Статистика использования государственных ресурсов
Национальное агентство по продвижению IT-индустрии (NIPA) Южной Кореи столкнулось с неожиданной проблемой: получатели государственной поддержки задействуют лишь малую часть предоставленного оборудования. По состоянию на сентябрь 2026 года активными оказались только 5234 из 10 104 выданных ИИ-ускорителей, что составляет 51,8 % от общего объема. Подобные сведения стали известны во время очередного парламентского аудита госорганов после претензий депутатов к качеству распределения бюджетных средств.
Разброс показателей по секторам экономики
Эффективность применения аппаратного обеспечения напрямую зависит от масштаба и статуса организации. Лучшие показатели демонстрируют крупные коммерческие структуры, где задействовано 80,6 % оборудования. Научно-исследовательские институты показывают результат на уровне 61,2 %, а малые и средние предприятия используют 56,5 % ресурсов. Самые низкие показатели зафиксированы у стартапов (46,1 %) и университетских лабораторий (42,1 %). Кроме того, в пятнадцати отдельных проектах уровень задействования вычислителей не превышает 20 %.
Дефицит мощностей на фоне простоя техники
Сложившаяся ситуация выглядит парадоксально на фоне масштабных вложений в технологическую инфраструктуру, куда страна планирует направить почти $3 трлн (ориентировочно 270 000 000 000 000 ₽). Пока крупные игроки и некоторые академические группы не спешат нагружать полученные чипы, независимые исследовательские команды и средние ИИ-стартапы сталкиваются с жестким дефицитом оборудования. Они испытывают трудности с арендой систем и поиском поддержки для тренировки крупных языковых моделей. Ранее сообщалось о планах технологических гигантов вроде SK hynix и Naver расширять мощности при содействии NVIDIA, но распределение уже имеющихся ресурсов пока хромает.
Что это значит для вас
Для пользователей и разработчиков эта ситуация отражает общемировую тенденцию распределения вычислительных ресурсов, где доступ к передовому железу часто ограничен бюрократическими барьерами. Если вы занимаетесь разработкой моделей и сталкиваетесь с нехваткой мощностей, имеет смысл оптимизировать существующие алгоритмы под доступные потребительские видеокарты или облачные решения, а также обратить внимание на легкие открытые архитектуры, позволяющие снизить затраты на инференс и обучение.
