Huawei tester en ny vei rundt chipkappløpet

Fra femlagskake til 18-etasjers pagode

Uenigheten handler også om hvordan AI-industrien bør forstås. Nvidia-sjef Jensen Huang har beskrevet AI som en femlagskake: energi, brikker, datainfrastruktur, sky- og AI-modeller og applikasjoner. Det er et oversiktlig, næringslivsorientert bilde av hvordan verdier bygges fra strøm og maskinvare til tjenester som brukerne faktisk møter.

Huawei-forskeren Liao Heng bruker i stedet bildet av en 18-etasjers pagode. Den samme verdikjeden brytes da ned i langt flere tekniske og industrielle avhengigheter: teori, energi, gruvedrift og råmaterialer, silisium, transistor- og prosessdesign, produksjon, litografi og utstyr, avansert innpakking, chiparkitektur, kompilatorer og kjøretidsmiljøer, kvantisering, AI-trening, grunnmodeller, agenter, produkter og applikasjoner.

Forskjellen er først og fremst perspektivet. Huangs modell viser de store hovedlagene og hvordan økonomisk verdi flyter oppover i systemet. Liao forsøker å vise alt som skjuler seg inne i ordene «brikker», «infrastruktur» og «modeller» – og hvor mange steder en AI-satsing kan møte en flaskehals.

Den svakeste etasjen setter taket

Liaos poeng om den «korteste» eller svakeste etasjen er i praksis et argument fra systemteknikk. En svært kraftig AI-modell kan ikke kompensere for utilstrekkelig strømforsyning, lav minnebåndbredde, dårlig innpakking, lavt produksjonsutbytte, mangelfulle programvareverktøy eller treg kommunikasjon mellom brikkene.

Den samlede ytelsen, kostnaden og driftssikkerheten blir derfor begrenset av den svakeste avhengigheten. En rask akselerator alene er ikke nok hvis resten av systemet bruker tiden på å vente, flytte data eller håndtere varme.

Mange mindre brikker som én større maskin

Denne tankegangen forklarer også hvorfor Huawei satser på koordinerte chipklynger. I stedet for å være avhengig av én akselerator som matcher de aller beste Nvidia-brikkene, kan selskapet forsøke å få nyttig systemytelse fra mange mindre kraftige, nasjonalt tilgjengelige akseleratorer.

Det krever at brikker, minne, nettverk, kompilatorer, kjøretidsmiljøer, modellkomprimering og programvare for distribuert trening utvikles sammen. Dersom kommunikasjonen mellom brikkene blir rask nok og arbeidsoppgavene kan deles effektivt, kan en slik klynge levere høy kapasitet på enkelte typer AI-oppgaver.

Prisen kan være høyere strømforbruk, større nettverksbehov, mer komplisert programvare og mer krevende drift enn ved bruk av færre, ledende GPU-er. Strategien er derfor teknisk plausibel som en måte å redusere gapet på, men den tilgjengelige dokumentasjonen er fortsatt ikke nok til å fastslå at Huawei har oppnådd ytelsesmessig paritet med Nvidias fremste systemer.

En bredere kinesisk industristrategi

Tau Scaling Law passer inn i Kinas bredere forsøk på å bygge en mer sammenhengende innenlandsk AI- og halvlederindustri. Målet er ikke bare å utvikle selve prosessoren, men også å styrke produksjon, minne, innpakking, AI-rammeverk og systemintegrasjon. Dersom importrestriksjoner rammer ett enkelt lag, kan dette ellers sette en grense for hele systemet.

Markedsdata fra IDC, omtalt av Reuters, viser at kinesiske leverandører samlet sto for rundt 41 prosent av markedet for AI-akseleratorservere i Kina i 2025. Nvidia var fortsatt størst, med rundt 55 prosent. Huawei var den ledende kinesiske aktøren, og eksportkontroller samt press for teknologisk selvforsyning er viktige drivkrefter bak utviklingen.

Huawei forsøker dermed ikke å unnslippe halvlederfysikken. Selskapet prøver å flytte konkurransen: fra stadig mindre transistorer til arkitektur, innpakking, programvare, dataflyt og koordinering i stor skala. Om denne tilnærmingen blir et reelt teknologisk sprang, eller først og fremst en smart måte å få mer ut av begrenset maskinvare på, vil bli tydeligere når de første produktene og uavhengige målingene foreligger.