Huawei-მ ხელოვნური ინტელექტის ჩიპების გლობალური გამოშვება გადადო

როიტერსის ცნობით, Huawei-ის მორიგე თავმჯდომარემ ერიკ სიუმ (Eric Xu) კომპანიის Huawei Connect კონფერენციის ფარგლებში განაცხადა: „რადგან ჩინეთში მოთხოვნის დასაკმაყოფილებლადაც კი საკმარისი სიმძლავრე არ გვაქვს, საერთაშორისო ბაზარზე სრულმასშტაბიანი გაფართოების გეგმა არ გაგვაჩნია“. ერიკ სიუმ დასძინა, რომ Huawei შეზღუდულ რაოდენობას აწვდის „ზოგიერთ ქვეყანას, სადაც მოთხოვნა განსაკუთრებით მაღალია“. მას დამატებითი დეტალები არ დაუკონკრეტებია.

Huawei-მ ამ კვირაში ხელოვნური ინტელექტის ამაჩქარებლების უახლესი სამომავლო გეგმა წარადგინა. კომპანიამ მომდევნო თაობის Ascend 960, 970 და 980 ნეირონული დამუშავების ერთეულების სასწავლო და დასკვნითი გამოთვლების წარმადობის მნიშვნელოვანი ზრდა წარმოაჩინა. ისინი არსებულ Ascend 910C-სა და Ascend 950 სერიას აღემატება. 2027 წელს Ascend 960DT-სა და 960PR-ს FP8 ფორმატში სწავლების წარმადობა 2 PFLOPS-მდე უნდა გაეზარდოს. FP4 ფორმატში დასკვნითი გამოთვლების წარმადობა, შესაბამისად, 4 PFLOPS-სა და 8 PFLOPS-ს მიაღწევს. მომდევნო წლებში მათი შემცვლელი Ascend 970-ისა და Ascend 980-ის FP4 წარმადობა, შესაბამისად, 14 PFLOPS-მდე და 28 PFLOPS-მდე უნდა გაიზარდოს.

წინასწარი მონაცემები: S/D აღნიშნავს მეჩხერ და მკვრივ გამოთვლებს, T/I კი სწავლებასა და დასკვნით გამოთვლებს.

მომავალი Ascend-ის ერთეულები წინამორბედებზე გაცილებით სწრაფი იქნება, განსაკუთრებით დასკვნითი გამოთვლებისას. თუმცა, სულ მცირე, ნედლი გამოთვლითი წარმადობით, ისინი Nvidia-ს წინა და მიმდინარე თაობის ამაჩქარებლებს მნიშვნელოვნად ჩამორჩება. 2027 წლის Ascend 960DT-სთვის სწავლებისას 2 FP8 TFLOPS წარმადობაა ნავარაუდევი. შედარებისთვის, 2023 წელს გამოშვებული Nvidia H200-ის მაჩვენებელი 4 FP8 TFLOPS-ია. Ascend 960PR-მა სწავლებისას 8 FP4 PFLOPS უნდა უზრუნველყოს. ეს ბევრად ჩამოუვარდება Nvidia B300-ის 15-20 NVFP4 PFLOPS-ს. 2029 წლისთვის დაგეგმილი Ascend 980-იც კი, სავარაუდოდ, 7,2 FP8 PFLOPS-სა და 28 FP4 PFLOPS-ს მიაღწევს. Nvidia R200-მა კი წელს 17,5 FP8 PFLOPS და 35/50 FP4 PFLOPS უნდა უზრუნველყოს.

წამყვან ხელოვნური ინტელექტის აპარატურასთან ასეთი უზარმაზარი სხვაობა Huawei-ს სისტემურ დონეზე მასშტაბირებაზე დამოკიდებულებას გააძლიერებს. ამ გზით კომპანია Nvidia-ს კონკურენციას ცალკეული ჩიპების წარმადობის ნაცვლად სისტემის მასშტაბით ეცდება. თუმცა სისტემურ დონეზე მასშტაბური ზრდა ელექტროენერგიის უზარმაზარ მოხმარებას იწვევს. ამის გამო Huawei-ის მომდევნო თაობის Atlas SuperPod-ები და SuperCluster-ები იმ ბაზრებზე ნაკლებად კონკურენტუნარიანი იქნება, სადაც AMD-ის ან Nvidia-ს აპარატურა ხელმისაწვდომია.

Huawei პარადოქსულ მდგომარეობაშია. ერთი მხრივ, ინტეგრაციის ისეთი მეთოდები, როგორიც კორპუსთან ახლოს განთავსებული ოპტიკაა, ძველი ტექნოლოგიური პროცესების საწარმოო სიმძლავრეს ათავისუფლებს. ეს სიმძლავრე ხელოვნური ინტელექტის პლატფორმების სხვა კომპონენტებისთვის შეიძლება გამოიყენონ. მეორე მხრივ, SMIC-ს (Semiconductor Manufacturing International Corporation) 7 ნმ და 6 ნმ კლასის პროცესებზე წარმოების გაზრდა არ შეუძლია. ეს Huawei-ს ხელოვნური ინტელექტის აპარატურის მიწოდების შესაძლებლობას ზღუდავს, რის გამოც კომპანია მოთხოვნას ძლივს აკმაყოფილებს.