В начале ноября 2025 года китайские регуляторы тихо, через служебные директивы, запустили один из самых жёстких шагов в истории локализации железа. Все новые проекты дата-центров, которые получают хоть какое-то государственное финансирование, теперь обязаны использовать только отечественные AI-чипы. Для Nvidia, AMD и Intel это фактический бан, для китайских производителей вроде Huawei и Cambricon это окно возможностей, а для архитекторов инфраструктуры это принудительный переход на полностью локальный стек.
Формулировка директивы бьёт не только по будущим стройкам. Государственные органы потребовали, что-бы все AI-дата-центры на стадии готовности менее 30 процентов сняли уже установленные иностранные ускорители или отменили заказы на них. Объекты в более высокой степени готовности обещают разбирать по одному, но вектор понятен: любой проект, который опирается на господдержку, должен перейти на китайские GPU и NPU, иначе он не вписывается в новую картину технологической независимости.
Эта мера не возникла в вакууме. С 2022 года США поэтапно урезали поставки передовых AI-чипов в Китай, ограничивая экспорт линеек A100, H100, а затем и адаптированных под ограничения версий вроде H20. В 2025 году запреты дошли до семейства Blackwell и B-серии Nvidia, и окно официальных поставок для тяжёлого обучения нейросетей практически закрылось. На этом фоне доля Nvidia в китайском AI-сегменте, которая ещё в 2022 году оценивалась близкой к девяносто пяти процентам, по данным утечек, фактически падает к нулю в гос-проектах.
В ответ Китай несколько лет выстраивал программy импортозамещения чипов и инфраструктуры, вкладывая более ста миллиардов долларов госфинансирования в AI-дата-центры и “национальные кластеры вычислений”. Новый запрет связывает деньги и политику железа ещё жёстче: раз государство финансирует объект, значит вычислительное сердце должно быть отечественным, а не американским или тайваньским. Для регуляторов это способ не только уменьшить зависимость от санкций, но и принудительно создать гарантированный внутренний рынок сбыта для своих производителей.
Основные бенефициары видны сразу. В директивах и аналитике фигурируют Huawei с линейкой Ascend 910B/910C/910D, а также Cambricon, Enflame, MetaX и другие локальные игроки. Huawei ещё весной 2025 года готовилась к массовым поставкам чипа Ascend 910C, который китайские AI-компании рассматривают как главный рабочий ускоритель после ограничения доступа к Nvidia. Вокруг этих чипов уже строятся готовые стойки и SuperPoD-конфигурации для центров обработки данных.
Основатели: кто стоит за новыми “национальными” чипами. Huawei основал Рен Жэнфэй в 1987 году в Шэньчжэне, стартовый капитал составлял примерно двадцать одну тысячу юаней и маленький офис-квартира, а в первые годы компания занималась продажей телефонных станций. Рен, ранее военный инженер, с конца восьмидесятых выстроил Huawei как производителя телеком-оборудования глобального масштаба и до сих пор остаётся генеральным директором. Cambricon запустили в 2016 году братья Чэнь Юньцзи и Чэнь Тяньши как спин-офф Китайской академии наук, превратив исследовательский проект по AI-процессорам в одного из самых ценных чиповых стартапов страны с фокусом на дата-центры и edge-ускорители.
При этом железо внутри Китая всё ещё не полностью догнало мировых лидеров. Отчёты по тестам показывают, что Ascend 910B и производные чипы в ряде сценариев могут приближаться к Nvidia H20 по производительности, но используют более старую память HBM2E, уступают по объёму и пропускной способности и дают меньший запас по энергоэффективности. Аналитики отмечают, что даже “урезанные” под экспортные ограничения чипы Nvidia всё равно в целом мощнее и удобнее для обучения больших языковых моделей.
Главный разрыв даже не в железе, а в софте. Большая часть стека глубокого обучения на протяжении лет строилась вокруг CUDA и экосистемы Nvidia, на которой работает огромное число библиотек, фреймворков и готовых решений. Переезд на Ascend и альтернативы требует либо использовать мосты, которые транслируют CUDA-код в локальные API, либо переписывать большие фрагменты инфраструктуры. Это не только время и деньги, но и риск новых ошибок, особенно для критичных гос-систем.
Внутри государственно финансируемого дата-центра новый запрет означает полную перестройку проектирования. Архитекторам нужно пересмотреть план закупок, типы стоек, сети передачи данных, требования к электропитанию и охлаждению с учётом других теплопакетов и топологий кластеров. Для разработчиков прикладных систем задача ещё сложнее: адаптировать платформы машинного обучения, MLOps-пайплайны и сервисы инференса так, что-бы они стабильно работали на Ascend или Siyuan без падения качества моделей.
Экономика запрета для Китая выглядит как обмен текущей эффективности на долгосрочную автономию. С одной стороны, государство фактически гарантирует загрузку своим производителям на десятки миллиардов долларов, ускоряет окупаемость вложений в фабрики и НИОКР и создаёт рабочие места в локальной цепочке поставок. С другой стороны, переход на менее производительные и менее зрелые решения может привести к тому, что отдельные AI-проекты потребуют больше стоек, больше энергии и больше инженеров, а это уже прямые расходы бюджетов регионов и министерств.
Для зарубежных игроков последствия очевидны. Nvidia, AMD и Intel рискуют потерять значимый кусок рынка не только по выручке, но и по стратегическому присутствию: именно госдата-центры часто становятся витринными объектами и якорями для экосистем. Часть освободившихся чипов компании могут переориентировать на Ближний Восток, Европу или Латинскую Америку, но эффект масштаба и планирование производственных линий уже искажены, а инвесторам придётся заново оценивать, как выглядит спрос после “отключения” государства в одной из крупнейших экономик мира.
Риски для самого Китая тоже значимы. Жёсткий приоритет отечественных чипов в гос-секторе ускоряет рост локальных компаний, но одновременно может зацементировать отставание от переднего фронта технологий, если производительность и софт так и не дотянут до глобальных лидеров. Кроме того, фокус на закрытом стеке снижает совместимость с зарубежными партнёрами, делает сложнее совместные научные проекты и может привести к тому, что модели, обученные в Китае, будет труднее переносить в мультиоблачные среды за пределами страны.
На горизонте шести–двадцати четырёх месяцев логика выглядит так. Внутри Китая стоит ожидать ускорения поставок чипов Ascend и их аналогов, появления новых поколений кластеров вроде Huawei CloudMatrix, расширения поддержки фреймворков и инструментов миграции с CUDA. Регуляторы, вероятно, постепенно расширят директивы от формально “госфинансируемых” центров к более широкому кругу инфраструктуры, особенно там, где речь идёт о персональных данных граждан и критичных отраслях вроде энергетики и транспорта.
Для инженеров и продуктовых команд “экономика запроса” меняется уже сейчас. Если вы делаете AI-систему под Китай или с расчётом на размещение в китайских дата-центрах, базовый сценарий должен подразумевать поддержку нескольких типов ускорителей, а код и DevOps-пайплайны лучше строить так, что-бы их можно было адаптировать под Ascend или Cambricon без полной переписки. Для глобальных команд это урок о том, что география всё сильнее влияет на стек железа, а значит, архитектура приложений должна быть слоистой и переносимой, иначе зависимость от одной видеокарты легко превращается в бизнес-риск.
Китайским запретом иностранных AI-чипов в госдата-центрах контур “AI-железа” окончательно делится на несколько миров, где правила завязаны не только на технике, но и на месте размещения стойки. Тем, кто строит продукты и сервисы в этой реальности, выгоднее заранее учитывать фрагментацию стека, чем потом догонять её авральными миграциями. Если хочется понимать, как такие решения по ту сторону океана переливаются в цены, задержки и архитектуру сервисов здесь и сейчас, разумно следить за разбором ELEKTRA, сохранять материалы и подписаться на канал, что-бы не пропустить следующие ходы в этой чиповой партии.