Российский рынок ИИ упёрся в видеокарты
К 2030 году Россия планирует значительно нарастить мощности своих центров обработки данных (ЦОД) для задач искусственного интеллекта (ИИ). Прогнозируемая цель — более 70 000 видеокарт в эквиваленте Nvidia A100, одной из самых популярных моделей графических процессоров (GPU) для вычислений в области ИИ.
Но что это значит на практике, и хватит ли таких ресурсов, чтобы догнать мировых лидеров? Давайте разберёмся, погрузившись в мир вычислительных мощностей, инвестиций и технологических вызовов.
FLOPS, видеокарты и Nvidia: что за чем стоит?
Когда говорят о 70 000 видеокарт Nvidia A100, речь идёт не о конкретных устройствах, а о совокупной вычислительной мощности, измеряемой в FLOPS (операциях с плавающей точкой в секунду). Nvidia A100 — это не просто видеокарта, а настоящий «рабочий конь» ИИ-индустрии. Выпущенная в 2020 году, она обеспечивает до 19,5 терафлопс (19,5 триллиона операций в секунду) в задачах с двойной точностью и до 312 терафлопс в операциях с тензорами, которые особенно важны для обучения нейросетей.
Её конкурент, Nvidia H100, представленный в 2022 году, превосходит A100 в 3–6 раз, а новейшая H200 (2023 год) обгоняет её уже в 15 раз. Это значит, что 70 000 A100 эквивалентны примерно 11 000–15 000 H100 или всего 4 500 H200. На фоне мировых лидеров, таких как Tesla, владеющей 350 000 H200, российские планы выглядят скромнее, чем хотелось бы.
На российском рынке преобладают устаревшие A100, ввезённые до санкций 2022 года, когда США и их союзники ограничили поставки высокотехнологичного оборудования в Россию. Более современные H100 и H200 практически недоступны из-за эмбарго, что вынуждает компании искать альтернативы. Оценить реальное количество видеокарт в российских ЦОДах сложно: многие предприятия используют собственные закрытые инфраструктуры, а данные не публикуются.
По экспертным оценкам, сейчас в стране эксплуатируется лишь 3 000–4 000 эквивалентов A100 — капля в море по сравнению с глобальными стандартами.
Рынок ИИ в России: деньги есть, видеокарт нет
Российский рынок ИИ растёт стремительно. За последние 10 лет лидеры индустрии вложили в него не менее 650 миллиардов рублей. К середине 2023 года 95% крупных компаний внедрили ИИ в свои процессы — от анализа данных до автоматизации. По предварительным оценкам, в 2024 году рынок ИИ в России достиг 780 миллиардов рублей, показав рост на 30% за год. Правительство прогнозирует, что к 2025 году он перевалит за 1 триллион рублей, а «Ростелеком» предсказывает шести-семикратный рост спроса на видеокарты к 2030 году.
Но рост рынка не означает технологического прорыва. Инвестиции в вычислительные мощности остаются ключевым узким местом. Для достижения цели в 70 000 эквивалентов A100 потребуется от 1,5 до 2 миллиардов долларов. Сумма зависит от того, будут ли модернизироваться существующие ЦОДы или строиться новые.
Новые дата-центры дороже: их стоимость определяется регионом (в Москве земля и энергия дороже, чем в Сибири) и долей ИИ в нагрузке. Высокопроизводительные стойки для ИИ потребляют от 15 до 50 кВт, что в разы больше, чем стандартные серверные стойки (5–10 кВт).
На конец 2024 года в России насчитывается 82 000 стойко-мест в ЦОДах, а в 2025 году планируется ввести ещё 12 000–15 000. Однако лишь малая часть этих мощностей ориентирована на ИИ. В мире на ИИ-задачи приходится 10–20% мощностей ЦОДов, а в новых дата-центрах — до 35%. В России эта доля пока ниже, что отражает отставание в инфраструктуре.
Кто заменит Nvidia?
Санкции вынуждают Россию искать альтернативы американским GPU. До 2022 года в страну поставлялись карты Nvidia, AMD Instinct MI и, реже, Intel. Теперь основным источником стали китайские ускорители, такие как Huawei Ascend или решения от Biren Technology. Однако их производительность заметно уступает: в задачах обучения нейросетей они проигрывают Nvidia в 3–8 раз, а в инференсе (применении уже обученных моделей) — в 2–5 раз. Это значит, что для достижения тех же результатов требуется больше карт, энергии и времени.
Отечественные разработки тоже есть. Компания «НТЦ Модуль» создаёт нейроускорители (NPU), оптимизированные для ИИ. Они не конкурируют с GPU напрямую, а напоминают специализированные чипы, такие как Google Edge TPU или Huawei Ascend Lite. Их преимущество — меньшее энергопотребление и заточка под конкретные задачи, но масштабируемость и мощность пока не дотягивают до мировых стандартов. Перспективы роста зависят от доступа к зарубежным фабрикам, вроде тайваньской TSMC, что под вопросом из-за санкций.
Конкуренция с миром: технологическая пропасть
Цель в 70 000 A100 выглядит амбициозно для России, но скромно на фоне мировых лидеров. Крупнейшие российские компании, такие как «Яндекс» и «Сбер», вместе владеют примерно 10 000 высокопроизводительных карт. Для сравнения, «Яндекс» в 2021 году использовал всего 3 500 A100 в своих суперкомпьютерах — в 100 раз меньше, чем Tesla с её 350 000 H200. Даже если Россия достигнет плана к 2030 году, разрыв останется колоссальным.
Почему это важно? Современные нейросети, такие как ChatGPT или китайские аналоги от Baidu, требуют огромных вычислительных ресурсов для обучения. H200, ставший стандартом в 2023 году, позволяет ускорить этот процесс в разы. Без доступа к таким технологиям российские разработки, вроде GigaChat от «Сбера» или моделей «Яндекса», рискуют остаться в тени.
Эксперты отмечают, что текущие отечественные нейросети уступают западным и китайским конкурентам по качеству и скорости работы, и главная причина — нехватка мощностей.
Российский ИИ: витязь на распутье
Российский ИИ стоит перед развилкой. С одной стороны, рынок растёт, инвестиции текут, а компании активно внедряют технологии. С другой — технологический разрыв с миром увеличивается из-за санкций и отсутствия современных видеокарт.
Китайские ускорители и отечественные NPU могут стать временным решением, но без прорыва в инфраструктуре и доступа к передовым чипам Россия рискует остаться на обочине глобальной ИИ-гонки. Цель в 70 000 эквивалентов A100 — это шаг вперёд, но пока он выглядит как попытка догнать уходящий поезд на велосипеде.
#нейросети #ai #ии #технологии #nvidia #яндекс #сбер #tesla