Собственная языковая модель еще не делает искусственный интеллект суверенным. Чтобы обучать и запускать большие модели, нужны ускорители, быстрая память, серверы и программная среда, а на этих участках российская отрасль во многом опирается на зарубежных поставщиков. Построить полноценную замену быстро не получится: на это уйдут годы и крупные вложения.
Такими мыслями с редакцией BeInCrypto поделился исполнительный директор РАКИБ Александр Бражников.
Что Россия умеет выпускать сама
Разрыв заметнее всего в производстве передовых ускорителей. Вице-премьер Денис Мантуров сообщил, что в стране серийно выпускают микросхемы по нормам 300, 200, 130 и 90 нанометров. Чтобы перейти к более тонким техпроцессам, по его словам, понадобится собственное оборудование для производства чипов.
Сам по себе техпроцесс не определяет скорость процессора. Но для современного ускорителя, на котором обучают большие модели, нужны еще быстрая память, сложная упаковка кристаллов и эффективная передача данных. Если не хватает хотя бы одного компонента, устройство теряет в возможностях.
Свои ускорители в России разрабатывают НТЦ «Модуль», НПЦ «Элвис» и «Хайтэк». При этом специализированный нейропроцессор и универсальный графический процессор решают разные задачи и не всегда взаимозаменяемы. Генеральный директор SNDGLOBAL Ольга Квашенкина оценивала, что нишевому ускорителю на техпроцессе 28–65 нм нужно два–четыре года, чтобы пройти путь от зрелого прототипа до серийного продукта, и это при гарантированных заказах и господдержке. Универсальный GPU мирового уровня — задача на порядок сложнее.
Даже готовый чип не закрывает вопрос. Нужны серийный выпуск, совместимые серверы, стабильные поставки компонентов и софт, который заставит оборудование работать на реальных нагрузках.
Отдельный спор идет о том, какой чип считать отечественным. Минпромторг обсуждал систему локализации ускорителей для включения в реестр российской радиоэлектроники, а один из экспертов «Коммерсанта» допускал, что российская архитектура при производстве в Китае или Юго-Восточной Азии может стать основанием для такого статуса. Бражников подчеркнул, что место разработки и место производства — разные вещи. Собственная архитектура растит инженерные компетенции, но зависимость от чужих фабрик, оборудования и материалов никуда не исчезает, и формальная запись в реестре ее не снимает.
Китайские чипы в дефиците даже в Китае
Весной глава Сбербанка Герман Греф заявил, что банк рассчитывает перевести GigaChat на китайские микросхемы. О подписанном контракте и конкретных моделях чипов Reuters не сообщал. Крупнейшие китайские интернет-компании — ByteDance, Tencent и Alibaba — при этом сами охотились за ускорителями Huawei Ascend 950.
Китай наращивает выпуск ИИ-чипов, но полностью покрыть внутренний спрос пока не может. По данным IDC, за первое полугодие в стране поставили 2,008 млн ускорителей для дата-центров. У Nvidia 678 тыс. устройств и 34% рынка, у Huawei — 572 тыс. и 28%. Поставки Nvidia упали на 44% год к году, Huawei выросли. Структура рынка тоже меняется: графических процессоров поставили на 26% меньше, 991 тыс., а других ИИ-ускорителей почти на 80% больше, 1,016 млн. Число устройств при этом ничего не говорит об их суммарной мощности, ведь архитектура и назначение у них разные.
Financial Times писала, что китайские производители планировали выпустить в 2026 году около 3,5 млн ИИ-чипов при спросе больше 5 млн. Нехватку компании закрывали игровыми и профессиональными видеокартами Nvidia. В октябре Reuters сообщил, что ByteDance, Alibaba и Tencent заказали свыше 3 млн карт Nvidia RTX PRO 5500 общей стоимостью больше $35 млрд, причем Nvidia не гарантировала поставку всего объема. Такие карты подходят для инференса, то есть генерации ответов уже обученной моделью, но не заменяют серверные ускорители при обучении крупных моделей.
Для России китайское оборудование — еще один канал поставок. Но его доступность зависит от мощностей производителей и аппетитов самого китайского рынка. Разворот на восток меняет структуру зависимости, а не убирает ее.
Экосистема держит крепче железа
Сила Nvidia не только в характеристиках чипов. Зампред правления Сбербанка Александр Ведяхин летом указывал на значение CUDA — платформы, на которой построена большая часть инструментов для разработки и запуска ИИ-нагрузок.
За годы вокруг CUDA сложилась экосистема библиотек, драйверов, компиляторов и средств разработки. Переход на другую архитектуру означает переписывание части кода, повторную проверку совместимости и настройку производительности под новое оборудование. Поэтому сравнение ценников на ускорители не показывает реальную стоимость перехода.
Китайские компании пытаются убрать этот барьер. В сентябре DeepSeek объявила о совместной с Huawei разработке инструментов для ускорителей Ascend, включая открытые библиотеки вычислений и обмена данными, и показала решение на 128 ускорителях Ascend 950. Но сам факт появления таких инструментов не доказывает, что они дают сопоставимую производительность на широком круге задач. Нужны испытания на реальных моделях и нагрузках.
Во сколько обходится переезд на другую платформу
Цена чипа — только часть расходов. Сюда добавляются работа инженеров, адаптация кода, проверка корректности вычислений, возможное падение производительности и сопровождение системы. Дешевое оборудование может оказаться дороже в эксплуатации, если для того же результата нужно больше устройств или дополнительная разработка.
Как это выглядит на практике, показал препринт исследователя Zheng Yu, опубликованный на arXiv. Автор запускал две задачи инференса на системе из 16 ускорителей Huawei Ascend 910 с программным стеком CANN и vLLM-Ascend. Чтобы модуль работал стабильно, в исходный код пришлось внести 12 правок. Часть функций, ускоряющих работу, отключили ради точности вычислений, а для защиты от сбоев добавили механизмы контроля и восстановления. Пропускная способность в одном из сценариев выходила на оптимум примерно при четырех параллельных потоках запросов, а при шести и больше очередь насыщалась, росли ошибки и тайм-ауты. Подготовка системы к первому запросу занимала несколько минут.
Это результаты для одной конкретной конфигурации, и переносить их на все ускорители Huawei или сравнивать напрямую с Nvidia нельзя. Но пример показывает объем работы, который скрывается за словами «перейти на другую платформу».
Бражников перечислил, по каким параметрам стоит сравнивать платформы на одних и тех же моделях и нагрузках:
- время и трудозатраты на перенос программного обеспечения;
- пропускная способность, задержка ответа и качество результата;
- энергопотребление и стоимость обработки заданного числа запросов;
- частота сбоев и затраты на сопровождение;
- цена повторного переезда, если систему придется переносить еще раз.
Стандартизированные тесты MLPerf Inference помогают с частью этих вопросов. В версии 6.1, которую MLCommons выпустила в сентябре, появились сквозной тест RAG и тест агентного инференса. Но такие бенчмарки измеряют производительность на заданных нагрузках, а не стоимость переноса стека и полную стоимость владения. Универсальной оценки затрат на переход с Nvidia на Ascend или российские чипы в открытых данных нет, и без сопоставимых тестов любые усредненные проценты и суммы мало о чем говорят.
Снизить зависимость можно и без замены чипов
Потребность в вычислениях можно сократить за счет компактных специализированных моделей и оптимизации их работы. Для разбора документов, классификации обращений или отдельной банковской операции универсальная модель нужна не всегда. Узкое решение работает на менее мощном оборудовании и обходится дешевле, а сжатие модели и оптимизация инференса помогают выжать больше из имеющихся ускорителей.
Для обучения больших моделей мощная инфраструктура все равно понадобится. Результат зависит от задачи и от того, насколько удастся урезать вычислительные расходы без потери нужного качества.
Еще один путь — программное обеспечение, которое поддерживает несколько аппаратных платформ. Если модель запускается на разных архитектурах без долгой переработки кода, заказчик свободнее выбирает оборудование. В такой схеме российские ускорители могут закрыть отдельные прикладные задачи, даже если не станут универсальной заменой мировым лидерам.
Суверенитет как возможность выбора
Производить каждый компонент ИИ-инфраструктуры самостоятельно России необязательно. Но собственные модели не дадут технологической самостоятельности, пока их обучение и запуск держатся на оборудовании, поставки которого могут прерваться по внешним причинам. Китайские ускорители расширяют выбор, российские разработки способны занять ниши, компактные модели снижают нагрузку. Ни одно из этих решений по отдельности зависимость не устраняет.
Критической она становится в момент, когда остановка поставок или смена условий одним производителем ставит под угрозу всю систему. Вопрос, по словам Бражникова, не в отказе от зарубежных компонентов, а в наличии реальной альтернативы. Сможет ли отрасль перейти на другую платформу и продолжить работу без чрезмерных затрат и серьезной потери производительности — это и есть мера суверенитета.
