Чем заменить Nvidia в России

Найти замену Nvidia в России сегодня не так уж сложно. Серверы с AMD Instinct и Huawei Ascend предлагают российские поставщики, китайские MetaX и Hygon тоже можно заказать. Есть даже возможность арендовать сервер с AMD MI300X, не выкладывая сразу десятки миллионов. Казалось бы, выбирай подходящий ускоритель и запускай свои модели. Но на практике все не так просто.

Российские компании уже активно испытывают альтернативные GPU. По информации IT-World, MWS AI и Rubytech после доработки программного обеспечения сумели увеличить производительность комплекса с китайскими ускорителями в 2–2,2 раза. Fplus и Astra Cloud столкнулись с проблемами совместимости, а две китайские платформы в испытаниях Yadro достигли примерно половины скорости Nvidia H100 NVL. Причем дело даже не всегда в самих ускорителях. Иногда оборудование способно на большее, но программное обеспечение пока не позволяет использовать все его возможности.

При этом более низкая производительность не обязательно означает проигрыш в деньгах. ИТ-холдинг Т1 провел свыше тысячи тестов более чем 20 моделей и пришел к выводу, что в отдельных корпоративных задачах китайские ускорители позволяют снизить стоимость инференса в 2–2,5 раза. Для компании, которая использует ИИ для обработки документов или поиска по внутренней базе знаний, такая экономия может оказаться важнее рекордной скорости генерации.

Но и здесь не все однозначно. Более дешевый ускоритель может потребовать доработки приложений, настройки библиотек и дополнительного оборудования. А если речь идет об обучении больших языковых моделей, требования к производительности, памяти и объединению ускорителей совсем другие. Поэтому сравнивать только цены и паспортные характеристики бессмысленно.

Что можно купить вместо Nvidia

Найти в России сервер с альтернативными ускорителями уже не проблема. Предложения есть, причем от разных производителей. Но наличие оборудования в каталоге еще не означает, что его можно быстро получить и сразу приступить к работе. Важно и то, насколько хорошо оно поддерживает привычные ИИ-приложения и сколько усилий потребуется на их адаптацию.

С AMD ситуация понятнее. Компания давно выпускает серверные ускорители и развивает для них собственную программную платформу ROCm. Ее линейка Instinct рассчитана на высокопроизводительные вычисления и задачи искусственного интеллекта. В России предлагаются серверы с MI300X и MI325X, хотя фактические сроки поставки и наличие оборудования придется уточнять у продавцов.

Можно обойтись и без покупки. Например, «АТОМДАТА» предлагает в аренду серверы с AMD MI300X, а также Nvidia H100 и H200. Это позволяет проверить, как собственные приложения работают на другом оборудовании, прежде чем тратить на его покупку десятки миллионов рублей.

С Huawei все сложнее. Компания развивает собственную линейку Ascend и предлагает не только отдельные ускорители, но и готовые вычислительные системы. В частности, серверы Atlas и комплексы SuperPoD рассчитаны на работу с большими моделями и объединение множества ускорителей. Однако заказчик получает не просто другую аппаратную платформу, а отдельную программную среду. Вместо привычной CUDA придется работать с инструментами Huawei CANN и совместимыми версиями ИИ-фреймворков.

Китайские MetaX и Hygon пока менее известны российским заказчикам, но их ускорители уже испытывают отечественные разработчики и интеграторы. В частности, как сообщал IT-World, «Рексофт» создал лабораторию для проверки китайских GPU, в том числе их совместной работы с Nvidia в одной инфраструктуре.

MetaX развивает собственную программную платформу MXMACA, а Hygon предлагает ускорители DCU и инструменты для работы с ними. Оба производителя стремятся упростить перенос приложений с Nvidia, однако полной совместимости с CUDA пока нет. Часть программ требует адаптации, что увеличивает стоимость и сроки перехода.

Есть и другие китайские производители, среди которых Moore Threads, Biren, Cambricon и Iluvatar CoreX. Их ускорители тоже рассматриваются как альтернатива Nvidia, но информации о реальных поставках и использовании в России пока немного. Поэтому судить об их возможностях приходится преимущественно по данным производителей, а не по результатам российских внедрений.

Паспортные характеристики мало говорят о том, как ускоритель поведет себя в реальной работе. Для запуска больших языковых моделей важны объем и скорость памяти, для обучения еще и обмен данными между GPU. А при массовой обработке запросов на первый план выходит стоимость вычислений. Насколько сильно эти различия влияют на результат, уже показали испытания российских компаний.

Что показали российские испытания

MWS AI и Rubytech испытали восемь китайских ускорителей на языковых моделях Cotype Pro 3 с 27 млрд параметров и Cotype Light 3 с 9 млрд. После оптимизации ПО производительность комплекса в отдельных задачах выросла в 2–2,2 раза. Причем, как сообщал IT-World, оборудование при этом не меняли. Речь, правда, идет об ускорении относительно первоначальных результатов самого комплекса, а не о сравнении с Nvidia.

Yadro изучила предложения восьми китайских производителей и протестировала ускорители четырех из них. По данным «Коммерсанта», две платформы в отдельных тестах на моделях Qwen и DeepSeek достигли примерно половины производительности Nvidia H100 NVL. Какие именно, компания не раскрыла.

Читайте также

ASUS ExpertBook Ultra (B9406CAA): невесомый флагман для тяжелых задач

Когда речь заходит о премиальных бизнес-ноутбуках, обычно ожидаешь строгий дизайн, хорошую сборку и умеренную производительность — производительность в этом сегменте традиционно приносили в жертву компактности и автономности.

ИТ-холдинг Т1 решил оценить не столько скорость, сколько стоимость вычислений. Компания провела более тысячи тестов на 20 с лишним ИИ-моделях и пришла к выводу, что в отдельных корпоративных задачах стоимость инференса можно снизить в 2–2,5 раза. Например, использование MetaX C550 вместо Nvidia H100, по расчетам Т1, может сэкономить более 2 млн рублей в год при неполной загрузке H100.

У Fplus и Astra Cloud результаты оказались менее удачными. Компании столкнулись с проблемами совместимости ПО, а производительность китайских ускорителей не оправдала ожиданий. Для полноценной работы потребовалась дополнительная адаптация программ.

Главная проблема не в железе

Купить сервер с другим ускорителем сегодня проще, чем перенести на него уже работающую ИИ-систему. И дело даже не столько в оборудовании, сколько в программах. За годы Nvidia создала вокруг своих ускорителей целую экосистему, к которой привыкли разработчики и от которой теперь непросто отказаться.

В основе этой экосистемы лежит CUDA. Это программная платформа, благодаря которой приложения могут использовать GPU для вычислений. Под нее создано множество библиотек и инструментов для работы с искусственным интеллектом. Причем разработчик может даже не знать, что его программа зависит от CUDA. Достаточно, чтобы ее использовала хотя бы одна из подключенных библиотек.

У конкурентов Nvidia тоже есть свои программные платформы. AMD развивает ROCm, Huawei использует CANN, MetaX предлагает MXMACA, а Moore Threads создает MUSA. Все они позволяют работать с ИИ на собственных ускорителях, но перенести на них готовые приложения без изменений удается далеко не всегда.

Проще всего ситуация с AMD. Ее платформа ROCm поддерживает PyTorch и другие популярные инструменты машинного обучения. Иногда для перехода достаточно заменить библиотеки и изменить настройки. Но если программа использует возможности, доступные только в CUDA, без переделки кода уже не обойтись.

С Huawei сложнее. Для своих ускорителей Ascend компания разработала платформу CANN, а для работы с PyTorch предлагает специальное расширение torch_npu. Благодаря этому на Ascend можно запускать многие ИИ-модели, но далеко не все привычные библиотеки и приложения будут работать без изменений. Некоторые придется дорабатывать, особенно если они используют нестандартные вычислительные операции.

MetaX и Moore Threads также пытаются упростить переход с CUDA. Их платформы поддерживают некоторые привычные разработчикам инструменты и интерфейсы. Однако это не означает, что готовые приложения Nvidia заработают на китайских ускорителях без доработки.

Сложнее всего компаниям, которые уже много лет используют Nvidia. Если приложения специально оптимизировали под CUDA, при переходе на другие ускорители придется переделывать код, искать замену привычным библиотекам и заново проверять работу системы. Это требует времени и денег, причем расходы на такую переделку могут оказаться выше экономии от покупки более дешевого оборудования.

Сколько стоит замена Nvidia

С ценами на альтернативы Nvidia пока не все так просто. Например, в каталогах российских поставщиков серверы с восемью ускорителями AMD MI300X предлагаются от 22,1 млн рублей, а с MI325X от 29,1 млн рублей. Но это лишь цены из каталогов. Сколько оборудование обойдется на практике, зависит от комплектации и условий поставки.

С китайскими ускорителями определенности еще меньше. Серверы с Huawei, MetaX и Hygon российские поставщики предлагают, но стоимость обычно рассчитывают под конкретный заказ. Публичных цен немного, а сколько за такое оборудование действительно платят российские компании, неизвестно.

Впрочем, сама по себе цена сервера мало о чем говорит. Допустим, китайский ускоритель стоит вдвое дешевле Nvidia, но и работает вдвое медленнее. Тогда для той же нагрузки может понадобиться вдвое больше оборудования. И где здесь экономия? А бывает наоборот. Если компания использует ИИ для поиска по документам или работы корпоративного чат-бота, зачем ей платить за Nvidia H100, возможности которого она все равно не использует?

Есть и еще одна статья расходов, которую легко недооценить. Если приложения уже работают на Nvidia, переход на другие ускорители может потребовать переделки кода, настройки библиотек и дополнительных испытаний. Причем заранее трудно сказать, сколько это будет стоить.

А что с российскими ускорителями?

Российские нейропроцессоры есть, причем некоторые уже используются на практике. Правда, большинство из них предназначено для распознавания изображений, анализа видео и других специализированных задач. Для обучения больших языковых моделей нужны совсем другие мощности. Поэтому полноценной отечественной замены Nvidia H100 или AMD Instinct пока нет. Но это вовсе не значит, что российским разработчикам нечего предложить.

Например, российская компания «ХайТэк» разрабатывает ускорители LinQ на базе собственных тензорных процессоров. В ее линейке есть решения для робототехники, промышленного оборудования и серверов. Один из них, LinQ HPQ, представляет собой плату с четырьмя процессорами LinQ H и заявленной производительностью до 96 TOPS INT8. В марте 2026 года ускоритель включили в реестр российской промышленной продукции.

Читайте также

Вайбкодинг: реальный инструмент или опасная игрушка?

Вайбкодинг позволяет создавать ПО без знания языков программирования, но грозит скрытыми уязвимостями, ростом затрат на проверку кода и потерей контроля над ИИ-агентами. Эксперты IT-World обсуждают реальные кейсы, риски и новые требования к разработчикам.

Причем речь уже не только об отдельных платах. Как сообщал IT-World, в октябре 2026 года компания представила готовый комплекс с LinQ HPQ и иммерсионным охлаждением для распознавания образов и технического зрения.

Есть и более компактные решения. Например, LinQ HX с производительностью до 30 TOPS и энергопотреблением до 40 Вт предназначен для робототехники, беспилотников и систем компьютерного зрения.

Для более серьезных задач «ХайТэк» совместно с РСК и «Гравитоном» представила комплекс LinQ HPC. Разработчики заявляют производительность до 1920 TOPS INT8 и до 1280 ГБ оперативной памяти. По их данным, система может одновременно обслуживать более ста нейросетевых моделей.

Правда, сравнивать эти цифры с характеристиками Nvidia H100 напрямую нельзя. TOPS показывает скорость выполнения определенного типа операций, но не то, насколько быстро ускоритель справится с конкретной нейросетью. Здесь многое зависит от памяти, программного обеспечения и самой модели. При этом результаты независимых сравнительных испытаний LinQ HPC и Nvidia в открытых источниках найти не удалось.

Еще один российский разработчик, НТЦ «Модуль», занимается нейропроцессорами уже много лет. Компания создала собственную архитектуру NeuroMatrix и выпускает на ее основе процессоры и вычислительные модули. Например, на базе NM6408 предлагаются ускорители NM Card, NM Mezzo Mini и NM Quad для обработки изображений, видео и других данных.

Причем это не просто опытные образцы. По информации производителя, оборудование поставляется разработчикам систем видеоаналитики и встраиваемых решений, а технологии «Модуля» используются на железнодорожном транспорте, в промышленности и медицинской диагностике. Для обучения больших языковых моделей такие процессоры не предназначены, зато вполне могут справляться с распознаванием объектов и анализом изображений.

Собственный ИИ-ускоритель разрабатывает и «Байкал Электроникс». Как ранее писал IT-World, в сентябре 2026 года компания показала прототип вычислительного ядра, на основе которого планирует создать Baikal-AI-E1. Он предназначен для устройств, где нейросети должны работать самостоятельно, без обращения к облаку. Например, для роботов, интеллектуальных камер и промышленного оборудования.

Самое интересное, что разработчик обещает совместимость с CUDA. Если это удастся, существующие приложения Nvidia будет проще перенести на российский ускоритель. Правда, пока Baikal-AI-E1 существует лишь в виде прототипа на программируемой логике FPGA, а не готовой микросхемы. Насколько хорошо он будет работать с CUDA-приложениями пока не понятно.

Есть собственные разработки и у НПЦ «Элвис». Компания занимается процессорами для компьютерного зрения, робототехники и встраиваемых систем. Один из ее проектов, RoboDeus, предполагает создание многоядерного процессора с аппаратным ускорением нейросетевых вычислений. Правда, пока информации о серийном производстве и реальной производительности этого решения немного.

Создание собственного аналога серверных GPU требует не только разработки процессора, но и производственных мощностей, высокоскоростной памяти, программного обеспечения и серьезных инвестиций. О масштабе затрат говорит хотя бы запрос на 15 млрд рублей для разработки российских ИИ-ускорителей, о котором сообщал IT-World.

Так чем все-таки заменить Nvidia?

Заменить Nvidia в России уже можно. AMD подходит для серьезных вычислений, китайские ускорители способны удешевить инференс, а российские разработки находят применение в специализированных задачах. Но ни одна из этих альтернатив пока не предлагает одновременно сопоставимую производительность, зрелую программную экосистему и простой переход с CUDA.