Артем Каранович: В поисках новых мощностей. Как российский бизнес решает проблему дефицита ИИ-чипов

Развитие искусственного интеллекта в России столкнулось с серьезным инфраструктурным вызовом. Доступ к специализированным вычислительным мощностям остается главным узким местом для бизнеса. Исторически корпоративный сектор опирался на оборудование Nvidia, однако из-за санкций прямые поставки прекращены, а контроль производителя за параллельным импортом неуклонно ужесточается. В результате рынок монополиста схлопывается и компании вынуждены искать альтернативные источники ресурсов. Наиболее очевидной заменой продукции Nvidia становятся решения из Китая, однако переход на них требует определенных инженерных навыков.

Крупнейшие российские предприятия уже активно исследуют китайский рынок GPU, где собственными чипами обеспечивается до половины местного потребления. Однако прямое копирование этого опыта сталкивается с проблемой недостаточной зрелости технологий: истории большинства китайских вендоров не более 5–10 лет. Приобрести китайский GPU и сразу запустить его по принципу «купил, вставил и работаешь» невозможно. Переход осложняется несовместимостью с российскими операционными системами (в частности, Astra (считается в России иноагентом) Linux на объектах КИИ), отсутствием англоязычной документации и привычной техподдержки, а также неполноценной CUDA-совместимостью, требующей дополнительной настройки среды под существующие модели.

Чтобы сделать этот процесс прогнозируемым, мы в «Рексофт» создаем специализированную исследовательскую лабораторию. Ее концепция строится на сочетании аппаратного стенда и уникальной инженерной экспертизы. В рамках лаборатории зарубежные GPU проверяются и настраиваются на совместимость с российскими ОС и инфраструктурными контурами, а благодаря автоматизированным загрузчикам инженеры клиентов могут развернуть рабочую среду менее чем за восемь часов для проведения нагрузочного и функционального тестирования. При этом ключевым приоритетом становится возможность бесшовного переноса наработанных моделей без необходимости переписывать софт с нуля. Дополнительно лаборатория позволяет тестировать гибридные конфигурации, проверяя совместную работу оборудования в рамках как гомогенных, так и гетерогенных кластеров с имеющимися картами Nvidia.

На фоне дефицита «железа» и роста цен меняются и подходы к бюджетированию ИИ-проектов. К вычислительным ресурсам сегодня необходимо относиться как к любому производственному ресурсу с высокой неопределенностью затрат. Чтобы не оказаться с готовым алгоритмом, который негде развернуть, лучше использовать гибридную стратегию. Она предполагает гибкое распределение нагрузки между собственными мощностями для базовых задач и задач с защищенными данными, облачными ресурсами провайдеров для пиков и внешними SaaS-моделями.

Что касается разработки отечественного ИИ-процессора с нуля, то в текущих реалиях это одна из самых сложных задач микроэлектроники. При поддержке Минпромторга и Минцифры отдельные производители заявляют о планах выпустить первые российские ИИ-карты в горизонте 1–2 лет. Однако по своим характеристикам они будут соответствовать уровню предыдущих поколений (таких как Nvidia A100), поэтому в краткосрочной перспективе наиболее прагматичным и быстрым путем для бизнеса остается импорт, адаптация и глубокая интеграция китайских GPU-платформ.