11 серпня 2026 року NYT розповіла про стартап, чия єдина мета — дати розробникам AI-модель, яку вони тренують самі, без узгодження з OpenAI, Google DeepMind чи Anthropic. Ідея не в тому, щоб випустити ще одну велику мовну модель, а в тому, щоб розірвати залежність від закритої інфраструктури тренування, яку сьогодні контролює жменька компаній.

Ключова відмінність — не розмір моделі, а те, хто вирішує, що і як вона тренується. У класичній схемі постачальник визначає базові ваги, правила fine-tuning і ліміти API; глибше втручання в поведінку моделі неможливе без згоди платформи. Стартап пропонує протилежний принцип: цикл тренування повністю в руках того, хто моделлю користується.

За даними NYT, це подається як пряма відповідь на занепокоєння тим, наскільки вузьке коло компаній визначає розвиток усієї галузі — від ціни інференсу до правил модерації контенту. Схожий запит уже звучить і на державному рівні: суверенні AI-ініціативи Мінцифри виходять із того ж занепокоєння залежністю від чужої інфраструктури, тільки на рівні країни, а не окремого розробника.

Що конкретно пропонує цей стартап?

Ідея не в новій великій мовній моделі, а в іншому розподілі влади над циклом тренування. Замість API, де компанія-власник модерує кожен запит на fine-tuning, пропонується модель, ваги і процес навчання якої повністю доступні користувачу — він сам вирішує, на яких даних і з якими обмеженнями (чи без них) вона вчиться. Це принципово інша економіка: не оренда чужого інтелекту, а володіння власним.

Чому тренування AI взагалі опинилося в руках кількох компаній?

Причина проста: тренування моделей з нуля коштує сотні мільйонів доларів у GPU-кластерах, і дозволити собі це можуть одиниці. Це створило природну олігополію — OpenAI, Google DeepMind, Anthropic і Meta задають правила гри, а решта ринку працює через їхні API або відкриті ваги, які самі великі компанії вирішують випускати.

Meta вже певний час грає на полі відкритих ваг як конкурентну перевагу — Цукерберг публічно позиціонує відкриті моделі як стратегічну відповідь Китаю, і це показує, що навіть Big Tech визнає попит на менш контрольований AI.

Як технічно виглядає тренування «поза контролем» великих компаній?

На практиці незалежність від великих компаній — це градієнт, а не перемикач «увімкнено/вимкнено». У галузі вже є кілька усталених підходів: повний доступ до ваг з можливістю LoRA- чи QLoRA-донавчання на власному залізі, децентралізовані мережі обчислень, де компут об'єднують незалежні учасники (на кшталт Prime Intellect чи Nous Research), і повний контроль над навчальним датасетом — тобто розробник, а не платформа, вирішує, які дані модель побачить.

Суверенне тренування — це підхід, за якого весь ланцюжок навчання моделі (дані, ваги, обчислення) залишається під контролем того, хто модель створює, а не постачальника хмарної інфраструктури. Саме цей термін дедалі частіше звучить і в держполітиці, і в стартап-піарі.

Пастка в тому, що навіть за повного доступу до ваг GPU-кластери для серйозного тренування все одно найчастіше орендують у AWS, Google Cloud чи Microsoft Azure — тобто повна незалежність від Big Tech поки радше маркетингова теза, ніж технічна реальність.

Висновок AiiN: що це означає для AI-білдерів?

Наша теза проста: «тренування без контролю великих компаній» варто перевіряти за трьома критеріями, а не приймати на слово. По-перше, чи є повний доступ до ваг моделі, а не лише до API донавчання. По-друге, чи розробник контролює навчальний датасет, чи його все одно фільтрує платформа. По-третє, на чиєму залізі відбувається тренування — бо оренда GPU в тієї ж Big Tech зводить нанівець незалежність на рівні даних і ваг. Стартапи, які проходять усі три тести, — рідкість, і саме тому цей кейс NYT вартий уваги: він перевіряє, чи можна побудувати життєздатний бізнес на переділі AI-влади, а не просто на новій закритій моделі під новим брендом.

Чи означає це, що великі AI-лабораторії втрачають контроль над ринком?

Ні, принаймні поки що. Компут і таланти й далі концентруються навколо OpenAI, Google DeepMind, Anthropic і Meta — але поява нішевих альтернатив розширює вибір для розробників, яким критично важливий контроль над даними чи поведінкою моделі.

Що AI-білдеру робити з цим уже зараз?

Перевіряти будь-яку заяву про «незалежне тренування» за вагами, датасетом і компутом окремо, а не довіряти маркетинговому формулюванню. Якщо потрібна реальна автономність — рахувати вартість власного або орендованого GPU-кластера і закладати її в бізнес-модель заздалегідь, а не постфактум.