Развитие индустрии искусственного интеллекта в Китае: важность изучения локальных чипов и алгоритмов

За последнее десятилетие одним из важнейших уроков, усвоенных индустрией, стало значение обучения через вызовы и адаптацию. Недавно китайский сектор искусственного интеллекта продемонстрировал впечатляющую траекторию развития и изменений, следуя традициям геополитических барьеров. Глубокое изучение технологий и построение экосистемы позволили Китаю совершить беспрецедентный переход от зависимости к самодостаточности.

Истинное препятствие: не чипы, а развитие программной экосистемы

Много лет назад ZTE сталкивалась с ограничениями в сфере полупроводников, и сейчас главный урок для китайских компаний ИИ — это не аппаратное обеспечение. Истинная сила, обеспечивающая доминирование, — это не чипы сами по себе, а CUDA — Compute Unified Device Architecture от NVIDIA.

CUDA — платформа параллельных вычислений, представленная в 2006 году. Ее основное значение — это полноценная экосистема, охватывающая инфраструктуру и программные инструменты. За более чем десять лет исследований и разработки CUDA стала основой почти всех крупных AI-фреймворков в мире — от TensorFlow Google до PyTorch Meta.

Результатом постоянного обучения и развития экосистемы стал эффект CUDA flywheel. К 2025 году в экосистеме насчитывается около 4,5 миллиона разработчиков, более 3000 GPU-ускоренных приложений и свыше 40 000 компаний, использующих ее. Этот феноменальный уровень обучения и внедрения означает, что более 90% глобальных разработчиков AI работают в экосистеме NVIDIA.

Значение изучения CUDA выходит за рамки технической интеграции — оно включает культурную и организационную адаптацию. Каждый разработчик, исследовательская команда и компания вкладывают тысячи часов в изучение инструментов CUDA, методов оптимизации и лучших практик. Совместное обучение создает барьер, который трудно преодолеть.

Асимметричная стратегия: изучение новых архитектур алгоритмов

Вместо прямого ответа китайские компании ИИ выбрали более стратегический путь — изучение и использование гибридных экспертных моделей, или Mixture of Experts (MoE). Этот прорыв стал результатом глубокого изучения способов оптимизации эффективности обучения при ограниченных вычислительных ресурсах.

DeepSeek V3 — классический пример этой стратегии. Модель содержит 671 миллиард параметров, но при каждом выводе активируется только 37 миллиардов — всего 5,5% от общего числа. Такой подход к выборочной активации позволил добиться революционного результата: использование 2048 GPU NVIDIA H800 за всего 58 дней при стоимости всего 5,576 миллиона долларов.

Сравнительный анализ затрат на обучение говорит сам за себя: GPT-4 обошлась примерно в 78 миллионов долларов. Разница обусловлена постоянным обучением и оптимизацией алгоритмов.

Ценовая стратегия, основанная на этом изучении, революционна. Цена DeepSeek API — от 0,028 до 0,28 долларов за миллион входных токенов, тогда как GPT-4 стоит 5 долларов, а Claude Opus — 15 долларов. Такой анализ стоимости-эффективности создает ценовое преимущество в 25-75 раз ниже — стратегическое преимущество, которое рынок не может игнорировать.

Данные OpenRouter показывают реальное влияние этого обучения: в феврале 2026 года недельное использование китайских моделей ИИ выросло на 127% за три недели, впервые в истории обогнав США. Рыночная доля китайских моделей выросла с 2% в прошлом году до 6%, что на 421% больше — результат коллективного обучения по оптимизации алгоритмов.

Создание локальной вычислительной мощности: обучение у Huawei и Loongson

Следующий этап — развитие отечественной инфраструктуры. В Цзянсу Синьхуа с 2025 года запущена производственная линия серверов длиной 148 метров, отражающая коллективное обучение китайской экосистемы в создании локальных чипов.

Ключевыми компонентами являются процессор Loongson 3C6000 и AI-ускоритель TaiChu Yuanqi T100, каждый из которых — результат долгого изучения и разработки. От проектирования аппаратуры, оптимизации инструкций до микроархитектуры — это демонстрация глубокого технического понимания, ранее недоступного в китайской индустрии.

Серия Huawei Ascend стала центром этого обучения. К концу 2025 года экосистема Ascend привлекла 4 миллиона разработчиков — прямое заимствование модели построения экосистемы из CUDA. Более 3000 партнеров и 43 крупные модели языковых моделей, прошедшие предобучение на базе Ascend, свидетельствуют об успешной реализации этого подхода.

Ключевым этапом стало переход от возможностей только для inference к полноценному обучению. В январе 2026 года модель GLM-Image стала первой SOTA-моделью генерации изображений, полностью обученной на локальных чипах. В феврале China Telecom завершила обучение своей модели “Xingchen” на локальных вычислительных ресурсах в Шанхае.

Изучение технологических требований ясно показывает: обучение требует более высокой вычислительной мощности, пропускной способности межсоединений и сложности программной экосистемы, чем inference. Освоение этого аспекта — качественный скачок.

Инфраструктура Huawei SuperPoD, представленная на MWC 2 марта 2026 года, отражает изучение глобальных стандартов. Производительность FP16 на Ascend 910B стала эквивалентна NVIDIA A100 — демонстрируя, что, несмотря на существующие разрывы, путь ведет к паритету и даже превосходству.

Энергетические преимущества: вторая сторона стратегического обучения

Хотя конкуренция в области чипов очевидна, более стратегическое обучение происходит в энергетической сфере. Вирджиния, Джорджия, Иллинойс и Мичиган начали ограничивать новые проекты дата-центров, что отражает ограничения электросетей. По данным IEA, потребление электроэнергии дата-центров в США достигло 183 ТВтч в 2024 году (4% национального объема), и ожидается удвоение до 426 ТВтч к 2030 году, что составит 12% от общего потребления.

Генеральный директор Arm предупредил, что к 2030 году дата-центры ИИ могут потреблять 20-25% электроэнергии США. В системе PJM на востоке страны дефицит мощности составляет 6 ГВт, а к 2033 году — 175 ГВт, что эквивалентно потреблению энергии 130 миллионов семей.

В то же время, стратегическое изучение энергетического преимущества Китая показывает, что страна генерирует в 2,5 раза больше электроэнергии в год — 10,4 триллиона единиц против 4,2 триллиона в США. Важнее то, что бытовое потребление в Китае составляет всего 15% от общего, тогда как в США — 36%, что свидетельствует о большем промышленном потенциале для развертывания вычислительных мощностей.

Разница в ценах на электроэнергию впечатляет: в регионах концентрации американских компаний — 0,12–0,15 доллара за кВтч, а в промышленной зоне западного Китая — всего 0,03 доллара, что в пять раз ниже. Анализ энергетической экономики дает устойчивое конкурентное преимущество.

Обучение на токен-экономике: новая цифровая товарность

Главный современный урок китайской индустрии ИИ — переход к использованию токенов в качестве основной единицы учета. Токены, как базовая единица информации, рассматриваемая моделями ИИ, стали новой цифровой товарностью, экспортируемой из китайских фабрик вычислительной мощности по всему миру.

Данные о распределении пользователей DeepSeek показывают успешную стратегию глобального проникновения: 30,7% — из Китая, 13,6% — из Индии, 6,9% — из Индонезии, 4,3% — из США, 3,2% — из Франции. Сервис поддерживает 37 языков и высоко ценится на развивающихся рынках, таких как Бразилия.

Метрики внедрения подтверждают успешность обучения: 26 000 компаний по всему миру имеют аккаунты, 3200 учреждений используют корпоративные версии. В 2025 году 58% новых стартапов ИИ интегрируют DeepSeek в свои технологические стеки. В самом Китае доля рынка достигла 89%, за рубежом — 40–60%, что свидетельствует о систематическом изучении потребностей рынка.

Исторические уроки: опыт японского коллапса полупроводников

Изучение японского опыта — важнейший аспект стратегического планирования. В 1986 году соглашение США и Японии по полупроводникам ввело три ключевых ограничения: требования к открытию рынка с минимумом 20% доли США, контроль цен на экспорт и штрафные пошлины.

Траектория упадка хорошо прослеживается по историческим данным. В 1988 году Япония контролировала 51% мирового рынка полупроводников (против 36,8% у США), а в топ-10 компаний — шесть японских. Но после соглашения стратегия поддержки Samsung и SK Hynix при одновременных ограничениях японских компаний привела к драматическому падению доли рынка — доля DRAM снизилась с 80% до 10%. К 2017 году японский рынок IC сократился до 7%.

Ключевой урок — опасность самодовольства в глобальной разделении труда. Япония стала лучшим производителем, но не смогла развить независимую экосистему. Когда волна спала, они поняли, что у них нет внешних производственных мощностей.

Цена независимости: издержки обучения в построении экосистемы

Квартальные отчеты китайских компаний по чипам, опубликованные 27 февраля 2026 года, раскрывают реальные издержки обучения экосистеме:

• Cambrian: рост выручки на 453%, впервые достигла годовой прибыли
• Moore Threads: рост выручки на 243%, но чистый убыток — 1 миллиард долларов
• Muxi: рост выручки на 121%, чистый убыток — 8 миллиардов долларов

Эта финансовая неоднородность отражает суровые реалии развития экосистемы. Рынок требует альтернатив без NVIDIA, а геополитические возможности создают редкое структурное преимущество. Но издержки обучения — значительны.

Каждая потеря — это реальные капитальные затраты на обучение экосистемы: тренировки, субсидии программного обеспечения, расходы на инженеров на местах для решения технических задач. Эти убытки не связаны с операционной некомпетентностью, а являются необходимыми инвестициями в создание независимой экосистемы. Изучение каждой технической проблемы ускоряет развитие возможностей.

Три квартальных отчета — более честное отражение реальности борьбы за вычислительные мощности, чем любые отраслевые отчеты. Это не торжественная победа, а жесткая позиционная война, где солдаты растут, кровоточа.

Трансформация стратегических вопросов: от выживания к экономике

Самый фундаментальный урок — это смена подхода к стратегическому мышлению. Восемь лет назад вопрос был: «Сможем ли мы выжить?» Сегодня — «Какие издержки нам придется понести, чтобы выжить?».

Эти издержки — это обучение и развитие. Постоянное обучение через технические вызовы, обратную связь рынка и конкурентные динамики создает кумулятивное преимущество, которое NVIDIA не сможет воспроизвести.

На фоне геополитического давления китайская индустрия ИИ выбрала более сложный путь — от экстремальной оптимизации алгоритмов, через развитие локальных чипов для inference и обучения, до мобилизации 4 миллионов разработчиков в экосистеме Ascend и глобального распространения токенов. Каждый шаг строит независимую индустриальную экосистему, которой не было у Японии в прошлые времена.

Значение обучения никогда не было так очевидно, а цена — так тщательно оплачиваема.