Технический контекст
Я полез в анонс Span xFRA не из любопытства, а потому что такие схемы сразу бьют в тему AI automation и стоимости infrastructure. Если коротко: Span хочет ставить вычислительные ноды прямо в жилых домах, использовать незагруженную домашнюю электромощность и платить хозяну около $150 в месяц за электричество и интернет.
По железу история совсем не игрушечная. В одном узле заявлены 16 NVIDIA RTX PRO 6000 Blackwell Server Edition, 4 AMD EPYC, 3 ТБ RAM и 24-портовый гигабитный свитч. Сама RTX PRO 6000 Blackwell выглядит серьезно: 96 ГБ GDDR7 с ECC, 24 064 CUDA-ядер, 752 Tensor Cores, PCIe 5.0 и потребление до 600 Вт на карту.
И вот здесь я сделал паузу. Если взять 16 таких GPU, это уже очень плотный узел и по теплу, и по питанию, и по обслуживанию. На бумаге красиво, но домашняя площадка мгновенно превращается в мини-серверную со всеми скучными проблемами: шум, охлаждение, аптайм, удаленная диагностика, замена железа, сетевые сюрпризы последней мили.
Span пишет, что сейчас есть одна живая домашняя установка, пилот на 100 нод намечен на Q3 2026, а дальше цель вообще 80 000 нод к 2027. Амбиция огромная. Но по состоянию на май 2026 это именно концепт с ранним полевым тестом, а не доказанная альтернатива классическим датацентрам.
Еще один важный момент: публично не видно нормальной независимой валидации по latency, реальной производительности на AI-нагрузках и цене узла. Есть маркетинговый тезис про «в 5 раз дешевле», но без понятной экономики по CAPEX, сервису и отказам я бы такие цифры в архитектуру клиента не закладывал.
Влияние на бизнес и автоматизацию
Кому это потенциально выгодно? Тем, у кого batch-инференс, рендеринг, подготовка данных, неультрачувствительные к задержке пайплайны и постоянная боль с доступом к GPU. Для таких задач распределенная AI integration может оказаться дешевле, чем ждать место в перегретом облаке.
Кому будет больно? Всем, кому нужен стабильный SLA, предсказуемый latency и жесткая безопасность. Я бы не ставил на такую сеть критичный прод без слоя оркестрации, репликации и нормального failover, иначе красивая идея быстро ломается об реальность.
Честно, сама мысль мне нравится. В условиях войны, аварий и дефицита крупных мощностей распределенная архитектура действительно может дать живучесть, если ее довести до масштаба и не провалиться в операционный хаос.
Если вы как раз считаете, можно ли на таком подходе удешевить свои GPU-процессы, инференс или внутреннюю AI automation, давайте разложим это по вашей архитектуре. В Nahornyi AI Lab я обычно быстро отделяю рабочую схему от красивой презентации и помогаю собрать AI solution development так, чтобы оно переживало не только демо, но и реальную нагрузку.