато, поэтому интеллект будет тарифицироваться "по счётчику", как электричество, и поставляться открытыми моделями либо закрытыми моделями по себестоимости. Наценка требует более качественных эталонных данных (ground truth) и механизмов верификации. В выпуклых областях вроде кибербезопасности, финансов и передового R&D небольшое преимущество даёт несоразмерную отдачу и позволяет удерживать ренту за лидерство. Однако там предельным покупателем выступает государство, а государства могут вводить запреты, устанавливать госрегулирование или проводить национализацию вместо того, чтобы платить. Запреты Fable и Mythos он называет предвестниками этого: "чтобы сохранить свободу, любой ИИ-лаборатории нужно быть успешной, но не слишком успешной". В его интерпретации даже суперинтеллект подчиняется этой логике. Если он зависит от рассеянного неявного знания, комплементарные активы по-прежнему будут иметь решающее значение, а если он состоит из идей, они неизбежно утекут. В заключение он приводит мысль Хайека о том, что ни один центральный планировщик не может вместить в себя всё локальное знание, и утверждает, что регуляторный захват может замедлить диффузию открытых весов, но не способен остановить её.

Связь с другими материалами и оставшиеся вопросы

Такое разделение рынка близко к позиции Ламберта в опубликованном двумя месяцами ранее материале open-and-closed-models-are-on-different-exponentials: закрытые лаборатории занимают верхний сегмент рынка, открытые модели обслуживают большую часть токенов, а совокупная ценность вокруг открытых моделей выше, но сильно размыта. Ламберт приходит к этому через анализ того, как платят пользователи кодовых агентов, Каталини - через историю присваиваемости инноваций (appropriability). Пример Thinking Machines и Bridgewater - это корпоративная версия специализированных моделей, к созданию которых Ламберт призывает в what-comes-next-with-open-models.

Главный тезис эссе о том, что открытость не снижает общий объём инвестиций, опирается на исторические примеры, которые отличаются от передового ИИ в одном важном аспекте. Celera обогнал проект с государственным финансированием, а AT&T уже была прибыльной монополией на момент принудительного лицензирования. Ни в одном из примеров речь не идёт о технологии, следующее поколение которой стоит миллиарды и финансируется ровно из той ренты, которая стоит на кону, - а именно этого опасаются авторы аргумента "лаборатории не смогут финансировать свои прогоны обучения". Каталини отвечает на это аналогией с AT&T, а не прямыми доказательствами.