Бизнес все чаще приходит к мысли, что пора внедрять свой собственный AI. Все спрашивают: «Какая модель мне нужна?» Однако мало кто задумывается, на каких мощностях развернуть эту модель.
Изначально мы тоже не задумывались. Разработали корпоративного ИИ-агента, развили компетенции ИТ-команды, чтобы двигаться дальше, и перед нами появился «железный тупик». Отсюда родилась идея AI ready модуля. Рассказываем, что это такое и почему AI начинается с инфраструктуры, а не с определенной популярной модели.
AI начинается с фундамента: от первых диалогов с GPT к промышленному контуру
Применение генеративного ИИ в бизнесе масштабируется по понятному сценарию. Для большинства первой действительно полезной функцией чат-ботов стал умный поиск. Подобно тому как поисковые системы тридцать лет назад освободили нас от постоянного похода в библиотеки, современные LLM сэкономили часы на поиске и структурировании информации в сети.
В нашем случае бытовое применение чат-ботов быстро переросло в корпоративную практику, охватив рабочие процессы машиностроительного предприятия. Поисковые запросы сменились задачами по аналитике, инженерным расчетам, системному мониторингу и подготовке контента, а летом команда приступила к разработке собственного корпоративного AI-агента.
На старте проект успешно развивался на существующей серверной инфраструктуре компании. Однако, переходя к следующим исследовательским и прикладным задачам, требующим закупки специализированных GPU-серверов, мы столкнулись с принципиальным вопросом: что делать промышленным предприятиям, которым требуется одновременная работа нескольких разнородных моделей — например, мультимодального агента с RAG-поиском, систем машинного зрения и предиктивной аналитики?
Простой чат-бот без проблем функционирует в стандартной офисной серверной. Но развертывание тяжелых языковых (LLM) и визуально-языковых (VLM) моделей требует принципиально иной инженерной среды.
Существует вариант с выносом всех вычислений в публичные облака, однако он упирается в позицию служб информационной безопасности, не готовых отдавать чувствительные данные предприятия за внешний периметр. Второй барьер — географический. Если алгоритмы ИИ должны работать на удаленном заводе, в добывающем карьере или на месторождении, качественной вычислительной базы поблизости может не оказаться вовсе.
Будучи инжиниринговой компанией, работающей на стыке с IT, мы взглянули на внедрение искусственного интеллекта не только как на программную задачу, но и как на физический вызов. Работа алгоритмов опирается на осязаемый фундамент: бесперебойное электроснабжение, эффективный отвод тепла и устойчивые серверные стойки. Поэтому прежде чем заводить корпоративные модели, необходимо спроектировать среду, в которой они будут работать.
Так стартовал проект AI ready. Идея объединить в единый модульный контур инженерную инфраструктуру, вычислительные мощности и прикладной ИИ быстро переросла из рабочей гипотезы в разработку полноценного продукта.
Модульный ЦОД: первая гипотеза
Запуск полноценных бизнес-моделей требует локальных ресурсов — как инженерных, так и вычислительных. Речь идет не о разовых тестах, а о глубокой автоматизации бизнес-процессов, критичной для ежедневной работы предприятия.
Почему «рабочий AI» требует особых мощностей? Наглядный пример — бытовая умная колонка: она воспроизведет трек только при наличии электричества, подписки и сформированного плейлиста. Логика с моделями аналогичная. Чем умнее система и шире ее функционал, тем серьезнее требования к электропитанию, затратнее инфраструктура и объёмнее массив данных.
Первым очевидным решением казалось использование стандартного модульного дата-центра (МЦОД) — компактного готового решения, которое часто применяют для оперативного развертывания IT-инфраструктуры на удаленных площадках или в качестве временных мощностей.
Однако при сопоставлении параметров гипотеза быстро провалилась:
- Типовой МЦОД от отечественных производителей рассчитан на суммарную IT-мощность до 300 кВт, обеспечивая весьма умеренную плотность размещения.
- В случае с AI-нагрузкой проектная тепловая мощность на одну стойку возрастает до 25–40 кВт, что в 2–3 раза превышает показатели стандартных модульных ЦОДов.
Такой кратный рост энергопотребления на стойку с GPU меняет требования ко всей инженерной начинке:
- Электропитание: требуется перерасчет номиналов источников бесперебойного питания, усиление автоматики, вводно-распределительных устройств и токовых характеристик кабельных трасс.
- Охлаждение: высокоплотные графические ускорители выделяют критический объем тепла. Привычных внутрирядных кондиционеров (In-Row) становится недостаточно — необходим переход на двери-теплообменники (RDHx) или прямое жидкостное охлаждение чипов (Direct-to-Chip).
- Архитектура: кардинальная смена систем охлаждения и питания вынуждает полностью пересматривать внутреннюю компоновку модуля и сервисные зоны.
На рынке не оказалось готовых модульных решений, изначально объединяющих энергетику, гидравлику, вычислительный стек, системы безопасности и единую автоматику под высокоплотные ИИ-задачи. Это и стало стимулом спроектировать такой контур самостоятельно.
От энергетики к цифре
Задача построить локальный «домик для ИИ» оказалась точно в профиле ПСМ, ведь наша базовая специализация — заводское производство энергетического оборудования. Многолетний опыт в распределенной энергетике, сборке жестких блок-модулей и строительстве инженерных систем для классических дата-центров стал фундаментом для проектирования.
В 2024 году мы реализовали крупный объект для российского оператора ЦОД — энергоцентр резервирования дата-центра уровня Tier IV.
В состав этого комплекса вошли:
- Дизель-генераторные установки суммарной мощностью 8 МВт;
- Комплектные трансформаторные подстанции (КТП) на 40 МВА;
- Префаб-энергомодули с ИБП суммарной мощностью 8 МВт.
В контексте ИИ наибольший интерес представляет именно энергомодуль. Это законченное заводское префаб-решение, отвечающее за мгновенный перевод электропитания с внешней сети на аварийные генераторы без просадки по току.
Внутри такого модуля скомпонованы распределительные устройства, аккумуляторные массивы, источники бесперебойного питания, автоматика и блоки управления. Все узлы интегрированы в едином контейнерном пространстве.
Поскольку массив ИБП выделяет огромный объем тепла, пространство энергомодуля мы разделили на горячий и холодный коридоры — по той же логике, что и машинный зал дата-центра. Этот проект наглядно подсветил точки пересечения вычислительной и энергетической инфраструктуры: от принципов компоновки и организации воздушных потоков до схем резервирования и охлаждения. Реализованный кейс подвел нас прямо к концепции AI-МЦОДа.
Это еще раз подтверждает, что эволюция технологий искусственного интеллекта упирается в энергетическую базу. Лидерство в гонке за ИИ определяют как IT-гиганты, так и производители сложных энергосистем.
Вычисляем лучшие предложения рынка
Параллельно мы собрали пул поставщиков графических процессоров под задачи обучения и работы моделей. Хорошая новость: в графускорителях, серверной архитектуре и сетевой связности они разбираются идеально. Плохая новость: их ответственность заканчивается там, где начинается стыковка с инженерной инфраструктурой. И эта история взаимна, потому что производители инженерного оборудования точно так же не торопятся отвечать за интеграцию серверов и GPU.
Мы решили забрать эту увязку на себя и выступить интегратором. На глубокое погружение в рынок GPU ушло полгода. За это время мы усилили команду профильными экспертами, провели серию аудитов производств и изучили работу действующих зарубежных AI-объектов.
За изысканиями и первыми инженерными концептами внимательно следила команда ПСМ UNLIM — ИТ-компании внутри нашей структуры. На одном из совещаний по развитию ИИ-направления коллеги сформулировали ключевой тезис:
Мы сами обучаем модели и спроектировали автономную инфраструктуру под high-density нагрузки — следовательно, способны собирать локальные ИИ-контуры «под ключ».
Так окончательно оформилась идея AI ready модуля — того самого автономного «домика для ИИ».
Сколько этажей в домике?
AI ready представляет собой комплексную инфраструктуру, полностью готовую к развертыванию, обучению моделей и внедрению прикладных ИИ-сервисов для бизнеса.
Архитектура AI ready делится на три ключевых функциональных слоя:
- Инженерный фундамент: энергетическая система и контур охлаждения.
- Вычислительный контур: серверные мощности на базе GPU и CPU, системы хранения данных, сетевая связность и изолированная среда исполнения ИИ-сервисов.
- Модельный и прикладной уровень: инструменты управления моделями, бизнес-логика и внешние интеграции.
Искусственный интеллект фактически живет в трехэтажном здании. Для большинства компаний облачная инфраструктура пока служит своеобразным «лифтом», мгновенно поднимающим бизнес сразу на третий этаж — к готовому прикладному сервису. Облако идеально подходит для быстрой гипотетической проверки или локальных экспериментов.
Однако когда речь заходит о критически важных корпоративных процессах, чувствительных данных и стабильных высоких нагрузках, предприятию требуется надежная собственная «лестница» с первого этажа. Поскольку у большинства бизнеса такой капитальной опоры пока нет, это и стало ключевым стимулом для разработки AI ready.
Рассмотрим каждый этаж детально: аналогия с трехэтажным домом выстроена не случайно — любой последующий слой в таком контуре опирается на предыдущий и органично его дополняет.
AI Base
Вопреки распространенному заблуждению, фундамент AI ready складывается не из вычислительных чипов и не из моделей. Преобладающую часть комплекса занимает инженерный контур: энергетическое снабжение, система отвода тепла и безопасность. С точки зрения базовых физических принципов перед нами классический ЦОД, но с поправкой на плотность.
За этот нижний «этаж» ПСМ отвечает в полном объеме самостоятельно: мы закрываем моделирование электрических нагрузок, производство цельносварного блок-модуля, сборку распределительного оборудования, гидравлику жидкостного охлаждения, комплекс пожарной и физической защиты, а также диспетчеризацию через SCADA.
Более того, если на объекте заказчика наблюдается дефицит сетевых электрических мощностей, но выделены лимиты по газу (или есть возможность подвести магистраль), мы закрываем эту задачу самостоятельно путем интеграции собственной газопоршневой генерации.
AI Cluster
Поверх инженерной базы AI ready разворачивается слой вычислений и информационной безопасности, пока без привязки к конкретным прикладным бизнес-сценариям. К пятому этапу пилотного проекта инженеры ПСМ утвердили базовую конфигурацию модуля в полной заводской готовности под монтаж и «заселение» алгоритмов.
Архитектурный состав этого уровня:
- Вычислительные чипы GPU и CPU;
- Системы хранения данных (СХД);
- Структурированная кабельная система (СКС);
- Сетевая инфраструктура передачи и маршрутизации данных;
- Виртуальная или контейнерная среда для исполнения ИИ-сервисов;
- Система первичного мониторинга вычислительного слоя.
AI Factory
Замыкающий уровень AI ready, тот самый критический слой, от которого зависит, насколько успешно алгоритмы встроятся в процессы предприятия.
За обучение алгоритмов и их вывод в реальные прикладные сценарии отвечает ИТ-подразделение группы — компания ПСМ UNLIM. Из-за того, что вся линейка AI ready спроектирована сквозным образом внутри единого интегратора, стыковка инженерной базы, серверов и программных моделей проходит бесшовно, без критических конфликтов и с оперативным устранением любых возникающих нюансов.
На самый верх: ИТ-контур и прикладной ИИ
Примечательно, что история ПСМ UNLIM начиналась вдали от сферы искусственного интеллекта. Команда сформировалась органически из задач автоматизации самого завода-производителя дизельных станций, где базовыми проектами были масштабные внедрения 1С:ERP и 1С:MES для промышленного контура.
Со временем ИТ-подразделение с глубоким пониманием заводской специфики начало выпускать собственные программные продукты: платформы предиктивной аналитики, системы диспетчеризации и решения на базе SCADA.
Разработка корпоративных AI-агентов стала логичным продолжением закрытия внутренних потребностей завода.
К концу 2025 года в контуре ПСМ были запущены:
- Attention-боты: модули отслеживания входящего потока коммуникаций с ранним оповещением о рисках нарушения сроков реакции и исполнения задач.
- AI-ассистент: инструмент (интегрированный в Bitrix24 и веб-интерфейс) для обработки текстовых запросов и документов через локальную базу знаний по технологии RAG.
- Интеллектуальные RAG-модули: системы формирования цифровых паспортов оборудования и автоматической генерации исполнительной документации.
- Юридические AI-сценарии: алгоритмы для ускоренного аудита и согласования договорной обвязки.
- Видеоаналитика: компьютерное зрение для контроля техники безопасности, охраны труда и качества сборки на заводских участках.
Следующий шаг — ввод в эксплуатацию первого GPU-сервера под нагрузку локальных моделей.
Развитие внутреннего ИИ-стартапа вывело ПСМ UNLIM на уровень вендора AI-платформ и прикладных систем. Концепция AI ready масштабирует эти наработки на рынок, давая заказчикам и регионам технологический фундамент для участия в гонке ИИ.
Главное про AI ready для тех, кто ценит время
- Развертывание тяжелых прикладных моделей невозможно без выделенных электрических и климатических мощностей — фактически, без локальных модульных дата-центров.
- На отечественном рынке элементы AI-ЦОД предлагаются разобщенно: энергетика, климатика, серверное железо и ПО идут от разных вендоров. Это размывает зоны ответственности и создает высокие риски при сборке прикладного ИИ-слоя.
- Продукт AI ready замыкает все звенья цепи на одного вендора. Это законченная инженерно-вычислительная платформа с интегрированными инструментами управления моделями.
- Послойная архитектура «трехэтажного дома»:
- AI Base: блок-модуль, вмещающий электротехнику, гидравлическое/воздушное охлаждение, автоматику и системы безопасности.
- AI Cluster: серверный массив на базе GPU, обеспечивающий вычислительную готовность.
- AI Factory: программный ИТ-контур для обучения моделей и развертывания бизнес-сценариев.
- Автономный локальный ИИ-контур с широким стеком применения: от компактных LLM под рутинные задачи до видеоаналитики и сложных цифровых двойников.
- Для изолированных или энергодефицитных площадок концепция AI ready дополняется строительством локальной газовой генерации.
- Концепцию AI ready создали не абстрактные софтверные разработчики, а промышленный завод-производитель энергетического оборудования.
- AI ready снимает инфраструктурные ограничения, обеспечивая 100% заводскую и цифровую готовность объекта для уверенного старта в гонке искусственного интеллекта.
