3485
Голова Huawei Ерік Сюй закликав китайських розробників не уповільнювати розвиток штучного інтелекту, а навпаки — нарощувати темп, щоб скоротити відставання від провідних американських лабораторій. Заява прозвучала на тлі дискусії про необхідність обережнішого розвитку найпотужніших моделей.
Сюй заявив, що китайським дослідникам потрібно спочатку досягти рівня, на якому вони зможуть на практиці оцінити ризики передових систем, а вже після цього шукати баланс між швидкістю розвитку та безпекою.
Його коментарі пролунали одночасно з оновленням планів Huawei у сфері апаратного забезпечення для штучного інтелекту. Компанія намагається побудувати альтернативу платформам NVIDIA на тлі американських експортних обмежень на постачання найсучасніших чипів до Китаю.
Huawei визнала, що за рівнем окремих технологій ще поступається провідним американським конкурентам. Водночас непередбачуваність зовнішніх обмежень стимулювала китайських клієнтів активніше переходити на вітчизняні рішення.
Компанія планує випустити Ascend 960 DT для навчання моделей у першому кварталі 2027 року, а окремий чип для інференсу — у третьому кварталі. За заявою Huawei, обидва рішення мають забезпечити приблизно вдвічі більшу обчислювальну продуктивність порівняно з нинішнім флагманом.
Ключова ставка Huawei полягає не лише в потужності окремого чипа. Компанія розвиває мережеву архітектуру, яка дозволяє об’єднувати в один кластер значно більше процесорів і таким чином компенсувати слабші характеристики окремих прискорювачів.
Новий дата-центровий продукт Huawei має підтримувати до 4096 процесорів Ascend у межах одного великого обчислювального середовища. У попередньому поколінні таких процесорів могло бути до 1024.
Компанія вважає, що масштабніші кластери дозволять китайським лабораторіям навчати та запускати значно більші моделі. Водночас Huawei поки не змогла переконати більшість провідних ШІ-лабораторій використовувати Ascend саме для тренування найскладніших систем.
За словами Сюя, щонайменше шість або сім китайських лабораторій у найближчі два роки планують навчати великі мовні моделі з 10–40 трильйонами параметрів. Це означатиме суттєве збільшення масштабу порівняно з нинішніми китайськими LLM.
