Chińska sieć mocy obliczeniowej staje przed trudnym testem wykorzystania
11 września Chiny podniosły rangę swojej sieci mocy obliczeniowej w krajowej agendzie, lecz same dodatkowe centra danych nie rozwiążą problemu infrastruktury AI. Chińska sieć mocy obliczeniowej stoi teraz przed trudniejszym zadaniem: przekształceniem rozproszonego, heterogenicznego sprzętu w zasoby, z których klienci mogą korzystać w sposób opłacalny.
Posiedzenie Rady Państwa, któremu przewodniczył premier Li Qiang, określiło tę sieć jako fundament sztucznej inteligencji. Wezwano również do skoordynowanego planowania, efektywnego wykorzystania, rozwoju opartego na mechanizmach rynkowych oraz zielonej, niskoemisyjnej działalności. Takie sformułowanie stawia wykorzystanie zasobów obok ich budowy, zamiast traktować zainstalowaną moc jako główną miarę postępu.
Moment był wyjątkowo wymowny. Posiedzenie zbiegło się z China Computational Power Conference w Langfang, ważnym ośrodku centrów danych w pobliżu Pekinu. Obecni tam dostawcy informowali o dużym zainteresowaniu krajową infrastrukturą, koordynacją pamięci masowej, chłodzeniem oraz oprogramowaniem poprawiającym wydajność akceleratorów.
Relacje te wskazują na zmianę na rynku. Dostawy sprzętu pozostają strategicznie ważne, zwłaszcza w warunkach ograniczeń eksportowych technologii. Komercyjne wąskie gardło przesuwa się jednak w stronę kompatybilności oprogramowania, harmonogramowania obciążeń, przepustowości pamięci masowej, sieci i efektywności energetycznej.
Chiny zbudowały już znaczące zasoby mocy obliczeniowej w ramach programu East Data, West Computing. Kolejny etap w mniejszym stopniu polega na umieszczeniu kolejnego serwera w następnym obiekcie. Chodzi o to, by odległe i niekompatybilne zasoby działały jak jedna niezawodna usługa.
Polityka dotycząca chińskiej sieci mocy obliczeniowej przechodzi od rozbudowy zasobów do koordynacji
Decyzja Rady Państwa czyni skoordynowane wykorzystanie zasobów celem krajowym, a nie opcjonalną funkcją dodawaną po wybudowaniu centrów danych.
Premier Li Qiang przewodniczył posiedzeniu w Pekinie 11 września 2026 roku. Według oficjalnego podsumowania posiedzenia rządu Rada Państwa analizowała działania związane z budową sieci mocy obliczeniowej.
W oficjalnym komunikacie sieci mocy obliczeniowej opisano jako podstawowe wsparcie dla rozwoju AI. Wezwano do silniejszej koordynacji, racjonalnego rozmieszczenia i uporządkowanej budowy w oparciu o popyt. Podkreślono także efektywne wykorzystanie, mechanizmy rynkowe, zielony rozwój i bezpieczeństwo.
To połączenie ma znaczenie. Krajowe programy infrastrukturalne często zaczynają od fizycznych zasobów, ponieważ budynki i sprzęt dają widoczne wskaźniki postępu. Obciążenia AI ujawniają ograniczenia tego podejścia.
Klaster akceleratorów może figurować w rejestrze aktywów, a mimo to pozostawać trudny w użyciu. Sprzęt może nie mieć dojrzałych bibliotek programistycznych, szybkiej pamięci masowej, niezawodnej sieci lub kompatybilnych narzędzi do harmonogramowania. Klient może też uznać, że przenoszenie danych do odległego klastra kosztuje więcej czasu, niż oszczędza sama obliczeniowa część zadania.
Chińska sieć mocy obliczeniowej ma eliminować te luki. Jej celem jest łączenie zasobów obliczeniowych należących do różnych dostawców, zlokalizowanych w różnych regionach i zbudowanych na różnych architekturach procesorów. Użytkownicy powinni w końcu móc wyszukiwać, zamawiać i wykorzystywać zasoby poprzez ustandaryzowane usługi.
Chińskie Ministerstwo Przemysłu i Technologii Informacyjnych opisało ten model w swoim planie działań na rzecz wzajemnego połączenia. Plan zakłada wspólne identyfikatory, standardy, zasady i platformy usługowe dla publicznych zasobów obliczeniowych.
Cele na 2026 rok obejmują silniejsze połączenia między węzłami obliczeniowymi oraz ujednolicony dostęp do zasobów wiodących dostawców. Plan przewiduje również koordynację usług obliczeniowych, pamięci masowej i sieciowych.
Do 2028 roku ministerstwo chce, aby publiczne zasoby obliczeniowe były szeroko połączone za pomocą ustandaryzowanych systemów. Planowana sieć miałaby identyfikować dostępne zasoby i udostępniać je, gdy użytkownicy ich potrzebują.
Chiny rozpoczęły również budowę krajowej struktury węzłowej znanej jako „1+M+N”. W tym modelu jedna krajowa platforma łączy wiele węzłów regionalnych i branżowych. Mechanizm ma ujednolicać zasoby niezależnie od lokalizacji, właścicieli i architektur.
Ramy te wyjaśniają, dlaczego posiedzenie z 11 września było czymś więcej niż kolejnym komunikatem o inwestycjach w centra danych. Rząd kieruje sektor w stronę modelu operacyjnego, w którym użyteczny efekt ma znaczenie równie duże jak zainstalowany sprzęt.
Oficjalne oświadczenie nie opublikowało nowego budżetu, harmonogramu budowy ani listy zamówień. Nie wskazano też konkretnych dostawców. Jego bezpośredni wpływ ma więc charakter kierunkowy, a nie kontraktowy.
Mimo to użyty język wyznacza priorytety dla ministerstw, władz lokalnych, przedsiębiorstw państwowych i operatorów infrastruktury. Ich decyzje wdrożeniowe zdecydują, czy nowe wydatki będą kierowane na budynki, czy na systemy zwiększające produktywność istniejących aktywów.
Zamówienia na infrastrukturę AI podążają za problemem efektywności
Wywiady branżowe sugerują, że klienci wydają pieniądze, ponieważ krajowe zasoby obliczeniowe nadal są trudne w eksploatacji, a nie dlatego, że każdy niedobór mocy wymaga nowego sprzętu.
Najsilniejsze sygnały komercyjne pochodziły od dostawców uczestniczących w konferencji w Langfang od 11 do 13 września. Ich wypowiedzi zostały opublikowane po posiedzeniu Rady Państwa, łącząc kierunek polityki z aktywnością na powierzchni wystawowej.
Przedstawiciel Yanrong Technology powiedział reporterom, że klienci rządowi, korporacyjni i państwowi wykazują większy popyt na krajową infrastrukturę AI. Według przedstawiciela kryteria zakupowe rozszerzyły się poza marki sprzętu i pojedyncze specyfikacje wydajności.
Jak podaje firma, klienci analizują obecnie kompatybilność architektury, wydajność przy dużej skali, bezpieczeństwo łańcucha dostaw oraz całkowity koszt eksploatacji. Zwracają również uwagę na liczbę tokenów generowanych na sekundę, czas do pierwszego tokenu i koszt tokenu.
Są to wskaźniki ekonomiki inferencji. Token jest niewielką jednostką przetwarzaną przez model językowy, natomiast czas do pierwszego tokenu mierzy, jak szybko system zaczyna odpowiadać. Łącznie wskaźniki te pokazują, czy kosztowna infrastruktura zapewnia użyteczną pracę po akceptowalnym koszcie.
Ta zmiana jest istotna, ponieważ szczytowe specyfikacje sprzętu rzadko opisują wydajność produkcyjną. Klaster może wyglądać konkurencyjnie w benchmarku, lecz mieć trudności z uruchamianiem rzeczywistych modeli na wielu akceleratorach. Zatory sieciowe, opóźnienia pamięci masowej, ograniczenia pamięci i narzut oprogramowania mogą obniżyć rzeczywistą wydajność.
Współzałożyciel Qingcheng Jizhi, Shi Tianhui, powiedział CLS, że gotowość do płacenia za optymalizację obliczeń była wysoka. Przypisał ten popyt trudnościom z efektywnym wykorzystaniem krajowego sprzętu obliczeniowego.
Wywiady branżowe opisują optymalizację jako źródło realnych zamówień. Nie podają jednak zweryfikowanych wartości zamówień, liczby klientów, okresów obowiązywania kontraktów ani rozpoznanych przychodów.
To rozróżnienie powinno wpływać na każdą ocenę rynku. Wywiady z dostawcami mogą wskazać problem, o którym rozmawiają klienci. Nie mogą jednak potwierdzić skali ani trwałości popytu w całej krajowej branży.
Mimo to logika zakupowa jest wiarygodna. Chiński rynek krajowych akceleratorów obejmuje wiele architektur, środowisk programistycznych i warstw kompatybilności. Model, który działa dobrze w jednym systemie, może wymagać prac inżynieryjnych, zanim zacznie wydajnie działać w innym.
Dostawcy rozwiązań optymalizacyjnych wypełniają tę lukę za pomocą oprogramowania i integracji systemowej. Ich praca może obejmować dostosowywanie operatorów modeli, poprawę alokacji pamięci, koordynację pamięci masowej, równoważenie zadań i ograniczanie opóźnień komunikacji między procesorami.
Pamięć masowa również staje się ograniczeniem wydajności w dużych klastrach. Systemy szkoleniowe i inferencyjne wielokrotnie przenoszą parametry modeli, zbiory danych, wyniki pośrednie i informacje z pamięci podręcznej. Akceleratory mogą pozostawać bezczynne, jeśli pamięć masowa nie dostarcza danych wystarczająco szybko.
Yanrong Technology poinformowała CLS, że jej architektura oprogramowania zwiększyła efektywność tokenów o ponad 120 procent we właściwych wdrożeniach. Jest to deklaracja firmy, a raport nie przedstawia niezależnego benchmarku ani metodologii testowania.
Twierdzenie to mimo wszystko pokazuje, co klienci chcą kupować. Poszukują większej liczby wyników modeli z zainstalowanych systemów, najlepiej bez rozwiązywania każdego problemu programistycznego kolejnym zakupem sprzętu.
Dostawcy chłodzenia opisali tę samą kalkulację z innej perspektywy. Procesory o dużej gęstości generują skoncentrowane ciepło, które może zmuszać układy do obniżania prędkości pracy. Systemy chłodzenia zużywają też energię elektryczną, która nie generuje bezpośrednio tokenów.
Przedstawiciel Huifeng Diamond mówił o miedziano-diamentowych materiałach termicznych zaprojektowanych do odprowadzania ciepła z procesorów. Firma poinformowała, że materiał może wspierać chłodzenie powietrzem, chłodzenie cieczą z płytą chłodzącą oraz systemy immersyjne.
Te deklaracje dotyczące wydajności również wymagają niezależnej weryfikacji. Pokazują jednak, jak rynek docelowy rozciąga się obecnie od układów i serwerów po pamięć masową, orkiestrację, sieci i zarządzanie temperaturą.
Dla kupujących pytanie nie brzmi już po prostu, czy zasoby istnieją. Chodzi o to, czy zasoby te mogą uruchamiać wybrany model w przewidywalny sposób, na dużą skalę i przy możliwym do obrony całkowitym koszcie eksploatacji.
Krajowy sprzęt konkuruje o użyteczny wynik AI
Główna konkurencja dotyczy zainstalowanych krajowych zasobów oraz użytecznego wyniku modeli, który oprogramowanie, sieci i operacje mogą z nich wydobyć.
Chińska strategia infrastrukturalna ma mocne powody, by wspierać krajowy sprzęt. Ograniczenia eksportowe ograniczyły dostęp do niektórych zaawansowanych zagranicznych akceleratorów. Odporność łańcucha dostaw stała się więc częścią decyzji zakupowych nabywców powiązanych z rządem i przedsiębiorstw.
Krajowe substytuty tworzą jednak drugie wyzwanie. Sprzęt różnych dostawców może wymagać odmiennych zestawów narzędzi programistycznych, dostosowań modeli i prac optymalizacyjnych. Taka fragmentacja utrudnia połączenie zasobów w jedną wspólną usługę.
Problem staje się bardziej widoczny, gdy działalność AI przechodzi od szkolenia do produkcyjnej inferencji. Szkolenie zużywa duże bloki zasobów podczas określonych projektów. Inferencja obsługuje żądania na żywo, dlatego klienci w każdej chwili zwracają uwagę na opóźnienia, niezawodność i koszt.
Inferencja bezpośrednio przekłada też techniczną nieefektywność na karę komercyjną. Dostawca, który generuje mniej tokenów z tego samego sprzętu, uzyskuje niższe przychody lub pobiera wyższe opłaty. Wolna pierwsza odpowiedź może również sprawić, że skądinąd sprawny model nie nadaje się do zastosowań interaktywnych.
Ta presja pomaga wyjaśnić zgłaszaną gotowość do płacenia za optymalizację obliczeń. Dodatkowy wzrost efektywności może zwiększyć przychody bez konieczności budowy kolejnego obiektu, przyłącza energetycznego czy całego klastra.
Ogólnokrajowa sieć mogłaby ułatwić wykorzystanie tych korzyści. Ustandaryzowany rynek mógłby kierować odpowiednie obciążenie do niewykorzystanych zasobów w innym miejscu. Oprogramowanie harmonogramujące mogłoby dopasowywać wymagania dotyczące opóźnień, architektury, energii i lokalizacji danych.
Jednak zasoby nie są wymienne w taki sposób, w jaki energia elektryczna wydaje się wymienna dla urządzenia. Akceleratory obsługują różne formaty numeryczne, biblioteki programistyczne, konfiguracje pamięci i systemy komunikacji. Modele mogą też zależeć od niestandardowych operacji, które trudno przenieść.
Dane tworzą kolejne ograniczenie. Przenoszenie dużego zbioru danych między regionami może wiązać się z kosztami transmisji, wymogami bezpieczeństwa i opóźnieniami. Niektóre obciążenia muszą pozostawać blisko użytkowników, fabryk lub regulowanych informacji.
Wcześniejsza chińska strategia East Data, West Computing próbowała dopasować popyt na wschodzie do zasobów gruntów i energii na zachodzie. Ustanowiła osiem krajowych hubów obliczeniowych i dziesięć klastrów centrów danych jako filary tego podziału geograficznego.
Taki układ najlepiej sprawdza się w przypadku obciążeń tolerujących odległość. Trenowanie modeli, przetwarzanie offline, tworzenie kopii zapasowych i część wsadowego wnioskowania można przenieść na zachód. Interaktywne wnioskowanie i sterowanie przemysłowe często wymagają niższych opóźnień bliżej użytkowników na wschodzie.
Krajowa sieć musi zatem stać się systemem routingu, a nie jedynie połączeniem dalekiego zasięgu. Potrzebuje informacji o wymaganiach obciążeń oraz rzeczywistym stanie każdego zasobu obliczeniowego.
Długoterminowe planowanie rządu uwzględnia tę kwestię. Krajowe ramy sieciowe z 2023 roku wezwały do skoordynowania mocy obliczeniowej, danych, algorytmów, zielonej energii elektrycznej i bezpieczeństwa.
Zachęcały również do usług na żądanie, z elastyczną konfiguracją i rozliczaniem zależnym od wykorzystania. Wśród technologii wskazanych w tych ramach znalazły się szybkie sieci optyczne, zaawansowany routing, pamięć masowa, pule zasobów i wdrażanie między architekturami.
Presja konkurencyjna wykracza poza krajowych dostawców sprzętu. Operatorzy telekomunikacyjni, dostawcy chmury, firmy prowadzące centra danych i wyspecjalizowane spółki programistyczne chcą kontrolować warstwę, w której klienci zamawiają moc.
China Mobile, China Telecom i China Unicom już prowadzą krajowe sieci oraz dysponują rozległą infrastrukturą chmurową. Firmy chmurowe wnoszą oprogramowanie do harmonogramowania i relacje z deweloperami. Niezależni dostawcy infrastruktury oferują optymalizację w bardziej rozproszonej bazie sprzętowej.
Kto kontroluje orkiestrację obciążeń, może wpływać na to, które obiekty otrzymują popyt. Taka pozycja zapewnia również cenne informacje o cenach, wykorzystaniu, wydajności modeli i preferencjach klientów.
Dlatego chińskiej sieci mocy obliczeniowej nie można rozumieć wyłącznie jako programu budowlanego. Jest to także próba zdefiniowania komercyjnej i technicznej płaszczyzny sterowania dla infrastruktury AI.
Optymalizacja mocy obliczeniowej stała się prawdziwym rynkiem
Powstającym produktem nie jest surowy czas pracy akceleratora, lecz mierzona jednostka niezawodnego wyniku AI dostarczanego przez skomplikowany stos infrastruktury.
Użyteczna usługa obliczeniowa zaczyna się od wykrywania zasobów. Nabywcy muszą wiedzieć, które procesory są dostępne, gdzie się znajdują i jakie środowiska programowe obsługują.
Kolejną warstwą jest dopasowanie obciążenia. Platforma harmonogramowania musi zdecydować, czy zadanie wymaga niskiego opóźnienia, dużej pamięci, taniej energii czy określonej architektury akceleratora.
Następnie następuje wykonanie. Platforma musi bezpiecznie przenieść dane, skonfigurować środowisko, podzielić obciążenie i monitorować awarie. Musi również zapobiegać temu, by zadanie jednego klienta zakłócało pracę innego.
Na końcu usługa potrzebuje wiarygodnego pomiaru i rozliczenia. Klienci wymagają jasnego rejestru zużytych zasobów i dostarczonych wyników. Dostawcy potrzebują sposobu na naliczanie opłat za użyteczną pracę oraz wynagradzanie właścicieli infrastruktury.
Chiński plan połączeń międzyregionalnych obejmuje kilka z tych warstw. Wzywa do stosowania jednolitych identyfikatorów zasobów, interoperacyjnych interfejsów, wielopoziomowych platform i pilotaży nowych usług harmonogramowania.
Plan wyznacza również ambitny cel dla heterogenicznych obciążeń. Zakłada harmonogramowanie zadań między klastrami zawierającymi dziesięć tysięcy akceleratorów. Omawia też mieszane trenowanie modeli o bardzo dużej liczbie parametrów.
Cele te przekształcają optymalizację obliczeń w oprogramowanie infrastrukturalne. Inżynierowie wydajności nie dostrajają już jednej odizolowanej aplikacji. Próbują koordynować procesory, pamięć masową, sieci i dane ponad granicami administracyjnymi.
Rzeczywiste zadanie inferencyjne pokazuje, dlaczego ma to znaczenie. Rozważmy przedsiębiorstwo wdrażające asystenta dokumentowego dla pracowników. System musi wyszukiwać odpowiednie informacje, przekazywać kontekst do modelu i szybko zwracać odpowiedź.
Dostawca modelu może dysponować mocą w kilku obiektach. Jedna lokalizacja oferuje odpowiedni akcelerator, ale cierpi z powodu przeciążenia pamięci masowej. Inna ma tanią energię, lecz znajduje się zbyt daleko od użytkowników. Trzecia ma dostępną moc, ale nie dysponuje zgodną biblioteką programową.
Funkcjonalna sieć powinna ocenić te różnice przed przydzieleniem zadania. Powinna następnie mierzyć czas odpowiedzi, liczbę wygenerowanych tokenów, wskaźniki awarii i koszt.
Aplikacje AI intensywnie wykorzystujące wiedzę sprawiają, że taka koordynacja jest szczególnie ważna. Przeszukiwalna baza wiedzy zależy zarówno od wnioskowania modelu, jak i szybkiego dostępu do odpowiednich materiałów źródłowych.
Słaba orkiestracja może spowolnić wyszukiwanie, nawet gdy sam model działa wydajnie. Może też zwiększyć liczbę powtarzanych obliczeń, jeśli systemy nie zachowują użytecznych wyników pośrednich.
Koncentracja branży na liczbie generowanych tokenów odzwierciedla tę praktyczną rzeczywistość. Tokeny lepiej przybliżają wynik usługi AI niż liczba akceleratorów. Nie są jednak doskonałą uniwersalną miarą.
Różne modele wymagają różnej ilości obliczeń na token. Tokeny wejściowe i wyjściowe generują również odmienne koszty. Krótka odpowiedź modelu rozumującego może zużyć więcej zasobów niż dłuższa odpowiedź mniejszego systemu.
Jakość dodatkowo komplikuje porównania. System może szybko generować tokeny, jednocześnie tworząc niedokładne lub niepomocne wyniki. Klienci nadal potrzebują miar na poziomie aplikacji, w tym powodzenia zadania, niezawodności i jakości odpowiedzi.
Najbardziej wiarygodni dostawcy optymalizacji będą zatem łączyć metryki infrastruktury z wynikami biznesowymi. Muszą wykazać, że zmiana zmniejsza koszt lub opóźnienie bez pogarszania dokładności.
Wymóg ten tworzy przestrzeń dla niezależnych testów i ustandaryzowanych benchmarków. Nabywcy potrzebują porównań określających model, precyzję, wielkość wsadu, długość wejścia, długość wyjścia i konfigurację klastra.
Bez tych szczegółów procentowa poprawa może ukrywać więcej, niż ujawnia. Zgłoszony przez Yanrong Technology wzrost efektywności tokenowej o 120 procent jest jednym z przykładów. Może odzwierciedlać wartościową pracę inżynieryjną, lecz czytelnicy nie mogą tego ocenić na podstawie samego publicznego raportu.
Szerszy sygnał popytowy pozostaje istotny. Klienci proszą dostawców o uzasadnienie całkowitego kosztu w perspektywie kilku lat, zamiast kupować sprzęt na podstawie jednej nagłośnionej specyfikacji.
Takie zachowanie sprzyja firmom zdolnym do integracji między warstwami. Wywiera też presję na dostawców pojedynczych produktów, aby udowodnili, że ich komponent poprawia wynik w ramach kompletnego systemu produkcyjnego.
Większa moc nadal może przynosić niskie zwroty
Największym ryzykiem dla sieci jest to, że budowa napędzana polityką wyprzedzi rzeczywisty popyt, pozostawiając kosztowne obiekty niewykorzystane lub niedopasowane do obciążeń.
Wezwanie Rady Państwa do racjonalnego rozmieszczenia i uporządkowanego rozwoju uznaje to ryzyko. Samorządy lokalne mają zachęty do przyciągania centrów danych, ponieważ projekty przynoszą inwestycje, infrastrukturę i widoczną działalność przemysłową.
Obiekt może jednak stać się osieroconym aktywem, jeśli popyt nie nadejdzie. Może także działać poniżej oczekiwań, jeśli jego procesory, sieć lub profil energetyczny nie odpowiadają wymaganiom klientów.
Geografia mocy obliczeniowej Chin zwiększa złożoność. Regiony zachodnie często oferują grunty, energię odnawialną i korzyści związane z chłodzeniem. Większość firm AI i użytkowników korporacyjnych pozostaje skoncentrowana na rynkach wschodnich.
Krajowa sieć może zniwelować część tego dystansu. Nie jest w stanie wyeliminować opóźnień ani kosztów przenoszenia dużych zbiorów danych. Nie może też uczynić każdego obciążenia przenośnym między wszystkimi architekturami procesorów.
Oficjalne dane pokazują, jak szybko wzrosła baza podaży. Przegląd polityki z lipca 2026 roku podał 1,882 mln petaflopów inteligentnej mocy obliczeniowej, czyli około 2,5 raza więcej niż rok wcześniej.
Ten sam przegląd stwierdzał, że osiem krajowych hubów posiadało ponad 80 procent inteligentnej mocy obliczeniowej kraju. Informował również o zbudowaniu ponad 70 głównych tras transmisji obliczeniowej w ciągu poprzednich dwóch lat.
Te wskaźniki mocy pokazują skalę, ale nie ujawniają średniego wykorzystania. Nie pokazują także, jaka część mocy może obsługiwać obciążenia produkcyjne przy konkurencyjnej wydajności.
Langfang stanowi skoncentrowany przykład. Według lokalnych raportów rządowych miasto ma 36 centrów danych i ponad 200 000 petaflopów inteligentnej mocy obliczeniowej.
Miasto omawiało również vouchery obliczeniowe oraz szerszy pakiet obejmujący tokeny, dane i modele. Takie programy mogą obniżać początkowe koszty dla lokalnych użytkowników i przyciągać firmy do dostępnej infrastruktury.
Dotacje mogą przyspieszyć wdrażanie, ale komplikują analizę popytu. Dotowane obciążenie nie dowodzi automatycznie, że klienci później zapłacą pełny koszt operacyjny.
Komentarze dostawców z konferencji niosą podobną niepewność. Silne deklaracje zainteresowania zamówieniami mogą wskazywać na realne projekty, ale intencje nie są podpisanymi umowami. Podpisane umowy nie muszą oznaczać ukończonych wdrożeń, a wdrożenia nie gwarantują rentownego wykorzystania.
Energia stanowi kolejne ograniczenie. Obiekty obliczeniowe intensywnie zużywają energię elektryczną, a gęste klastry AI generują dodatkowo znaczne obciążenia chłodnicze. Przepustowość sieci energetycznej i dostęp do energii niskoemisyjnej będą kształtować to, gdzie klastry mogą działać ekonomicznie.
Krajowy plan zielonej transformacji opublikowany we wrześniu wzywa do stosowania chłodzenia cieczą, odzysku ciepła odpadowego, układów o niższym poborze mocy i inteligentnego zarządzania energią. Zachęca również do tworzenia obiektów o gęstości mocy szaf przekraczającej 100 kilowatów.
Plan zielonych obliczeń zakłada monitorowanie w czasie rzeczywistym i dynamiczne dostosowywanie przez cały cykl życia obiektu. Wymogi te odzwierciedlają przejście od efektywności budowy ku efektywności operacyjnej.
Bezpieczeństwo przedstawia inny kompromis. Harmonogramowanie między regionami wymaga, by platformy wymieniały informacje o zasobach, szczegóły obciążeń i potencjalnie wrażliwe dane. Większa łączność może zwiększać konsekwencje słabej kontroli dostępu.
Krajowy plan obejmuje zadania dotyczące bezpieczeństwa sieci i danych, ale wdrożenie będzie przebiegało u wielu operatorów. Kluczowe będą spójne mechanizmy tożsamości, audytu, izolacji i reagowania na incydenty.
Struktura rynku również może budzić obawy. Ujednolicona sieć obiecuje łatwiejszy dostęp, lecz dominujące platformy mogą kontrolować wykrywanie, routing i rozliczenia. Mniejsi dostawcy mogą zależeć od zasad ustalanych przez dużych operatorów telekomunikacyjnych lub chmurowych.
Przejrzystość cen będzie istotna. Nabywcy muszą porównywać usługi między regionami i architekturami bez wprowadzania w błąd przez nieporównywalne jednostki wydajności. Dostawcy potrzebują wystarczających przychodów, by utrzymywać moc bez zachęcania do marnotrawnej duplicacji.
Rada Państwa wskazała właściwy test, podkreślając efektywność i mechanizmy rynkowe. Trudniejszym zadaniem jest przedstawienie dowodów, że system poprawia wykorzystanie, zamiast jedynie redystrybuować dotacje.
Co chiński impuls obliczeniowy musi udowodnić w następnej kolejności
Trzy sygnały pokażą, czy polityka stworzy wydajną krajową usługę, czy kolejny cykl rozproszonych wydatków na infrastrukturę.
Pierwszym sygnałem jest wdrożenie systemu węzłów „1+M+N”. Ministerstwa i uczestniczący operatorzy muszą opublikować, które zasoby są połączone, jakich standardów używają i które obciążenia można między nimi przenosić.
Katalog nominalnej mocy nie wystarczy. System musi wspierać wykrywanie, harmonogramowanie, wykonanie, monitorowanie i rozliczenia u rzeczywistych dostawców. Udane zadania realizowane między architekturami wzmocniłyby tezę rządu o koordynacji.
Powtarzające się problemy z kompatybilnością osłabiłyby ten projekt. Sugerowałyby, że krajowe standardy wzajemnych połączeń nadal pozostają ponad warstwami oprogramowania, w których klienci napotykają problemy.
Drugim sygnałem są niezależnie porównywalne dane dotyczące wykorzystania i wydajności. Zainstalowaną moc obliczeniową należy raportować obok aktywnego wykorzystania, dostępności, przepustowości tokenów, opóźnień, wskaźników awarii i zużycia energii.
Dokładne wskaźniki będą się różnić w zależności od obciążenia. Jednak publiczne programy pilotażowe nadal mogą ujawniać konfiguracje testów porównawczych i ich wyniki. Informacje te pomogłyby nabywcom odróżnić rzeczywistą optymalizację od wybiórczych twierdzeń dostawców.
Niezależne dowody wyjaśniłyby również zgłaszany popyt na optymalizację obliczeń. Wzrost przychodów, odnowienia umów i ponowne wdrożenia miałyby większą wagę niż wywiady konferencyjne czy deklaracje zamiaru składania zamówień.
Trzecim sygnałem jest to, czy wydatki przesuwają się w stronę operacyjnych wąskich gardeł. Zakupy powinny w coraz większym stopniu wspierać adaptację oprogramowania, pamięć masową, sieci, chłodzenie i zarządzanie energią, obok procesorów.
Taka zmiana potwierdziłaby, że nabywcy zarządzają infrastrukturą AI jako zintegrowanym systemem. Dalszy nacisk na surowe sumy akceleratorów sugerowałby, że nadal dominują dawne bodźce związane z budową infrastruktury.
Deweloperzy powinni obserwować, które środowiska stają się przenośne między krajowymi akceleratorami. Przenośność określa, ile pracy inżynieryjnej jest potrzebne, zanim aplikacja trafi do środowiska produkcyjnego.
Nabywcy korporacyjni powinni prosić dostawców o pomiary specyficzne dla danego obciążenia. Przydatne pytania obejmują opóźnienie odpowiedzi, utrzymywaną wydajność tokenów, odzyskiwanie po awariach, kompatybilność modeli i całkowite zużycie energii.
Operatorzy infrastruktury powinni śledzić wykorzystanie generujące przychody, a nie zakontraktowaną moc. Wypełniony kalendarz rezerwacji może nadal ukrywać obciążenia, które nigdy nie osiągają stabilnego środowiska produkcyjnego.
Pracownicy wiedzy i użytkownicy AI również mają interes w wyniku tych zmian. Lepsze wykorzystanie może obniżyć koszty inferencji, skrócić czas odpowiedzi i udostępnić zaawansowane modele większej liczbie aplikacji.
Chińska sieć mocy obliczeniowej wykroczyła poza debatę o tym, czy kraj może budować duże ośrodki AI. Chiny już pokazały, że moc obliczeniową można wdrażać szybko.
Decydujące pytanie brzmi, czy wiele odłączonych zasobów może funkcjonować jako jeden niezawodny rynek. Wymaga to standardów, oprogramowania, wiarygodnych pomiarów oraz dyscypliny w kwestii lokalizacji nowych obiektów.
W ciągu najbliższych trzech miesięcy warto obserwować wdrażanie krajowych węzłów, niezależnie raportowane wskaźniki operacyjne oraz zakupy ukierunkowane na optymalizację. Łącznie te sygnały pokażą, czy Chiny budują użyteczną moc obliczeniową dla AI, czy jedynie dodają kolejną warstwę przepustowości.
