# Не только Китай: ИИ в России, Индии и Японии

My Weird Prompts — an AI-generated podcast. Daniel Rosehill sends in a prompt; AI hosts Corn and Herman discuss it. Verify important claims independently.

- Episode: 6105
- Published: 2026-10-18
- Duration: 26:09
- Audio: https://episodes.myweirdprompts.com/audio/ru-non-western-ai-regional-specialization.m4a
- Tags: sovereign-ai, small-language-models, open-source-ai
- Web page: https://myweirdprompts.com/episode/ru-non-western-ai-regional-specialization/
- JSON: https://myweirdprompts.com/api/episodes/ru-non-western-ai-regional-specialization.json

## Summary

An experimental Russian edition of Beyond China: AI in Russia, India, Japan, voiced end to end with Chatterbox Multilingual.

Пока Китай попадает в заголовки, Россия, Индия и Япония спокойно строят ИИ-экосистемы под свои языки и экономику. Русский двуязычный ГигаЧат, индийская федерация языковых специалистов, узкоспециализированные одноязычные модели Японии: в выпуске мы разбираемся, как незападный ИИ развивается за пределами простого перевода. Почему эти региональные подходы на местных задачах обгоняют глобальных гигантов и что это значит для доступности ИИ в будущем?

## Show notes

**Не только Китай: рост региональных ИИ-сил**

Когда заходит речь о незападном ИИ, разговор почти всегда начинается и заканчивается Китаем. Масштабы, инвестиции и громкие заголовки впечатляют. Но если присмотреться, Россия, Индия и Япония строят собственные, очень непохожие друг на друга ИИ-экосистемы. Они ставят под сомнение привычную идею, что центром всего должны быть англоцентричные многоязычные модели. Эти страны не просто адаптируют западные технологии: они создают фундаментальные возможности, которые отражают их языковые, культурные и экономические реалии.

**Россия: двуязычный фундамент**

- ГигаЧат от Сбера с самого начала строился как двуязычный. Параллельные русские и английские корпуса использовались с первого дня, а не добавлялись к готовой русской модели.
- Причина в сложной морфологии русского языка. Богатые падежные окончания и глагольные виды делают стандартные токенизаторы, обученные на английском, неподходящими: они рубят слова на бессмысленные куски.
- Для русского создали собственный токенизатор на основе СентенсПис. Модель «думает» русскими грамматическими конструкциями и при этом свободно переходит на английский.
- Так удаётся обойти проблему «цифрового бутерброда», когда отдельные модели перевода и речи накладываются друг на друга, добавляя задержки и ошибки. Перевод происходит внутри латентного пространства модели.

**Индия: федерация специалистов**

- В Индии 22 официальных языка и сотни диалектов.
- Сарвам Эй Ай использует систему «языковой маршрутизации». Классификатор направляет запрос в специализированную подмодель для нужной группы языков: дравидийских (тамильский, телугу) или индоарийских (хинди, бенгальский).
- Это ответ на «многоязычный парадокс»: если обучать одну модель на многих языках, качество на каждом отдельном языке часто падает из-за общих параметров.
- Минус в том, что точность маршрутизации составляет 94%. Поэтому иногда запрос уходит не туда, а задержки подскакивают.
- Дополнительное преимущество — огромный объём данных индийского вернакулярного интернета, которого почти нет в западных веб-выгрузках. Это настоящий «ров» из данных.

**Япония: одноязычная эффективность**

- Сакана Эй Ай делает ставку на узкую специализацию и один язык. Модель на 125 миллионов параметров обучена только на японской технической и научной документации и на профильных задачах обходит куда более крупные универсальные модели.
- Секрет успеха в трёх вещах: исключительное качество данных (отобранная техническая литература вместо случайных веб-страниц), токенизатор под сочетание кандзи, хираганы и катаканы и сильная экономия. Одноязычная модель обходится примерно на 40% дешевле многоязычной.
- Для большого внутреннего рынка с невысоким уровнем владения английским бизнес-аргументы в пользу такой модели очень убедительны.

**Геополитика и экономика**

- Лингвистические данные становятся чем-то вроде цифровой территории. Рунет и индийский вернакулярный интернет с западной точки зрения — закрытые сады, и это даёт конкурентное преимущество местным компаниям.
- По бенчмаркам ГигаЧат обходит Джи-пи-ти-4 в анализе российских юридических текстов, а модели Сарвам лучше справляются с переключением между хинди и английским посреди фразы.
- Региональные модели лучше обслуживают местное население: образование, здравоохранение, доступ к госуслугам. Но возникает риск фрагментации: модели могут плохо взаимодействовать через языковые границы.
- Будущее ИИ, возможно, не в одной глобальной модели, а в созвездии региональных экспертов, каждый из которых свободно владеет своим языком и культурным контекстом.

Это экспериментальный перевод выпуска, озвученный синтетическими голосами.

## Transcript

Corn: Когда мы говорим о незападном искусственном интеллекте, разговор почти всегда начинается и кончается Китаем. И это справедливо: у них и масштаб, и инвестиции, и громукие заголовки. Но сегодняшний запрос заставляет нас посмотреть в другое место: на Россию, Индию и Японию. И узнать, что же на самом деле растёт в этих садах. Эти модели изначально многоязычные, или мы видим много упрямо одноязычных разработок?
Herman: Отличный вопрос, он подводит нас к важному сдвигу в экономике искусственного интеллекта. Раньше принято было считать так: обучаешь на английском, может, добавляешь немного многоязычных данных как дополнительную функцию, и вот тебе продукт. Но этот расчёт быстро меняется. Когда у тебя население размером с Россию или Индию, ценность модели, которая свободно владеет языком, начинает перевешивать стоимость её создания.
Corn: Кстати, любопытный факт дня: сегодняшний сценарий нам пишет Сяоми Мимо ви два Про. Так что если русские или хинди-переводы покажутся вам особенно красноречевыми, вы знаете, кого благодарить.
Herman: Или винить. Начать нужно с России, потому что подход у них очень любопытный. Есть Гигачат, большая ставка Сбера. Его обучали на поразительном объёме данных: одна целая три десятых триллиона токенов на русском языке. Это их главный актив. Но, и это ключевой архитектурный выбор, с первого дня они добавили параллельные корпуса английских текстов.
Corn: То есть это не русская модель, к которой потом приделали английский, а модель, изначально задуманная двуязычной.
Herman: Именно. В этом и есть ключевая разница. А важно это из-за токенизации кириллицы. Русская морфология необыкновенно богата: падежные окончания, виды глагола, такой уровень словоизменения, с каким языкам на латинице в таком виде иметь дело не приходится. Если взять стандартный токенизатор, обученный на английских веб-текстах, результат будет ужасный. Слова режутся на бессмысленные куски, и вся грамматическая информация теряется. Представьте, что вы пытаетесь понимать английский, а каждый раз, когда вам попадается слово «андерстэндинг», его разбивают на «андер», «стэнд» и «инг»: три совершенно отдельных токена, между которыми нет никакой грамматической связи. Вот о какой деградации речь.
Corn: То есть им пришлось создать собственный токенизатор, просто чтобы корректно обрабатывать структуру языка. Это звучит как огромная фундаментальная работа.
Herman: Они взяли за основу Сэнтенс-Пис, но со сильно доработанным словарём, оптимизированным под русскую морфологию. Дело не только в том, что русские слова есть в словаре. Важно, как модель разбирает и вновь собирает смысл на сублексическом уровне. В итоге модель не просто свободно говорит по-русски, она думает русскими структурами. А поскольку она обучалась ещё и параллельно на английском, она может переходить с одного языка на другой без этого неуклюжего слоя перевода, какой видишь в моделях, где многоязычность появилась задним умом.
Corn: Параллельное обучение нужно не просто ради возможностей, а ради эффективности перехода между языками. Вы обходитесь без посредника.
Herman: Верно. Так обходится то, что я называю проблемой «цифрового сэндвича». Это когда друг на друга складываются речевая модель, потом модель перевода текста, потом ещё одна речевая модель. Каждый слой добавляет задержку и накопление ошибок. Единая архитектура Гигачата означает, что перевод происходит внутри скрытого пространства модели, а не между отдельными компонентами. Это как человек, который с рождения двуязычен, и тот, кому приходится постоянно лезть в словарь. У носителя речь течёт гладко.
Corn: Ладно, это Россия. А Индия в лингвистическом смысле совсем другой зверь. Там не один и не два языка, а двадцать два официальных языка и сотни диалектов. Как с этим справляется Сарвам Эй Ай?
Herman: Вот тут начинается самое хитрое, и заодно очень ясно видны компромиссы. У Сарвам есть система, которую они называют «маршрутизацией по языкам». Когда приходит запрос, он сначала попадает в классификатор, определяющий язык. Точность этого классификатора около девяноста четырёх процентов. Звучит неплохо, пока не осознаешь, что на практике означают эти шесть процентов ошибок.
Corn: То есть шесть процентов запросов уходят не в ту специализированную подмодель. Для пользователя это может обернуться серьёзной головной болью.
Herman: И из-за этого возникают скачки задержки и падение точности, которые пользователи очень заметно чувствуют. Но сама архитектура увлекательна. Вместо того чтобы строить одну гигантскую модель, которая знает все двадцать два языка одинаково хорошо, а это, как показывают современные исследования, почти невозможно без огромных уступок, они делают специализированные подмодели для языковых кластеров. Есть дравидийский кластер для тамильского, телугу и каннада. Индоарийский кластер для хинди, бенгальского и маратхи. И маршрутизирующий слой, который направляет трафик.
Corn: То есть это скорее федерация специализированных моделей, чем единый полиглот. Союз экспертов, и у каждого своя область.
Herman: Лучше не скажешь. И это подводит нас к тому, что исследователи называют «многоязычным парадоксом». Данные раз за разом показывают: когда модель обучают на нескольких языках, её результаты по любому отдельному языку почти всегда хуже, чем у специализированной модели, обученной только на нём. Это проблема «мастера на все руки». Ёмкость параметров делится между слишком многими задачами.
Corn: Что интуитивно понятно. Если я буду учить японский и арабский одновременно, ни в одном из них, скорее всего, не преуспею так, как если бы сосредоточился на одном. Но как это проявляется технически в модели? Это просто общая «размазанность», или есть конкретные виды сбоев?
Herman: У нейронной сети те же ограничения по ёмкости. Параметры, которые могли бы быть идеально настроены на синтаксис хинди, частично отдаются под морфологию тамильского, и ни тот, ни другой не раскрывается полностью. Это видно в тонкостях: модель может путать послелоги, типичные для индоарийских языков, с агглютинативными суффиксами дравидийских. Или выдавать грамматически правильные, но стилистически неуклюжие предложения, потому что усредняет шаблоны. Подход Сарвам с маршрутизацией это попытка взять лучшее из обоих миров: общая инфраструктура для базовых рассуждений, но выделенная ёмкость для языковых нюансов. Как команда специалистов, которые все прошли один и тот же общий учебный лагерь по основным принципам, а потом каждый углубился в своё дело.
Corn: А Сакана Эй Ай из Японии идёт ещё по другому пути, да? Они даже не пытаются быть многоязычными. Они целиком ставят на одноязычную специализацию.
Herman: Верно. И вот тут экономика становится по-настоящему интересной. Сакана занимается исключительно японской технической документацией и научными статьями. У них есть модель на сто двадцать пять миллионов параметров, по нынешним меркам крошечная, которая обгоняет гораздо большие модели общего назначения в узкоспециализированных японских задачах.
Corn: Как это возможно? Кажется парадоксальным, что более маленькая и узкая модель может обойти такого гиганта, как Джи Пи Ти четыре, хоть в чём-то.
Herman: Три причины. Во-первых, исключительное качество данных. Они обучаются не на случайных веб-скрейпах, а на отобранной, высококачественной японской технической литературе. Это разница между изучением предмета по стопке рецензируемых журналов и по куче случайных записей в блогах и комментариев в социальных сетях. Во-вторых, токенизатор опять же оптимизирован именно под японский, у которого свои особые трудности: канджи, хирагана и катакана перемешаны вместе. Хорошему токенизатору для японского нужно понимать, что одно понятийное слово может передаваться сочетанием нескольких иероглифов канджи, а грамматический «клей» часто записывается хираганой в конце. И в-третьих, и это экономический ключ, обучение одноязычной модели обходится гораздо дешевле. Оно на сорок процентов дешевле, чем обучение равноценной многоязычной модели.
Corn: Сорок процентов? Это не погрешность округления. Для стартапа или исследовательской лаборатории это разница между запуском проекта и отправлением его на полку.
Herman: Совсем нет. И экономия набирается из многих мест. Словарь поменьше, значит, и слой эмбеддингов поменьше. Сложность выравнивания ниже, потому что не надо сопоставлять понятия между десятками языков. И конвейер данных проще. Для страны вроде Японии, с огромным внутренним рынком, но относительно низким уровнем владения английским, бизнес-обоснование для гиперспециализированной японской модели очень убедительное. Они не пытаются обслуживать весь мир. Они хотят обслуживать Японию и делать это исключительно хорошо.
Corn: Это заставляет меня подумать о данных как о защитном рове. На Западе мы об этом говорим так: у компаний с уникальными наборами данных есть преимущество. Но Рунет, русскоязычный интернет, с точки зрения данных — по сути, огороженный сад. У западных моделей к нему ограниченный доступ.
Herman: Это и правда настоящее конкурентное преимущество. А интернет Индии на местных языках — ещё более крайний случай. В Индии сотни миллионов людей в сети, и они в основном общаются на таких языках, как тамильский, телугу или бенгальский. Таких данных просто нет в англоязычных веб-скрейпах, на которых держится большинство западных моделей. Если вы хотите хорошо обслуживать этих пользователей, нужно либо сотрудничать с местными компаниями, у которых есть такие данные, либо создавать их самим. Дело не только в переводе английских понятий; дело в понимании культурного контекста, заложённого в язык: как люди просят о помощи, какие метафоры используют, что считается вежливой или официальной просьбой.
Corn: Из-за этого в искусственном интеллекте возникает интересная геополитическая динамика. Дело не только в том, у кого лучшие алгоритмы, но и в том, у кого есть доступ к каким лингвистическим массивам данных. Данные становятся своего рода цифровой территорией.
Herman: И мы видим это на бенчмарках. Яндекс опубликовал исследование, где Гигачат превосходит Джи Пи Ти четыре в анализе российских юридических документов. И не чуть-чуть, а ощутимо. Причём дело не в том, что Гигачат «лучше» в каком-то абсолютном смысле, а в том, что он понимает нюансы русской юридической терминологии, структуру российских договоров, конкретные формулировки российской юриспруденции. Он знает, что определённый формат пункта — стандартный, или что некий архаичный термин до сих пор используется в имущественном праве.
Corn: Так что для российской юридической фирмы выбор очевиден. Это как нанять местного юриста, который знает суды, и блестящего иностранного юриста, которому приходится всё сверять.
Herman: Совсем не близко. И похожие закономерности мы видим в Индии. Модели Сарвам намного лучше других больших многоязычных моделей справляются с переключением между хинди и английским — с тем естественным смешением языков, которое бывает в индийской речи. Они обучались именно на этом паттерне, поэтому понимают, когда и как говорящие переключаются между языками посреди предложения. Например, они знают, что в неформальном разговоре ключевой глагол может быть английским — вроде «майне ассайнмент комплит кия», — а вся окружающая грамматика и контекст при этом хинди. Западная модель может запутаться от такого внезапного переключения.
Corn: Отличный пример. Дело не только в словаре, а в ритме — в том, как люди на самом деле говорят. А какие тут эффекты второго порядка? Если мы движемся к миру специализированных региональных моделей, что это значит для глобальной доступности искусственного интеллекта? Не приведёт ли это к ещё большей фрагментации?
Herman: Это вопрос на миллион долларов. С одной стороны, местное население получает более качественный сервис. Пожилой человек в сельском Тамил-Наду может общаться с искусственным интеллектом на родном языке по-настоящему свободно. Это настоящий переворот для образования, здравоохранения, госуслуг. С другой стороны, могут возникнуть изолированные острова, где модели плохо взаимодействуют через языковые границы. Представьте, что русская и японская модели пытаются вместе решить задачу глобальной цепочки поставок — их исходные допущения о договорном праве или о метриках контроля качества могут тонко различаться.
Corn: Или получится новый вид цифрового неравенства, когда качество помощи искусственного интеллекта зависит от того, на каком языке вы говорите. Если лучшая медицинская диагностическая система на основе искусственного интеллекта по-настоящему свободно владеет только английским и китайским, носители других языков окажутся в неблагоприятном положении.
Herman: Это уже происходит. Исследования показывают, что использование искусственного интеллекта на неродном языке часто обходится дороже в вычислительном плане и даёт худшие результаты. Мы, кстати, разбирали это в выпуске о том, почему общение с искусственным интеллектом на родном языке стоит дороже. Тенденция к региональным моделям может это смягчить — сделав искусственный интеллект на родном языке доступнее, — а может усугубить, если лучшие возможности останутся запертыми в англоцентричных моделях. Надежда в том, что экономика специализации сделает качественный искусственный интеллект на родном языке доступным для всё большего числа языков.
Corn: Давайте поговорим о практических выводах для наших слушателей. Если вы разработчик и создаёте продукт для конкретного рынка, скажем, российского, как тут всё взвесить?
Herman: Если вы создаёте продукт для России и вам нужна глубокая лингвистическая компетентность — в юридической, медицинской, технической документации, — специализированная русская модель вроде Гигачата почти наверняка превзойдёт многоязычного универсала. И вы, вероятно, сэкономите примерно сорок процентов на вычислительных затратах. Компромисс в том, что вы теряете часть широких знаний о мире, которые даёт обучение на английских веб-данных. Но для узкоспециализированных приложений это часто вполне приемлемо. Вы же не просите её написать стихотворение о Шекспире — вы просите её разобрать патентную заявку.
Corn: А для исследователей?
Herman: Парадокс многоязычности говорит нам, что нужно лучше научиться переносу обучения между языками, а не просто собирать большие наборы данных. Бросать в модель всё больше языков — не решение. Нужны архитектурные новации, которые позволят моделям делиться абстрактными способностями к рассуждению и при этом сохранять языковую специализацию. Подход с маршрутизацией — одно из направлений, но есть и другие: смесь экспертов, модульные архитектуры и тому подобное. Цель — модель, которая может научиться на тамильском тексте и применить это концептуальное понимание на бенгальском, не путая при этом грамматику.
Corn: А для бизнеса, который смотрит на международную экспансию?
Herman: Региональные базы данных становятся настоящим конкурентным преимуществом. Если вы хотите выйти на индийский рынок, партнёрство с компанией вроде Сарвам, у которой глубокие данные на местных языках, всё более стратегически важно. Пытаться с нуля создать такую возможность на основе западной модели — значит оказаться в серьёзном проигрыше. Это не просто техническое препятствие, это и культурное. Местные модели понимают местный юмор, местные отсылки, местные ожидания от клиентской поддержки.
Corn: Похоже, мы переходим от мира, где искусственный интеллект был по сути «английским плюс», к настоящей мозаике языковых специализаций. Лоскутное одеяло, а не единое большое покрывало.
Herman: И движет этим экономика. Вычислительные затраты падают, причём быстро, и порог входа для обучения моделей на родных языках исчезает. Пять лет назад позволить себе обучить конкурентоспособную модель могли только крупнейшие технологические гиганты. Теперь, с более эффективными архитектурами и более дешёвыми вычислениями, региональные игроки могут выйти на рынок и успешно обслуживать свои языковые сообщества. В некотором смысле это демократизация разработки искусственного интеллекта.
Corn: Так что будущее — это не горстка глобальных моделей, которые заодно говорят на нескольких языках. Это, возможно, сотни специализированных моделей, каждая из которых оптимизирована под свой языковой и культурный контекст. Это радикально другое видение.
Herman: И это не обязательно плохо. В некотором смысле это даже демократичнее. Это уводит возможности искусственного интеллекта от Кремниевой долины и Пекина и распределяет их туда, где есть достаточно крупное языковое сообщество с техническими силами, чтобы строить для себя самим. Это значит искусственный интеллект, который по-настоящему понимает вопросы кенийского фермера на суахили или записи бразильского врача на португальском.
Corn: Хотя это поднимает вопросы совместимости и стандартов. Если я пользуюсь русской моделью, а ты — индийской, сможем ли мы эффективно сотрудничать? Как сделать так, чтобы они говорили на одном концептуальном языке?
Herman: Это следующий вызов. Нам понадобится слои перевода не только языка, но и концептуальных рамок. Потому что эти модели не просто говорят на разных языках — они мыслят в разных культурных контекстах. Понимание «приватности» русской моделью — сформированное другой историей государственной слежки и личного пространства — может тенко отличаться от понимания индийской моделью, обученной на других правовых традициях и социальных нормах. Навести между ними мосты — глубокая задача.
Corn: Так что настоящая многоязычная задача — не просто лингвистическая, а концептуальная. Речь о согласовании мировоззрений, а не только слов.
Herman: Вот здесь и будут самые интересные исследования в ближайшие годы. Не просто в улучшении токенизаторов или в наращивании наборов данных, а в создании моделей, которые умеют ориентироваться в этих концептуальных различиях и при этом сохранять культурную специфику. Речь о метамоделях, которые смогут дирижировать этими специалистами, как переводчик в Организации Объединённых Наций, который не просто переводит слова, а выступает посредником в передаче смысла.
Corn: Что ж, Дэниел, это была увлекательная кроличья нора. Спасибо, что отправили нас в неё. Это напоминание о том, что мир искусственного интеллекта намного больше и разнообразнее, чем кажется по заголовкам.
Herman: Верно. А для наших слушателей: если вам нравятся эти глубокие погружения в мировой ландшафт искусственного интеллекта, короткий отзыв в приложении для подкастов помогает нам находить новых слушателей, которым может быть интересен именно такой разбор. Это правда многое меняет.
Corn: Ссылки на некоторые исследования, о которых мы говорили, — исследование Яндекса, научные статьи Сарвама об архитектуре — мы поместим в описании к выпуску. Это был Май Вирд Промптс, до встречи в следующий раз.
Herman: Как всегда, спасибо нашему продюсеру Хильберту Флумингтопу и огромное спасибо Модал за кредиты на графические процессоры, на которых работает наше шоу. До скорой встречи.