Сравнение стоимости и эффективности ЭВМ

Методика сравнения стоимости и эффективности вычислительных систем

В.К. Петросян (Вадимир). Мировая пикоэлектроника. Прошлое, настоящее, будущее. Проектирование Метаразвития. Тома 1-6


*********

© В.К.
Петросян (Вадимир) © Lag.ru [Large Apeironic Gateway, Большой Апейронический
Портал (Шлюз), Суперпортал в Бесконечность].

При копировании данного материала и размещении его на другом сайте, ссылки
на соответствующие локации порталов Lag.ru и Proza.ru обязательны

Работа написана на основе концепции и разработок В.К. Петросяна при полноценном соавторстве (активном творческом и техническом участии) ChatGPT (OpenAI), GPT-5.6 Sol

*****
Научно-методологическое приложение к томам 1–6.

Автор: В. К. Петросян (Вадимир)

Предмет исследования: сравнительная оценка традиционных компьютеров, высокопроизводительных вычислительных комплексов, систем искусственного интеллекта, перспективных ноокомпьютеров, пиконоокомпьютеров и метатехнологических исследовательских систем.

Редакция 1.0. 24 октября 2026 года.

И.1. Назначение и научная постановка задачи
Историческое развитие вычислительной техники сопровождалось непрерывным изменением представлений о её производительности, эффективности и экономической ценности.

На ранних этапах важнейшими критериями выступали скорость выполнения арифметических операций, объём памяти, надёжность и стоимость электронной вычислительной машины.

С появлением микропроцессоров, персональных компьютеров и массовых вычислительных архитектур большое значение приобрели производительность программных приложений, стоимость единицы вычислительной мощности и доступность программного обеспечения.

Развитие параллельных процессоров, специализированных ускорителей и искусственного интеллекта сделало необходимым дополнительное измерение энергетической эффективности, задержки обработки запросов, качества результатов и совокупной стоимости инфраструктуры.

Однако проектирование ноокомпьютеров NOO, перспективных пиконоокомпьютеров PICO–NOO и генеральной технологии META требует более широкой системы оценивания.

Главная проблема состоит в том, что интеллектуально-креативная вычислительная система может выполнять качественно иной набор задач, чем обычный компьютер.

Следовательно, прямое сравнение её производительности только по числу операций в секунду может оказаться методологически недостаточным.

В рамках настоящего шеститомного исследования предлагается перейти от оценки отдельных технических характеристик к измерению стоимости и результативности полного вычислительно-исследовательского цикла.

Центральный вопрос приложения формулируется следующим образом:

Каким образом объективно установить, обеспечивает ли новая вычислительная система преимущества по стоимости, времени, энергопотреблению и качеству получения полезного результата относительно существующих альтернатив?

Для NOO этот вопрос приобретает особое значение: полезным результатом может являться не только правильный числовой ответ, но и проверенная научная гипотеза, инженерная модель либо подтверждённое техническое решение.

Для META к нему добавляется ещё более сложный вопрос:

Снижает ли использование вычислительной системы стоимость и повышает ли эффективность самого процесса разработки последующих технологий?

Настоящая методика предназначена для организации воспроизводимых сравнительных испытаний, а не для предварительного объявления превосходства перспективных вычислительных архитектур.

И.2. Объекты сравнительного исследования
Предлагается выделить семь основных классов вычислительных систем.

И.2.1. Класс C1. Традиционные персональные компьютеры
Включает настольные и мобильные компьютеры, предназначенные для широкого круга вычислительных, инженерных и информационных задач.

Основные показатели: стоимость владения, производительность приложений, энергопотребление, надёжность и срок полезного использования.

И.2.2. Класс C2. Рабочие станции и специализированные инженерные компьютеры
Предназначены для научного моделирования, автоматизированного проектирования, визуализации, обработки больших массивов данных и других профессиональных задач.

И.2.3. Класс C3. Высокопроизводительные вычислительные системы
Включает кластеры, суперкомпьютеры и другие комплексы, ориентированные на выполнение масштабных параллельных вычислений.

Их оценка требует учёта производительности вычислительных узлов, межсоединений, распределённого хранения, энергоснабжения и охлаждения.

И.2.4. Класс C4. Системы искусственного интеллекта
Объединяет аппаратные и программные компоненты, предназначенные для обучения и применения интеллектуальных моделей.

Для этих систем особенно важно разграничивать вычислительную производительность и качество решения конкретных задач.

И.2.5. Класс C5. Исследовательские ноокомпьютеры NOO
Статус: авторская перспективная категория.

В рамках настоящей книги — вычислительные системы, проектируемые для формирования гипотез, моделирования, проверки решений, организации научно-технического поиска и совершенствования исследовательских методов.

Оценка их эффективности требует специальной системы исследовательских заданий.

И.2.6. Класс C6. Пиконоокомпьютеры PICO–NOO
Статус: авторская гипотетическая категория.

Перспективные системы, в которых интеллектуально-креативная архитектура NOO интегрируется с физико-технологическими компонентами программы PICO.

Такие системы должны оцениваться одновременно по результативности исследовательских функций и по действительным аппаратным преимуществам.

И.2.7. Класс C7. Метатехнологические вычислительные системы META
Статус: авторская проектная категория.

Системы, предназначенные для участия в совершенствовании методов создания последующих поколений технологий.

Их специфическая результативность должна устанавливаться по результатам повторных независимых циклов улучшения исследовательских методов.

Наличие таких классов в методике не означает существования промышленных образцов C5–C7, отвечающих авторским определениям.

И.3. Принцип функциональной сопоставимости
Сравнение вычислительных систем имеет научный смысл лишь тогда, когда они решают одинаковые или функционально эквивалентные задачи.

Например, производительность обычного процессора и графического ускорителя нельзя корректно сопоставлять только по максимальному числу арифметических операций в секунду, если они предназначены для существенно различающихся нагрузок.

Аналогично некорректно сравнивать научную производительность ноокомпьютера с обычным персональным компьютером только по количеству сгенерированных текстов.

Предлагается устанавливать четыре уровня сопоставимости.

Уровень L1 — вычислительная сопоставимость.

Системы выполняют одинаковые вычислительные операции при установленных требованиях к точности.

Уровень L2 — прикладная сопоставимость.

Системы решают одинаковые пользовательские задачи.

Уровень L3 — исследовательская сопоставимость.

Системы участвуют в решении одинаковых научно-технических проблем и оцениваются по качеству проверенных результатов.

Уровень L4 — метатехнологическая сопоставимость.

Системы оцениваются по способности улучшать методы выполнения последующих исследовательских задач.

Сравнение систем разного функционального уровня допускается только при установлении общей измеримой задачи.

Если система одного типа не способна выполнять обязательные операции, её результат нельзя искусственно заменять нулевой стоимостью или условным коэффициентом производительности.

И.4. Основные группы показателей
Для комплексного анализа предлагается выделить восемь групп показателей.

Код Группа Основное содержание
K1 Производительность Время и объём выполненной работы
K2 Качество результата Точность, корректность, научная пригодность
K3 Стоимость Полные затраты владения и использования
K4 Энергетическая эффективность Энергия на полезный результат
K5 Надёжность Отказы, доступность, повторяемость
K6 Масштабируемость Поведение при росте нагрузки
K7 Исследовательская результативность Проверенные гипотезы и инженерные результаты
K8 Метатехнологическая результативность Совершенствование методов последующих исследований
Первые шесть групп применимы к широкому кругу вычислительных систем.

Седьмая и восьмая имеют особое значение для оценки авторских программ NOO и META.

И.5. Производительность вычислительной системы
И.5.1. Абсолютная производительность
Производительность может выражаться количеством выполненных операций за единицу времени.

В научных вычислениях традиционно используется показатель операций с плавающей точкой в секунду — FLOPS.

Однако значение FLOPS зависит от точности вычислений, характера операций и метода измерения.

Поэтому необходимо указывать конкретный формат данных и вычислительную нагрузку.

И.5.2. Прикладная производительность
Для практического сравнения предпочтительно определять время выполнения заданного набора вычислительных задач.

К таким задачам могут относиться компиляция программ, математическое моделирование, обработка данных, обучение моделей или инженерное проектирование.

И.5.3. Пропускная способность
Пропускная способность характеризует количество задач или запросов, выполненных за единицу времени.

Она особенно важна для серверных и облачных систем.

И.5.4. Задержка выполнения
Задержка представляет собой время от поступления задачи до получения соответствующего результата.

Для интерактивных интеллектуальных систем следует отдельно измерять время первого ответа и время полного завершения полезной операции.

И.5.5. Пиковая и устойчивая производительность
Необходимо разграничивать кратковременную максимальную скорость и производительность при длительной реальной нагрузке.

Ограничения энергопотребления, температуры, памяти и межсоединений могут существенно влиять на устойчивый результат.

Поэтому сравнение должно основываться на измерениях, соответствующих фактическому сценарию применения.

И.6. Международные методы измерения производительности
В качестве исторически и методологически значимых ориентиров предлагается использовать существующие независимые системы испытаний.

И.6.1. SPEC
Standard Performance Evaluation Corporation разрабатывает наборы испытаний вычислительных систем.

Для CPU-ориентированных задач используются соответствующие версии SPEC CPU.

При проведении сравнений необходимо указывать точную версию теста, настройки компилятора, аппаратную конфигурацию и правила публикации.

И.6.2. LINPACK и TOP500
LINPACK используется для оценки производительности высокопроизводительных вычислительных комплексов при решении определённого класса задач линейной алгебры.

Его результаты имеют значение для сравнения суперкомпьютеров, но не характеризуют универсально все научные и интеллектуальные приложения.

И.6.3. MLPerf
Наборы испытаний MLPerf, разрабатываемые MLCommons, используются для сравнения систем машинного обучения.

Они предусматривают конкретные модели, наборы данных, требования к качеству и правила воспроизводимости.

Результаты разных версий, режимов и сценариев испытаний нельзя механически объединять.

И.6.4. Специальные испытания NOO
Для авторских исследовательских ноокомпьютеров потребуется разработать дополнительный набор испытаний, ориентированный на полный цикл научно-технической деятельности.

Обычные тесты процессоров и интеллектуальных моделей могут использоваться как вспомогательные, но не заменяют измерение качества проверенного исследовательского результата.

И.7. Качество и полезность вычислительного результата
И.7.1. Почему скорость не является достаточным показателем
Быстро полученный неправильный результат может не иметь практической ценности.

Для научно-технических задач ошибки способны приводить к дополнительным экспериментам, потерям времени и неправильным инженерным решениям.

Поэтому сравнение систем должно учитывать не только скорость, но и корректность результата.

И.7.2. Точность вычислений
Для численных задач устанавливаются допустимая абсолютная или относительная погрешность, устойчивость вычислительной процедуры и соответствие эталонным значениям.

И.7.3. Качество интеллектуальных решений
Для систем искусственного интеллекта должны учитываться достоверность, полнота, частота ошибок и соответствие ограничениям задачи.

И.7.4. Научная новизна
Новизна гипотезы должна определяться относительно существующего научного знания, а не по формальному отсутствию совпадений в сгенерированном тексте.

И.7.5. Проверяемость результата
Для NOO особенно важно наличие способа независимой экспериментальной или аналитической проверки.

Если система предлагает большое количество гипотез, но ни одна из них не выдерживает проверки, производительность генерации не должна интерпретироваться как высокая научная эффективность.

И.8. Полная стоимость владения вычислительной системой
И.8.1. Понятие TCO
Total Cost of Ownership — совокупная стоимость владения — представляет собой затраты, необходимые для приобретения, эксплуатации, обслуживания и вывода системы из использования на выбранном временном горизонте.

Для настоящей методики TCO используется как расширенная расчётная категория.

Её состав необходимо устанавливать до начала сравнения.

И.8.2. Первоначальные затраты
Включают приобретение аппаратных компонентов, программных лицензий, установку оборудования, настройку и подготовку вычислительной инфраструктуры.

И.8.3. Эксплуатационные затраты
Включают электроснабжение, охлаждение, обслуживание, аренду помещений, программные обновления, администрирование и другие необходимые расходы.

И.8.4. Кадровые затраты
Для специализированных исследовательских систем существенную часть стоимости могут составлять трудозатраты инженеров, операторов, научных экспертов и сотрудников, проверяющих результаты.

И.8.5. Стоимость отказов
Необходимо учитывать расходы, связанные с простоем, потерей вычислительных задач и восстановлением работоспособности.

И.8.6. Остаточная стоимость
При расчёте полной стоимости за установленный горизонт допускается учитывать остаточную стоимость оборудования после завершения периода использования.

При этом она должна определяться обоснованно, а не назначаться произвольно.

И.8.7. Стоимость вывода из эксплуатации
В соответствующих случаях учитываются расходы на утилизацию, удаление данных и завершение договорных обязательств.

И.9. Базовая формула совокупной стоимости
Предлагается использовать следующую модель:

TCO = CAPEX + OPEX + STAFF + MAINT + RISK + END ; RES,

где:

CAPEX — капитальные затраты;

OPEX — эксплуатационные расходы;

STAFF — трудозатраты персонала;

MAINT — техническое обслуживание;

RISK — ожидаемые дополнительные затраты вследствие определённых рисков;

END — расходы на завершение использования;

RES — остаточная стоимость.

При практическом расчёте необходимо исключить двойной учёт.

Например, если расходы на персонал уже включены в OPEX, они не должны добавляться повторно.

Аналогично стоимость обслуживания учитывается отдельно только при отсутствии соответствующей статьи в эксплуатационных расходах.

Если денежные потоки относятся к разным периодам, необходимо дополнительно применять согласованные правила дисконтирования и учёта инфляции.

И.10. Стоимость единицы вычислительной работы
Для сопоставимых задач предлагается рассчитывать стоимость выполнения одной единицы полезной работы.

Основное соотношение:

Стоимость единицы работы = совокупные затраты за период / количество корректно выполненных единиц работы за тот же период.

Данный показатель особенно полезен для массовых вычислительных нагрузок.

Однако его необходимо использовать только при соблюдении требований к качеству результата.

Нельзя считать более эффективной систему, которая выполняет больше операций, но допускает неприемлемые ошибки.

И.11. Энергетическая эффективность
И.11.1. Энергопотребление системы
Энергетические затраты должны определяться измерением фактического потребления в условиях заданной нагрузки.

При анализе центров обработки данных необходимо учитывать не только вычислительные ускорители, но и соответствующую инфраструктуру.

И.11.2. Энергия на полезную операцию
Для однородных задач допускается оценка энергии, затраченной на одну успешно выполненную операцию.

И.11.3. Энергия на исследовательский результат
Для NOO предлагается более широкий показатель.

Он характеризует полную энергию, необходимую для получения одного проверенного научно-технического результата.

В соответствующую границу измерения могут входить моделирование, генерация гипотез, вычислительная проверка и работа экспериментального оборудования.

И.11.4. Экологические ограничения
Меньшее энергопотребление не всегда соответствует меньшему экологическому воздействию.

При необходимости следует учитывать происхождение электроэнергии, жизненный цикл оборудования и использование материалов.

Эти показатели должны публиковаться отдельно либо объединяться только в специально обоснованной экологической модели.

И.12. Надёжность и эксплуатационная готовность
К числу основных показателей относятся доступность системы, средняя продолжительность работы между отказами, время восстановления и доля успешно завершённых задач.

Для исследовательских ноокомпьютеров требуется дополнительно учитывать воспроизводимость результатов.

Аппаратная надёжность не означает автоматической достоверности научных выводов.

Поэтому технические отказы и содержательные ошибки интеллектуальных систем следует регистрировать отдельно.

И.13. Масштабируемость вычислительных систем
И.13.1. Масштабирование по ресурсам
Необходимо исследовать изменение производительности при увеличении числа процессоров, ускорителей, объёма памяти и вычислительных узлов.

И.13.2. Масштабирование по числу задач
Определяется способность системы одновременно обслуживать большее количество пользователей или исследовательских процессов.

И.13.3. Масштабирование по сложности задачи
Для NOO особенно важно установить, сохраняется ли результативность при переходе от простых задач к более сложным научно-техническим исследованиям.

И.13.4. Экономическая масштабируемость
Увеличение производительности не означает автоматического сокращения стоимости результата.

При масштабировании следует оценивать дополнительные расходы на оборудование, энергоснабжение, программные лицензии и персонал.

И.14. Специальные показатели эффективности NOO
И.14.1. Проверенная научная результативность
В качестве основной единицы предлагается использовать верифицированный исследовательский результат — ВИР.

Под ВИР понимается результат, удовлетворяющий заранее установленным критериям корректности, полезности и независимой проверки.

Это может быть подтверждённая научная гипотеза, инженерное решение либо иной результат определённого класса.

ВИР не является универсальной единицей измерения научного знания.

Его использование допустимо только в пределах предварительно определённой и функционально сопоставимой группы задач.

И.14.2. Количество результатов
Следует учитывать число полученных ВИР за установленный период.

Но простой подсчёт допустим только при близкой сложности и ценности заданий.

Для неоднородных исследовательских задач требуется стратификация.

И.14.3. Стоимость одного ВИР
Главным экономическим показателем NOO предлагается считать стоимость получения одного проверенного исследовательского результата.

Расчёт должен включать все необходимые затраты полного исследовательского цикла.

И.14.4. Продолжительность получения ВИР
Измеряется время от формальной регистрации научно-технической задачи до получения результата, прошедшего установленную проверку.

И.14.5. Доля подтверждённых гипотез
Представляет собой отношение числа гипотез, выдержавших проверку, к числу гипотез, прошедших предусмотренную процедуру оценки.

При этом неудачные гипотезы, давшие достоверный отрицательный научный результат, не должны автоматически считаться бесполезной работой.

И.14.6. Стоимость проверки ошибочных гипотез
Для интеллектуально-креативных систем особенно важно учитывать расходы на эксперименты, связанные с ошибочными или недостаточно обоснованными предложениями.

Высокая скорость генерации гипотез может сопровождаться ростом стоимости их проверки.

И.14.7. Переносимость результатов
Проверяется способность системы сохранять полезность исследовательских методов при переходе к новым задачам.

И.15. Специальные показатели эффективности PICO
Для перспективных физических компонентов PICO предлагается использовать независимую двухуровневую оценку.

Первый уровень — физические характеристики.

Он включает устойчивость, управляемость, энергопотребление, скорость изменения состояний, точность и повторяемость.

Второй уровень — системные характеристики.

Он включает стоимость интеграции, производственный выход годных, надёжность, совместимость и полную стоимость полезной операции.

Устройство, демонстрирующее необычный физический эффект, не обязательно обеспечивает экономическое преимущество в составе вычислительной системы.

Поэтому физические и системные показатели должны публиковаться раздельно.

И.16. Специальные показатели эффективности META
И.16.1. Объект измерения
В случае META объектом оценки становится не только результат вычисления или отдельного исследования.

Необходимо измерять результативность метода создания последующих результатов.

И.16.2. Исходная методика
Перед экспериментом фиксируется существующий способ выполнения определённого класса научно-технических задач.

И.16.3. Усовершенствованная методика
Система предлагает изменения исходного метода.

Они регистрируются до проверки на новых задачах.

И.16.4. Первичный метатехнологический эффект
Определяется изменение стоимости, продолжительности либо качества получения результатов вследствие использования новой методики.

И.16.5. Повторное совершенствование
Проверяется, возможно ли получить дополнительные улучшения исследовательских методов в последующих циклах.

И.16.6. Проверка опережения опережения
Для подтверждения авторской гипотезы H12 необходимо установить не только последовательность улучшений, но и их причинную связь с функционированием исследуемой метатехнологической системы.

Улучшения не должны полностью объясняться дополнительными ресурсами, расширением базы знаний или изменением сложности задач.

И.17. Экспериментальный протокол сравнения вычислительных систем
Предлагается использовать следующую последовательность.

Шаг 1. Постановка цели сравнения.

Определяются вычислительные функции и условия применения.

Шаг 2. Выбор сравниваемых систем.

Фиксируются аппаратные и программные конфигурации.

Шаг 3. Формирование набора задач.

Создаётся репрезентативная выборка с установленными критериями качества.

Шаг 4. Регистрация затрат.

Определяется состав полной стоимости владения и использования.

Шаг 5. Проведение испытаний.

Системы выполняют одинаковые или функционально эквивалентные задачи.

Шаг 6. Контроль качества.

Проверяется корректность полученных результатов.

Шаг 7. Измерение ресурсов.

Учитываются время, энергия, вычислительные ресурсы и участие персонала.

Шаг 8. Расчёт показателей.

Вычисляются стоимость единицы работы, стоимость ВИР и дополнительные показатели.

Шаг 9. Проверка неопределённости.

Оценивается статистическая устойчивость результатов.

Шаг 10. Независимая экспертиза.

При стратегически значимых выводах проводится независимое повторение испытаний.

И.18. Правила подготовки набора исследовательских задач
Для NOO и META выбор задач имеет решающее значение.

Если задачи слишком просты, результаты могут не отражать реальной исследовательской полезности.

Если они слишком сложны или плохо определены, объективное сравнение становится затруднительным.

Предлагается разделять задачи по предметной области, уровню сложности, необходимым экспериментальным ресурсам и способу проверки результата.

Часть заданий должна использоваться для подготовки систем.

Другая часть — для текущей валидации.

Отдельный независимый набор необходимо сохранять для окончательной проверки.

Запрещается включать окончательные тестовые ответы в данные подготовки сравниваемых систем.

Для систем с внешним доступом к информации должны фиксироваться разрешённые источники и условия их использования.

И.19. Человеческое участие и автоматизация
Сравнение интеллектуальных систем невозможно считать полноценным без учёта труда людей.

Например, одна вычислительная платформа может выполнять задачу за несколько минут, но требовать многочасовой ручной подготовки.

Другая может работать медленнее, но обеспечивать меньшие суммарные трудозатраты.

Поэтому необходимо измерять:

время подготовки исходных данных;

время управления системой;

время экспертной проверки;

время исправления ошибок;

время проведения физических экспериментов;

полное календарное время получения результата.

При сравнении различных уровней автономности следует отдельно фиксировать долю операций, выполненных человеком.

И.20. Статистическая обработка результатов
Для повторяемых вычислительных задач необходимо проводить несколько независимых запусков.

Количество повторений определяется ожидаемой изменчивостью показателя и требуемой точностью оценки.

Для времени выполнения рекомендуется публиковать медиану, распределение и соответствующие показатели неопределённости.

Для исследовательских задач, существенно различающихся по сложности, целесообразно использовать парные сравнения на одинаковых заданиях.

При достаточных данных возможно применять статистические модели, учитывающие различия между предметными областями и условиями испытаний.

Особое значение имеет предварительное определение главного показателя эффективности.

Если после завершения эксперимента выбирать только наиболее благоприятные показатели, можно получить необоснованное впечатление технологического превосходства.

И.21. Требования к воспроизводимости
Публикация результатов должна сопровождаться паспортом испытаний.

В нём указываются:

состав оборудования;
версии программного обеспечения;
используемые модели и настройки;
характеристики исследовательских задач;
условия доступа к данным;
точность вычислений;
методы измерения энергии;
стоимость оборудования и услуг;
критерии признания результата корректным;
статистические методы;
ограничения интерпретации.
Если полная публикация исходных данных невозможна по причинам конфиденциальности, необходимо обеспечить независимый контролируемый доступ к проверке результатов либо ясно обозначить соответствующее ограничение.

И.22. Принципы построения комплексного рейтинга вычислительных систем
Использование единого интегрального рейтинга допускается только в пределах функционально сопоставимого класса задач.

Прежде всего рекомендуется публиковать отдельные показатели производительности, стоимости, качества и энергопотребления.

Объединение показателей в один индекс возможно при наличии содержательно обоснованных весов.

Веса не должны выбираться исключительно с целью продемонстрировать преимущество определённой системы.

Особое значение имеет анализ чувствительности.

Если небольшое изменение весов приводит к существенному изменению итогового рейтинга, результат следует считать методологически неустойчивым.

И.23. Сравнение при различных режимах эксплуатации
Необходимо различать как минимум три режима.

Низкая загрузка.

Характерна для отдельных рабочих станций или специализированных лабораторных систем с нерегулярным использованием.

Средняя загрузка.

Соответствует устойчивой эксплуатации в исследовательских организациях.

Высокая загрузка.

Предполагает интенсивное использование серверов, ускорителей или вычислительных центров.

Стоимость одной задачи может существенно изменяться в зависимости от коэффициента загрузки.

Следовательно, система с более высокой первоначальной стоимостью способна оказаться экономически выгодной при интенсивном использовании, но неэффективной при редких вычислениях.

И.24. Локальная, облачная и гибридная инфраструктура
Для NOO необходимо отдельно сравнивать локальное владение оборудованием, аренду облачных вычислений и гибридную модель.

Локальная инфраструктура обеспечивает более непосредственный контроль над оборудованием и некоторыми аспектами обработки данных.

Облачная модель позволяет уменьшить первоначальные капитальные затраты и масштабировать ресурсы по потребности.

Гибридная модель объединяет оба подхода.

Однако правильный выбор зависит от длительности исследований, характера данных, доступности оборудования, требований безопасности, стоимости обслуживания и условий коммерческих договоров.

Поэтому универсально оптимальной модели не существует.

И.25. Сравнение стоимости научных исследований
Для оценки исследовательских систем необходимо различать стоимость отдельного эксперимента и стоимость завершённого исследования.

Первое измерение включает затраты на конкретную процедуру.

Второе должно учитывать подготовку, повторные испытания, анализ ошибок, документирование и независимую проверку.

Особенно важно учитывать неудачные эксперименты.

Если часть исследований не приводит к положительному результату, их затраты не исчезают из общей экономики программы.

Следовательно, корректное сравнение должно включать полный набор предпринятых исследований, а не только успешно завершённые примеры.

И.26. Предварительное применение методики к IBM, Rapidus и INM
И.26.1. IBM
Для исторической и современной оценки IBM могут использоваться данные о конкретных вычислительных архитектурах, процессорах, исследовательских системах и технических платформах.

При этом результаты разных исторических поколений должны сравниваться с учётом функциональных условий и доступных данных.

И.26.2. Rapidus
Rapidus представляет преимущественно производственно-технологический объект сравнения.

Его экономическая эффективность должна исследоваться по показателям стоимости изготовления микросхем, производственного выхода годных, времени выполнения заказов и капиталоёмкости.

Напрямую сопоставлять производственный процесс Rapidus с производительностью ноокомпьютера нельзя.

Корректное сравнение возможно лишь после выделения общей задачи — например, стоимости и времени получения квалифицированного электронного устройства.

И.26.3. INM
Для INM первоначальным объектом оценки должны стать исследовательские ноокомпьютеры NOO.

Главные показатели — стоимость ВИР, длительность исследовательского цикла, научная достоверность и возможность совершенствования методов исследования.

Промышленные показатели PICO вводятся по мере создания соответствующих экспериментальных компонентов.

Метатехнологические показатели META требуют самостоятельных повторных испытаний.

И.27. Значение методики для пятилетних дорожных карт
В приложении З предложена пятилетняя программа META, PICO и NOO на 2027–2031 годы.

Настоящая методика должна использоваться как инструмент количественной проверки её основных этапов.

На этапе создания первого ноокомпьютера оценивается функциональная работоспособность.

На этапе испытаний H02 — стоимость и качество полного исследовательского цикла.

На этапе H03 — эффективность усовершенствованных исследовательских методов.

На этапе H05 — системные преимущества интеграции PICO и NOO.

На этапе H12 — устойчивое изменение результативности последовательных исследовательских поколений.

Таким образом, финансовые и технические сравнения непосредственно связываются с проверяемыми научными гипотезами.

И.28. Заключение к приложению И
Современная вычислительная техника включает множество принципиально различающихся архитектур и способов применения.

Поэтому её эффективность не может объективно определяться единственным показателем скорости или стоимости оборудования.

Необходимо учитывать полезную производительность, качество результатов, полную стоимость владения, энергопотребление, эксплуатационную надёжность и масштабируемость.

Для перспективных ноокомпьютеров NOO центральное значение приобретает стоимость получения независимо проверенного научно-технического результата.

Для программы PICO — системное преимущество новых физических компонентов относительно существующих технологий.

Для генеральной технологии META — способность снижать стоимость и повышать эффективность самих методов создания последующих технологий.

Следовательно, научно-технологическое превосходство вычислительной системы должно подтверждаться не формальными аппаратными характеристиками, а воспроизводимыми преимуществами в выполнении определённых полезных задач.

Главный вывод приложения И состоит в необходимости перехода от сравнения вычислительных машин по отдельным техническим характеристикам к сравнению полного жизненного цикла получения полезных результатов.

Для META этот принцип приобретает ещё более широкое содержание.

Необходимо оценивать не только стоимость результата текущего исследования, но и способность созданной системы повышать результативность следующих исследовательских циклов.

От производительности операций — к производительности полезных вычислительных задач.

От производительности задач — к стоимости проверенного научного результата.

От стоимости отдельного результата — к эффективности методов создания последующих технологий.

От вычислительной эффективности — к экспериментальной проверке экономической и научной состоятельности Метаразвития.

И.29. Практический расчёт стоимости и эффективности: условный пример
Для демонстрации методики рассмотрим две вымышленные исследовательские вычислительные системы: Система А — традиционный вычислительный комплекс с интеллектуальными программными инструментами; Система Б — экспериментальный интегрированный комплекс NOO.

Все значения условны и используются исключительно для иллюстрации расчётов. Они не относятся к существующим продуктам.

Исходные данные за один год эксплуатации

Показатель Система А Система Б
Капитальные затраты, тыс. долл. 120 180
Прочие годовые затраты, тыс. долл. 90 110
Срок использования 3 года 3 года
Проверенных результатов за год 40 80
Среднее время одного результата 50 часов 25 часов
Энергия на результат 150 кВт·ч 110 кВт·ч
Предположим нулевую остаточную стоимость, равномерное распределение капитальных затрат на три года и одинаковые требования к качеству. В строке «прочие годовые затраты» уже учтены энергия, персонал, программное обеспечение и обслуживание; повторно их прибавлять нельзя.

Годовая сопоставимая стоимость:

А: 120 / 3 + 90 = 130 тыс. долл.
Б: 180 / 3 + 110 = 170 тыс. долл.
Стоимость проверенного результата:

А: 130 000 / 40 = 3 250 долл.
Б: 170 000 / 80 = 2 125 долл.
Снижение стоимости ВИР

34,6%
При переходе от А к Б

Рост количества ВИР

2,0;
80 вместо 40 за год

$0$900$1,8 тыс.$2,7 тыс.$3,6 тыс.Система АСистема Б

Иллюстративные данные. Чем ниже стоимость одного ВИР при одинаковом качестве, тем лучше экономический результат.

Условная система Б сокращает среднее время одного результата на 50%, а энергию на результат — на 26,7%. Но капитальные и годовые расходы у неё выше.

Следовательно, её преимущество возникает не вследствие меньшей стоимости оборудования, а за счёт большего количества полезных результатов за рассматриваемый период.

При этом вывод верен только при условии, что 80 результатов системы Б действительно сопоставимы по качеству и научной ценности с 40 результатами системы А. Иначе необходим более строгий анализ по категориям исследовательских задач.

И.29.1. Интерактивный расчёт стоимости проверенного результата
Измените предположения

Система АКапитальные затраты, $Годовые расходы, $ВИР за год

Система БКапитальные затраты, $Годовые расходы, $ВИР за годСрок использования, лет (общий)

Стоимость ВИР — А

3 250 $
Стоимость ВИР — Б

2 125 $
Система Б экономичнее на 34.6% по стоимости одного ВИР.Восстановить исходный примерУпрощённая модель с равномерным распределением CAPEX, без дисконтирования. Не является бухгалтерской или инвестиционной оценкой реальных компаний.

И.30. Оценка эффекта опережения опережения
Для экспериментов H03 и H12 необходимы дополнительные показатели, которые нельзя вывести только из стоимости одного результата.

Предлагается сравнивать последовательности исследовательских циклов при использовании исходного и усовершенствованного метода.

Пусть \(C_{0,k}\) обозначает полную стоимость получения сопоставимого результата в цикле \(k\) при неизменной контрольной методике, а \(C_{1,k}\) — соответствующую стоимость при использовании проверяемого совершенствуемого метода.

Тогда экономический эффект отдельного цикла можно выразить как:

\[ G_k=\frac{C_{0,k}-C_{1,k}}{C_{0,k}}. \]

При этом необходимо учитывать расходы на разработку, обучение, испытание и проверку усовершенствований.

Иллюстративная последовательность
Цикл Контрольная стоимость, $ Экспериментальная стоимость, $ Экономия
1 3 000 2 700 10%
2 3 000 2 400 20%
3 3 000 2 100 30%
Исходный методУсовершенствованный метод

$0$800$1,6 тыс.$2,4 тыс.$3,2 тыс.Цикл 1Цикл 2Цикл 3

Иллюстративная траектория. Постоянство контрольной стоимости и сопоставимость задач приняты как допущения.

В этом примере наблюдается последовательное снижение затрат экспериментальной системы.

Однако даже такая траектория не является достаточным доказательством H12.

Для подтверждения собственно опережения опережения необходимо установить, что изменения вызваны улучшением методов исследования, а не дополнительной практикой на повторяющихся задачах, снижением рыночных цен, увеличением вычислительных ресурсов или изменением состава заданий.

Также требуется продемонстрировать, что стоимость разработки самих улучшений учтена, а полученные преимущества сохраняются на новых независимых задачах.

И.31. Паспорт сравнительного испытания вычислительных систем
Регистрационный паспорт сравнительного испытания вычислительных систем
Идентификатор испытания: COMP-________

Дата регистрации: ________

Версия протокола: ________

Организация: ________

Научный руководитель: ________

Независимый эксперт: ________

1. Цель сравнения
Объект исследования:

Класс вычислительных систем:

Проверяемая гипотеза:

2. Сравниваемые конфигурации
Система А

Аппаратная конфигурация:

Программное обеспечение:

Вычислительные ресурсы:

Система Б

Аппаратная конфигурация:

Программное обеспечение:

Вычислительные ресурсы:

3. Экспериментальные задачи
Набор задач:

Количество задач:

Требования к сложности и качеству:

4. Основные измерители
Главная метрика:

Дополнительные показатели:

Минимальное практически значимое улучшение:

5. Финансовые параметры
CAPEX:

OPEX:

Стоимость труда:

Горизонт сравнения:

Остаточная стоимость:

Условия дисконтирования:

6. Экспериментальная проверка
Количество повторений:

Метод контроля качества:

Порядок исключения ошибочных результатов:

Статистический план:

7. Энергетическая оценка
Граница измерения:

Методика измерения:

Учёт охлаждения и вспомогательной инфраструктуры:

8. Проверка достоверности
Независимая экспертиза:

Условия воспроизведения:

9. Итог
Стоимость полезного результата А:

Стоимость полезного результата Б:

Разница:

Границы неопределённости:

Ограничения вывода:

10. Решение
Подтверждено преимущество системы: ________

Преимущество не установлено: ________

Данные недостаточны: ________

Рекомендуемый следующий этап:

Методологическое требование: конфигурации систем, основной показатель и критерии результата фиксируются до проведения решающих испытаний.

И.32. Библиография к приложению И
Библиография. Методика сравнения стоимости и эффективности вычислительных систем
I. Авторская концепция
1. Петросян В. К. (Вадимир). Мировая пикоэлектроника. Прошлое, настоящее, будущее. Проектирование Метаразвития. Тома 1–6. Авторское исследование.

https://lag.ru
Концептуальная основа NOO, PICO, META, INM и опережения опережения. Точные библиографические данные отдельных томов подлежат сверке по оригинальным публикациям.

II. Международные методы измерения вычислительной производительности
2. Standard Performance Evaluation Corporation. SPEC CPU 2026 Benchmark Suites. — SPEC, 2026.

https://www.spec.org/cpu2026/
Международный набор испытаний производительности процессоров и подсистем памяти, опубликованный 5 мая 2026 года.

3. Standard Performance Evaluation Corporation. SPEC CPU 2017 Benchmark Suites and Run Rules.

https://www.spec.org/cpu2017/
Исторически значимая методика стандартизированного сравнения вычислительной производительности. В 2026 году начат переход к SPEC CPU 2026.

4. TOP500. TOP500 Supercomputer Sites. — Международный проект рейтинга высокопроизводительных вычислительных систем.

https://www.top500.org/
Источник методологии и результатов сравнительных испытаний высокопроизводительных вычислительных комплексов.

5. Green500. Energy Efficiency of Supercomputers.

https://www.top500.org/lists/green500/
Международная система сравнения энергетической эффективности высокопроизводительных вычислительных систем.

6. MLCommons. MLPerf Inference Benchmarks.

MLPerf Inference
Стандартизированные испытания систем машинного обучения, включая правила сравнения, требования к качеству и воспроизводимости.

III. Качество программных и интеллектуальных систем
7. ISO/IEC. ISO/IEC 25010:2023. Systems and Software Engineering — Systems and Software Quality Requirements and Evaluation (SQuaRE) — Product Quality Model. — Geneva: ISO, 2023.

https://www.iso.org/standard/78176.html
Международная модель качества программных и информационно-коммуникационных продуктов.

8. Tabassi E. Artificial Intelligence Risk Management Framework (AI RMF 1.0). — NIST AI 100-1. Gaithersburg: National Institute of Standards and Technology, 2023.

DOI: https://doi.org/10.6028/NIST.AI.100-1

Методология оценки рисков, надёжности и безопасности интеллектуальных систем.

IV. Экономика вычислительных систем
9. Hennessy J. L., Patterson D. A. Computer Architecture: A Quantitative Approach. — 6th ed. — Cambridge, MA: Morgan Kaufmann, 2019.

Методология количественного анализа вычислительных архитектур, их характеристик и производительности.

10. Barroso L. A., Clidaras J., H;lzle U. The Datacenter as a Computer: An Introduction to the Design of Warehouse-Scale Machines. — 2nd ed. — Morgan & Claypool, 2013.

DOI: https://doi.org/10.2200/S00516ED2V01Y201306CAC024

Системный анализ вычислительных центров, включая инфраструктуру, энергопотребление и эксплуатационные особенности.

V. Автоматизация научного поиска и Метаразвитие
11. King R. D., Rowland J., Oliver S. G. et al. The Automation of Science. Science. — 2009. — Vol. 324, No. 5923. — P. 85–89.

DOI: https://doi.org/10.1126/science.1165620

Экспериментальные исследования автоматизации формирования и проверки научных гипотез.

12. MacLeod B. P., Parlane F. G. L., Morrissey T. D. et al. Self-driving Laboratory for Accelerated Discovery of Thin-film Materials. Science Advances. — 2020. — Vol. 6, No. 20. — eaaz8867.

DOI: https://doi.org/10.1126/sciadv.aaz8867

Исследование автоматизированного цикла поиска новых материалов.

13. Szymanski N. J., Rendy B., Fei Y. et al. An Autonomous Laboratory for the Accelerated Synthesis of Inorganic Materials. Nature. — 2023. — Vol. 624. — P. 86–91.

DOI: https://doi.org/10.1038/s41586-023-06734-w

Исследование автономной лаборатории. Количественные положения работы необходимо проверять по актуализированной публикации и соответствующим исправлениям.

14. Bloom N., Jones C. I., Van Reenen J., Webb M. Are Ideas Getting Harder to Find? American Economic Review. — 2020. — Vol. 110, No. 4. — P. 1104–1144.

DOI: https://doi.org/10.1257/aer.20180338

Экономическое исследование производительности научно-технического поиска.

VI. Составные показатели и воспроизводимость
15. OECD; European Commission, Joint Research Centre. Handbook on Constructing Composite Indicators: Methodology and User Guide. — Paris: OECD Publishing, 2008.

DOI: https://doi.org/10.1787/9789264043466-en

Методология нормирования показателей, агрегирования и анализа чувствительности комплексных оценок.

16. National Academies of Sciences, Engineering, and Medicine. Reproducibility and Replicability in Science. — Washington, DC: National Academies Press, 2019.

DOI: https://doi.org/10.17226/25303