Неискусственный интеллект

Далеко ли Huawei до NVIDIA? Epoch AI выпустили большой разбор дорожной карты Huawei до 2031 года. Главная метрика в нем H100-эквиваленты. По этой метрике Huawei в этом году выпустит в 25 раз меньше компьюта, чем NVIDIA. Флагман Ascend 950 выдает около 1 PFLOPS в 8-битных вычислениях (FP8), вдвое меньше H100, чипа, которому уже четыре года. Самих чипов в этом году Huawei сделает 1,5 млн против 5,9 млн у NVIDIA. ИИ-ускорителям нужна HBM, сверхбыстрая память, которую ставят вплотную к чипу, а Китай делать ее только начинает. На китайской HBM в этом году собрано всего около 240 тыс. ускорителей Huawei. Половина выпуска идет на более медленной памяти DRAM, остальное держится на корейской HBM, которую накопили до экспортных ограничений или ввезли контрабандой. Этот запас заканчивается в этом году. Если бы Huawei собирала чипы только на китайской HBM, ее выпуск в ближайшие годы составил бы около 1% от вычислительной мощности, которую выпускает NVIDIA. При этом даже если китайские заводы нарастят выпуск HBM, на каждый ее гигабайт памяти Ascend будет давать все меньше произвоидтельности на один ускоритель по сравнению с NVIDIA. Поэтому со временем Huawei будет упираться уже не в память, а в собственные чипы. Даже если ввезти в 10 раз больше HBM, чем Huawei получает от китайских производителей, через пару лет она выпустит лишь 11% от вычислительной мощности NVIDIA. При этом важно понимать, H100-эквиваленты сравнивают ускорители по отдельности, а у Huawei есть ещё и системы. Ее CloudMatrix связывает 384 ускорителя против 72 в стойке NVIDIA и, по оценкам аналитиков, догоняет систему NVIDIA грубой силой, цена которой — вчетверо большее энергопотребление. Проверить, как это работает на реальных задачах, нельзя: Huawei не публикует данных о пропускной способности своей сети. Epoch сама признает, что ее метрика не учитывает ни память, ни такие системы, ни софт. Из-за санкций фабрика SMIC, которая производит чипы Huawei, застряла на техпроцессе 5–7 нм. Обойти это Huawei хочет с помощью своей разработки LogicFolding, укладывая кристаллы слоями друг на друга. До Ascend она дойдет только к 2028-2030, а NVIDIA сделает то же самое на два года раньше и на куда более тонком техпроцессе. В итоге, по оценке Epoch, отставание в три-четыре года сохранится минимум до 2030 года. @anti_agi

Инфраструктуру обычно строят с запасом. Компания покупает серверы под максимальную нагрузку, а затем ещё и резервирует ресурсы в облаке — на всякий случай. Гибридная модель позволяет разделить работу иначе: постоянную нагрузку и чувствительные данные оставить в собственном контуре, а облако подключать для пиков, тестовых сред и ресурсоёмких вычислений. На Yandex Scale 2026 представили набор решений для такой инфраструктуры. Экономия в нём появляется не от самого слова «гибридный», а от более полной загрузки собственных серверов и оплаты дополнительных мощностей только тогда, когда они действительно нужны. Cloud Interconnect объединяет локальную инфраструктуру, Yandex BareMetal и облачные сети по приватному каналу без выхода в интернет. BareMetal Extend: Virtualization позволяет развернуть готовый изолированный контур виртуализации на выделенных серверах. VPC Private Endpoint подключает ресурсы внутри облачной сети к сервисам платформы по внутренней сети и без публичных IP-адресов. Отдельный набор инструментов помогает не переплачивать уже внутри облака. «Умное хранилище» в Object Storage само перемещает данные между уровнями частого, нечастого и архивного доступа. DNS Inbound упрощает работу корпоративной сети с внутренними облачными DNS-зонами. А публичный API Yandex Cloud Billing выгружает детализацию расходов и потребления по периодам, сервисам и отдельным ресурсам — основу для FinOps и автоматического контроля затрат. В результате локальные мощности можно загружать стабильными задачами, а облаком закрывать пики и быстро подключать новые сервисы. @anti_agi

Новые ИИ-лаборатории привлекли $24 млрд за полгода Инвесторы продолжают искать будущих конкурентов OpenAI и Anthropic. За два квартала молодые лаборатории, разрабатывающие собственные модели, привлекли почти в пять раз больше денег, чем два нынешних лидера суммарно получили до запуска ChatGPT. Причём миллиарды достаются даже компаниям, у которых пока нет ни продукта, ни выручки. Таких независимых лабораторий уже больше 40. Деньги они тратят прежде всего на исследователей и вычислительную инфраструктуру, поэтому новые раунды требуются в среднем каждые 7,6 месяца. За это время оценка компаний увеличивается в среднем в 3,5 раза. Например, Reflection AI примерно за год подорожала с $555 млн до $25 млрд. Особенно удобно в этой гонке устроилась Nvidia: компания инвестировала более чем в половину новых лабораторий и одновременно продаёт им ускорители. Знают, умеют, практикуют.