Зачем Huawei нужна собственная линейка ИИ-ускорителей
Huawei давно перестала быть просто производителем смартфонов и телекоммуникационного оборудования. Компания выстроила собственную вертикаль вычислительного оборудования для искусственного интеллекта, которая включает NPU-чипы Ascend и построенные на них ИИ-ускорители Atlas. На фоне экспортных ограничений, закрывших китайскому рынку прямой доступ к топовым GPU Nvidia, семейства Atlas и Ascend превратились в основной инструмент, на котором в Китае обучают и разворачивают большие языковые модели. В этом материале мы разберем, чем отличаются друг от друга модели этих двух линеек, на каких чипах они построены и какое решение имеет смысл рассматривать под конкретную задачу — инференс, видеоаналитику или обучение нейросетей.
Как устроена экосистема: чем Atlas отличается от Ascend
Ключевое, что стоит понимать про продукцию Huawei в этой области: Atlas и Ascend — это не графические процессоры общего назначения, а специализированные ускорители под задачи ИИ и обработки видео. В их основе лежат NPU-чипы Ascend, построенные на архитектуре Da Vinci, — она заточена под матричные и тензорные операции, а не под рендеринг графики или запуск игр. Играть или заниматься 3D-моделированием на таких платах не получится, зато они хорошо справляются с инференсом и обучением LLM, а также с аппаратной обработкой видеопотоков.
Проще всего запомнить логику наименований: карты линейки Atlas 300 маркируются буквенным индексом, который указывает на специализацию —
- i — платы для инференса языковых моделей;
- V — платы для обработки видео и изображений;
- T — платы для обучения ИИ.
Сама линейка Ascend, в свою очередь, объединяет более мощные чипы, которые либо устанавливаются на платы Atlas (например, Atlas 300T построена на чипе Ascend 910), либо интегрируются напрямую в серверные платформы Huawei без возможности купить их как отдельный модуль расширения.
Ниже — сводная таблица по всем моделям, о которых пойдет речь дальше, с годом выхода и базовым назначением.
| Модель | Год выхода | Низкопрофильная плата | Инференс | Обучение | ИИ-процессор |
|---|---|---|---|---|---|
| Atlas 300i 32 ГБ LPDDR4X | 2019 | Да | Да | Нет | Ascend 310 |
| Atlas 300I Pro 24 ГБ LPDDR4X | 2021 | Да | Да | Нет | Ascend 310P |
| Atlas 300I Duo 96 ГБ LPDDR4X | 2022 | Нет | Да | Нет | 2× Ascend 310P |
| Atlas 300I A2 32/64 ГБ HBM | 2025 | Нет | Да | Нет | Ascend 910 |
| Atlas 300V 24 ГБ LPDDR4X | 2022 | Да | Нет | Нет | Ascend 310P |
| Atlas 300V Pro 48 ГБ LPDDR4X | 2021 | Да | Нет | Нет | Ascend 310P |
| Atlas 300T 32 ГБ HBM | 2022 | Нет | Да | Да | Ascend 910 |
| Atlas 300T Pro 32 ГБ HBM | 2025 | Нет | Да | Да | Ascend 910 |
| Atlas 300T A2 32 ГБ HBM | 2025 | Нет | Да | Да | Ascend 910B |
| Ascend 910B 32 ГБ HBM2 | 2022 | Нет | Да | Да | Ascend 910B |
| Ascend 910C HBM2 | анонс 2024 | Нет | Да | Да | Ascend 910С |
| Ascend 920 HBM3 | анонс 2025 | Нет | Да | Да | Ascend 920 |
Отдельно стоит упомянуть о доступности этих решений за пределами Китая. Компания в первую очередь ориентируется на внутренний рынок, но часть плат все же поставляется в составе серверов Huawei или через партнерские каналы — например, PCIe-карты Atlas 300i, 300I Pro и 300V Pro. А вот ускорители Ascend 910B/C как отдельные модули не продаются вовсе: они встраиваются исключительно в серверы Atlas 800, и из-за санкций легально приобрести такие системы в США и Евросоюзе нельзя. Интересный побочный факт: дизайн ускорителей Atlas 300 дважды получал премию RedDot — в 2019 и 2023 году, жюри отмечало симметричную, сбалансированную эстетику корпусов плат.
Линейка Atlas: специализированные платы для инференса и видеоаналитики
Ускорители Atlas выпускаются в форм-факторе классических PCIe-плат расширения и в первую очередь ориентированы на инференс моделей и обработку данных в реальном времени. В отличие от GPU с архитектурой CUDA, здесь используется процессорная архитектура для ИИ Da Vinci, разработанная Huawei специально под матричные и тензорные вычисления — это дает высокую энергоэффективность на операциях инференса.
Показательный пример — базовая модель Atlas 300, которая при скромном TDP в 67 Вт выдает до 32 TFLOPS в FP16 и способна одновременно анализировать 80 каналов видео 1080p, что делает её удобной для систем видеонаблюдения и проектов «умного города». Более производительная Atlas 300I Pro поднимает планку до 70 TFLOPS FP16 и также обрабатывает до 80 видеоканалов — карту активно используют в финансовом секторе для распознавания документов и анализа страховых случаев, где важны скорость и точность обработки. Для более узких сценариев вроде анализа транспортных потоков или распознавания номеров есть Atlas 300V Pro с поддержкой 64 каналов видео в 4K.
Такие платы устанавливаются в серверы линейки Atlas 800 Inference — масштабируемые платформы, рассчитанные именно на инференс-нагрузку. Для сценариев граничных вычислений (edge computing) у Huawei есть компактные модули вроде Atlas 200 — они потребляют около 8 Вт, но обеспечивают до 16 TOPS в INT8 и встраиваются прямо в камеры и дроны.
Atlas 300i — первая массовая карта для инференса и видео
Atlas 300i вышла в 2019 году и стала первым по-настоящему массовым продуктом линейки. В основе платы — процессор Ascend 310 (16 TOPS), построенный на архитектуре Da Vinci 3D Cube, с аппаратными блоками квантования (INT8/FP16), ускорения трансформеров и декодирования видео H.265 в 4K/60 FPS. Память — 32 ГБ LPDDR4X с пропускной способностью 204,8 ГБ/с; формат по нынешним меркам скромный, но для инференса языковых моделей это не критично. Карта поддерживает 80-канальную видеоаналитику в реальном времени (1080p/25 FPS), что делает её востребованной в системах умного города, промышленного IoT и видеонаблюдения.
Отдельно стоит отметить низкопрофильный форм-фактор в сочетании с достаточно высокой производительностью — сочетание, которое сложно найти у GPU западных производителей аналогичного класса. Также плата интегрирована в экосистему MindSpore с автоматической оптимизацией моделей и поддержкой Secure Boot. Изначально Atlas 300i позиционировалась и как решение для обучения, но в последующих поколениях линейки фокус сместился именно на инференс. Энергопотребление не превышает 67 Вт благодаря 12-нм техпроцессу и динамическому управлению ресурсами; поддерживаются CentOS и Ubuntu.
| Характеристика | Huawei Atlas 300i |
|---|---|
| Дата выхода | 2019 год |
| Форм-фактор | Низкопрофильная карта расширения |
| ИИ-процессор | Ascend 310 |
| Формат памяти | 32 ГБ LPDDR4X |
| Пропускная способность | 204,8 ГБ/с |
| Кодеки | H.264, H.265 |
| Интерфейс | PCIe x16 Gen3.0 |
| INT8 | 88 TOPS |
| FP16 | 44 TFLOPS |
| TDP | 67 Вт |
Atlas 300I Pro — усиленная версия на чипе Ascend 310P
Atlas 300I Pro (2021) — модифицированная под внутренний рынок Китая версия Atlas 300i на новом чипе Ascend 310P той же архитектуры Da Vinci. Более совершенный процессор дает прирост производительности в INT8 и FP16, а интерфейс обновился до PCIe 4.0. При этом объем памяти неожиданно снизился — с 32 до 24 ГБ LPDDR4X, что выглядит спорным решением на фоне роста требований современных LLM: карта способна выдать 70 TFLOPS в FP16, но относительно небольшой объем памяти ограничивает сценарии её применения, например запуск множества параллельных ИИ-сессий. TDP вырос до 72 Вт, однако заявленная энергоэффективность (2 TOPS на 1 Вт) заметно выше показателей более простой линейки Atlas 200, используемой в промышленных задачах.
| Характеристика | Huawei Atlas 300i Pro |
|---|---|
| Дата выхода | 2021 год |
| Форм-фактор | Низкопрофильная карта расширения |
| ИИ-процессор | Ascend 310P, 8 ядер, 1,9 ГГц |
| Формат памяти | 24 ГБ LPDDR4X |
| Пропускная способность | 204,8 ГБ/с |
| Шина памяти | 384-бит |
| Кодеки | H.264, H.265 |
| Интерфейс | PCIe x16 Gen4.0 |
| INT8 | 140 TOPS |
| FP16 | 70 TFLOPS |
| TDP | 72 Вт |
Atlas 300I Duo — «народная» карта для развертывания тяжелых LLM
Atlas 300I Duo (2022) — однослотовое полнопрофильное решение с двумя чипами Ascend 310P на борту (суммарно 16 ядер) и объемом памяти до 96 ГБ LPDDR4X (доступна также упрощенная версия на 48 ГБ). Именно большой объем памяти позволяет разворачивать крупные языковые модели без квантизации, из-за чего плата остается конкурентоспособной даже на фоне таких решений, как Nvidia H100 и A100 — при этом её стоимость заметно ниже, поскольку карта оптимизирована исключительно под инференс.
Производительность достигает 280 TOPS в INT8 и 140 TFLOPS в FP16, поддерживаются гибридные вычисления для компьютерного зрения, NLP и видеоаналитики, включая обработку до 256 каналов HD-видео с аппаратным кодированием/декодированием H.265/JPEG. Интеграция с MindStudio и поддержка TensorFlow, PyTorch и ONNX упрощают развертывание моделей. Заявленный показатель энергоэффективности — 1,86 TOPS на 1 Вт. На практике связка из нескольких Atlas 300I Duo позволяет собирать энергоэффективные системы с большим объемом суммарной видеопамяти под такие модели, как DeepSeek R1 671B и Llama 4, — эта карта регулярно фигурирует в китайских обзорах по развертыванию локальных LLM.
| Характеристика | Huawei Atlas 300i Duo |
|---|---|
| Дата выхода | 2022 год |
| Форм-фактор | Однослотовая карта |
| ИИ-процессор | 2× Ascend 310P, 16 ядер, 1,9 ГГц |
| Формат памяти | до 96 ГБ LPDDR4X ECC |
| Пропускная способность | 408 ГБ/с |
| Кодеки | H.264, H.265 |
| Интерфейс | PCIe x16 Gen4.0 |
| INT8 | 280 TOPS |
| FP16 | 140 TFLOPS |
| TDP | 150 Вт |
Atlas 300I A2 — самая производительная карта линейки 300I
Atlas 300I A2, информация о которой появилась в начале 2025 года, — двухслотовая карта и на сегодня самая производительная в линейке 300I, по показателям приближающаяся к моделям семейства Atlas 300T. В основе — чип Ascend 910, память представлена в вариантах 32 или 64 ГБ HBM с пропускной способностью до 800 ГБ/с. Производительность достигает 280 TFLOPS в FP16 и 560 TOPS в INT8, TDP — 350 Вт. Максимальное поддерживаемое разрешение для статичных изображений — 16384×16384, для видео — 8192×8192, поддерживается декодирование JPEG на скорости 1080p/12288 FPS. Такой набор параметров делает карту удобной для крупных систем видеонаблюдения с распознаванием лиц в проектах «умного города» — задача, особенно актуальная для плотно населенных регионов Китая.
| Характеристика | Huawei Atlas 300I A2 |
|---|---|
| Дата выхода | 2025 год |
| Форм-фактор | Двухслотовая карта расширения |
| ИИ-процессор | Ascend 910 |
| Формат памяти | 32 или 64 ГБ HBM, ECC |
| Пропускная способность | 800 ГБ/с |
| Кодеки | H.264, H.265 |
| Интерфейс | PCIe x16 Gen4.0 |
| INT8 | 560 TOPS |
| FP16 | 280 TFLOPS |
| TDP | 350 Вт |
Atlas 300V и 300V Pro — специализация на видеопотоках
Atlas 300V (2022) по сути является аналогом Atlas 300I Pro, но с иным балансом ресурсов: ИИ-производительность снижена в пользу расширенной обработки видео — до 100 каналов в 1080p/25 FPS, декодирования JPEG в 4K/384 FPS и максимального разрешения 8192×8192. Область применения ограничена системами видеонаблюдения и проектами «умный город 2.0», где важна одновременная обработка большого числа потоков.
Atlas 300V Pro — усовершенствованная версия с увеличенным вдвое объемом памяти (до 48 ГБ) и производительностью до 70 TFLOPS в FP16, при этом пропускная способность памяти осталась на прежнем уровне 204,8 ГБ/с — по всей видимости, ради сохранения теплового пакета. Карта поддерживает до 128 видеопотоков в 1080p/25 FPS и применяется шире, чем базовая модель: в системах умных финансов, распознавании транспорта, обеспечении безопасности в городской и парковой инфраструктуре — то есть в задачах, требующих распознавания лиц, автомобильных номеров и движения объектов.
| Характеристика | Huawei Atlas 300V | Huawei Atlas 300V Pro |
|---|---|---|
| Дата выхода | 2022 год | 2021 год |
| Форм-фактор | Низкопрофильная карта | Низкопрофильная карта |
| ИИ-процессор | Ascend 310P, 8 ядер | Ascend 310P, 8 ядер |
| Формат памяти | 24 ГБ LPDDR4X ECC | 48 ГБ LPDDR4X ECC |
| Пропускная способность | 204,8 ГБ/с | 204,8 ГБ/с |
| Кодеки | H.264, H.265 | H.264, H.265 |
| Интерфейс | PCIe x16 Gen4.0 | PCIe x16 Gen4.0 |
| INT8 | 100 TOPS | 140 TOPS |
| FP16 | 50 TFLOPS | 70 TFLOPS |
| TDP | 72 Вт | 72 Вт |
Линейка Atlas 300T: платы для обучения ИИ
В отличие от карт с индексами «i» и «V», модели с индексом «T» оптимизированы под обучение моделей, а не под инференс, и продаются исключительно в составе высокопроизводительных серверов для дата-центров — отдельно их приобрести нельзя.
Atlas 300T (2022) построена на чипе Ascend 910 — по сути первом представителе семейства Ascend 910, в котором Huawei тестировала новый подход: изначально Ascend 910 задумывался как чисто NPU-процессор, но затем в него интегрировали HBM-память, сделав гибридом NPU и GPU. Все последующие поколения линейки 300T фактически используют тот же корпус платы, меняя лишь установленный чип Ascend. Производительность Atlas 300T достигает 220 TFLOPS в FP16, память гибридная — 32 ГБ HBM для основных ИИ-операций плюс 16 ГБ DDR4 для вспомогательных задач. Плата рассчитана на работу в вычислительных кластерах Atlas 900 и оснащена сетевым портом 100GE QSFP-DD с поддержкой RoCE — похожий подход к объединению сетевых функций с ИИ-ускорителем применяется, например, в конвергентных решениях Nvidia A100X.
Atlas 300T Pro (2025) — усовершенствованная версия на том же чипе Ascend 910 с более высокой производительностью, до 280 TFLOPS в FP16, тем же составом гибридной памяти (32 ГБ HBM + 16 ГБ DDR4 ECC) и интерфейсом 100GE RoCE v2 для распределенного обучения в кластерах Atlas 900.
Atlas 300T A2 (2025) переходит на чип следующего поколения Ascend 910B — по данным китайских форумов, именно этот чип позднее лег в основу одноименных ускорителей Ascend 910B. Память здесь представлена только форматом HBM (32 ГБ) без дополнительной DDR4, производительность — до 560 TOPS в INT8 и 280 TFLOPS в FP16, сетевой интерфейс обновлен до 200GE QSFP-DD с RoCE v2, TDP составляет 300 Вт.
| Характеристика | Atlas 300T | Atlas 300T Pro | Atlas 300T A2 |
|---|---|---|---|
| Дата выхода | 2022 | 2025 | 2025 |
| Форм-фактор | Двухслотовая карта | Двухслотовая карта | Двухслотовая карта |
| ИИ-процессор | Ascend 910 | Ascend 910 | Ascend 910B, 46 ядер, 2,2 ГГц |
| Память | 32 ГБ HBM + 16 ГБ DDR4 ECC | 32 ГБ HBM + 16 ГБ DDR4 ECC | 32 ГБ HBM |
| Пропускная способность | 800 ГБ/с | 800 ГБ/с | 800 ГБ/с |
| Интерфейс | PCIe x16 Gen4.0 | PCIe x16 Gen4.0 | PCIe x16 Gen5.0 |
| Сеть | 100GE QSFP-DD | 100GE QSFP-DD | 200GE QSFP-DD RoCE v2 |
| INT8 | 440 TOPS | 560 TOPS | 560 TOPS |
| FP16 | 220 TFLOPS | 280 TFLOPS | 280 TFLOPS |
| FP32 | — | — | 75 TFLOPS |
| TDP | 300 Вт | 300 Вт | 300 Вт |
Atlas 350 — новое поколение инференс-ускорителей 2026 года
Отдельного упоминания заслуживает Atlas 350 — самая свежая карта для инференса, представленная в марте 2026 года и призванная заменить всю устаревающую линейку Atlas 300. В основе — новый NPU-чип Ascend 950PR, дебютировавший в первом квартале 2026 года и изготавливаемый по 7-нм техпроцессу на мощностях SMIC. Atlas 350 стал первым серийным продуктом на этом чипе и первым в Китае ускорителем с поддержкой формата точности FP4.
Плата получила новый тип памяти собственной разработки Huawei — HiBL 1.0 объемом 112 ГБ, который позиционируется как полный аналог HBM2E, с пропускной способностью 1,4 ТБ/с. Позиционируется Atlas 350 в первую очередь как решение для стадии префилла — наиболее ресурсоемкого этапа инференса LLM, на котором модель обрабатывает входящий запрос пользователя.
| Характеристика | Huawei Atlas 350 |
|---|---|
| Дата выхода | 2026 год |
| Форм-фактор | Двухслотовая карта расширения |
| Базовая платформа | Ascend 950PR |
| Формат памяти | HiBL 1.0 |
| Объем памяти | 112 ГБ |
| Пропускная способность | 1,4 ТБ/с |
| FP4 | 1,56 PFLOPS |
| FP8 | 1 PFLOPS |
| FP16 | 450 TFLOPS |
| FP32 | 110 TFLOPS |
| Интерфейс | PCIe 5.0 |
| TDP | 600 Вт |
Линейка Ascend: флагманские решения для обучения ИИ
Если платы Atlas — это в первую очередь инференс и обработка видео, то линейка Ascend создавалась как прямой конкурент топовым чипам Nvidia в задачах обучения. Первые версии, вроде Ascend 910, были во многом сырыми и имели массу недостатков, но более новые модели, такие как Ascend 910C и анонсированный Ascend 920, уже способны на равных конкурировать с решениями вроде Nvidia H100 и H20.
В основе архитектуры Ascend лежит память HBM с пропускной способностью до 3,2 ТБ/с и вычислительная мощность до 800 TFLOPS в FP16 — это около 80% от возможностей H100. Как и карты Atlas, ускорители Ascend построены на архитектуре Da Vinci, но не выпускаются в виде отдельных PCIe-плат: они интегрируются в специализированные серверные системы, например Atlas 800, которые объединяют до 32 ускорителей в едином кластере. По структуре проектирования решения Ascend напоминают подход Nvidia — как внешне, так и по принципу масштабирования: старшие чипы фактически состоят из нескольких младших, соединенных высокоскоростным интерконнектом.
Системный масштаб хорошо иллюстрируют серверные стойки Huawei CloudMatrix 384 — аналог Nvidia NVL72, объединяющий до 384 ускорителей Ascend 910C через оптические соединения. Кластер распределен по 16 стойкам по 32 ускорителя в каждой, связанным высокоскоростными оптическими интерфейсами для минимизации задержек. Для работы с этими ускорителями Huawei использует собственные процессоры Kunpeng, выстраивая полностью обособленную экосистему под задачи машинного обучения. Энергопотребление таких систем заметно выше, чем у сопоставимых решений Nvidia (в источниках фигурирует показатель в 3,9 раза выше, чем у GB200 NVL72), но для китайского рынка с доступом к дешевой энергии и государственной поддержкой ИИ-инфраструктуры это не становится критичным препятствием. Параллельно Huawei активно развивает программную экосистему, пытаясь сократить разрыв с CUDA и в перспективе заместить западные технологии на внутреннем рынке.
Ascend 910B — первый удачный ускоритель для обучения
Ascend 910B (2022) стал первым по-настоящему успешным решением Huawei для обучения LLM и позиционировался как аналог Nvidia A100. Чип производится по 7-нм техпроцессу SMIC (N+1) на архитектуре New DaVinci — по сравнению с исходным Ascend 910 это дало более высокую энергоэффективность и поддержку современных форматов вычислений (FP16, INT8). Из-за использования менее продвинутого, по сравнению с TSMC, техпроцесса SMIC (следствие экспортных ограничений США) площадь кристалла выросла до 665,61 мм², что говорит о компромиссах в плотности транзисторов, однако по производительности прирост относительно Ascend 910 оказался существенным. Память — HBM2 объемом 32 ГБ.
| Характеристика | Huawei Ascend 910B |
|---|---|
| Дата выхода | 2022 год |
| ИИ-процессор | 25 ядер New DaVinci |
| Формат памяти | HBM2, 32 ГБ |
| Пропускная способность | 800 ГБ/с |
| Интерфейс | PCIe 4.0 |
| INT8 | 640 TOPS |
| FP16 | 320 TFLOPS |
| TDP | 310 Вт |
Ascend 910C — заявка на паритет с Nvidia H100
Ascend 910C, анонсированный в 2024 году, стал решением, после которого о конкурентоспособности китайских чипов заговорил весь мир. Конструктивно это два чипа Ascend 910B на 7-нм техпроцессе SMIC, объединенных на одной подложке. По заявлению Huawei, производительность достигает около 60% от эффективности Nvidia H100. Подробных независимых данных о характеристиках пока немного, поскольку решение ориентировано исключительно на внутренний рынок Китая, но первые поставки устройств должны были начаться в мае 2025 года, после чего стоит ожидать более полной картины по реальным показателям.
Ascend 920 — ответ на ограничения по H20
Ascend 920, анонсированный в 2025 году, задумывался как замена Nvidia H20 после введения новых торговых ограничений со стороны США. Достоверных официальных характеристик пока крайне мало, но, по неподтвержденным данным из отраслевых источников, ожидается производительность около 900 TFLOPS в FP16, переход на память HBM3 с пропускной способностью до 4 ТБ/с и техпроцесс SMIC 6 нм. Также упоминается модификация 920C для обучения моделей на архитектурах Transformer и Mixture of Experts, которая, по неподтвержденным данным, должна превосходить базовый Ascend 920 по производительности на 30–40%. Если эти цифры подтвердятся, Ascend 920 может стать конкурентом не только H20, но и полноценных H100. Ожидаемые сроки полноценного выхода — не ранее второй половины 2025 года.
Ascend 950DT — следующее поколение под обучение LLM
Ascend 950DT входит в ту же экосистему Ascend 950, что и уже упомянутый Atlas 350 (построенный на Ascend 950PR), но в отличие от него ориентирован именно на обучение больших языковых моделей с акцентом на скорость генерации токенов. Анонс состоялся в 2026 году, однако сам выход запланирован не раньше 2027 года, поэтому подробностей известно немного. Из подтвержденного: чип будет производиться по 7-нм техпроцессу SMIC и получит обновленный формат памяти HiBL 2.0 с увеличенным объемом и более высокой пропускной способностью по сравнению с HiBL 1.0.
Какое решение выбрать под конкретную задачу
Выбор конкретной модели во многом упрощается благодаря самой логике разделения линеек на семейства:
- Для компактного и производительного инференса языковых моделей стоит смотреть на карты семейства Atlas 300i (300i, 300I Pro, 300I Duo, 300I A2) — они различаются в первую очередь объемом памяти и производительностью, что позволяет подобрать баланс под конкретную нагрузку.
- Для аналитики видеопотоков в реальном времени — распознавания лиц, номеров, объектов — логичнее рассматривать линейку Atlas 300V, оптимизированную под большое число одновременных видеоканалов.
- Для обучения более продвинутых моделей и их последующей интеграции в бизнес-приложения подходят карты Atlas 300T с гибридной или HBM-памятью и сетевыми интерфейсами для кластерной работы.
- Для построения полноценной инфраструктуры дата-центра под разработку собственных LLM стоит рассматривать решения семейства Ascend, которые интегрируются в серверные платформы Huawei и по заявленным характеристикам приближаются к ускорителям Nvidia при существенно иной ценовой политике.
Заключение
За последние несколько лет Китай прошел путь от догоняющей позиции в микропроцессорной промышленности до статуса одного из ключевых игроков в разработке ИИ-оборудования. Череда анонсов ускорителей Ascend 910C, 920 и новых чипов серии 950 показывает, что разрыв в производительности с решениями Nvidia продолжает сокращаться. Если заявленные характеристики новых чипов подтвердятся на практике, линейки Atlas и Ascend закрепятся не просто как локальная альтернатива для внутреннего рынка Китая, а как самостоятельное направление развития ИИ-инфраструктуры со своей архитектурой, экосистемой и логикой масштабирования.
Автор: СервакМастер