Konferencja China Computing Power ujawnia lukę między potencjałem AI a użyteczną wydajnością
Dane z China Computing Power Conference ujawniły wyraźną dysproporcję: jedynie siedem chińskich prowincji wykorzystało w ponad 75% swoją dostępną moc obliczeniową.
Informacja ta pojawiła się w czasie, gdy Chiny raportowały historyczny wzrost infrastruktury. Do czerwca 2026 roku kraj dysponował 2 185 EFLOPS inteligentnej mocy obliczeniowej mierzonej z precyzją FP16, co oznaczało wzrost o 177% rok do roku. Sama zainstalowana moc mówi jednak niewiele o tym, ile użytecznej pracy AI wykonuje klaster.
Konflikt, który obecnie kształtuje chiński rynek infrastruktury AI, nie dotyczy już niedoboru kontra nadmiaru. Chodzi o moc znamionową kontra efektywną wydajność. Dostawcy chmury, operatorzy telekomunikacyjni, niezależne firmy prowadzące centra danych oraz twórcy modeli muszą udowodnić, że ich kosztowne klastry mogą pozostawać aktywnie wykorzystywane.
China Computing Power Conference odbyła się od 11 do 13 września w Langfang w prowincji Hebei. Prelegenci wielokrotnie przenosili uwagę z wdrażania sprzętu na harmonogramowanie obciążeń, wydajność sieci, dostawy energii i niezawodność operacyjną.
Ta zmiana wywiera presję na każdego operatora, który wciąż sprzedaje skalę jako swoją główną przewagę. Obiekt może zawierać tysiące akceleratorów, a mimo to osiągać słabe wyniki, jeśli jego oprogramowanie, sieć, chłodzenie lub baza klientów nie pozwalają utrzymać ich produktywności.
Konferencja postawiła wykorzystanie zasobów przed ekspansją
Kamień milowy chińskiej infrastruktury ujawnił również ograniczenia liczenia akceleratorów, szaf rackowych czy teoretycznej liczby operacji.
Konferencja rozpoczęła się w Langfang 12 września w ramach programu poświęconego budowie i eksploatacji krajowej sieci mocy obliczeniowej. Organizatorzy wcześniej potwierdzili, że całe wydarzenie potrwa trzy dni.
Harmonogram konferencji obejmował infrastrukturę, kluczowe technologie, wdrażanie w przemyśle oraz koordynację regionalnych zasobów obliczeniowych. Ten zakres odzwierciedlał rynek wychodzący poza pierwszy cykl budowy.
Główne liczby pozostają znaczące. Analiza Comprehensive Computing Power Panorama Analysis 2026 wykazała, że do czerwca wykorzystywano 2 185 EFLOPS inteligentnej mocy obliczeniowej. EFLOPS oznacza trylion operacji zmiennoprzecinkowych na sekundę, choć rzeczywista wydajność zależy od obciążenia i formatu numerycznego.
Ta sama analiza wskazała 15,56 mln standardowych szaf rackowych w użyciu oraz ponad 2 000 eksabajtów pojemności pamięci masowej. Oceniała wszystkie 31 jednostek administracyjnych szczebla prowincjonalnego pod względem mocy obliczeniowej, pamięci masowej, sieci i środowiska operacyjnego.
Wskaźniki te mają znaczenie, ponieważ klaster AI nie działa jako odizolowany zbiór chipów. Potrzebuje pamięci masowej zdolnej dostarczać dane, sieci umożliwiających synchronizację pracy oraz oprogramowania, które efektywnie przydziela zasoby.
Najbardziej wymowną statystyką raportu nie było krajowe tempo wzrostu. Zgodnie z ustaleniami przedstawionymi podczas wydarzenia, jedynie siedem prowincji osiągnęło wskaźnik wykorzystania szaf rackowych powyżej 75%.
Wskaźnik wykorzystania szaf rackowych opisuje, jaka część dostępnej pojemności centrum danych została faktycznie zapełniona i uruchomiona. Nie jest to bezpośredni pomiar wykorzystania akceleratorów ani ukończonej pracy AI.
To rozróżnienie jest kluczowe. Obiekt może umieścić serwery w szafach rackowych, nie utrzymując na nich produktywnych obciążeń. Z kolei wyspecjalizowany klaster może dostarczać wartościową pracę bez ciągłego działania każdego komponentu.
Liczba siedmiu prowincji jest zatem sygnałem ostrzegawczym, a nie pełną krajową oceną wykorzystania zasobów. Sugeruje, że podaż infrastruktury i popyt rynkowy nadal są nierównomiernie dopasowane.
Analiza prowincjonalna wskazała Hebei, Guangdong, Jiangsu, Szanghaj i Pekin jako regiony silne w kilku wymiarach mocy obliczeniowej. Ich przewagi wynikały z różnych źródeł.
Pekin, Szanghaj i Guangdong przodowały w rozwoju modeli, usługach generatywnej AI i powiązanej działalności przemysłowej. Guangdong, Hebei i Szanghaj miały stosunkowo silne fundamenty w zakresie pamięci masowej.
Jiangsu, Zhejiang i Guangdong osiągały dobre wyniki w koordynacji sieciowej. Xinjiang, Gansu i Qinghai korzystały z warunków energetycznych, klimatycznych i dostępności gruntów.
Te różnice wyjaśniają, dlaczego pojedyncza krajowa wartość mocy może ukrywać lokalne wąskie gardła. Popyt, energia elektryczna, dostępne grunty, opóźnienia sieciowe, talenty techniczne i ekosystemy oprogramowania nie występują w tych samych miejscach.
Główna zmiana na konferencji miała więc charakter koncepcyjny. Władze i operatorzy publicznie uznali produktywną wydajność za ważniejszy miernik konkurencyjności niż wielkość budowy.
Taka ocena tworzy znacznie trudniejszy test. Budowa obiektu jest widoczna i mierzalna. Udowodnienie, że zapewnia on niezawodną i ekonomiczną wydajność AI, wymaga ciągłych dowodów operacyjnych.
Dlaczego dane z China Computing Power Conference zmieniają kryteria konkurencji
Nowa rywalizacja koncentruje się na efektywnej mocy obliczeniowej, czyli użytecznej wydajności systemu po uwzględnieniu strat i ograniczeń operacyjnych.
Efektywna moc obliczeniowa nie jest po prostu teoretyczną wydajnością chipów pomnożoną przez liczbę zainstalowanych akceleratorów. Odzwierciedla ilość użytecznej pracy, która pozostaje po uwzględnieniu opóźnień komunikacji, awarii, konfliktów harmonogramowania, ograniczeń pamięci i przestojów.
Wang Yue, specjalista ds. mocy obliczeniowej i energii z China Academy of Information and Communications Technology, opisał kilka czynników operacyjnych wpływających na tę wydajność. Należą do nich równoległe przetwarzanie, podział zadań, kontrola przeciążeń, odzyskiwanie po awariach, równoważenie obciążenia i orkiestracja zasobów.
Przetwarzanie równoległe dzieli duże zadanie między wiele procesorów. Nieprawidłowy podział może sprawić, że część urządzeń czeka, podczas gdy inne są nadmiernie obciążone.
Wydajność komunikacji staje się coraz ważniejsza wraz ze wzrostem klastrów. Akceleratory muszą wymieniać parametry i wyniki pośrednie, często wielokrotnie podczas jednego kroku treningowego.
Powolne lub przeciążone połączenie może zmuszać kosztowne procesory do oczekiwania. Klaster pozostaje zainstalowany i zasilany, ale jego rzeczywista przepustowość spada poniżej deklarowanej mocy.
Zarządzanie awariami tworzy kolejną lukę. Duże klastry zawierają wystarczająco wiele komponentów, by awarie sprzętu i sieci stały się rutynowymi zdarzeniami operacyjnymi, a nie rzadkimi wyjątkami.
Odporna infrastruktura może przekierować pracę lub odzyskać punkty kontrolne przy ograniczonym opóźnieniu. Słabszy system może stracić godziny przetwarzania lub ponownie uruchomić duże zadanie.
Orkiestracja zasobów określa, które obciążenie otrzymuje dane procesory, pamięć, przepustowość sieci i dostęp do pamięci masowej. Słaba orkiestracja może pozostawić użyteczny sprzęt bezczynny, podczas gdy klienci czekają na zgodną konfigurację.
Problemy te stają się trudniejsze w skali rozważanej obecnie przez chińską politykę. Plan branżowy z 7 września wezwał do uporządkowanego wdrażania klastrów zawierających 10 000, 100 000 lub więcej akceleratorów.
Plan podkreślał również infrastrukturę inferencyjną dopasowaną do konkretnych scenariuszy oraz dalszą adaptację do chipów produkowanych w kraju. Inferencja to proces uruchamiania wytrenowanego modelu w celu wygenerowania wyniku.
Trening i inferencja stawiają infrastrukturze odmienne wymagania. Trening często preferuje duże, ściśle połączone klastry, które mogą przetwarzać długie zadania.
Popyt na inferencję jest bardziej rozproszony. Może wymagać niskich opóźnień, przewidywalnych czasów odpowiedzi, bliskości geograficznej i szybkiego skalowania wraz ze zmianami ruchu użytkowników.
Wiceprezes IDC China ds. badań Zhou Zhengang powiedział CLS, że rynek AIDC doświadcza strukturalnego niedoboru, a nie jednolitego braku zasobów. AIDC odnosi się do centrów danych projektowanych z myślą o obciążeniach AI.
Według Zhou ogólna moc treningowa szybko wzrosła. Nadal bardziej ograniczona pozostaje wysokiej jakości moc inferencyjna oraz zasoby przeznaczone dla agentów AI.
Ocena ta komplikuje twierdzenia zarówno o powszechnej nadwyżce, jak i uniwersalnym niedoborze. Oba zjawiska mogą jednocześnie występować w różnych typach sprzętu, regionach, stosach oprogramowania i segmentach klientów.
Operator telekomunikacyjny może dysponować wolnymi szafami rackowymi, ale nie mieć środowiska programistycznego wymaganego przez firmę tworzącą modele. Klaster w zachodniej części kraju może oferować niższe koszty energii, ale zapewniać opóźnienia nieodpowiednie dla klienta ze wschodu.
Dostawca chmury może zachować swoją najlepszą moc dla modeli wewnętrznych i obecnych klientów. Niezależny operator może wtedy mieć trudności zarówno z pozyskaniem odpowiedniego sprzętu, jak i stabilnego popytu.
Pierwotne doniesienia branżowe uchwyciły ten podział. Jeden praktyk stwierdził, że popyt był mniej rozgrzany niż w najwcześniejszej fazie ekspansji, podczas gdy duże firmy technologiczne nadal mierzyły się z ograniczoną podażą.
Centrum danych China Unicom w północnych Chinach przedstawiało przeciwną stronę tego obrazu. Jego kierownictwo poinformowało, że klienci wyrazili zainteresowanie zakupem przed ukończeniem budowy planowanego obiektu.
Według operatora kampus w Langfang obejmował sześć działających budynków centrów danych, 18 600 szaf rackowych i około 660 000 wdrożonych serwerów. Jego istniejącą inteligentną moc obliczeniową szacowano na 3 425 petaflopsów.
Kampus planował w 2026 roku trzy dodatkowe budynki inteligentnej mocy obliczeniowej. Ujawniony projekt obejmował 315 megawatów mocy centrum danych i znaczny wzrost zarówno ogólnej, jak i inteligentnej mocy obliczeniowej.
Plany te pokazują, dlaczego budowa nie ustała. Rynek coraz wyraźniej odróżnia moc, która gdzieś istnieje, od mocy spełniającej rzeczywiste wymagania techniczne klienta.
Dla operatorów efektywna moc obliczeniowa sprawia, że oprogramowanie i działalność operacyjna stają się elementem infrastruktury sprzedażowej. Niższa moc nominalna może mieć większą wartość komercyjną, gdy niezawodnie realizuje więcej obciążeń.
Dla klientów zmiana ta zachęca do zadawania bardziej szczegółowych pytań zakupowych. Nabywcy muszą analizować dostarczaną przepustowość, czasy oczekiwania w kolejce, wskaźniki awarii, wydajność sieci i kompatybilność oprogramowania.
Przytoczona liczba akceleratorów nie odpowie na te pytania. Nie zrobi tego również wielkość budynku ani liczba zainstalowanych szaf rackowych.
Dostawcy chmury i operatorzy telekomunikacyjni wchodzą do gry z różnymi przewagami
Firmy chmurowe mają przewagę w oprogramowaniu i dostępie do klientów, podczas gdy operatorzy telekomunikacyjni kontrolują obiekty i zasoby krajowej sieci.
Ten podział tworzy podstawowe napięcie konkurencyjne stojące za debatą konferencji o wykorzystaniu zasobów. Obie grupy mogą budować klastry, lecz do efektywnej wydajności dochodzą z różnych punktów wyjścia.
Duzi dostawcy chmury łączą infrastrukturę z modelami, narzędziami dla programistów, klientami chmury publicznej i ugruntowanymi platformami programistycznymi. Mogą kierować popyt wewnętrzny i zewnętrzny do własnych obiektów.
Alibaba Cloud, Tencent Cloud i ByteDance prowadzą również usługi generujące powtarzalne obciążenia AI. Widoczność popytu może ograniczać ryzyko budowania klastrów bez klientów.
Ich pozycja pełnego stosu technologicznego oferuje kolejną przewagę. Dostawcy chmury mogą jednocześnie dostrajać frameworki modeli, oprogramowanie do harmonogramowania i infrastrukturę.
Ta integracja ma znaczenie, gdy klienci potrzebują wyspecjalizowanych obciążeń inferencyjnych lub agentowych. Operator może optymalizować warstwy aplikacji, modelu, środowiska wykonawczego i sprzętu.
Operatorzy telekomunikacyjni wchodzą na rynek z rozległą siecią centrów danych, sieciami szkieletowymi, przyłączami energetycznymi i dostępem regionalnym. China Mobile, China Telecom i China Unicom mogą łączyć obiekty w wielu miastach.
Operatorzy telekomunikacyjni często mają jednak słabsze ekosystemy modeli i oprogramowania AI niż duże firmy chmurowe. Zhou zasugerował, że mogliby obsługiwać dostosowany outsourcing infrastruktury dla dostawców chmury i modeli.
Nie czyni to z operatorów telekomunikacyjnych biernych właścicieli nieruchomości. Ich sieci zyskują na wartości, gdy obciążenia wymagają przewidywalnych opóźnień w kilku regionach.
China Computing Platform połączyła obecnie platformy prowincjonalne we wszystkich 31 jednostkach administracyjnych szczebla prowincji. Urzędnicy określili system jako krajową warstwę monitorowania zasobów, warunków operacyjnych i dostępności mocy.
Platforma miała ponad 10 000 zarejestrowanych użytkowników korporacyjnych, ponad 2 000 oferowanych produktów obliczeniowych i ponad 300 połączonych modeli. Zgromadziła również miliardy rekordów monitoringu.
Krajowa platforma zapewnia widoczność, lecz widoczność nie jest tym samym co udana migracja obciążeń. Oferta w marketplace nie eliminuje ograniczeń związanych z opóźnieniami, zarządzaniem danymi ani kompatybilnością oprogramowania.
Niezależni dostawcy AIDC znajdują się w trudniejszej sytuacji. Duzi operatorzy dysponujący kluczowymi klientami chmurowymi mogą się specjalizować lub zabezpieczać długoterminowe kontrakty.
Mniejsi dostawcy mają mniej kapitału, słabszy dostęp do energii elektrycznej i mniej gwarantowanych klientów. Grozi im rola podwykonawców lub obsługa wąskich rynków regionalnych i branżowych.
Twórcy modeli stanowią czwartą grupę. Wiodące firmy mogą budować klastry, aby zabezpieczyć moce szkoleniowe i zarządzać długoterminowym ryzykiem podaży.
Mimo to mogą nadal kupować moce inferencyjne lub usługi oparte na tokenach od zewnętrznych dostawców. Usługi tokenowe sprzedają wynik działania modelu, a nie sam dostęp do sprzętu.
Taki podział może zwiększać elastyczność, ale zmienia też kryteria porównywania infrastruktury przez klientów. Mniej zależy im na posiadaniu konkretnej szafy rack, a bardziej na koszcie i niezawodności użytecznego wyniku modelu.
Granice konkurencji pozostaną płynne. Firma chmurowa może dzierżawić obiekt telekomunikacyjny, podczas gdy operator telekomunikacyjny dostarcza sieć i dostosowany sprzęt.
Niezależny dostawca może wyspecjalizować się w branży o surowych wymogach dotyczących lokalizacji danych. Firma tworząca modele może zarezerwować wewnętrzne moce na szkolenie, a nieprzewidywalny ruch inferencyjny zlecać na zewnątrz.
Zwycięzca niekoniecznie będzie właścicielem największej fizycznej infrastruktury. Będzie nim podmiot, który połączy popyt, sprzęt, oprogramowanie, energię i sieć przy najmniejszych stratach operacyjnych.
Ten standard zwiększa także znaczenie przejrzystych pomiarów. Dostawcy mogą różnie definiować moc, szczególnie w zależności od typu procesora i precyzji numerycznej.
Wartości EFLOPS mierzonej przy FP16 nie można bezrefleksyjnie porównywać z wartością mierzoną w innym formacie. Rzeczywiste obciążenia zależą również od przepustowości pamięci, połączeń międzyukładowych i optymalizacji oprogramowania.
Klienci potrzebują dowodów na poziomie konkretnych obciążeń. Przydatne miary obejmują ukończone kroki treningowe, wygenerowane tokeny, opóźnienie odpowiedzi, wskaźniki ukończenia zadań oraz energię zużytą na zadanie.
Bez spójnego raportowania efektywna moc obliczeniowa może stać się kolejną etykietą promocyjną. Koncepcja ma wartość tylko wtedy, gdy operatorzy powiążą ją z obserwowalnymi wynikami produkcyjnymi.
Wskaźnik siedmiu prowincji nadal pozostawia ważne pytania
Rozmieszczenie szaf rack ujawnia nierównowagę regionalną, ale nie dowodzi, że każdy aktywny serwer wykonuje wartościową pracę AI.
Próg 75% można łatwo błędnie zinterpretować. Mierzy on, czy dostępne miejsca w centrach danych zostały obsadzone, a nie to, czy akceleratory pozostają w pełni wykorzystane.
Nie wskazuje też siedmiu prowincji wymienionych w publicznych relacjach konferencyjnych przeanalizowanych na potrzeby tego artykułu. Towarzysząca analiza regionalna zauważyła jedynie, że Shanxi, Qinghai i Xinjiang osiągnęły dobre wyniki pod względem wdrożenia szaf rack.
To pominięcie ogranicza możliwości porównań. Czytelnicy nie mogą ustalić, jak daleko inne prowincje znajdują się poniżej 75% ani czy wskaźniki regionalne opierają się na w pełni spójnych próbach obiektów.
Dane historyczne dostarczają pewnego kontekstu. Biała księga CAICT z 2023 r. podała, że dziesięć prowincji o najwyższych wskaźnikach wdrożenia pod koniec 2022 r. przekraczało 55%.
Wcześniejszy punkt odniesienia przypisał niski ogólny poziom wdrożenia częściowo niejasnemu pozycjonowaniu regionalnemu i niekompletnym ekosystemom przemysłowym. Zalecał skoordynowane planowanie, aby zrównoważyć inwestycje z wykorzystaniem zasobów.
Nowsza statystyka 75% sugeruje poprawę u liderów, ale nie ustanawia krajowego szeregu czasowego. Należałoby ujednolicić progi, populacje obiektów i metody raportowania.
Druga niepewność dotyczy sformułowania „używana inteligentna moc obliczeniowa”. Opublikowane relacje podawały wartość 2 185 EFLOPS wraz z ostrzeżeniem dotyczącym wdrażania szaf rack.
„W użyciu” może oznaczać uruchomioną infrastrukturę, a nie nieprzerwane produktywne wykorzystanie. Nie należy tego interpretować jako dowodu, że każda operacja obsługuje obciążenie klienta.
Trzecią kwestią jest jakość obciążeń. Klaster może wykazywać wysoki poziom wykorzystania, jednocześnie wykonując zadania o niskiej wartości, korzystając z nieefektywnego oprogramowania lub realizując obciążenia subsydiowane głównie po to, by wypełnić moce.
Użyteczny komercyjnie wynik wymaga czegoś więcej niż aktywności. Praca musi spełniać wymagania klientów przy zrównoważonym koszcie operacyjnym.
Raport konferencyjny wskazał trzy szerokie ograniczenia: różnice w rozwoju regionalnym, słabą integrację ze scenariuszami branżowymi oraz bariery dla planowania międzyregionalnego. Każde z nich może inaczej ograniczać użyteczny wynik.
Luki regionalne powodują, że popyt i infrastruktura znajdują się w różnych miejscach. Wschodnie prowincje skupiają wielu twórców modeli i użytkowników, lecz borykają się z bardziej ograniczonym dostępem do energii i gruntów.
Regiony zachodnie mogą oferować energię odnawialną, chłodniejszy klimat i przestrzeń na większe obiekty. Odległość wprowadza ograniczenia dotyczące opóźnień i transferu danych.
Zadania treningowe i zimne przechowywanie danych tolerują większą odległość niż interaktywna inferencja. Agent AI obsługujący klientów może wymagać odpowiedzi na tyle szybkich, że położenie geograficzne staje się decydujące.
Planowanie międzyregionalne wiąże się także z kwestiami bezpieczeństwa i zarządzania. Przenoszenie danych lub wyników pośrednich może kolidować z politykami klientów, obowiązkami regulacyjnymi lub ograniczeniami przepustowości.
Integracja branżowa stanowi kolejne wyzwanie. Budowa klastra nie tworzy automatycznie popytu ze strony producentów, szpitali, instytucji finansowych czy samorządów lokalnych.
Organizacje te potrzebują kompatybilnych modeli, czystych danych, zatwierdzeń zakupowych i przeprojektowanych procesów pracy. Sprzęt może pojawić się na długo przed gotowością tych elementów.
Najmocniejszy kontrprzykład pochodził z Hebei, prowincji goszczącej konferencję. Urzędnicy podali 556 EFLOPS inteligentnej mocy obliczeniowej oraz 2,5 mln działających standardowych szaf rack.
Hebei zgłosiło także wskaźnik wykorzystania przekraczający 80%. Prowincja powiązała swój program infrastrukturalny z 441 wertykalnymi dużymi modelami i 98 agentami działającymi w 26 sektorach.
Są to oficjalne regionalne deklaracje, a nie niezależnie audytowane pomiary obciążeń. Pokazują jednak rodzaj powiązania z popytem, do którego budowania zachęca się inne prowincje.
Langfang realizuje szczególnie przemyślaną strategię. Miasto leży wystarczająco blisko Pekinu, aby rozwijać inferencję o niskich opóźnieniach, zamiast kopiować zachodnie huby szkoleniowe.
Urzędnicy oświadczyli, że dane mogą dotrzeć do kluczowego węzła w Pekinie w około jedną milisekundę. Langfang podało, że posiada 36 dużych działających centrów danych i ponad 200 000 petaflopów podaży inteligentnej mocy obliczeniowej.
Jego położenie wspiera model komplementarny: Pekin może koncentrować badania i zastosowania, podczas gdy pobliskie Langfang realizuje obliczenia w czasie rzeczywistym. Zachodnie huby mogą obsługiwać obciążenia mniej wrażliwe na opóźnienia.
Taka specjalizacja jest bardziej wiarygodna niż traktowanie każdej prowincji jako wymiennej lokalizacji klastra. Dostosowuje projekt obiektu do klientów i warunków sieciowych.
Mimo to podejście to musi udowodnić, że lokalny popyt rośnie wraz z podażą. Subsydia, vouchery obliczeniowe i vouchery na modele mogą przyspieszać wdrażanie, ale mogą też zacierać podstawową ekonomię.
Konferencyjne ramy efektywnych obliczeń należy zatem traktować jako kierunek możliwy do sprawdzenia. Nie są jeszcze ustandaryzowaną krajową miarą wydajności.
Energia, chłodzenie i sieci definiują dziś użyteczną moc
Klaster nie może zapewnić efektywnej mocy obliczeniowej, gdy energia elektryczna, systemy termiczne lub łącza danych stają się zasobem ograniczającym.
Infrastruktura AI wywiera nietypową presję na wszystkie trzy systemy. Gęsto upakowane szafy z akceleratorami zużywają więcej energii elektrycznej i wydzielają więcej ciepła niż tradycyjne serwery przedsiębiorstw.
Uczestnicy konferencji stwierdzili, że udział zielonej energii, gęstość mocy szaf rack oraz możliwości chłodzenia cieczą zastąpiły powierzchnię gruntów i liczbę szaf jako kluczowe miary wyceny.
Chłodzenie cieczą odprowadza ciepło przez płyn znajdujący się w pobliżu procesorów. Może obsługiwać większą gęstość szaf niż konwencjonalne chłodzenie powietrzem, choć wdrażanie i utrzymanie pozostają złożone.
Dostępność energii wpływa zarówno na tempo rozbudowy, jak i koszty operacyjne. Duże projekty coraz częściej wymagają setek megawatów, a największe międzynarodowe propozycje zbliżają się do dostaw w skali gigawatów.
Regionalne ceny energii mogą zatem przekształcać konkurencję. Obiekt China Unicom w Huailai podał cenę energii elektrycznej na poziomie blisko 0,62 juana za kilowatogodzinę.
Operator porównał tę stawkę z cenami powyżej 0,40 juana w Mongolii Wewnętrznej i powyżej 0,50 juana w Shanxi. Niektóre projekty zachodnie miały podobno uzyskać niższe stawki subsydiowane.
Liczby te pochodziły z oświadczeń firm i mogą zależeć od kontraktów, subsydiów oraz wzorców zużycia. Mimo to pokazują, dlaczego identyczny sprzęt może wiązać się z odmienną ekonomią operacyjną.
Wysokie koszty energii obniżają wartość komercyjną każdego ukończonego zadania AI. Mogą także zniechęcać klientów do powierzania obciążeń danemu regionowi.
Operatorzy reagują poprzez bezpośrednie umowy na energię odnawialną, handel energią elektryczną i elastyczne harmonogramowanie obciążeń. Elastyczne harmonogramowanie przenosi odpowiednie zadania do okresów lub miejsc o większej dostępności energii.
Krajowy kierunek polityki wspiera to podejście. Chiński plan infrastrukturalny wzywa do koordynacji między obliczeniami, pamięcią masową, sieciami, energią elektryczną i rozliczaniem emisji węgla.
Polityka infrastrukturalna promuje również sieci obliczeniowe, koordynację heterogenicznych zasobów i wdrożenia dopasowane do potrzeb branżowych. Priorytety te poprzedzają konferencję z 2026 r., lecz obecnie mają większą pilność operacyjną.
Sieci pozostają równie istotne. Chiny podały, że mają ponad 70 tras transmisyjnych łączących krajowe huby obliczeniowe z innymi kluczowymi regionami.
Urzędnicy poinformowali również o zatwierdzeniu 17 regionalnych węzłów krajowej sieci połączeń obliczeniowych. Regionalny węzeł w Hebei rozpoczął działalność podczas konferencji.
Projekty te zwiększają możliwość odkrywania i łączenia zasobów. Nie gwarantują jednak, że każde obciążenie będzie można ekonomicznie przenosić między regionami.
Opóźnienia sieciowe mogą być akceptowalne dla asynchronicznego treningu modeli lub przetwarzania danych. Interaktywna inferencja i systemy wieloagentowe często wymagają bardziej rygorystycznych celów czasowych odpowiedzi.
Koszty przepustowości mają także znaczenie, gdy zbiory danych treningowych lub punkty kontrolne modeli osiągają duże rozmiary. Przenoszenie pracy może zniwelować oszczędności wynikające z tańszej energii.
Akademik Chińskiej Akademii Inżynierii Wu Hequan zaproponował połączenie lokalnych i zdalnych obliczeń. System mógłby wykonać wstępne zadanie lokalnie, a cięższe przetwarzanie przesłać gdzie indziej.
Omówił także rozdzielanie różnych etapów inferencji oraz stosowanie szyfrowania lub maskowania danych. Takie rozwiązania próbują równoważyć opóźnienia, energię i bezpieczeństwo.
Inna propozycja dotyczyła bardziej płaskich sieci optycznych, które miałyby przyspieszyć planowanie i obniżyć zużycie energii. Technologie te muszą jednak wciąż przejść od demonstracji do stabilnych środowisk produkcyjnych.
Niezawodność operacyjna pozostaje ostatnią warstwą. Obiekt China Mobile w regionie Pekin-Tianjin-Hebei zaprezentował wiele zabezpieczeń zasilania, w tym niezależne przyłącza do sieci energetycznej, generatory dieslowskie i systemy zasilania bezprzerwowego.
Obiekt ten miał podobno 15 generatorów dieslowskich o mocy 2 000 kilowatów każdy oraz wydzieloną rezerwę paliwa. Takie systemy zapasowe chronią dostępność, ale zwiększają koszty kapitałowe, utrzymania i środowiskowe.
Każda warstwa wspierająca wpływa na użyteczny efekt. Akcelerator, który czeka na dane, przegrzewa się, traci zasilanie lub wielokrotnie się restartuje, wnosi niewiele niezależnie od swojej teoretycznej szybkości.
Dlatego przejście na efektywne przetwarzanie wykracza poza producentów chipów. Zmienia priorytety zakupowe w zakresie sprzętu sieciowego, pamięci masowej, chłodzenia, zarządzania energią i oprogramowania klastrowego.
Nagradza też zespoły, które dobrze dokumentują decyzje infrastrukturalne i incydenty operacyjne. Złożone klastry generują duże ilości logów, notatek projektowych i zapisów rozwiązywania problemów.
Zespoły inżynieryjne mogą przekształcić te materiały w przeszukiwalną techniczną bazę wiedzy. Szybszy dostęp do wcześniejszych rozwiązań może ograniczyć powtarzalną pracę diagnostyczną, choć nie zastąpi dojrzałych praktyk operacyjnych.
Trzy sygnały pokażą, czy efektywne przetwarzanie zwycięży
Kolejnym testem będzie to, czy język konferencji przełoży się na mierzalne zmiany w wykorzystaniu zasobów, realizacji obciążeń i specjalizacji regionalnej.
Pierwszym sygnałem będzie ujawnianie danych o wykorzystaniu zasobów przez prowincje. Przyszłe raporty powinny zawierać wyniki dla nazwanych regionów, spójne definicje oraz porównywalne pomiary wdrożeń szaf rack i wykorzystania akceleratorów.
Takie dowody wzmocniłyby tezę o efektywnym przetwarzaniu, gdyby więcej prowincji przekroczyło poziom 75% bez odwoływania się do niejasnych kategorii mocy. Osłabiłyby ją, gdyby raportowanie nadal było zbyt ograniczone, by można je było zweryfikować.
Drugim sygnałem będzie rzeczywisty ruch obciążeń między regionami. Krajowa platforma obejmuje obecnie monitoring 31 regionów na poziomie prowincji, tysięcy produktów i setek połączonych modeli.
Istotnym wynikiem nie jest liczba zasobów widocznych w katalogu. Liczy się to, ile obciążeń produkcyjnych pomyślnie przemieszcza się między regionami przy spełnieniu wymagań dotyczących opóźnień, bezpieczeństwa, niezawodności i kosztów.
Wzrost liczby zakończonych zadań międzyregionalnych wskazywałby, że sieć ogranicza niedopasowania podaży i popytu. Utrzymująca się koncentracja aplikacji generatywnej AI w Pekinie, Szanghaju i Guangdong ujawniłaby jej ograniczenia.
Trzecim sygnałem będzie sposób, w jaki dostawcy pakietują moce inferencyjne i agentowe. Firmy chmurowe, operatorzy telekomunikacyjni i niezależne obiekty infrastrukturalne konkurują o tych samych klientów, dysponując różnymi zasobami.
Warto obserwować kontrakty oparte na tokenach, dostarczanej przepustowości, opóźnieniach i niezawodności usług. Takie warunki łączą wydatki na infrastrukturę z rezultatami klientów bardziej bezpośrednio niż liczba szaf rack czy akceleratorów.
Warto też śledzić, którzy operatorzy zdobywają powtarzalne obciążenia inferencyjne. Projekty treningowe mogą być duże, lecz tymczasowe, podczas gdy zapotrzebowanie na inferencję rośnie wraz z codziennym wykorzystaniem aplikacji.
China Computing Power Conference przedstawiła jasną ocenę: skala budowy nie jest już wystarczającą miarą postępu. Statystyka dotycząca siedmiu prowincji sprawiła, że trudno ją zignorować.
Chiny nadal potrzebują bardziej wyspecjalizowanych mocy AI na kilku rynkach. Jednocześnie istniejące zasoby muszą stać się łatwiejsze do odkrywania, planowania, zasilania, chłodzenia i łączenia.
Dla deweloperów i nabywców korporacyjnych praktyczne pytanie jest proste. Czy dostawca oferuje teoretyczną moc, czy potrafi udokumentować wydajność, jaką otrzymują rzeczywiste obciążenia?
Dla operatorów infrastruktury wyzwanie jest trudniejsze. Muszą przekształcić chipy, budynki, energię elektryczną, sieci i oprogramowanie w niezawodny rezultat, jednocześnie utrzymując aktywność klientów.
W ciągu najbliższych trzech miesięcy warto patrzeć dalej niż na ogłoszenia nowych klastrów. Należy śledzić ujawniane poziomy wykorzystania, zrealizowane obciążenia międzyregionalne oraz kontrakty powiązane z dostarczanym wynikiem AI.
Te wskaźniki pokażą, czy efektywna moc obliczeniowa stanie się dyscypliną operacyjną, czy pozostanie konferencyjnym sloganem.
