Ограничение вычислительной мощности
С конца прошлого года такие китайские производители GPU, как Moore Threads, Muxi Technologies, Biren Technology и TianShu Intelligent Chip, вызвали волну интереса со стороны капитала. Однако на фоне богатств, полученных на вторичном рынке, скрытая линия, которую нельзя игнорировать, становится все более очевидной, и связанные с ней проблемы становятся все более насущными.
В последние годы китайские ИИ-чипы в основном сосредотачивались на относительно безопасных и менее центральных задачах «вывода», например, недавно проект DouBao закупил 50 000 чипов TianShu Intelligence для задач вывода, чтобы удовлетворить частые запросы этого крупнейшего в Китае ИИ-приложения.
В то время как в верхней части пирамиды вычислительных мощностей, связанной с обучением ИИ, отечественные чипы в настоящее время могут участвовать только в побочных задачах на периферии.
Чипы для обучения ИИ主要用于训练人工智能模型，期间会进行大量的矩阵运算和参数调整，因此需要具备强大的计算能力和高能效比，性能更强大且价格也十分高昂，如英伟达A100、H100、H200以及AMD的MI300系列等；
Сравнительно задачи чипов для вывода проще. Они используются на этапе развертывания после завершения обучения модели и в основном отвечают за выполнение задач вывода модели. К ним предъявляются высокие требования к временной отзывчивости: чипы для вывода должны обеспечивать быструю реакцию и низкое энергопотребление при сохранении высокой точности.
Подходящая аналогия: обучение — это процесс, при котором ИИ-модель «усваивает знания», а вывод — это использование этих знаний крупной моделью. На этапе обучения чипы должны обрабатывать огромные объемы данных для динамического обновления параметров в размере миллиардов, триллионов и даже десятков триллионов, требуя не только мощных вычислительных ресурсов, но и высокой пропускной способности, эффективной коммуникации, а также стабильности в кластерах с десятками тысяч чипов.
Разрыв между китайскими и американскими моделями коренится именно в этих «невидимых» аспектах, особенно в отсутствии высококлассных тренировочных чипов.
В соответствии с законами масштабирования больших моделей, чем больше параметров модели, тем линейно возрастает потребность в вычислительных мощностях, а экспоненциально растущие затраты на вычислительные мощности и оборудование делают обучение больших моделей «эксклюзивной игрой» лишь для немногих технологических гигантов.
Среди американских технологических гигантов только Meta планирует развернуть более 1,2 миллиона высокопроизводительных GPU к концу 2026 года, ежегодные вложения превысят 145 миллиардов долларов США; по оценкам, общая вычислительная мощность ИИ, принадлежащая Google, эквивалентна 5 миллионам чипов NVIDIA H100 — одна компания составляет четверть мирового объема.
Четыре компании — Amazon, Microsoft, Alphabet и Meta — в этом году потратили на капитальные расходы高达7250 миллиардов долларов США, что на 77% больше по сравнению с прошлым годом; этот объем составляет 13% от общих частных капитальных вложений в США за год. Моргэн Стэнли также прогнозирует, что к 2027 году капитальные расходы американских технологических компаний могут достичь исторического рекорда в 1,1 триллиона долларов США.
Сегодня США контролируют более 70% мировых высокопроизводительных GPU; после введения запрета на чипы在国内 доступно только 1/8 от количества высокопроизводительных чипов США. Согласно отчету Stanford AI Index Report 2026, количество центров обработки данных в США (5427) более чем в 10 раз превышает количество в Китае.
Согласно расчетам Китайского института информационно-коммуникационных технологий (CAICT), на начало 2025 года вычислительная мощность США составляла 2400 EFLOPS, Китая — 1053 EFLOPS, причем мощность США более чем в два раза превышает мощность Китая.
У четырех вышеупомянутых технологических гигантов вычислительная мощность, находящаяся в их распоряжении, у каждого отдельно взятого превышает сумму вычислительной мощности всех китайских ИИ-компаний.
Это подавляющее преимущество в вычислительной мощности позволяет американским компаниям провести десятки циклов экспериментов по итерации крупных моделей в течение одного года.
Маск пошел еще дальше: его компания xAI обладает Colossus 2, который называют первым в мире AI-кластером мощностью в гигаватт. Именно поэтому он может с уверенностью заявить, что одновременно обучает семь моделей — две с параметрами по 1 триллиону, две по 1,5 триллиона, одну с 6 триллионами и одну с 10 триллионами параметров. Такая «эстетика силы» возможна только при чрезвычайно высокой вычислительной мощности.
В то же время, из-за ограничений США на экспорт чипов, доля китайских компаний в поставках высокопроизводительных ИИ-чипов за последние годы продолжает снижаться (по данным epoch.AI).
Без преувеличения можно сказать, что огромный разрыв в вычислительной мощности приведет к тому, что китайский ИИ надолго останется на этапе догоняющего развития, а процесс опережения американских аналогов китайскими крупными моделями станет еще более сложным.
Разница поколений
Шаги Китая в области инноваций невозможно остановить. Кто бы ни думал, что Китай не способен создать (чипы), тот действительно ошибается. Разрыв между Китаем и США составляет всего наносекунды.
Основатель NVIDIA Хуан Ренсюнь неоднократно хвалил прогресс китайской полупроводниковой отрасли на публичных мероприятиях.
Маск также часто выражает похожие мнения в X: «Китай обязательно решит проблему зависимости от чипов; в области вычислительных мощностей для искусственного интеллекта он обязательно превзойдет все другие страны мира», «Китай выиграет гонку ИИ на Земле».
Технологические гиганты, чье имя известно всем, восторженно отзываются о развитии ИИ в Китае, что легко заставляет людей поверить в это. Эти заявления явно подозрительны в плане поощрения с целью уничтожения. Некоторые американские СМИ постоянно распространяют мнение о том, что разрыв между китайскими и американскими моделями крайне мал, пытаясь запутать факты и скрыть некоторые объективные истины.
В этой связи всем в сфере ИИ в стране следует сохранять ясность и спокойствие.
Если сегодня китайские передовые языковые модели не сильно отличаются от американских аналогов при решении стандартизированных задач, то в сложных промышленных и корпоративных средах разница становится более очевидной.
По сравнению с передовыми моделями таких компаний, как Anthropic в США, Китай все еще является догоняющим. Оценка CAISI в США показывает, что самая мощная китайская модель DeepSeek V4 Pro отстает от передовых американских примерно на 8 месяцев.
Ли Кайфу недавно отметил в интервью «Волл-стрит джорнал», что, с учетом таких передовых американских моделей, как Claude Fable 5 от Anthropic, США сейчас опережают Китай примерно на 15 месяцев.
Крупные модели следуют закону масштабирования: чем больше параметров модели, чем больше данных для обучения и чем больше вычислительных ресурсов вложено, тем лучше производительность модели. Сегодня самые передовые крупные модели в США перешли в эпоху десяти триллионов параметров, и скорость их обновления продолжает ускоряться.
Самая мощная модель Mythos от Anthropic достигла 10 триллионов параметров, и ее обучение стоило 10 миллиардов долларов; xAI одновременно обучает семь моделей, включая модели с 6 и 10 триллионами параметров; OpenAI тратит всего один месяц на итерацию модели с 4 триллионами параметров.
Китайская самая мощная модель DeepSeek V4 Pro имеет общее количество параметров 1,6 триллиона, что примерно в 6 раз меньше, чем у передовых американских моделей с десятками триллионов параметров.
Серия Claude от Anthropic уже признана сильнейшей ИИ-моделью для программирования за последние два года, а Mythos вновь изменила общественное восприятие, продемонстрировав производительность, превосходящую предыдущий флагман Oups 4.6.
OpenBSD имеет репутацию самой безопасной системы в отрасли, но Mythos обнаружил уязвимость, которую не находили 27 лет, а также уязвимости в FFmpeg и ядре Linux, которые не обнаруживали годами и даже десятилетиями, причем все это было сделано самостоятельно, без участия человека.
Следует понимать, что предварительное обучение крупных моделей определяет верхний предел их возможностей, и невозможно с помощью последующего обучения довести модель с триллионами параметров до уровня модели с десятью триллионами параметров. Ключевым фактором предварительного обучения являются высокопроизводительные чипы для вычислений, которые определяют масштаб параметров и скорость итераций обучения.
Генеральный директор iFlytek Лю Цинфэн откровенно признал, что в настоящее время все ведущие компании, разрабатывающие крупные языковые модели, особенно американские гиганты, создают сверхмасштабные вычислительные платформы. В настоящее время отечественные вычислительные ресурсы действительно сталкиваются с периодом трудностей, что приводит к ограничениям при обучении на сверхдлинных текстовых контекстах.
Видно, что разница в вычислительной мощности является коренной причиной различий между китайскими и американскими моделями.
Восхождение отечественных производителей
Предприятие монополизировало 90% мирового рынка высококлассных чипов для обучения ИИ — это помогло NVIDIA сохранить позицию самой дорогой компании в мире по рыночной капитализации. Ее общая рыночная капитализация однажды превысила ВВП Германии — третьей по величине экономики мира — за 2025 год.
Согласно данным集邦咨询, на первый квартал 2026 года NVIDIA занимает 68% мирового рынка GPU-серверов, AMD — 5–6%, а производители GPU из Китая в совокупности — менее 4%.
Благодаря первоначальному преимуществу, мощным технологическим барьерам, высокоскоростной интерконнекции, программной экосистеме и партнерству с TSMC в использовании передовых технологических процессов, NVIDIA доминирует на рынке. В сценариях высокопроизводительного обучения NVIDIA GB300 превосходит AMD MI325, а также китайские решения Cambricon MLU690 и Moore Threads MTT40, особенно в обучении моделей с триллионами параметров — ее производительность превышает показатели конкурентов более чем на 30%.
При запрете на экспорт Хуан Ренсюнь ранее заявил, что доля NVIDIA на китайском рынке (новые продажи) практически сократилась до нуля, остался только существующий рынок. При поддержке политики замены импортных продуктов на отечественные появляются такие компании, как Huawei Ascend 910, Higon DCU Shen Suan No. 2, Cambricon MLU370/590, а также Moore和沐曦.
Чип Ascend 910 является самым мощным вычислительным чипом Huawei, а вычислительная мощность Ascend 910B достигает 640 TOPS (INT8) и сопоставима с чипом NVIDIA A100.
В плане абсолютной производительности отечественные GPU все еще уступают, но можно начать с сценариев вывода и на краю сети. В настоящее время отечественные GPU в основном удовлетворяют общие требования к выводу в государственном и корпоративном секторах Китая, и разрыв с средними продуктами NVIDIA сократился до 15–20%, что делает их замену осуществимой.
Следует особо отметить, что, хотя производительность вычислительной мощности важна, именно программная экосистема, стоящая за ней, является слабым местом отечественных GPU. Как отметил академик Китайской академии инженерных наук Чжэн Вэмин, основная проблема отечественных ИИ-чипов заключается в недостаточно развитой экосистеме; если экосистема будет хорошей, люди будут использовать чипы даже с производительностью всего 60%.
Можно сказать, что программная экосистема является самым серьезным барьером для сегмента GPU, и способности NVIDIA в этой области также трудно заменить.
Экосистема CUDA, развивавшаяся более десяти лет, насчитывает более 4 миллионов разработчиков, десятки тысяч открытых моделей и полный спектр сторонних инструментов, охватывающих обучение ИИ, вывод, графическую визуализацию и научные вычисления — её экосистемные барьеры непревзойдены.
Данные IDC показывают, что более 95% глобальных моделей ИИ разрабатываются на основе экосистемы CUDA. Отечественные GPU, опираясь на поддержку политики, требуют долгосрочной координации с цепочкой поставок, а также достаточного терпения со стороны СМИ и капитала.
В январе этого года Zhipu совместно с Huawei открыла исходный код новой модели генерации изображений GLM-Image, которая была обучена на оборудовании Huawei Ascend Atlas 800T A2 и с использованием AI-фреймворка Ascend MindSpore, обеспечив полный цикл от обработки данных до обучения модели и став первой SOTA-мультимодальной моделью, полностью обученной на отечественных чипах;
Moore Threads совместно с Пекинским институтом искусственного интеллекта Zhiyuan завершила полный цикл обучения модели RoboBrain 2.5, разработанной Zhiyuan, на основе вычислительного кластера MTT S5000 и фреймворка FlagOS-Robo. Этот результат впервые подтвердил пригодность отечественных вычислительных кластеров для обучения крупных моделей в области встраиваемого интеллекта.
Видно, что отечественные GPU уже достигли прогресса в вопросах совместимости и построения экосистемы, переходя от «точечного прорыва» на стороне вывода к «постепенной адаптации» на стороне обучения — это значительный шаг вперед.
Сводка
В целом, на фоне препятствий для импорта передовых зарубежных чипов, стоит применить комбинированный подход, опираясь на два направления: одновременно активно поддерживать отечественные чипы для вычислительных мощностей, чтобы удовлетворить насущный спрос на рынке.
Подлинность спроса не вызывает сомнений, теория пузыря все еще существует, но ее голос не становится громче. Энтузиазм мирового рынка по строительству ИИ уже превзошел любой предыдущий этап развития отрасли.
В этом году глобальные финансовые рынки вновь пережили суперцикл искусственного интеллекта: акции Samsung, SK Hynix, Broadcom и TSMC достигли новых исторических максимумов. На внутреннем рынке жесткие технологии, такие как Cambricon, также показали мощный рост — рыночная капитализация лидера оптических модулей InnoLight однажды превысила капитализацию Kweichow Moutai.
В истории развития полупроводниковой промышленности Южной Кореи страна приложила все усилия для поддержки отрасли запоминающих чипов, пережила самые темные времена и в конечном итоге победила Японию, став абсолютным лидером мировой индустрии запоминающих устройств.
Китай все еще находится на этапе догоняющего развития в области хранилищных чипов, чипов для смартфонов и даже современных ИИ-чипов — это не достижение, которое можно реализовать за один день. Однако благодаря огромным рынкам, постоянному появлению ИИ-специалистов и значительным капиталовложениям китайские GPU уже начинают демонстрировать определенную совместимость и способны удовлетворять реальные потребности многих ИИ-компаний.
В этой игре ИИ, решающей судьбу наций, Китай и США являются как соперниками, так и партнерами, обладающими технологиями, рынками и ресурсами, необходимыми друг другу.
Эта статья из официального аккаунта WeChat: Juetao WAVE, редактор: Ян Сюжан, автор: Се Цзэфэн, оригинальное название: «Проблема вычислительных мощностей в условиях соревнования Китая и США в области ИИ | Juetao»