Догнать NVIDIA: на что уже способны китайские ИИ-чипы, а на что нет

Об эксперте: Дмитрий Соловьев — директор по техническому развитию Т1 ИИ (ИТ-холдинг Т1). Более 10 лет в технологическом бизнесе; отвечает за создание и развитие ИИ продуктов, платформ и решений на альтернативной GPU инфраструктуре для российского корпоративного сектора.

Еще несколько лет назад китайские ИИ-ускорители воспринимались скорее как более доступная альтернатива западным решениям — они дешевле, проще, но заметно слабее. Сегодня ситуация меняется. Китай активно развивает собственное производство чипов, а местные компании сокращают технологический разрыв с мировыми лидерами.

Главным ориентиром на рынке ИИ-ускорителей остается NVIDIA, вокруг ее оборудования за годы сформировалась зрелая экосистема из драйверов, библиотек и инструментов для разработчиков. Поэтому именно с ней чаще всего сравнивают новые китайские решения — и по производительности, и по удобству работы.

При этом у китайских производителей появляются собственные программные платформы, модели и подходы к разработке, а сами ускорители постепенно выходят за рамки экспериментов.

Китай строит не отдельные чипы, а целую экосистему

Китайский рынок развивается сразу на нескольких уровнях. У местных компаний уже есть собственные облачные платформы, большие языковые модели, например Qwen, DeepSeek и Kimi, а теперь активно развивается и производство ускорителей.

По зрелости сами чипы пока уступают западным лидерам примерно на одно поколение — речь в первую очередь о массовых инференс-чипах, тогда как по флагманским тренировочным ускорителям разрыв заметно шире. Крупнейшие производители при этом выстраивают собственные программные экосистемы вокруг своих чипов: Huawei развивает платформу CANN (и ее продолжение CANN Next) для линейки Ascend, MetaX — платформу MXMACA для ускорителей серии C500/C550/C600, Moore Threads — стек MUSA для GPU MTT S3000/S4000/S5000, а Cambricon — инструменты MLU-Ops и torch_mlu для своей линейки MLU.

Одни производители стараются сделать свои решения совместимыми с привычным программным обеспечением NVIDIA, другие развивают собственные технологические среды или создают ускорители под определенные типы моделей. Поэтому конкуренция идет уже не только за мощность конкретной карты. Важна вся связка: оборудование, драйверы, библиотеки, средства разработки и модели.

Развитие отечественной экосистемы поддерживается и на государственном уровне. В мае 2026 года Китай официально одобрил девять отечественных ИИ-ускорителей для использования в государственных структурах и крупных госкомпаниях. В перечень вошли Huawei Ascend 310 и 910, Alibaba T-Head M530 и M890, а также решения Biren, Hygon, Iluvatar CoreX, MetaX и Moore Threads. Cambricon и Kunlunxin в список не попали. Сертифицированные чипы получили приоритет при закупках для госструктур, дата-центров и ИИ-проектов.

Тем не менее китайские платформы все еще проходят этап «взросления», тогда как экосистема NVIDIA развивалась много лет. И вот здесь пока еще остается заметный разрыв.

Большинство задач уже можно решать

Несмотря на ряд ограничений, китайские графические ускорители (GPU) все же подходят для большинства распространенных ИИ-задач: больших языковых моделей, чат-ботов, компьютерного зрения и предиктивной аналитики.

Но выбирать оборудование только по производительности и цене рискованно. Ускоритель может показывать хорошие результаты в тестах, но не поддерживать нужный формат вычислений для конкретной модели. Тогда для той же нагрузки понадобится больше оборудования, и ожидаемая экономия исчезнет.

Поэтому сначала нужно определить, для каких задач создается инфраструктура, какие модели планируется запускать и какие библиотеки используют разработчики. Для крупного корпоративного кластера ошибка на этом этапе может оказаться особенно дорогой.

Дешевле — не всегда выгоднее

В отдельных случаях китайское оборудование может снизить расходы примерно на 10−20% за счет более низкой цены при сопоставимых вычислительных возможностях — такие оценки экономии на обучении моделей встречаются, например, у Ant Group при переходе на отечественные чипы. Но это скорее иллюстративный ориентир по отдельным кейсам, а не гарантированный диапазон: итоговая экономия сильно зависит от конкретной задачи (обучение или инференс) и пары чип/модель. Радикального снижения общей стоимости владения пока нет.

Цена ускорителя — только часть расходов. Нужно учитывать серверную платформу, настройку кластера, программное обеспечение, поддержку, ремонт и замену оборудования при сбоях.

Поэтому правильнее сравнивать стоимость всего кластера за несколько лет эксплуатации, а не отдельные карты по цене. Без предварительного тестирования может оказаться, что запуск и работа модели на новом оборудовании обходятся не дешевле привычной инфраструктуры.

Сегодня главный аргумент в пользу китайских ускорителей — скорее возможность снизить зависимость от одного технологического поставщика.

Перенос моделей нужно проверять заранее

Сложность перехода зависит от совместимости нового оборудования с технологиями, которые уже использует компания.

Если китайская платформа поддерживает привычную среду NVIDIA, перенос обычно требует тестирования и дополнительной настройки, но не полной переделки системы. Например, инструмент MUSIFY у Moore Threads автоматически конвертирует код CUDA в MUSA, а платформа CANN Next у Huawei позволяет запускать существующий CUDA-код на чипах Ascend. Тем не менее по опыту китайских разработчиков даже при такой совместимости миграция может увеличивать время и затраты на 50% и выше, поэтому тестирование и донастройка на практике — не быстрый процесс. С решениями на собственной программной архитектуре сложнее: модели и отдельные компоненты могут потребовать адаптации.

Поэтому рискованно сначала покупать большой парк оборудования, а уже потом проверять, насколько хорошо на нем работает существующая система.

Лучше заранее испытать ускорители на реальных моделях и оценить скорость, стабильность, поддержку библиотек и итоговую стоимость обработки запросов. Для крупных языковых моделей у ряда производителей уже есть готовые адаптированные инференс-движки — например, vLLM-MUSA и SGLang-MUSA у Moore Threads, vLLM-metax у MetaX — что упрощает первичное тестирование без переписывания инференс-стека с нуля.

Вместо одного нового лидера — несколько поставщиков

Китайский рынок пока не пришел к единому стандарту. Несколько производителей одновременно борются за место ведущей альтернативы NVIDIA — среди них Huawei, MetaX, Moore Threads, Cambricon и Biren — и пока сложно сказать, кто окажется лидером через несколько лет. При этом совокупная доля всех китайских игроков на глобальном рынке ИИ-чипов пока оценивается на уровне лишь нескольких процентов.

Для бизнеса это не обязательно недостаток. Компании могут собирать смешанный GPU-парк и использовать разные решения под разные нагрузки.

Одни ускорители подойдут там, где особенно важна совместимость с программным обеспечением, например, чипы Huawei с CANN Next или Moore Threads с MUSIFY. Другие — для задач, где на первый план выходит стоимость вычислений, например ускорители MetaX на платформе MXMACA. Такой подход позволяет снизить зависимость от одного поставщика и не перестраивать всю инфраструктуру при изменении условий.

От альтернативы к отдельному сегменту

Китайские ИИ-ускорители уже можно считать полноценной альтернативой для многих корпоративных задач. Но пока оборудование нужно заранее тестировать, учитывать зрелость программной среды и считать полную стоимость инфраструктуры.

По мере развития драйверов, библиотек и средств управления — CANN, MXMACA, MUSA, MLU-Ops и других — эти ограничения будут снижаться. Несколько технологических платформ будут существовать параллельно, а компании смогут выбирать подходящую под конкретную нагрузку, бюджет и требования к надежности.

Так китайские ускорители постепенно превращаются в самостоятельный сегмент ИИ-инфраструктуры. И выигрывать здесь будет тот, кто построит вокруг мощного чипа зрелую и удобную экосистему.