Компания Huawei приняла решение сосредоточиться исключительно на внутреннем рынке Китая при поставках своих новых ИИ-ускорителей серии Ascend. Как заявил на конференции Huawei Connect сменный председатель совета директоров Эрик Сюй, текущие производственные мощности компании не позволяют удовлетворить даже имеющийся внутренний спрос, в связи с чем полноценный выход на международную арену в ближайшее время не планируется. По словам топ-менеджера, компания осуществляет лишь ограниченные поставки в страны, где интерес к продуктам остается крайне высоким, однако это не является масштабной стратегией экспансии.
Развитие линейки процессоров Ascend и дорожная карта производительности
На текущей неделе компания представила обновленную дорожную карту развития нейронных процессоров (NPU), в которую вошли модели Ascend 960, 970 и 980. Эти решения призваны обеспечить значительный прирост производительности при обучении ИИ-моделей и выполнении задач логического вывода в сравнении с актуальными сериями Ascend 910C и 950. Согласно прогнозам, в 2027 году модели Ascend 960DT и 960PR смогут достичь показателей производительности в 2 PFLOPS для обучения (FP8) и от 4 до 8 PFLOPS для задач логического вывода (FP4). В более долгосрочной перспективе, к 2029 году, ожидается выход чипов Ascend 970 и 980, которые, по оценкам инженеров, смогут нарастить мощность в операциях FP4 до 28 PFLOPS.
Конкуренция с Nvidia и системная масштабируемость
Несмотря на технический прогресс, даже перспективные ускорители Huawei по показателям вычислительной мощности на уровне отдельных чипов продолжают отставать от современных решений Nvidia. Например, показатели Ascend 960DT в операциях FP8 для обучения существенно ниже параметров ускорителя H200, представленного еще в 2023 году. В условиях отставания по «сырой» производительности отдельных компонентов, Huawei делает ставку на агрессивное масштабирование системного уровня.
Компания развивает технологию Atlas SuperPoD и SuperClusters, которые объединяют до 15 488 процессоров Ascend 960. Благодаря использованию оптических сетей и передовых методов интеграции, таких как оптика ближнего подключения (NPO), такие кластеры способны достигать суммарной производительности до 30 EFLOPS в режиме FP8 и 120 EFLOPS в режиме FP4. Это позволяет конкурировать с крупнейшими системами, такими как кластеры Nvidia NVL72, однако оборотной стороной подобного подхода становится высокое энергопотребление. Низкая энергоэффективность в сравнении с архитектурами Nvidia делает эти решения менее привлекательными для международного рынка.
Ограничения производственной базы и перспективы программной экосистемы
Ситуация осложняется тем, что производитель полупроводников SMIC сталкивается с трудностями при наращивании выпуска продукции по техпроцессам 7 нм и 6 нм. Это критически ограничивает возможности Huawei по обеспечению необходимыми компонентами даже для внутреннего рынка. В данных условиях международная экспансия выглядит экономически нецелесообразной. Вместо этого компания, вероятнее всего, будет развивать доступ к своим аппаратным средствам через облачные сервисы для исследовательских и академических организаций, что также поможет популяризировать программный стек CANN среди разработчиков.
Технологические нюансы и аппаратные перспективы
Согласно представленным данным, прогресс линейки Ascend носит последовательный характер. В частности, модель Ascend 960PR в задачах логического вывода (FP4) демонстрирует показатель в 8 PFLOPS, что, по оценкам аналитиков, значительно уступает характеристикам чипа Nvidia B300, который способен выдавать 15–20 PFLOPS в аналогичном формате вычислений. Разрыв становится ещё более заметным при сравнении с будущими решениями: проектная мощность Ascend 980 (ожидается к 2029 году) в операциях FP8 составляет 7,2 PFLOPS, тогда как Nvidia R200 уже в текущем году нацелена на достижение уровня 17,5 PFLOPS. В режиме FP4 для Ascend 980 заложены 28 PFLOPS, в то время как показатели R200 могут варьироваться от 35 до 50 PFLOPS.
Данный технологический зазор вынуждает Huawei полагаться на экстенсивное развитие инфраструктуры, где ключевую роль играет масштабирование системного уровня, а не превосходство каждого отдельного кристалла. При этом использование технологий, таких как оптика ближнего подключения (NPO), позволяет компании освободить часть вычислительных мощностей на более старых техпроцессах для нужд других компонентов ИИ-платформ. Однако системное масштабирование влечет за собой экспоненциальный рост энергопотребления.
Сравнительный анализ показывает, что кластеры Huawei Atlas SuperPoDs, объединяющие свыше 15 тысяч ускорителей, превосходят по масштабу системы Nvidia NVL72, ограниченные 72 графическими процессорами. Тем не менее, критический показатель энергоэффективности на ватт у архитектур Huawei оказывается значительно ниже. Это делает использование подобных решений за пределами КНР практически неконкурентоспособным по сравнению с архитектурами, доступными на глобальном рынке через AMD или Nvidia. Именно эта комбинация факторов — производственные лимиты SMIC, нехватка мощностей даже для внутренних заказчиков и существенное отставание в удельной энергоэффективности — делает глобальную экспансию аппаратных средств Huawei стратегически неоправданной на текущем этапе развития компании.
