Власна мовна модель ще не робить штучний інтелект суверенним. Для навчання та запуску великих моделей потрібні прискорювачі, швидка пам'ять, сервери та програмне середовище — а на цих ділянках російська галузь багато в чому спирається на зарубіжних постачальників. Повноцінна заміна швидко не з'явиться: на це підуть роки та великі вкладення.

Виконавчий директор РАКІБ Олександр Бражников оцінив реальні межі технологічної незалежності у сфері ШІ та окреслив ключові вузькі місця галузі.

Що Росія вміє випускати сама

Найпомітніший розрив у виробництві передових прискорювачів. За словами віцепрем'єра Дениса Мантурова, в країні серійно випускають мікросистеми за нормами 300, 200, 130 і 90 нанометрів. Для переходу до тонших техпроцесів знадобиться власне обладнання для виробництва чипів.

Сам по собі техпроцес не визначає швидкість процесора. Але сучасному прискорювачу, на якому навчають великі моделі, потрібні ще швидка пам'ять, складна упаковка кристалів та ефективна передача даних. Якщо бракує хоча б одного компонента, пристрій втрачає в можливостях.

Свої прискорювачі в Росії розробляють НТЦ «Модуль», НПЦ «Елвіс» і «Хайтек». При цьому спеціалізований нейропроцесор і універсальний графічний процесор вирішують різні завдання і не завжди взаємозамінні. Генеральний директор SNDGLOBAL Ольга Квашенкіна оцінювала, що нішевому прискорювачу на техпроцесі 28–65 нм потрібно два–чотири роки, щоб пройти шлях від зрілого прототипу до серійного продукту, і це за гарантованих замовлень і держпідтримки. Універсальний GPU світового рівня — завдання на порядок складніше.

Навіть готовий чип не закриває питання. Потрібні серійний випуск, сумісні сервери, стабільні поставки компонентів і софт, який змусить обладнання працювати на реальних навантаженнях.

Окрема суперечка точиться про те, який чип вважати вітчизняним. Мінпромторг обговорював систему локалізації прискорювачів для включення до реєстру російської радіоелектроніки, а один з експертів припускав, що російська архітектура при виробництві в Китаї чи Південно-Східній Азії може стати підставою для такого статусу. Бражников наголосив, що місце розробки і місце виробництва — різні речі. Власна архітектура плекає інженерні компетенції, але залежність від чужих фабрик, обладнання та матеріалів нікуди не зникає, і формальний запис у реєстрі її не знімає.

Китайські чипи в дефіциті навіть у Китаї

Навесні голова Сбербанку Герман Греф заявив, що банк розраховує перевести GigaChat на китайські мікросистеми. Про підписаний контракт і конкретні моделі чипів не повідомлялося. Найбільші китайські інтернет-компанії — ByteDance, Tencent і Alibaba — при цьому самі полювали за прискорювачами Huawei Ascend 950.

Китай нарощує випуск ШІ-чипів, але повністю покрити внутрішній попит поки не може. За перше півріччя в країні поставили 2,008 млн прискорювачів для дата-центрів. У Nvidia 678 тис. пристроїв і 34% ринку, у Huawei — 572 тис. і 28%. Поставки Nvidia впали на 44% рік до року, Huawei зросли. Структура ринку теж змінюється: графічних процесорів поставили на 26% менше, 991 тис., а інших ШІ-прискорювачів майже на 80% більше, 1,016 млн. Кількість пристроїв при цьому нічого не говорить про їхню сумарну потужність, адже архітектура і призначення в них різні.

Китайські виробники планували випустити у 2026 році близько 3,5 млн ШІ-чипів за попиту понад 5 млн. Нестачу компанії закривали ігровими та професійними відеокартами Nvidia. ByteDance, Alibaba і Tencent замовили понад 3 млн карт Nvidia RTX PRO 5500 загальною вартістю понад $35 млрд, причому Nvidia не гарантувала поставку всього обсягу. Такі карти підходять для інференсу, тобто генерації відповідей уже навченою моделлю, але не замінюють серверні прискорювачі при навчанні великих моделей.

Для Росії китайське обладнання — ще один канал поставок. Але його доступність залежить від потужностей виробників і апетитів самого китайського ринку. Розворот на схід змінює структуру залежності, а не прибирає її.

Екосистема тримає міцніше за залізо

Сила Nvidia не лише в характеристиках чипів. Заступник голови правління Сбербанку Олександр Ведяхін улітку вказував на значення CUDA — платформи, на якій побудована більша частина інструментів для розробки та запуску ШІ-навантажень.

За роки навколо CUDA склалася екосистема бібліотек, драйверів, компіляторів і засобів розробки. Перехід на іншу архітектуру означає переписування частини коду, повторну перевірку сумісності та налаштування продуктивності під нове обладнання. Тому порівняння цінників на прискорювачі не показує реальну вартість переходу.

Китайські компанії намагаються прибрати цей бар'єр. У вересні DeepSeek оголосила про спільну з Huawei розробку інструментів для прискорювачів Ascend, включно з відкритими бібліотеками обчислень і обміну даними, і показала рішення на 128 прискорювачах Ascend 950. Але сам факт появи таких інструментів не доводить, що вони дають зіставну продуктивність на широкому колі завдань. Потрібні випробування на реальних моделях і навантаженнях.

Скільки коштує переїзд на іншу платформу

Ціна чипа — лише частина витрат. Сюди додаються робота інженерів, адаптація коду, перевірка коректності обчислень, можливе падіння продуктивності та супровід системи. Дешеве обладнання може виявитися дорожчим в експлуатації, якщо для того самого результату потрібно більше пристроїв або додаткова розробка.

Препринт дослідника Zheng Yu показав, як це виглядає на практиці. Автор запускав два завдання інференсу на системі з 16 прискорювачів Huawei Ascend 910 з програмним стеком CANN і vLLM-Ascend. Щоб модуль працював стабільно, у вихідний код довелося внести 12 правок. Частину функцій, що прискорюють роботу, вимкнули заради точності обчислень, а для захисту від збоїв додали механізми контролю та відновлення. Пропускна здатність в одному зі сценаріїв виходила на оптимум приблизно за чотирьох паралельних потоків запитів, а за шести й більше черга насичувалася, зростали помилки та тайм-аути. Підготовка системи до першого запиту займала кілька хвилин.

Це результати для однієї конкретної конфігурації, і переносити їх на всі прискорювачі Huawei чи порівнювати напряму з Nvidia не можна. Але приклад показує обсяг роботи, який ховається за словами «перейти на іншу платформу».

Порівнювати платформи варто на одних і тих самих моделях і навантаженнях за цілою низкою параметрів:

  • час і трудовитрати на перенесення програмного забезпечення;
  • пропускна здатність, затримка відповіді та якість результату;
  • енергоспоживання і вартість обробки заданої кількості запитів;
  • частота збоїв і витрати на супровід;
  • ціна повторного переїзду, якщо систему доведеться переносити ще раз.

Стандартизовані тести MLPerf Inference допомагають із частиною цих питань. У версії 6.1, випущеній MLCommons у вересні, з'явилися наскрізний тест RAG і тест агентного інференсу. Але такі бенчмарки вимірюють продуктивність на заданих навантаженнях, а не вартість перенесення стеку і повну вартість володіння. Універсальної оцінки витрат на перехід з Nvidia на Ascend чи російські чипи у відкритих даних немає, і без зіставних тестів будь-які усереднені відсотки та суми мало про що говорять.

Знизити залежність можна і без заміни чипів

Потребу в обчисленнях можна скоротити за рахунок компактних спеціалізованих моделей та оптимізації їхньої роботи. Для розбору документів, класифікації звернень чи окремої банківської операції універсальна модель потрібна не завжди. Вузьке рішення працює на менш потужному обладнанні й обходиться дешевше, а стиснення моделі та оптимізація інференсу допомагають вижати більше з наявних прискорювачів.

Для навчання великих моделей потужна інфраструктура все одно знадобиться. Результат залежить від завдання і від того, наскільки вдасться урізати обчислювальні витрати без втрати потрібної якості.

Ще один шлях — програмне забезпечення, яке підтримує кілька апаратних платформ. Якщо модель запускається на різних архітектурах без довгої переробки коду, замовник вільніше обирає обладнання. У такій схемі російські прискорювачі можуть закрити окремі прикладні завдання, навіть якщо не стануть універсальною заміною світовим лідерам.

Суверенітет як можливість вибору

Виробляти кожен компонент ШІ-інфраструктури самостійно Росії необов'язково. Але власні моделі не дадуть технологічної самостійності, поки їхнє навчання і запуск тримаються на обладнанні, поставки якого можуть перерватися з зовнішніх причин. Китайські прискорювачі розширюють вибір, російські розробки здатні зайняти ніші, компактні моделі знижують навантаження. Жодне з цих рішень окремо залежність не усуває.

Критичною вона стає в момент, коли зупинка поставок або зміна умов одним виробником ставить під загрозу всю систему. Питання не у відмові від зарубіжних компонентів, а в наявності реальної альтернативи. Чи зможе галузь перейти на іншу платформу і продовжити роботу без надмірних витрат і серйозної втрати продуктивності — це і є міра суверенітету.

Аналіз Cryptalist: Кейс демонструє, що в ШІ-інфраструктурі бар'єр зміщується від кремнію до програмної екосистеми: навіть за наявності чипів вартість міграції та зрілість софту визначають реальну незалежність. Ринок прискорювачів залишається фактично монополізованим на рівні CUDA, тому ставка на альтернативні платформи виправдана лише за паралельної оптимізації моделей і мультиплатформного ПЗ. Для інвесторів це сигнал, що капітал у регіоні перетікатиме в прикладний софт і нішеві рішення, а не в спроби наздогнати лідерів за універсальними GPU.