Investuotojų susitikime Liang Wenfeng kalbėjo tiesiai. „DeepSeek“ generalinis direktorius nupiešė aštrų, beveik kinematografišką vaizdą: Kinija sparčiai vejasi skaičiavimo galios atotrūkį, kuris kadaise atrodė neįveikiamas, o buvęs lyderis gali nustebti, kaip greitai keičiasi visa dirbtinio intelekto rinka.

Šiuo metu „DeepSeek“ naudoja pajėgumus, prilygstančius maždaug 20 000 „Nvidia H100“ lustų, kurių dauguma buvo gauti per pastarąjį mėnesį ar du. Toks pajėgumas skamba milžiniškai. Toks jis ir yra. Vis dėlto jis leidžia vienu metu aktyvuoti tik apie 10 mlrd. parametrų. Palyginkime tai su šiandieniniais aukščiausios klasės AI modeliais, kurie vienu metu gali palaikyti apie 800 mlrd. aktyvių parametrų. Skirtumas nėra mažas. Jis yra struktūrinis.

Kaip „Huawei“ įsilieja į šią lygtį

Liang kaip realią alternatyvą išskyrė „Huawei Atlas 950“ mazgus, veikiančius su „Ascend 950“ procesoriais. Jo teiginys buvo drąsus: nors vienas „Ascend 950“ yra mažiau efektyvus nei „Nvidia H100“, praktikoje šių „Huawei“ mazgų klasteris gali prilygti „Nvidia GB200“ ir „GB300“ spintų galutiniam našumui. Pasak jo, skaičiavimas atrodo maždaug taip: keturi „Ascend“ procesoriai vienam „Nvidia“ lustui, tačiau bendras pralaidumas ir delsa gali būti pakankamai artimi, kad toks pakeitimas būtų realiai įmanomas.

„Nvidia“ pati kasa sau duobę, perspėjo jis. Liang teigimu, kainų skirtumai tampa mažiau svarbūs, nes net jei „Huawei“ aparatinė įranga būtų 50, 100 ar 200 procentų brangesnė, galimybė diegti ją dideliu mastu ir politiniai vietinės tiekimo grandinės pranašumai galėtų nusverti vien tik kainos palyginimą.

Tačiau yra svarbi išlyga. Pažangiausių didelių kalbos modelių mokymas reikalauja milžiniškų išteklių. Liang vertinimu, norint apmokyti modelį dabartinių AI milžinų mastu, reikėtų apie 50 000 „GB300“ klasės „Nvidia“ procesorių arba maždaug 200 000 „Ascend 950“ lustų. Tai tik mokymui skirti skaičiai; tyrimai ir eksperimentavimas pareikalauja papildomos skaičiavimo galios. Tai padeda paaiškinti, kodėl skaičiavimo išteklių atotrūkis tarp Kinijos ir Jungtinių Valstijų išlieka didžiausia atskira kliūtimi.

Ką dėl to daro „DeepSeek“? Kol kas bendrovė agresyviai plečia savo infrastruktūrą. Tačiau Liang pabrėžė ir kitą kovos lauką: duomenis. Kokybiškas žymėjimas, pasak jo, yra lėtas siaurasis taškas. Galima mesti į problemą vis daugiau lustų, bet jei žymos ir kruopščiai atrinkti duomenų rinkiniai atsilieka, pažanga sustoja. Tokios bendrovės kaip „OpenAI“ ir „Anthropic“ čia turi pranašumą, nes pradėjo anksčiau ir skyrė daugiau išteklių aukštos kokybės anotavimui.

Pagrindinė išvada susijusi ne vien su lustais ar nacionaliniu prestižu. Ji apima visą aparatinės įrangos, programinės įrangos, talentų ir laiko ekosistemą. Kinija kuria skaičiavimo pajėgumus. Ji taip pat investuoja į daug laiko reikalaujantį, mažiau matomą duomenų rinkinių tvarkymo ir žymėjimo darbą. Jei abi kryptys judės į priekį, dirbtinio intelekto konkurencingumo žemėlapis per kelerius metus gali atrodyti visiškai kitaip.

Liang žinutė buvo tiesmuka, bet strategiška: tai nėra vienas mūšis dėl vieno lusto. Tai ilga kampanija, kurioje alternatyvos, kadaise atrodžiusios antrarūšės, gali tapti lemiamos, kai jos išplečiamos ir integruojamos į visą technologijų grandinę. Būtent šį poslinkį „Nvidia“ vėliau gali prisiminti kaip lūžio tašką.