Підхід Huawei виходить за межі окремого процесора. Головний науковець Huawei Semiconductor Ляо Хен описує індустрію штучного інтелекту як «18-поверхову пагоду» — детальну карту взаємозалежностей у всьому технологічному ланцюгу.
Для порівняння, генеральний директор Nvidia Дженсен Хуанг використовує значно компактнішу модель «п'ятишарового торта». Вона охоплює:
Модель Хуанга — це передусім високорівнева промислова карта, яка показує, як створюється економічна цінність у ШІ. «Пагода» Ляо розкладає ті самі великі категорії на конкретні інженерні та виробничі залежності.
На нижніх рівнях опиняються теорія, енергія, видобуток і сировина, матеріали, кремній, проєктування транзисторів, виробництво пластин, літографія, обладнання та передове корпусування. Середні рівні охоплюють архітектуру чипів, компілятори, середовища виконання, розподіл операцій і квантування. Вище розташовані методи навчання, фундаментальні моделі, механізми виведення, агентні фреймворки, продукти та комерційні застосунки.
Ідея «пагоди» — показати, скільки різних компонентів приховано за простими словами «чип», «інфраструктура» або «модель».
Аргумент Ляо про «найкоротший поверх» фактично є принципом наскрізної системної інженерії. Найпотужніша модель не компенсує нестачу електроенергії, пропускної здатності пам'яті, якісного корпусування, виробничого виходу, програмних інструментів або швидких міжз'єднань.
Продуктивність, собівартість і надійність усієї системи обмежує найслабша залежність. Саме тому Huawei робить акцент не лише на швидшому прискорювачі, а на узгодженні всіх рівнів — від виробництва кремнію до компілятора, моделі та кінцевого продукту.
Ще один елемент стратегії — об'єднання великої кількості доступніших, але окремо менш потужних прискорювачів у скоординовані кластери. Для цього потрібно одночасно проєктувати чипи, пам'ять, мережеве обладнання, компілятори, середовища виконання, квантування моделей і програмне забезпечення розподіленого навчання.
Мета — зменшити час, коли прискорювачі простоюють або чекають на обмін даними. Такий підхід може добре працювати із завданнями, які легко розподіляються між багатьма вузлами. Водночас він зазвичай потребує більше електроенергії, мережевої пропускної здатності, програмної складності та операційних витрат, ніж система з меншою кількістю передових GPU.
Доступні публічні дані підтверджують, що це напрям, на який Huawei робить ставку. Але незалежних доказів рівності її систем найкращим рішенням Nvidia поки недостатньо.
Tau Scaling вписується у ширшу стратегію Китаю зі створення внутрішньої екосистеми: від проєктування та виробництва напівпровідників до пам'яті, корпусування, ШІ-фреймворків і системної інтеграції.
Причина проста: обмеження на одному рівні може стати стелею для всієї системи. Якщо немає сучасного обладнання, потрібні краща архітектура та корпусування. Якщо слабке програмне забезпечення, сам чип не зможе повністю реалізувати свій потенціал. Якщо бракує пам'яті або мережевої інфраструктури, масштабування кластерів втрачає ефективність.
За даними IDC, які цитувало Reuters, китайські виробники GPU та інших ШІ-чипів разом отримали близько 41% ринку серверних ШІ-прискорювачів у Китаї у 2025 році. Nvidia залишалася лідером із часткою близько 55%, однак експортні обмеження США та політика локалізації помітно посилили позиції внутрішніх постачальників.
Huawei не «скасовує» фізику напівпровідників. Компанія намагається перемістити частину конкуренції з безперервного зменшення транзисторів до архітектури, корпусування, програмного забезпечення, пам'яті, з'єднань і координації кластерів.
Це може частково компенсувати відставання Китаю в доступі до передової літографії — особливо якщо Huawei справді зможе синхронізувати весь ланцюг розробки та виробництва. Але остаточну відповідь дадуть не гучні назви на кшталт Tau Scaling Law, а показники вересневого чипа: його швидкодія, енергоефективність, надійність, собівартість і масштабованість у реальних пристроях та дата-центрах.