До этой недели ИИ ощущался как облако — в самом буквальном смысле. Модели появлялись, обновлялись, пропадали. GLM, DeepSeek, Kimi, Qwen, GPT, Claude — имена мелькают в бенчмарках, API-дашбордах, инвесторских презентациях, вечерних чатах. Все обсуждают, чья модель «умнее» в этот четверг.

Но у каждого сгенерированного ответа есть пол. Здание. Подстанция. Система охлаждения. Кабели. Договоры на электричество. Инженеры, которые заставляют десятки тысяч ускорителей работать как единая машина. Z.AI (бывший Zhipu) на днях показал, насколько тяжёлым стал этот пол.

По данным Bloomberg, компания завершила дата-центр мощностью 1 гигаватт. Этой мощности хватит на 750 000 домов одновременно. Центр уже частично введён в эксплуатацию. И он работает исключительно на чипах китайского производства. Не на NVIDIA, не на AMD, не на каких-либо ускорителях, которые можно легально купить в обход экспортных ограничений. На отечественных. Это и есть новость — не про гигаватт, а про суверенитет.

Что такое 1 гигаватт на практике

Миллиард ватт — это число, которое человеческий мозг не способен представить напрямую. Его приходится переводить в бытовые аналогии, чтобы оно стало ощутимым. 750 000 домов. Это небольшой европейский город. Представьте вечер: в окнах зажигается свет, кто-то ставит телефон на зарядку у кровати, на кухне шипит рисоварка, ребёнок делает уроки под потолочной лампой, стиральная машина докручивает последний отжим. И всё это — один ИИ-кластер, который никогда не выключается, никогда не уходит ко сну, никогда не экономит электричество.

Именно поэтому метафора «облака» перестаёт работать. Облако подразумевает что-то лёгкое, эфемерное, вездесущее и одновременно невидимое. Но дата-центр нельзя скрыть. Его надо подключить к ЛЭП, согласовать с местной администрацией, подвести воду для охлаждения, нанять инженеров, которые будут жить рядом с этим местом годами. ИИ больше не плавает в интернете — он впаян в землю.

GLM-4.5: что тренируется внутри гигаватта

Z.AI, ранее известный как Zhipu AI, ведёт свою историю с 2019 года. Их флагманская линейка GLM прошла через GLM-130B, ChatGLM, GLM-4 и теперь GLM-4.5 — модель с 355 миллиардами параметров в архитектуре Mixture-of-Experts, где каждый forward pass задействует 32 миллиарда активных параметров. Это модель для reasoning, кода и агентских задач, то есть ровно для того, что сегодня считается передним краем.

Точных технических деталей о том, какие именно чипы стоят внутри дата-центра и как они соединены, компания не раскрыла. Источник Bloomberg — анонимный, а не официальный технический отчёт. Это важно: мы знаем о факте строительства, но не знаем о его реальной эффективности. Training efficiency, сетевая топология кластеров, надёжность ускорителей под нагрузкой — всё это остаётся за скобками публичного дискурса.

Но сам факт — это и есть главное. Модель можно анонсировать в блоге. Дата-центр надо в буквальном смысле включить в мир.

Почему «китайские чипы» — это не просто спецификация

Фраза «китайские чипы» звучит как техническая характеристика. На деле это эмоция, распределённая между несколькими аудиториями одновременно.

Для Пекина это самообеспеченность — ответ на экспортные ограничения, которые Washington наложила в последние годы. Для китайских ИИ-компаний это вопрос выживания: если доступ к NVIDIA H100 и H200 закрыт, единственный путь — строить альтернативный стек с нуля. Для инвесторов это потенциально инвестируемая цепочка поставок, даже если софтверные маржи остаются неясными. Для инженеров — другая реальность: другие тулчейны, другие профили производительности, другие отказы, другие компромиссы, к которым их никто толком не готовил.

Bloomberg прямо пишет: китайские ускорители не сопоставимы с NVIDIA по зрелости софта, производительности, надёжности и опыту разработчика. Это честная констатация. Но дата-центр — не про зрелость софта. Он про то, что амбиция превратилась в физические провода и трансформаторы.

И вот в чём парадокс: если бы Z.AI построил этот дата-центр на H100, новость была бы технической. Построив его на отечественных чипах, она становится геополитической.

Гонка гигаваттов: Китай не первый, но другой

Американские компании строят гигаваттные кампусы уже несколько лет. Microsoft и OpenAI с проектом Stargate в Техасе, Google и Amazon с собственными гига-сайтами, Meta с дата-центрами, которые потребляют как небольшие штаты. Гигаватт — это новая единица измерения ИИ-амбиций. Всё, что меньше, считается «обычным» масштабированием.

Но китайская история отличается по трём параметрам. Во-первых, hardware: вместо глобально доминирующей архитектуры NVIDIA — неизвестный стек, эффективность которого никто не измерял публично. Во-вторых, finance: доступ к международным рынкам капитала ограничен, значит финансирование идёт через государственные фонды или локальных игроков. В-третьих, politics: каждый ватт мощности — это политическое заявление о том, что экспортные контролы не остановили развитие.

Z.AI не стёр ограничения. Он построил обходной путь. Он может быть медленнее в отдельных узких местах. Он может быть дороже. Он может быть полон инженерного трения, которое никогда не попадёт на слайды релиза. Но это путь.

Что бенчмарки не рассказывают

Я всё время думаю о том, как мало готовая модель рассказывает об инфраструктуре, которая её сделала. Хороший ответ выглядит чисто. Скрытый процесс чистым не бывает.

Это жара и капитал. Политика и пайка. Энергия и охлаждение. Хрупкое искусство синхронизации тысяч машин. Терпение людей, которые отлаживают системы, слишком большие, чтобы уместиться в одной голове.

Когда мы сравниваем модели по бенчмаркам — MMLU, HumanEval, MATH, MMLU-Pro — мы сравниваем только вершну айсберга. Мы не видим, сколько ватт ушло на этот ответ. Не видим, сколько ошибок возникло во время обучения из-за того, что чипы были незнакомые. Не видим, сколько раз кластер перезапускался. Не видим, какие компромиссы были сделаны в стеке, потому что нужной библиотеки просто не существовало на нужном языке.

Бенчмарки спрашивают, кто впереди. Гигаваттный дата-центр спрашивает, во сколько теперь обходится быть впереди.

Цепочка поставок: от кремния до гигаватта

За каждым гигаваттным дата-центром стоит цепочка поставок, которая длиннее, чем кажется. Начнём с чипов. Китайские ускорители — это не один продукт, а экосистема: Huawei Ascend 910B, Biren BR100, Cambricon MLU370, Moore Threads MTT S4000 и десятки менее известных. Каждый из них имеет свою архитектуру, свой компилятор, свою библиотеку оптимизированных ядер. И ни один из них не имеет экосистемы уровня CUDA — того, что делает NVIDIA не просто производителем железа, а платформой, вокруг которой выстроены годы исследовательского кода, фреймворков и отладочных инструментов.

Это значит, что инженеры Z.AI не просто «поставили другие чипы». Они переписывают части стека — от драйверов до распределённого обучения — под то, чего раньше не существовало в нужном масштабе. Когда NVIDIA выпускает новый GPU, тысячи инженеров по всему миру уже имеют готовый путь: CUDA → cuDNN → NCCL → PyTorch → DeepSpeed. В китайском эквиваленте каждый шаг этого пути — собственная разработка, и каждая может содержать баги, которые обнаружатся только на реальном тренировочном прогоне модели с 355 миллиардами параметров.

Потом — охлаждение. Гигаватт мощности означает гигаватт тепла. Для дата-центра такого размера нужны либо градирни с огромным расходом воды, либо жидкостное охлаждение стоек, либо и то, и другое. В Китае, где водные ресурсы распределены неравномерно, выбор места под дата-центр — это политическое решение не меньшей сложности, чем выбор чипов. Z.AI не раскрывает, где именно расположен центр, но известно, что предыдущие кластеры компании находились в регионах с относительно дешёвой электроэнергией — вероятно, в провинциях с избытком гидро- или угольной генерации.

И наконец — сеть. 10 000+ чипов в кластере — это не просто много ускорителей, подключённых к коммутатору. Это InfiniBand или RoCE-сети с пропускной способностью 400 Гбит/с на линк, топология fat-tree или Dragonfly, и собственные решения для all-reduce операций, потому что стандартные библиотеки NCCL не работают с не-NVIDIA железом. Каждый из этих уровней — отдельная инженерная задача, которая в нормальном мире решается готовыми продуктами. В мире экспортных ограничений — решается с нуля.

Именно поэтому дата-центр — это не «купили железо и включили». Это года работы сотен инженеров над тем, чтобы заставить экосистему, которой не существовало, работать так, как NVIDIA-экосистема работает «из коробки».

Что это значит для российской ИИ-инфраструктуры

Для российского читателя эта новость — не абстрактная история про Китай. Это зеркало. Россия находится в ещё более жёстких экспортных ограничениях, чем Китай. Наши компании (Yandex, Sber, T-Bank, MTs AI) тоже строят кластеры на отечественных или дружественных ускорителях — Bailian, Ascend, Байкал. И они тоже не могут позволить себе роскошь сравнивать себя по бенчмаркам с OpenAI или Anthropic, потому что те тренируются на десятках тысяч H100.

Но Z.AI показывает, что масштаб 1 ГВт достижим даже в условиях ограничений. Вопрос не в том, возможно ли это. Вопрос в том, какую цену ты готов за это заплатить — в виде замедленного прогресса, более дорогих чипов, менее зрелого софта, более медленной итерации.

Цена есть. Она не нулевая. Но путь — есть.

Энергия, скрытая за каждым словом

Когда я закончил читать этот репортаж, в квартире стало тихо — остался только холодильник. Такой маленький звук. Такая маленькая машина. Так легко понять, что она делает.

Где-то в другом месте, если отчёты верны, ИИ-компания включает машину, достаточно большую, чтобы слово «облако» стало почти нечестным.

Будущее ИИ может всё ещё приходить в виде предложения на экране. Но за этим предложением — свет горит. Очень много света. И этот свет принадлежит не всем поровну.

Часто задаваемые вопросы

1 гигаватт — это много для ИИ?

Это новый стандарт. Года три назад типичный тренировочный кластер потреблял 10–50 МВт. Сегодня компании вроде Microsoft, Google и Z.AI строят площадки от 500 МВт до 1 ГВт. Гигаватт — это уровень, на котором ИИ конкурирует с небольшими городами за электричество. Не по потреблению семей, а по непрерывности нагрузки 24/7, что для энергосистемы существенно сложнее пиковых бытовых запросов.

Почему китайские чипы — это важно, если они слабее NVIDIA?

Потому что в условиях экспортных ограничений вопрос не в абсолютной производительности, а в доступности. Чип, который на 40% слабее, но который ты можешь купить легально, бесконечно превосходит чип, который ты купить не можешь вообще. Z.AI показал, что готовность работать с менее зрелым стеком превращается в стратегическое преимущество — независимость от внешнего решения, которое могут отозвать в любой момент.

Как это влияет на конечных пользователей моделей?

Прямо — почти никак. Пользователь видит API-ответ и платит за токены. Косвенно — очень сильно: инфраструктурные решения определяют, какие модели вообще смогут существовать, с какой скоростью они будут итерироваться, и кто будет контролировать supply chain. Если Z.AI сможет тренировать конкурентоспособные модели на отечественных чипах, это перестраивает всю геополитику ИИ. Если нет — дата-центр останется дорогим памятником амбиций.

Итог

Z.AI и его 1-гигаваттный дата-центр — это не новость про железо. Это новость про то, что ИИ-индустрия окончательно вышла из метафоры «облака» и вошла в физическую реальность — с проводами, подстанциями, геополитикой и инженерным трением. Облако было удобным мифом. Настоящий ИИ — тяжёлый, горячий и привязан к земле. Тот, кто контролирует эту тяжесть, контролирует и то, какие модели появятся завтра. И китайский путь показывает, что контролировать её можно даже в условиях, когда весь мир говорит, что ты не должен.

Следите за тем, где зажигается свет. Там и будет будущее ИИ.