चीन का 1 लाख-कार्ड AI क्लस्टर: चिप दौड़ से राष्ट्रीय कंप्यूटिंग फैब्रिक तक

चीन का 1 लाख-कार्ड वाला घरेलू AI सुपरक्लस्टर केवल बड़ी संख्या में चिप्स लगाने की उपलब्धि नहीं है। इसका असली महत्व उस व्यापक ढांचे में है, जिसमें देश के अलग-अलग कंप्यूटिंग हब, तेज ऑप्टिकल नेटवर्क, निगरानी प्रणालियां और वर्कलोड शेड्यूलिंग को जोड़कर एक साझा राष्ट्रीय कंप्यूटिंग नेटवर्क बनाने की कोशिश की जा रही है।

रणनीतिक सवाल अब सिर्फ यह नहीं है कि चीन कितने AI एक्सेलेरेटर बना सकता है। सवाल यह है कि क्या वह अलग-अलग शहरों और क्षेत्रों में फैली, अलग तकनीकी क्षमताओं वाली कंप्यूटिंग शक्ति को एक भरोसेमंद साझा सुपरकंप्यूटर की तरह चला सकता है।

झेंगझोउ क्लस्टर घरेलू क्षमता का बड़ा प्रमाण

झेंगझोउ स्थित डॉनिंग 8000, जिसे कुछ रिपोर्टों में देंगफेंग भी कहा गया है, चीन का पहला पूरी तरह घरेलू AI सुपरक्लस्टर बताया जा रहा है, जिसकी क्षमता 1 लाख कार्ड के स्तर पर है। यह नेशनल सुपरकंप्यूटिंग इंटरनेट के झेंगझोउ कोर नोड से जुड़ा है और वैज्ञानिक कंप्यूटिंग तथा AI-केंद्रित क्षमता को एक साथ लाता है। रिपोर्टों के अनुसार, यह सामग्री विज्ञान, दवा विकास और कृत्रिम बुद्धिमत्ता सहित 26 क्षेत्रों में 300 से अधिक तरह के वर्कलोड संभालता है। 158

चीनी रिपोर्टों में इसकी पीक कंप्यूटिंग क्षमता की तुलना पूरी मानवता द्वारा लगातार 200 वर्षों तक गणना करने से की गई है। यह केवल अधिकतम थ्रूपुट को समझाने वाली उपमा है, न कि उपयोगी AI मॉडल-ट्रेनिंग प्रदर्शन का कोई मानकीकृत माप। इसलिए इसका अर्थ यह नहीं निकाला जाना चाहिए कि हर AI वर्कलोड उतनी ही तेजी से चलेगा। 58

इस उपलब्धि का दीर्घकालिक महत्व एक बड़े घरेलू संसाधन-पूल के निर्माण में है। इससे चीन बड़े पैमाने की कंप्यूटिंग तक पहुंच को राष्ट्रीय स्तर पर व्यवस्थित कर सकता है, बजाय इसके कि हर शोध संस्था या कंपनी को अपना अलग क्लस्टर बनाना पड़े।

अलग-अलग डेटा सेंटरों से साझा कंप्यूटिंग लेयर तक

झेंगझोउ की क्षमता को देश के अन्य क्षेत्रीय क्लस्टरों के साथ जोड़ा जा रहा है। ग्वांगडोंग-हांगकांग-मकाऊ ग्रेटर बे एरिया में विकसित घरेलू क्लस्टर को अगली पीढ़ी के ट्रिलियन-पैरामीटर मॉडल की ट्रेनिंग जरूरतों को ध्यान में रखकर तैयार किया जा रहा है। इन तैनातियों से ऐसा मॉडल उभरता दिखता है, जिसमें बड़े वर्कलोड किसी एक स्थानीय डेटा सेंटर पर निर्भर रहने के बजाय कई क्षेत्रीय संसाधनों से क्षमता ले सकें। 37

हालांकि, इसका मतलब यह नहीं है कि दूरी अब मायने नहीं रखती। वितरित AI ट्रेनिंग के लिए बहुत अधिक बैंडविड्थ, स्थिर लेटेंसी, सिंक्रोनाइज़्ड एक्सेलेरेटर और मशीन या नेटवर्क विफल होने पर तेज रिकवरी जरूरी होती है। इसलिए राष्ट्रीय कंप्यूटिंग फैब्रिक के लिए केवल उपलब्ध कार्डों की सूची काफी नहीं होगी। उसे यह समझना होगा कि कौन-से एक्सेलेरेटर और सॉफ्टवेयर स्टैक एक-दूसरे के अनुकूल हैं, डेटा कहां रखा है, किसी जॉब को कितनी लगातार कंप्यूटिंग क्षमता चाहिए और नेटवर्क उस वर्कलोड को संभाल सकता है या नहीं।

क्षेत्रीय क्लस्टरों के बीच पुल बनेगा ऑप्टिकल नेटवर्क

शेनझेन स्थित पेंगचेंग प्रयोगशाला के शोधकर्ता बेहद पतले ऐसे ऑप्टिकल फाइबर पर काम कर रहे हैं, जिसमें चार अलग-अलग ट्रांसमिशन चैनल हैं। इसका उद्देश्य समान पारंपरिक फाइबर की तुलना में डेटा-ट्रांसमिशन क्षमता को चार गुना तक बढ़ाना है। क्षेत्रीय स्तर पर बंटी कंप्यूटिंग शक्ति को जोड़ने में यह नेटवर्किंग बाधा को कम करने की दिशा में अहम कदम हो सकता है। 1718

प्रस्तावित शेनझेन–गुइझोउ कंप्यूटिंग और डेटा-ट्रांसमिशन मार्ग तथा अधिक सीधे, लेटेंसी-सचेत नेटवर्क पथों का लक्ष्य भी यही है—कंप्यूटिंग केंद्रों के बीच डेटा भेजने और कार्यों को सिंक्रोनाइज़ करने की कीमत और देरी घटाना। यह खास तौर पर उन वितरित AI ट्रेनिंग वर्कलोड के लिए जरूरी है, जिनमें सभी एक्सेलेरेटरों को लगातार तालमेल में काम करना पड़ता है। धीमा या अस्थिर नेटवर्क महंगे एक्सेलेरेटरों को निष्क्रिय प्रतीक्षा में डाल सकता है। 1719

यहां वर्कलोड के प्रकार का फर्क समझना जरूरी है। कम आपसी निर्भरता वाले बैच जॉब के लिए दूरस्थ कंप्यूटिंग क्षमता का उपयोग अपेक्षाकृत आसान हो सकता है। लेकिन अलग-अलग शहरों में मौजूद केंद्रों को एक ही मशीन की तरह इस्तेमाल करके बड़े, सिंक्रोनाइज़्ड मॉडल की ट्रेनिंग कराना कहीं अधिक कठिन है। उपलब्ध रिपोर्टें चीन की इंजीनियरिंग दिशा बताती हैं; वे यह साबित नहीं करतीं कि हर जुड़ा हुआ क्लस्टर पहले से किसी स्थानीय डेटा सेंटर जैसी समान गति देता है।

क्षमता तेज बढ़ रही है, लेकिन प्रभावी उपयोग का प्रमाण सीमित है

चीन के उद्योग और सूचना प्रौद्योगिकी मंत्रालय के हवाले से जारी आधिकारिक आंकड़ों के अनुसार, जून 2026 के अंत तक देश की इंटेलिजेंट-कंप्यूटिंग क्षमता 2,185 EFLOPS पहुंच गई थी, जो पिछले वर्ष की तुलना में 177% अधिक है। इसी रिपोर्टिंग में कंप्यूटिंग सुविधाओं की कुल उपयोग दर, जिसे ‘रैक-अप’ दर कहा गया, 71.4% बताई गई। 344041

यहां इकाई पर ध्यान देना जरूरी है: आंकड़ा 2,185 EFLOPS है, 218.5 EFLOPS नहीं। EFLOPS सैद्धांतिक फ्लोटिंग-पॉइंट प्रदर्शन को मापता है। राष्ट्रीय कुल क्षमता से यह पता नहीं चलता कि किसी खास प्रयोगशाला को वास्तव में कितनी क्षमता उपलब्ध है, अलग-अलग एक्सेलेरेटर कितने अनुकूल हैं या वितरित ट्रेनिंग जॉब कितनी दक्षता से चलता है।

इसीलिए चीन के AI इंफ्रास्ट्रक्चर विस्तार का अगला मूल्यांकन केवल कुल कंप्यूटिंग शक्ति से नहीं, बल्कि ‘उपयोगी कंप्यूटिंग’ से होगा। क्षमता का बड़ा राष्ट्रीय आंकड़ा होने के बावजूद अड़चनें बनी रह सकती हैं—जैसे अलग-अलग एक्सेलेरेटर आर्किटेक्चर, अलग उपयोगकर्ताओं के लिए आरक्षित संसाधन, डेटा ट्रांसफर की सीमाएं या बिजली और कूलिंग की बाधाएं।

राष्ट्रीय कंट्रोल प्लेन आकार ले रहा है

चीन इस बढ़ती आपूर्ति को समन्वित करने के लिए प्रबंधन-स्तर की प्रणाली भी बना रहा है। एक एकीकृत मॉनिटरिंग और शेड्यूलिंग प्लेटफॉर्म के परीक्षण संचालन की खबर है, जो देश की 60% से अधिक AI कंप्यूटिंग क्षमता पर नजर रख पा रहा है। यह वर्कलोड को उपलब्ध और तकनीकी रूप से उपयुक्त संसाधनों से मिलाने की दिशा में शुरुआती कदम है। 618

इस ढांचे को ‘ईस्ट डेटा, वेस्ट कंप्यूट’ नीति से जोड़ने का लक्ष्य है। इसके तहत ऊर्जा और जमीन की अधिक जरूरत वाले कुछ डेटा सेंटर तथा कंप्यूटिंग हब पश्चिमी क्षेत्रों में विकसित किए जाते हैं, जबकि मांग मुख्य रूप से पूर्वी चीन में रहती है। चीन की राष्ट्रीय योजना बहु-स्तरीय कंप्यूटिंग इंफ्रास्ट्रक्चर और देशव्यापी एकीकृत कंप्यूटिंग नेटवर्क बनाने की बात करती है। 485356

व्यवहार में इस कंट्रोल प्लेन को कई कठिन समस्याएं हल करनी होंगी:

• संसाधन मिलान: जॉब को अनुकूल घरेलू एक्सेलेरेटर और सॉफ्टवेयर स्टैक पर भेजना।
• वर्कलोड प्लेसमेंट: तय करना कि कोई काम स्थानीय स्तर पर चले, महानगरीय क्षेत्र में फैले या दूरस्थ हब के बीच वितरित हो।
• डेटा ट्रांसफर: ट्रेनिंग डेटा और चेकपॉइंट भेजने में लगने वाली देरी और लागत घटाना।
• फॉल्ट टॉलरेंस: लिंक, रैक या किसी एक कार्ड के फेल होने पर बड़े जॉब को उत्पादक बनाए रखना।
• बिजली समन्वय: कंप्यूटिंग मांग को बिजली की उपलब्धता और क्षेत्रीय संचालन सीमाओं के साथ संतुलित करना।

जितनी बेहतर तरह से ये कार्य होंगे, उतना ही राष्ट्रीय कंप्यूटिंग संसाधन अलग-अलग मशीनों का संग्रह न रहकर एक सेवा की तरह काम कर सकेगा।

निवेश बताता है कि यह सिर्फ क्लस्टर नहीं, नेटवर्क परियोजना है

चीन के शीर्ष आर्थिक नियोजन निकाय, राष्ट्रीय विकास एवं सुधार आयोग (NDRC), के अनुसार 15वीं पंचवर्षीय योजना अवधि यानी 2026–2030 में कंप्यूटिंग-पावर नेटवर्क को लगभग 4 ट्रिलियन युआन का नया प्रत्यक्ष निवेश मिल सकता है। यह अनुमान कंप्यूटिंग नेटवर्क और उससे जुड़े इंफ्रास्ट्रक्चर के निर्माण से संबंधित है, और रिपोर्टिंग के मुताबिक इसमें बड़ा हिस्सा गैर-सरकारी स्रोतों से आने की उम्मीद है। 4754

निवेश का यह पैमाना झेंगझोउ लॉन्च की सबसे महत्वपूर्ण व्याख्या को मजबूत करता है: चीन केवल AI एक्सेलेरेटरों की संख्या नहीं बढ़ा रहा, बल्कि ट्रांसमिशन लाइनों, क्षेत्रीय हब, शेड्यूलिंग, मॉनिटरिंग और सहायक इंफ्रास्ट्रक्चर में भी निवेश कर रहा है। लक्ष्य कंप्यूटिंग शक्ति को राष्ट्रीय बुनियादी ढांचे में बदलना है।

इस लॉन्च से क्या पता चलता है—और क्या साबित नहीं होता

उभरते मॉडल को तीन स्तरों में समझा जा सकता है:

1. घरेलू हार्डवेयर: चीनी कंप्यूटिंग कार्डों से बने बड़े AI क्लस्टर।
2. इंटरकनेक्शन: क्षेत्रीय कंप्यूटिंग पूलों को जोड़ने वाले ऑप्टिकल और डेटा-ट्रांसमिशन सिस्टम।
3. समन्वय: इन संसाधनों में क्षमता बांटने के लिए राष्ट्रीय मॉनिटरिंग और शेड्यूलिंग।

यह ढांचा किसी एक स्थानीय सुपरक्लस्टर तक पहुंच के महत्व को कम कर सकता है, क्योंकि देशभर की अधिक कंप्यूटिंग क्षमता एक साझा सिस्टम के जरिए उपलब्ध हो सकती है। इससे पश्चिमी क्षेत्रों की ऊर्जा और जमीन का उपयोग करते हुए पूर्वी मांग केंद्रों को कंप्यूटिंग सेवा देना भी आसान हो सकता है। 4856

लेकिन अभी उपलब्ध प्रमाणों के आधार पर इसे हर तरह के काम के लिए एक समान, सार्वभौमिक सुपरकंप्यूटर मानना जल्दबाजी होगी। घरेलू हार्डवेयर की उपलब्धता, एक्सेलेरेटर इंटरकनेक्ट, सॉफ्टवेयर की परिपक्वता, ऊर्जा, विश्वसनीयता और वर्कलोड शेड्यूलिंग अब भी सीमाएं हैं। फ्रंटियर मॉडल की ट्रेनिंग अवधि लगभग एक साल से घटकर छह महीने होने के दावों को इसलिए अनुमानित और वर्कलोड पर निर्भर लाभ के रूप में देखना चाहिए, जब तक कि स्वतंत्र रूप से इसकी पुष्टि न हो।

चीन के AI इंफ्रास्ट्रक्चर में रणनीतिक बाधा का स्थान बदल रहा है, लेकिन वह खत्म नहीं हुई है। देश अब इस सवाल से आगे बढ़ रहा है कि पर्याप्त घरेलू AI हार्डवेयर बनाया जा सकता है या नहीं। अगली और अधिक कठिन परीक्षा यह है कि उस हार्डवेयर को कितनी दक्षता से एक साथ संचालित किया जा सकता है।

अगर शेड्यूलिंग फैब्रिक सफल होता है, तो चीन का तेजी से बढ़ता कंप्यूटिंग आधार एक लचीले राष्ट्रीय प्लेटफॉर्म में बदल सकता है। अगर ऐसा नहीं हुआ, तो देश के पास प्रभावशाली कुल EFLOPS आंकड़े तो होंगे, लेकिन AI प्रयोगशालाओं को फिर भी बंटी हुई पहुंच, निष्क्रिय क्षमता और असमान वास्तविक प्रदर्शन का सामना करना पड़ सकता है।