Три китайских AI-стартапа, которые заставили Кремниевую долину пересмотреть правила игры

Значение Liang Wenfeng, Tang Jie и Yang Zhilin не сводится к тому, что три китайских основателя создали заметные модели искусственного интеллекта. Вместе DeepSeek, Z.ai и Moonshot AI расширили само понятие конкуренции на переднем крае AI-разработок: теперь важны не только способности модели, но и открытость, стоимость инференса, доступ разработчиков и объем вычислений, необходимый для ее работы.

Это не доказывает, что Китай уже обошел Кремниевую долину. Но рынок действительно становится менее монопольно американским. Чтобы влиять на глобальные ожидания, AI-модели больше не обязательно должны быть закрытыми, чрезвычайно дорогими или принадлежать публичной американской технологической корпорации.

Три основателя — три стратегии

Liang Wenfeng: ставка DeepSeek на эффективность

Liang Wenfeng изучал электронику и коммуникационную инженерию в Чжэцзянском университете, а затем стал сооснователем High-Flyer — количественного хедж-фонда, использующего алгоритмы и искусственный интеллект для торговли. В 2023 году он основал DeepSeek, принеся в разработку базовых моделей финансовый подход к математической оптимизации и эффективному использованию вычислительных ресурсов. 4144

Главным достижением компании стала модель рассуждений DeepSeek-R1, выпущенная в январе 2025 года. Ее веса можно было скачать, а саму модель позиционировали как более дешевую альтернативу ведущим закрытым системам. Собственные заявления DeepSeek о стоимости и производительности не могут заменить независимую проверку, однако они оказались достаточно убедительными, чтобы заставить инвесторов пересмотреть экономику обучения и эксплуатации AI-моделей. 172226

Реакция рынка была необычно сильной. За один день Nvidia потеряла 593 млрд долларов рыночной капитализации: инвесторы усомнились в том, что передовые AI-системы обязательно требуют постоянно растущих бюджетов на оборудование. Вскоре распродажа частично отыгралась, поэтому правильнее считать ее быстрым пересмотром ожиданий, а не доказательством исчезновения спроса на мощные чипы. 1718

Философия Liang Wenfeng также отличается от типичной логики венчурного бизнеса. Reuters сообщало, что он ставит долгосрочное развитие искусственного общего интеллекта, или AGI, выше максимизации краткосрочной прибыли и, вероятно, намерен сохранять самые передовые модели открытыми. 33 При этом надежных данных о полном объеме финансирования DeepSeek, ее оценке, планах листинга и личном состоянии основателя недостаточно, чтобы считать распространенные оценки установленными фактами.

Tang Jie: путь Z.ai от университета к рынку

Tang Jie — профессор компьютерных наук Университета Цинхуа, сооснователь и главный научный сотрудник Z.ai, ранее известной как Zhipu AI. Компания была создана в Пекине в 2019 году на базе исследований цинхуа-ской университетской среды, а семейство моделей GLM начала выпускать в 2021 году. 4950

Стратегия Z.ai более институциональна, чем у DeepSeek: она объединяет университетскую исследовательскую базу с коммерческими и корпоративными задачами. Последние версии GLM все больше ориентированы на рассуждения, программирование, работу с инструментами и агентные сценарии — задачи, в которых модель не просто отвечает в чате, а выполняет последовательность действий. Американский Центр стандартов и инноваций в области ИИ сообщил, что GLM-5.2 была выпущена как модель с открытыми весами 16 июня 2026 года. 49

Tang Jie считает, что после появления DeepSeek-R1 прежняя чат-ориентированная фаза гонки в значительной степени завершилась, а программирование и рассуждения станут важнее по мере развития AI-агентов. 52 Так можно понять и позиционирование Z.ai: компания стремится конкурировать не только в качестве диалога, но и в способности моделей решать длинные задачи и взаимодействовать с программным обеспечением.

Z.ai также показывает, как исследовательская лаборатория превращается в публичную компанию. По сообщениям СМИ, к середине 2025 года она привлекла около 1,25 млрд долларов, а государственная американская оценка указывает, что 8 января 2026 года компания провела IPO в Гонконге. 4950 Оценки рыночной стоимости Z.ai в разных публикациях расходятся, поэтому их нельзя считать взаимозаменяемыми или окончательными. Надежных данных о личном состоянии Tang Jie также недостаточно.

Yang Zhilin: длинный контекст Moonshot AI

Yang Zhilin учился в Университете Цинхуа, а докторскую степень получил в Университете Карнеги — Меллон. До создания Moonshot AI в Пекине в 2023 году он, согласно публикациям, занимался исследованиями в Google и Meta. 2712

Первую известность Moonshot принесла модель Kimi, тесно связанная с идеей длинного контекста — способностью обрабатывать большие объемы текста в рамках одного запроса. Затем компания перенесла эту ставку на гораздо более крупную модель с открытыми весами Kimi K3. Источники описывают ее как систему mixture-of-experts на 2,8 трлн параметров с контекстным окном до 1 млн токенов. 15

Веса K3 выпустили после того, как модель стала доступна через продукты Moonshot и API. Это связало потребительский чат-ботный бизнес с более широкой платформой для разработчиков. 2 Масштаб модели впечатляет, но одно только число параметров не говорит напрямую об уровне интеллекта, стоимости эксплуатации или практической пользе. Независимые рейтинги помогают проводить сравнения, однако их позиции меняются и не заменяют проверку надежности, качества программирования, безопасности и работы в реальных агентных сценариях.

Финансовые показатели Moonshot тоже остаются подвижными. TechCrunch сообщал примерно о 2 млрд долларов нового финансирования при оценке в 20 млрд долларов в мае 2026 года. Более поздние публикации говорили о возможной оценке свыше 30 млрд долларов и подготовке к потенциальному листингу в Гонконге. Это оценки частного рынка, а не подтвержденные аудированной отчетностью значения. 41215 Надежных данных о личном состоянии Yang Zhilin недостаточно.

Почему это не просто гонка США и Китая

1. Теперь сравнивают возможности и цену

DeepSeek сделала эффективное рассуждение главным аргументом. Z.ai продвигает программирование, корпоративное внедрение и AI-агентов. Moonshot сочетает длинный контекст, очень крупные модели с открытыми весами и собственную продуктовую дистрибуцию.

Подходы компаний различаются, но все они подталкивают индустрию к одному вопросу: сколько полезных возможностей разработчик получает на каждый доллар обучения или инференса?

Сравнение при этом нельзя считать полностью чистым. Заявленная стоимость обучения часто основана на данных самих компаний и может не учитывать подготовку датасетов, инженерную работу, доступ к оборудованию, оценку и развертывание. Но стратегический эффект очевиден: DeepSeek заставила инвесторов и лаборатории пересмотреть представления о стоимости передовых моделей. 1722

2. Открытые веса расширяют выбор разработчиков

Модели с доступными весами можно самостоятельно размещать на своих серверах, дообучать и встраивать в продукты, не полагаясь полностью на закрытый API. Это дает DeepSeek, GLM и Kimi путь в глобальную экосистему программного обеспечения даже при ограниченном доступе их компаний к зарубежной дистрибуции.

Важно различать «открытые веса» и полноценный open source. В первом случае пользователям доступны обученные параметры модели, но исходные данные, код обучения, методы обработки данных и полный процесс разработки могут оставаться закрытыми. Разница имеет значение для воспроизводимости, лицензирования, безопасности и регулирования.

3. Эффект вышел за пределы AI-лабораторий

Релиз DeepSeek в январе 2025 года повлиял на оценки американских технологических компаний, поскольку поставил под сомнение предположение: более мощный ИИ автоматически требует пропорционально большего объема дорогого оборудования. Однодневная потеря Nvidia показала, насколько быстро инновация на уровне модели может повлиять на инфраструктурный слой рынка. 1718

Kimi K3 вызвала похожий интерес: китайская компания выпустила модель с открытыми весами в масштабе, который обычно связывали с крупнейшими американскими лабораториями. Однако реакцию разумнее трактовать как давление на прежние рыночные представления, а не как доказательство окончательной технологической победы. 14

Ограничения, которые определят следующий этап

У всех трех компаний остаются серьезные структурные проблемы.

• Вычислительные мощности и оборудование. Экспортные ограничения и ограниченный доступ к самым передовым ускорителям усложняют обучение и обслуживание передовых моделей. Методы оптимизации могут сократить разрыв, но не отменяют потребность в чипах, электроэнергии, сетевой инфраструктуре, инженерах и капитале. 45
• Коммерциализация. Открытые или дешевые модели быстро распространяются, но их создателям сложнее превращать популярность в устойчивую выручку. Техническое внимание необходимо конвертировать в корпоративные контракты, API-бизнес или массовые потребительские продукты.
• Неопределенность бенчмарков. Победа в одном узком или самостоятельно заявленном тесте не решает вопросы надежности, многоязычия, программирования, безопасности и устойчивости AI-агентов. Заявления о превосходстве требуют независимого воспроизведения.
• Доверие и регулирование. Вопросы приватности, безопасности, ограничений на контент и геополитического контроля могут замедлить международное распространение модели, даже если технически она привлекательна.
• Давление рынков капитала. Завершившийся листинг дает Z.ai иное финансовое положение по сравнению с частной DeepSeek, тогда как планы Moonshot по IPO пока остаются перспективой. Структура владения DeepSeek и ее возможные планы листинга в надежных публичных источниках описаны значительно менее ясно. 495015

Итог

Liang Wenfeng, Tang Jie и Yang Zhilin не реализуют единую «китайскую стратегию» в области ИИ. Liang сделал эффективность и долгосрочные исследования AGI основой идентичности DeepSeek. Tang переводит университетские исследования базовых моделей в сферу программирования, AI-агентов и публичного рынка. Yang строит Moonshot вокруг длинного контекста, гигантских MoE-систем и распространения моделей среди разработчиков.

Их общий результат — более плюралистичный рынок передового ИИ. Они расширили выбор для разработчиков, поставили под сомнение экономику закрытой инфраструктуры и ослабили представление о том, что Китай обречен постоянно отставать от США.

Более осторожный вывод одновременно остается наиболее надежным: эти компании уже изменили конкурентную карту, но долговечность перемен определят доступ к вычислениям, неопределенность бенчмарков, способность зарабатывать и уровень доверия пользователей.