Проблемы вычислительной мощности в китайско-американской партии по искусственному интеллекту
**Краткое содержание статьи: "Проблемы вычислительных мощностей в контексте китайско-американского соперничества в области ИИ"**
Ключевой проблемой развития ИИ в Китае является серьезное отставание в области вычислительных мощностей, особенно в сфере высокопроизводительных чипов для **обучения** моделей ИИ. В то время как китайские чипы, такие как продукты компаний Moore Thread, Biren Technology и других, находят применение в более доступных задачах **вывода (инференса)** (например, в приложении Doubao), они практически не представлены в требовательном сегменте обучения крупных моделей. Здесь безраздельно доминируют американские компании, в первую очередь Nvidia с ее чипами серии A100/H100/H200 и экосистемой CUDA.
Разрыв огромен: США контролируют более 70% мирового рынка высококлассных GPU, их общие вычислительные мощности более чем в два раза превышают китайские (2400 против 1053 EFLOPS). Американские технологические гиганты, такие как Meta, Google, Microsoft и Amazon, вкладывают сотни миллиардов долларов в инфраструктуру ИИ. Например, только у Google вычислительных мощностей столько же, сколько у 500 000 чипов H100, что составляет четверть от общемирового объема. Это позволяет им проводить десятки итераций обучения крупных моделей в год и экспериментировать с параметрами в триллионы и десятки триллионов, как это делает xAI Илона Маска.
В результате, самые передовые американские модели (например, Anthropic Claude Mythos с 10 триллионами параметров) значительно превосходят лучшие китайские (например, DeepSeek V4 Pro с 1.6 триллионами параметров). Эксперты оценивают отставание Китая в 8-15 месяцев. Основная причина — физическое отсутствие необходимых мощностей для быстрого обучения сверхбольших моделей в соответствии с законом Scaling Law.
Китай стремится к импортозамещению, разрабатывая собственные чипы (Huawei Ascend 910B, Cambricon и др.). Хотя по абсолютной производительности они пока отстают от лидеров на 30% и более, в сфере инференса разрыв сократился до 15-20%. Главная проблема — не только производительность железа, но и отсутствие зрелой программной экосистемы, подобной CUDA. Однако уже есть первые успехи: компании вроде Zhipu AI и Moore Thread начинают демонстрировать возможность полного цикла обучения моделей на отечественном оборудовании и фреймворках.
Вывод: Китай сталкивается с фундаментальным вызовом в "гонке вычислений", которая лежит в основе "гонки моделей". Преодоление этого разрыва требует времени, масштабных инвестиций и построения собственной экосистемы. Страна обладает необходимым рынком, талантами и капиталом, но путь к паритету с США в области высокопроизводительных чипов для ИИ будет долгим.
marsbit06/22 10:23
