Архитектура и вычислительная производительность

По опубликованным характеристикам американские ускорители сегодня демонстрируют более высокую пиковую вычислительную мощность для обучения моделей.

Например, AMD MI325X достигает примерно 1.3 PFLOPS FP16, а Google TPU v6e обеспечивает 918 TFLOPS bf16 на один чип.

Китайские разработки постепенно сокращают разрыв. Так, Huawei Ascend 910C использует двухчиплетную конструкцию на базе предыдущих кристаллов Ascend и может достигать около 800 TFLOPS FP16.

Другой пример — Biren BR100, один из наиболее амбициозных китайских GPU‑ускорителей. Он предлагает до 256 TFLOPS FP32 и примерно 2048 TOPS INT8 благодаря многокристальной архитектуре.

Чип Cambricon MLU370‑X8 ориентирован на задачи обучения и инференса и обеспечивает 96 TFLOPS FP16 и 256 TOPS INT8.

Память и пропускная способность

Для современных моделей ИИ память часто становится главным ограничением. Большие модели требуют не только вычислительной мощности, но и огромной пропускной способности для перемещения тензоров.

• AMD MI325X оснащён 256 ГБ памяти HBM3E и пропускной способностью около 6 ТБ/с — одним из крупнейших показателей среди AI‑ускорителей.
• TPU v6e использует 32 ГБ HBM и примерно 1.6 ТБ/с пропускной способности, однако основной упор сделан на масштабирование в большие кластеры.
• Huawei Ascend 910C может достигать около 3.2 ТБ/с памяти, что позволяет работать с крупными моделями.
• Biren BR100 оснащён 64 ГБ HBM2E и примерно 2.3 ТБ/с пропускной способности.

Чем выше пропускная способность памяти, тем быстрее ускоритель может выполнять матричные операции — ключевые для обучения нейросетей.

Межсоединения и масштабирование

Практически ни одна крупная модель ИИ не обучается на одном чипе. В современных дата‑центрах сотни или тысячи ускорителей объединяются в распределённые кластеры.

• Google TPU v6e соединяются через собственную сеть ICI (Inter‑Chip Interconnect) и могут формировать TPU‑кластеры до 256 чипов.
• Cambricon MLU370‑X8 использует технологию MLU‑Link, обеспечивающую 200 ГБ/с связи между картами.
• Biren BR100 поддерживает высокоскоростные соединения GPU‑to‑GPU для масштабирования в крупные системы.

В результате архитектура кластера сегодня становится не менее важной, чем характеристики одного чипа.

Производство и цепочки поставок

Технологический процесс напрямую влияет на производительность и энергоэффективность.

Многие китайские AI‑чипы всё ещё зависят от международных производственных технологий. Например, Biren BR100 изготавливался по 7‑нм процессу TSMC с использованием продвинутой упаковки CoWoS.

Новые ускорители Huawei комбинируют дизайн собственного производства с 7‑нм‑классом фабрик SMIC и компонентами, произведёнными до введения экспортных ограничений США.

Американские компании, в свою очередь, опираются на более развитую глобальную цепочку поставок и доступ к передовым производственным технологиям.

Экосистемы и программное обеспечение

В индустрии ИИ аппаратное обеспечение — только часть картины. Не менее важны инструменты для разработчиков.

• американские решения поддерживаются зрелыми программными экосистемами — CUDA (Nvidia), ROCm (AMD) и стеком программного обеспечения TPU;
• Huawei развивает собственную платформу CANN (Compute Architecture for Neural Networks) для ускорителей Ascend.

Наличие инструментов, библиотек и облачных сервисов часто определяет, какое оборудование будет использоваться в реальных проектах.

Что показывает это сравнение

Из текущего поколения AI‑ускорителей можно сделать несколько выводов:

• Лидерство по производительности: опубликованные характеристики показывают преимущество американских ускорителей по вычислительной мощности и объёму памяти.
• Стратегия технологической независимости: Китай развивает несколько линий собственных AI‑чипов — Ascend, Biren и Cambricon — чтобы снизить зависимость от зарубежных решений.
• Конкуренция систем, а не отдельных чипов: сегодня соперничество идёт на уровне гигантских кластеров и AI‑суперкомпьютеров.

Иными словами, гонка AI‑чипов — это не только соревнование TFLOPS и транзисторов. Это борьба между целыми технологическими экосистемами: производством полупроводников, программными платформами и способностью масштабировать тысячи ускорителей в инфраструктуру для обучения всё более крупных моделей искусственного интеллекта.

Архитектура и вычислительная производительность

По опубликованным характеристикам американские ускорители сегодня демонстрируют более высокую пиковую вычислительную мощность для обучения моделей.

Например, AMD MI325X достигает примерно 1.3 PFLOPS FP16, а Google TPU v6e обеспечивает 918 TFLOPS bf16 на один чип.

Китайские разработки постепенно сокращают разрыв. Так, Huawei Ascend 910C использует двухчиплетную конструкцию на базе предыдущих кристаллов Ascend и может достигать около 800 TFLOPS FP16.

Другой пример — Biren BR100, один из наиболее амбициозных китайских GPU‑ускорителей. Он предлагает до 256 TFLOPS FP32 и примерно 2048 TOPS INT8 благодаря многокристальной архитектуре.

Чип Cambricon MLU370‑X8 ориентирован на задачи обучения и инференса и обеспечивает 96 TFLOPS FP16 и 256 TOPS INT8.

Память и пропускная способность

Для современных моделей ИИ память часто становится главным ограничением. Большие модели требуют не только вычислительной мощности, но и огромной пропускной способности для перемещения тензоров.

• AMD MI325X оснащён 256 ГБ памяти HBM3E и пропускной способностью около 6 ТБ/с — одним из крупнейших показателей среди AI‑ускорителей.
• TPU v6e использует 32 ГБ HBM и примерно 1.6 ТБ/с пропускной способности, однако основной упор сделан на масштабирование в большие кластеры.
• Huawei Ascend 910C может достигать около 3.2 ТБ/с памяти, что позволяет работать с крупными моделями.
• Biren BR100 оснащён 64 ГБ HBM2E и примерно 2.3 ТБ/с пропускной способности.

Чем выше пропускная способность памяти, тем быстрее ускоритель может выполнять матричные операции — ключевые для обучения нейросетей.

Межсоединения и масштабирование

Практически ни одна крупная модель ИИ не обучается на одном чипе. В современных дата‑центрах сотни или тысячи ускорителей объединяются в распределённые кластеры.

• Google TPU v6e соединяются через собственную сеть ICI (Inter‑Chip Interconnect) и могут формировать TPU‑кластеры до 256 чипов.
• Cambricon MLU370‑X8 использует технологию MLU‑Link, обеспечивающую 200 ГБ/с связи между картами.
• Biren BR100 поддерживает высокоскоростные соединения GPU‑to‑GPU для масштабирования в крупные системы.

В результате архитектура кластера сегодня становится не менее важной, чем характеристики одного чипа.

Производство и цепочки поставок

Технологический процесс напрямую влияет на производительность и энергоэффективность.

Многие китайские AI‑чипы всё ещё зависят от международных производственных технологий. Например, Biren BR100 изготавливался по 7‑нм процессу TSMC с использованием продвинутой упаковки CoWoS.

Новые ускорители Huawei комбинируют дизайн собственного производства с 7‑нм‑классом фабрик SMIC и компонентами, произведёнными до введения экспортных ограничений США.

Американские компании, в свою очередь, опираются на более развитую глобальную цепочку поставок и доступ к передовым производственным технологиям.

Экосистемы и программное обеспечение

В индустрии ИИ аппаратное обеспечение — только часть картины. Не менее важны инструменты для разработчиков.

• американские решения поддерживаются зрелыми программными экосистемами — CUDA (Nvidia), ROCm (AMD) и стеком программного обеспечения TPU;
• Huawei развивает собственную платформу CANN (Compute Architecture for Neural Networks) для ускорителей Ascend.

Наличие инструментов, библиотек и облачных сервисов часто определяет, какое оборудование будет использоваться в реальных проектах.

Что показывает это сравнение

Из текущего поколения AI‑ускорителей можно сделать несколько выводов:

• Лидерство по производительности: опубликованные характеристики показывают преимущество американских ускорителей по вычислительной мощности и объёму памяти.
• Стратегия технологической независимости: Китай развивает несколько линий собственных AI‑чипов — Ascend, Biren и Cambricon — чтобы снизить зависимость от зарубежных решений.
• Конкуренция систем, а не отдельных чипов: сегодня соперничество идёт на уровне гигантских кластеров и AI‑суперкомпьютеров.

Иными словами, гонка AI‑чипов — это не только соревнование TFLOPS и транзисторов. Это борьба между целыми технологическими экосистемами: производством полупроводников, программными платформами и способностью масштабировать тысячи ускорителей в инфраструктуру для обучения всё более крупных моделей искусственного интеллекта.