Huawei Ascend: как Китай строит собственную чиповую вертикаль для ИИ

Huawei Ascend: как Китай строит собственную чиповую вертикаль для ИИ

Удвоение производства, архитектура Ascend 920 и стратегия замещения NVIDIA изнутри

Когда мы говорим о технологическом суверенитете, легко скатиться в абстракции. Но история Huawei Ascend — это предельно конкретный пример того, как страна строит альтернативную инфраструктуру для искусственного интеллекта, chip by chip, fab by fab, partner by partner. И делает это в условиях, которые большинство западных аналитиков ещё пару лет назад считали непреодолимыми.

Начнём с цифр, потому что они впечатляют. В сентябре 2025 года Huawei объявила о планах удвоить производство ИИ-чипов серии Ascend в 2026 году. По данным аналитиков, в 2025 году компания произвела около 800 тысяч чипов Ascend 910B и 910C. План на 2026 год — выйти на 1.5-2 миллиона единиц. Для сравнения: NVIDIA поставляет в Китай значительно меньше, чем до введения санкций, а те чипы, которые всё же попадают на китайский рынок через посредников, стоят в два-три раза дороже рыночной цены.

Архитектура Ascend заслуживает отдельного разговора. Huawei не пытается копировать NVIDIA — она строит собственный стек с нуля. Процессор Ascend 910B основан на архитектуре Da Vinci, разработанной подразделением HiSilicon. Это ASIC, специализированный на операциях с матрицами и тензорами, с собственным набором инструкций, собственным компилятором (CANN — Compute Architecture for Neural Networks) и собственным фреймворком (MindSpore). Экосистема замкнутая, но функциональная.

Чтобы понять масштаб инженерного достижения, стоит разобрать архитектуру Da Vinci подробнее. Ядро Da Vinci организовано вокруг «кубического вычислительного блока» — матричного процессора, способного выполнять операции над тензорами размерностью 16x16 за один такт. Это отличается от подхода NVIDIA, где базовой единицей являются Tensor Cores с размерностью 4x4 или 8x8. Более крупная размерность позволяет Ascend эффективнее обрабатывать операции в трансформерных моделях, где матрицы attention имеют значительные размеры. Обратная сторона — менее гибкая работа с нестандартными размерностями, что требует дополнительной оптимизации на уровне компилятора.

В декабре 2025 года появились первые технические подробности о Ascend 920 — следующем поколении чипа. По утечкам из цепочки поставок, 920-й использует улучшенную версию архитектуры Da Vinci 3.0 с расширенной поддержкой операций для трансформерных моделей. Пиковая производительность в FP16 заявлена на уровне 640 TFLOPS — это примерно 80% от показателей NVIDIA H100. Разрыв сокращается с каждым поколением. Годом ранее он составлял 50-60%.

Ascend 920 также получил улучшенную подсистему памяти. По предварительным данным, чип поддерживает HBM3 с пропускной способностью до 4.8 TB/s — критически важный параметр для инференса больших языковых моделей, где производительность чаще ограничивается скоростью доступа к памяти, а не вычислительной мощностью. Это приближает Ascend 920 к уровню NVIDIA H200, хотя прямое сравнение затруднено из-за различий в архитектуре.

Мы считаем важным понимать стратегию Huawei не как попытку «догнать NVIDIA», а как строительство параллельной экосистемы. NVIDIA доминирует благодаря не только чипам, но и CUDA — программной платформе, вокруг которой построены миллионы строк кода, тысячи библиотек, десятки тысяч обученных разработчиков. Huawei строит свой аналог: CANN + MindSpore + ModelArts (облачная платформа для обучения). Переход с CUDA на CANN — это серьёзные инженерные затраты, но китайские компании всё чаще его совершают. Не по желанию, а по необходимости.

Программная экосистема — это, пожалуй, самое уязвимое место Huawei. CANN, при всех своих возможностях, всё ещё значительно уступает CUDA по зрелости, документации и размеру сообщества разработчиков. Многие библиотеки, которые в мире CUDA «просто работают», приходится портировать вручную. Huawei инвестирует в создание инструментов автоматической конвертации кода с CUDA на CANN, но процесс далёк от совершенства. По нашим оценкам, перенос типичного проекта обучения модели с CUDA на CANN требует от двух до шести месяцев инженерной работы — существенный барьер для компаний с ограниченными ресурсами.

Цепочка поставок — это, пожалуй, самый интересный и самый непрозрачный аспект истории. Ascend 910B производится на заводах SMIC по технологии 7 нм. Формально SMIC не должна иметь доступа к оборудованию EUV-литографии от ASML, и она его не имеет. Но 7 нм можно достичь с помощью DUV-литографии и multi-patterning — процесса, при котором один слой формируется за несколько проходов. Это дороже, медленнее и даёт более низкий выход годных чипов. Но это работает. И Huawei масштабирует этот процесс.

Удвоение производства — это не просто увеличение объёма. Это сигнал о том, что Huawei решила ключевую проблему: выход годных чипов (yield). Ещё в 2024 году аналитики оценивали yield на уровне 30-40%, что делало производство экономически болезненным. К концу 2025 года, судя по объёмам и ценам, yield поднялся до 60-70%. Это огромный прогресс для процесса, который многие считали тупиковым.

Отдельный аспект, заслуживающий внимания — ценовая политика Huawei. Ascend 910B продаётся китайским заказчикам по цене, которая, по нашим оценкам, составляет 60-70% от стоимости сопоставимых (по производительности) чипов NVIDIA на вторичном рынке. Это достигается отчасти за счёт субсидий, отчасти за счёт растущей эффективности производства. Huawei сознательно удерживает низкие цены, чтобы стимулировать миграцию с NVIDIA. Краткосрочные убытки на чипах компенсируются долгосрочным стратегическим выигрышем — формированием клиентской базы и экосистемы, зависящей от Huawei.

Клиентская база Ascend растёт. Baidu использует Ascend для обучения частей своей модели ERNIE. ByteDance тестирует Ascend-кластеры для инференса. Alibaba Cloud предлагает инстансы на базе Ascend своим клиентам. Государственные структуры — от министерства обороны до местных правительств — получают приоритетный доступ. По нашим оценкам, к концу 2025 года Ascend занял 15-20% китайского рынка ИИ-ускорителей. Это немного по сравнению с историческим доминированием NVIDIA (которая контролировала 90%+ до санкций), но тренд очевиден.

Есть ещё один игрок, которого часто упускают из виду: китайские стартапы, разрабатывающие собственные ИИ-чипы. Cambricon, Biren Technology, Enflame — все они создают альтернативы и для облачного, и для edge-инференса. Но Huawei отличается от них масштабом интеграции. Huawei контролирует проектирование чипа, разработку ПО, облачную платформу, серверное оборудование и даже сетевую инфраструктуру (через свой бизнес в области телекоммуникаций). Это вертикальная интеграция, сравнимая с тем, что делает Apple, но в совершенно другом масштабе и для совершенно другого рынка.

Networking — ещё один недооценённый аспект стратегии Huawei. Обучение больших моделей требует не только мощных чипов, но и сверхбыстрых сетевых соединений между ними. NVIDIA решает эту задачу через InfiniBand и NVLink. Huawei разработала собственные высокоскоростные интерконнекты — HCCS (Huawei Cache Coherent System) — которые связывают чипы Ascend в кластеры. По заявлениям компании, пропускная способность HCCS сопоставима с NVLink последнего поколения. Проверить это независимо сложно, но сам факт существования собственного решения для интерконнекта говорит о серьёзности намерений.

Мы также хотим обратить внимание на географическую стратегию Huawei. Компания активно продвигает Ascend на рынках за пределами Китая — прежде всего в Юго-Восточной Азии, на Ближнем Востоке и в Африке. В этих регионах Huawei уже имеет сильное присутствие через свой телекоммуникационный бизнес и предлагает Ascend как часть комплексного решения: сети + серверы + чипы + облако. Для стран, которые хотят развивать собственные ИИ-возможности, но не желают полной зависимости от американских технологий, Huawei предлагает привлекательную альтернативу. Мы видим признаки того, что несколько ближневосточных государств строят ИИ-инфраструктуру на базе Ascend — не потому, что чипы лучше NVIDIA, а потому, что это снижает геополитические риски.

Энергоэффективность — ещё один аспект, о котором мало говорят, но который становится всё более важным. Обучение больших моделей потребляет огромное количество электроэнергии. Ascend 910C, по заявлениям Huawei, потребляет на 15-20% меньше энергии на операцию по сравнению с эквивалентной конфигурацией NVIDIA A100. Мы не можем независимо подтвердить эту цифру, но если она верна хотя бы приблизительно, это существенное преимущество в мире, где стоимость электроэнергии и углеродный след дата-центров становятся критическими факторами.

Отдельная тема — обучение инженеров. Huawei запустила программу HCIA-AI (Huawei Certified ICT Associate — Artificial Intelligence), через которую к концу 2025 года прошли более 200 тысяч специалистов. Компания сотрудничает с 300 университетами в Китае и ещё с 50 за рубежом, встраивая CANN и MindSpore в учебные программы. Это инвестиция в будущее: через пять-десять лет поколение инженеров, обученных на экосистеме Huawei, станет движущей силой её распространения. Стратегия, которую NVIDIA применяла с CUDA в 2000-х годах, теперь воспроизводится Huawei — с опозданием на двадцать лет, но с сопоставимой системностью.

Риски остаются значительными. Зависимость от SMIC как единственного фаба — это точка уязвимости. Если США ужесточат санкции против SMIC (а это обсуждается регулярно), вся цепочка окажется под угрозой. Кроме того, переход на 5 нм без EUV — задача на грани физических возможностей DUV-литографии. Huawei и SMIC работают над этим, но сроки и результаты остаются неопределёнными.

Мы видим в стратегии Huawei Ascend отражение более широкого тренда: деглобализация технологической цепочки. Мир, в котором все покупают чипы у TSMC, GPU у NVIDIA и используют CUDA — этот мир уходит. На его место приходит мир фрагментированных экосистем, где каждый крупный геополитический блок строит собственную инфраструктуру. Это дороже, менее эффективно — но, с точки зрения участников, безопаснее.

Есть ещё один аспект, который мы считаем критически важным — вопрос надёжности и стабильности. Для обучения моделей масштаба GPT-5 или DeepSeek V4 кластер должен работать непрерывно в течение недель или месяцев. Любой сбой — отказ одного чипа, проблема с сетевым соединением, ошибка в программном обеспечении — может привести к потере часов или дней работы. NVIDIA достигла высочайшего уровня надёжности в своих системах (MTBF — mean time between failures — измеряется тысячами часов). Ascend, по имеющимся данным, пока уступает по этому показателю. Компании, использующие Ascend для обучения, сообщают о необходимости дополнительных механизмов чекпоинтинга и восстановления после сбоев. Это увеличивает накладные расходы и замедляет обучение. Huawei работает над улучшением надёжности, но этот вопрос остаётся одним из главных барьеров для широкого внедрения.

Мы не можем не упомянуть и конкуренцию внутри Китая. Huawei Ascend — не единственный претендент на замену NVIDIA. Kunlun от Baidu, чипы от Cambricon, решения от Biren Technology и Enflame — все они борются за долю рынка. Эта конкуренция здорова — она заставляет каждого участника улучшать свой продукт. Но она также фрагментирует экосистему: разработчику, который хочет писать код, работающий на всех китайских чипах, приходится поддерживать несколько платформ (CANN, XPU-R, MLU-OPS). Это антитеза единой экосистемы CUDA. Будет ли Китай стандартизировать свою ИИ-чиповую экосистему или останется фрагментированным — вопрос, который определит эффективность всей стратегии импортозамещения.

Huawei показывает, что технологический суверенитет в области ИИ — это не лозунг, а инженерная программа. Дорогая, сложная, с множеством компромиссов — но реализуемая. И каждый квартал, с каждым новым поколением Ascend, разрыв с мировыми лидерами сокращается.

Мы наблюдаем и за реакцией конечных потребителей — разработчиков, которые ежедневно используют ИИ-ускорители для обучения и инференса. Отзывы неоднозначны, но в целом положительная динамика налицо. Ранние пользователи Ascend жаловались на нестабильные драйверы, скудную документацию и частые обновления, ломающие совместимость. К концу 2025 года ситуация значительно улучшилась: CANN 8.0, выпущенная в октябре, получила хорошие отзывы за стабильность и расширенную совместимость с популярными фреймворками. Huawei учится на своих ошибках — медленнее, чем хотелось бы, но последовательно.

Стоит упомянуть и партнёрство Huawei с крупнейшими китайскими облачными провайдерами. China Telecom, China Mobile и China Unicom — три государственных телеком-оператора, контролирующих значительную часть облачного рынка Китая — все используют Ascend в своих дата-центрах. Это гарантированный канал продаж, который не зависит от рыночной конъюнктуры. Государственные предприятия обязаны отдавать предпочтение отечественным технологиям — и Ascend является главным бенефициаром этой политики. Мы оцениваем, что государственный и полугосударственный сектор обеспечивает 40-50% всех продаж Ascend. Это и сила, и слабость: гарантированный спрос снижает давление на качество продукта.

Мы считаем важным отметить и ещё один фактор: сертификацию и стандарты. Для использования ИИ-чипов в критических приложениях — от автономного вождения до медицинской диагностики — необходима сертификация, подтверждающая надёжность и предсказуемость работы. NVIDIA прошла этот путь за годы, накопив тысячи часов тестирования и десятки сертификатов. Huawei только начинает этот процесс. Отсутствие полноценной сертификации ограничивает применение Ascend в ряде критических отраслей — и является одним из барьеров, которые компании предстоит преодолеть для полноценной конкуренции.

Перспективы на 2027-2028 годы — это то, что определяет стратегическую ценность инвестиций в Ascend. Если Huawei удастся выйти на объёмы 3-4 миллиона чипов в год с yield выше 70%, стоимость каждого чипа снизится до уровня, при котором Ascend станет экономически привлекательным не только для государственных клиентов, но и для частных компаний. Это точка перелома, после которой экосистема начнёт расти органически — не за счёт субсидий, а за счёт рыночных стимулов. По нашим расчётам, эта точка может быть достигнута к середине 2027 года.

Нам остаётся задать вопрос, ответ на который определит архитектуру мировой ИИ-индустрии на десятилетия вперёд: если Китай сумеет построить полностью автономную чиповую экосистему для ИИ, изменит ли это баланс сил в технологиях — или, наоборот, создаст два параллельных мира с несовместимыми стандартами, инструментами и экосистемами, которые перестанут понимать друг друга? И какой из этих сценариев — единая глобальная экосистема или два параллельных мира — опаснее для прогресса человечества в целом? Ответ на этот вопрос определит не только будущее полупроводниковой индустрии, но и характер технологической цивилизации, которую мы строим.