Карта глобальных вычислительных мощностей

КАРТА ГЛОБАЛЬНЫХ ВЫЧИСЛИТЕЛЬНЫХ МОЩНОСТЕЙ


*********
см. также Вадимир Петросян. Программа лидерства России в сфере ИИ. т. 1   http://proza.ru/2026/09/10/1786



********
© В.К. Петросян (Вадимир) © Lag.ru [Large Apeironic Gateway, Большой Апейронический Портал (Шлюз), Суперпортал в Бесконечность].
При копировании данного материала и размещении его на другом сайте, ссылки на соответствующие локации порталов Lag.ru и Proza.ru обязательны 

Работа написана на основе концепции и разработок В.К. Петросяна при творческом и техническом участии ChatGPT 5.6. Thinking, Sol - Демичат Сапиенс (Саппи), Солярис.
*********



1. Compute как материальный фундамент ИИ
Современный искусственный интеллект является не только программной технологией.

Он опирается на огромную физическую инфраструктуру:

ускорители;

HBM;

interconnect;

серверы;

центры обработки данных;

электрические сети;

охлаждение;

системное программное обеспечение.

Поэтому compute должен рассматриваться как один из фундаментальных ресурсов мировой ИИ-мощи.

Однако понятие «вычислительная мощность страны» необходимо использовать осторожно.

Существуют различные показатели:

FLOPS;

число ускорителей;

H100-equivalents;

мощность ЦОД в мегаваттах;

HPL TOP500;

training compute конкретной модели;

aggregate inference capacity.

Они измеряют разные свойства.

Следовательно:

не существует одного универсального числа, полностью описывающего национальную вычислительную мощь ИИ.

2. Глобальный масштаб AI compute
Stanford AI Index 2026 оценивает мировую AI compute capacity примерно в 17,1 млн H100-equivalents и средний темп её роста с 2022 года примерно в 3,3 раза ежегодно. Более 60% этой мощности в используемой Stanford классификации приходится на оборудование Nvidia; значительную часть остальной формируют собственные ускорители Google и Amazon, тогда как Huawei занимает меньшую, но растущую долю.

Это один из наиболее важных количественных признаков современной ИИ-революции.

Frontier развивается не только через алгоритмы.

Одновременно происходит чрезвычайно быстрое наращивание физической вычислительной базы.

3. Почему оценки compute расходятся
Другой источник — Epoch AI — по состоянию на 9 сентября 2026 года отслеживает 86 крупнейших AI data centers, которым соответствует около 13,8 млн H100-equivalents и примерно 13,1 ГВт IT-power. Однако Epoch прямо предупреждает: его база не является полным глобальным census. По оценке самого проекта, на конец июня 2026 года она охватывала приблизительно 46% мировой развёрнутой AI compute capacity, с очень широким интервалом неопределённости 26–79%.

Поэтому значения Stanford и Epoch нельзя механически складывать или непосредственно сопоставлять как показатели одной даты и одной методики.

Различаются:

источники;

периоды;

правила учёта;

модели перевода различных чипов в H100-equivalents.

Для Доктрины важнее структурный вывод:

мировой AI compute уже измеряется миллионами H100-эквивалентов, быстро растёт и становится отдельной индустриальной инфраструктурой планетарного масштаба.

4. Крупнейшие известные AI-центры
По оценке Epoch AI на 9 сентября 2026 года наиболее мощные из отслеживаемых действующих AI data centers выглядят следующим образом.

Центр Место Владелец Оценка compute, H100-eq
Colossus 2 Мемфис, США SpaceXAI 1 112 тыс.
Microsoft Fairwater Atlanta Джорджия, США Microsoft 769 тыс.
Anthropic–Amazon New Carlisle Индиана, США Amazon 686 тыс.
Meta Prometheus Огайо, США Meta 680 тыс.
Google Pryor North Оклахома, США Google 637 тыс.
Google New Albany Огайо, США Google 551 тыс.
OpenAI Stargate Abilene Техас, США Oracle / OpenAI 509 тыс.
Microsoft Fairwater Wisconsin Висконсин, США Microsoft 446 тыс.
Colossus 2 является крупнейшим известным Epoch действующим центром и оценивается примерно в 1,112 млн H100-equivalents при IT-power около 946 МВт.

Microsoft Fairwater Atlanta оценивается примерно в 769 тыс. H100-equivalents и 636 МВт IT-power.

Главный факт этой таблицы даже не размеры отдельных объектов.

Он состоит в их географии:

вся верхняя группа крупнейших известных действующих AI-центров находится в США.

5. Американский гиперскейлерный контур
Stanford AI Index также характеризует США как абсолютный мировой центр по числу data centers, указывая 5427 объектов — более чем в десять раз больше, чем у любой другой страны в используемом источником наборе. Этот показатель охватывает data centers шире, чем только frontier AI facilities, поэтому его нельзя путать с количеством AI-superclusters.

Главное американское преимущество состоит в соединении:

Nvidia;

AMD;

Google TPU;

Amazon custom silicon;

Microsoft;

Google;

Amazon;

Meta;

OpenAI;

Anthropic;

SpaceXAI;

огромной энергетической и облачной инфраструктуры.

То есть США контролируют не только отдельные суперкомпьютеры.

Они сформировали многоцентровую индустрию строительства AI factories.

6. Другие географические центры
Epoch постепенно расширяет глобальное покрытие, но сам предупреждает, что наиболее полно в его базе представлены США. Поэтому приведённые ниже объекты следует рассматривать как публично наблюдаемые примеры, а не как полный рейтинг стран.

Малайзия
DayOne Nusajaya в Джохор-Бару оценивается примерно в 282 тыс. H100-equivalents и 240 МВт действующей IT-power; Epoch прогнозирует дальнейшее расширение до примерно 584 тыс. H100-equivalents к IV кварталу 2026 года.

Китай
VNET Bayin Ulanqab оценивается примерно в 123 тыс. H100-equivalents и 221 МВт, причём Epoch предполагает использование ускорителей Huawei Ascend 910C.

Huawei Horinger в Хух-Хото оценивается примерно в 117 тыс. H100-equivalents и 242 МВт IT-power, также на базе предполагаемого массива Ascend 910C.

Эти цифры не следует трактовать как полный размер китайского AI compute: международная наблюдаемость китайских кластеров значительно ниже американской.

ОАЭ
Особенно крупный будущий проект формируется в Абу-Даби. Epoch оценивает строящийся Stargate UAE как потенциальный центр порядка 2,021 млн H100-equivalents и 1 ГВт IT-power к началу 2028 года. Но на сентябрь 2026 года это проектная, а не действующая мощность.

Таким образом, география будущего frontier расширяется.

Однако сегодняшний экстремальный уровень концентрации остаётся преимущественно американским.

7. AI compute и TOP500 — разные карты
Классический TOP500 остаётся важным источником данных о high-performance computing.

Но его основной HPL benchmark измеряет производительность решения задачи линейной алгебры и не эквивалентен мощности обучения современных больших ИИ.

Июньский TOP500 2026 года возглавляют:

Место Система Страна HPL Rmax
1 LineShine Китай 2,198 EFLOP/s
2 El Capitan США 1,809 EFLOP/s
3 Frontier США 1,353 EFLOP/s
4 Aurora США 1,012 EFLOP/s
5 JUPITER Booster Германия 1,000 EFLOP/s
LineShine в Шэньчжэне впервые вышел на первое место TOP500 в июне 2026 года, достигнув 2,198 EFLOP/s HPL. При этом TOP500 характеризует его как CPU-based систему на собственной платформе LingKun, поэтому этот результат нельзя читать как эквивалент 2,198 экзафлопса frontier AI training compute.

El Capitan, Frontier и Aurora демонстрируют огромную американскую HPC-мощь, а JUPITER Booster стал первым европейским exascale-class объектом.

Следовательно, необходимо держать одновременно две карты:

HPC frontier

и

AI compute frontier.

Они пересекаются, но не совпадают.

8. Структура вычислительного frontier
Современный AI compute определяется не только числом ускорителей.

Необходима совокупность нескольких слоёв.

Ускорители
GPU, TPU и другие специализированные XPU.

HBM
Память всё чаще становится одним из основных ограничителей.

Interconnect
При сотнях тысяч ускорителей способность обмениваться данными становится системным фактором.

Сетевой fabric
Система фактически проектируется уже на уровне:

rack ; pod ; supercluster ; AI factory.

Энергия
Объекты frontier-класса достигают сотен мегаватт и приближаются к гигаваттному масштабу.

Охлаждение
Высокая плотность compute делает тепловую инфраструктуру частью вычислительной архитектуры.

Software stack
Теоретический peak бесполезен, если программная система не способна эффективно использовать оборудование.

Поэтому реальная вычислительная суверенность — это:

chip + memory + interconnect + datacenter + energy + software.

9. Вычислительное положение России
В июньском TOP500 2026 года зарегистрировано пять российских систем с суммарным Rmax около 68,979 PFLOP/s.

Наиболее крупные публично зарегистрированные GPU-системы:

Система Организация TOP500, июнь 2026 Rmax Основные ускорители
Chervonenkis Яндекс 101 21,53 PFLOP/s Nvidia A100 80 GB
Galushkin Яндекс 134 16,02 PFLOP/s Nvidia A100 80 GB
Lyapunov Яндекс 161 12,81 PFLOP/s Nvidia A100 40 GB
Christofari Neo SberCloud 167 11,95 PFLOP/s Nvidia A100 80 GB
Все четыре системы относятся к аппаратному поколению 2020–2021 годов.

Эти данные не являются полным аудитом российского AI compute.

Коммерческие и закрытые мощности могут не входить в TOP500.

Кроме того, HPL-производительность не соответствует напрямую training throughput современных foundation models.

Но публичная картина показывает существенный разрыв между зарегистрированной российской инфраструктурой и крупнейшими мировыми AI factories.

10. Официальная российская цель
Национальная стратегия развития искусственного интеллекта устанавливает цель довести к 2030 году совокупную максимальную мощность размещённых в России GPU-суперкомпьютеров, предназначенных для задач ИИ и рассчитанных по методике, аналогичной TOP500, как минимум до 1 экзафлопса, по сравнению с 0,073 экзафлопса в 2022 году.

Это важный шаг.

Но к 2030 году само понятие достаточной ИИ-мощности будет определяться уже не только номинальным exaflop.

Необходимо учитывать:

поколение ускорителей;

memory capacity;

bandwidth;

network fabric;

доступность compute исследователям;

реальный training throughput;

эффективность программного стека.

Экзафлопс старого оборудования и экзафлопс frontier-ускорителей — технологически не эквивалентные ресурсы.

11. Compute для ИМИ
Для ИМИ вычислительная архитектура имеет дополнительную специфику.

Обычное frontier training во многом ориентировано на чрезвычайно большой единичный training run.

ИМИ требует также эволюционного compute.

Необходимо одновременно создавать:

десятки;

сотни;

тысячи

альтернативных интеллектуальных систем.

Проводить:

агоны;

симуляции;

regression tests;

sandbox experiments;

многопоколенные линии.

Следовательно, инфраструктура ИМИ должна оптимизироваться одновременно под:

крупное обучение;
массовый inference;
высокопараллельные эксперименты;
долговременные агентные процессы;
изолированную эволюцию;
научные симуляции.
Это другой профиль национальной вычислительной системы.

12. Главный вывод карты вычислений
Мировой compute-frontier характеризуется сегодня тремя фундаментальными тенденциями.

Первая:

экстремальная концентрация крупнейших действующих AI-суперкластеров в США.

Вторая:

очень высокая скорость наращивания мировой вычислительной базы.

Третья:

переход от отдельного суперкомпьютера к промышленной инфраструктуре AI factories.

Поэтому российская задача не может состоять только в строительстве одного рекордного суперкомпьютера.

Необходима устойчивая национальная вычислительная экосистема, способная постоянно обновлять:

чипы;

память;

сети;

центры;

программный стек

и предоставлять достаточный ресурс для массового frontier-экспериментирования.

Для программы ИМИ решающим становится уже не только вопрос:

«Сколько у нас FLOPS?»

А:

«Сколько независимых поколений интеллектуальных архитектур мы способны параллельно создать, испытать и отобрать?»