Ķīna tuvinās AI skaitļošanas līderību un Huawei loma

Investoru sapulcē Liang Wenfeng neslēpa vārdus. DeepSeek izpilddirektors uzzīmēja skarbu, gandrīz kinematogrāfisku ainu: Ķīna cenšas aizpildīt skaitļošanas plaisu, kas reiz šķita nepārvarama, un esošais līderis varētu būt pārsteigts par nozares straujo attīstību.

DeepSeek pašlaik darbojas aptuveni ar 20 000 Nvidia H100 čipu ekvivalentu, no kuriem lielākā daļa ieradās pēdējā mēneša vai divu laikā. Šī kapacitāte šķiet milzīga. Tā arī ir. Taču tā ļauj aktivizēt tikai aptuveni 10 miljardus parametru vienlaikus. Salīdzinot ar mūsdienu augstākās klases modeļiem, kas var uzturēt apmēram 800 miljardus parametrus tiešā darbībā vienlaikus, atšķirība nav maza. Tā ir strukturāla.

Kā Huawei iekļaujas šajā vienādojumā

Liang īpaši izcēla Huawei Atlas 950 mezglus, ko darbina Ascend 950 procesori, kā reālu alternatīvu. Viņa apgalvojums bija provokatīvs: lai gan viens Ascend 950 ir mazāk efektīvs nekā Nvidia H100, praksē šo Huawei mezglu klasteris var sasniegt līdzvērtīgu gala veiktspēju kā Nvidia GB200 un GB300 statņi. Matemātika, viņš sacīja, aptuveni līdzinās četrām Ascend vienībām par katru vienu Nvidia čipu, bet kopējais caurlaidspējas un latentuma līmenis var pietuvoties tik tuvu, ka aizvietošana ir iespējama.

Viņš brīdināja: Nvidia raksta savu kapu. Cenu atšķirības, Liang argumentēja, ir mazāk svarīgas, jo pat ja Huawei aparatūra būtu par 50, 100 vai 200 procentiem dārgāka, spēja izvērsties mērogā un politiskie ieguvumi no vietējās piegādes ķēdes varētu atsvert vienkāršus izmaksu salīdzinājumus.

Tomēr ir niķis. Mūsdienu lielo modeļu apmācība ir ārkārtīgi prasīga. Lai apmācītu modeli tādā mērogā kā pašreizējie AI giganti, Liang lēš, ka būtu nepieciešami aptuveni 50 000 GB300 klases Nvidia procesoru vai aptuveni 200 000 Ascend 950 čipu. Tie ir tikai apmācības skaitļošanas skaitļi; pētniecība un eksperimentēšana prasa vēl papildu resursus. Tas palīdz izskaidrot, kāpēc skaitļošanas resursu plaisa starp Ķīnu un Amerikas Savienotajām Valstīm paliek lielākais atsevišķais šķērslis.

Ko DeepSeek dara šajā sakarā? Pagaidām uzņēmums agresīvi paplašina savu infrastruktūru. Taču Liang arī uzsvēra citu kaujas lauku: datus. Kvalitatīva marķēšana, viņš sacīja, ir palēnināšanas kakls. Var iemest čipus problēmā, bet, ja jūsu marķējumi un kurētās datu kopas atpaliek, progress apstājas. Uzņēmumiem kā OpenAI un Anthropic šeit ir priekšrocība, jo tie sāka agrāk un ieguldīja vairāk resursu augstas kvalitātes anotācijā.

Secinājums nav tikai par čipiem vai nacionālo pašlepnumu. Tas ir par aparatūras, programmatūras, talanta un laika kopumu. Ķīna būvē skaitļošanas kapacitāti. Tā arī iegulda laikietilpīgajā, mazāk spožajā darbā — datu kopu higiēnā un marķēšanā. Ja abi virzieni progresē, AI konkurētspējas karte var izskatīties ļoti citādi pāris gadu laikā.

Liang vēstījums bija tiešs, bet stratēģisks: tā nav viena cīņa par vienu čipu. Tā ir gara kampaņa, kur alternatīvas, kas kādreiz šķita otršķirīgas, var kļūt izšķirošas, kad tās tiek mērogotas un integrētas pilnīgā risinājumā. Šī pāreja var būt brīdis, uz kuru Nvidia vēlāk atskatīsies kā uz izšķirošu.