Системный интегратор Auxo подписал соглашение с российскими производителями оборудования «ДАТАРК», OpenYard и «Гравитон». Цель партнёрства — совместное продвижение комплексных решений для модульных центров обработки данных.

Сотрудничество выстроено по принципу полного импортозамещения и замкнутого цикла производства: «ДАТАРК» отвечает за инженерную инфраструктуру модульных ЦОД; OpenYard и «Гравитон» обеспечивают аппаратную платформу (серверы и системы хранения); Auxo занимается интеграцией, а также развитием облачного и прикладного уровня, включая решения на базе искусственного интеллекта. Такой подход позволяет заказчикам получать не набор разрозненных компонентов, а согласованную инфраструктуру под конкретные бизнес-задачи, говорят компании.

Особое внимание в альянсе уделено решениям на базе искусственного интеллекта. Экспертиза Auxo охватывает полный цикл внедрения: от развёртывания локальной и облачной инфраструктуры до создания ИИ-агентов, сервисов OCR/CV и RAG-систем. В портфель готовых к промышленной эксплуатации продуктов входят корпоративные ИИ-ассистенты, инструменты транскрибации встреч, интеллектуальная обработка документов и анализ качества коммуникаций. Это позволит разворачивать безопасные частные облака непосредственно внутри модульных дата-центров.

Источник изображения: «ДАТАРК» / datark.ru

По данным GreenMDC, в 2025 году объем рынка модульных ЦОД в России увеличился на 20 %, при этом рост спроса со стороны заказчиков составил около 30 %. Активный интерес к модульным центрам обработки данных проявляют крупные промышленные предприятия, геологоразведочные организации, государственные структуры, а также научно-исследовательские институты, внедряющие упомянутые вычислительные комплексы с целью оптимизации производственных процессов и «умного» управления системами. Заметный спрос также формирует сектор ретейла и логистики, что во многом объясняется ростом популярности маркетплейсов.

Google значительно опережает конкурентов по продажам ИИ-ускорителей. Как сообщил исполнительный директор Google Томас Куриан на конференции инвесторов Goldman Sachs, бизнес компании по продажам TPU в два раза больше, чем у ближайшего конкурента-гиперскейлера. Согласно отчёту компании за II квартал 2026 финансового года, её выручка от облачных вычислений выросла год к году на 82 % до $24,77 млрд. При этом Google впервые включила продажи ИИ-ускорителей TPU в доходы от облачных вычислений сторонним компаниям.

Куриан заявил, что компания предоставляет лучшую ИИ-инфраструктуру, предлагая три вида чипов — NVIDIA GPU, собственные TPU и кастомные Arm-процессоры Axion. «Мы предлагаем в 2,7 раза лучшие цены на обучение, на 80 % лучшие цены на инференс, на 30 % лучшие цены на процессоры. Всё это позволяет нам выделять наше портфолио среди других поставщиков. Это позволяет нам предлагать решения для финансовых рынков и рынков капитала», — заявил Куриан.

По словам Куриана, платформу Gemini Enterprise использует более чем 90 % компаний из списка Fortune 100 и тысячи малых предприятий. Он отметил, что компании хотят использовать её в качестве агента со способностью к рассуждению, который в конечном итоге позволит автоматизировать рабочие процессы. При этом им важны аудит работы ИИ, средства контроля безопасности над ним и возможность управления затратами и бюджетами для ИИ. «У нас есть все эти средства контроля. И мы позволяем людям использовать правильную модель для решения нужной задачи», — сообщил топ-менеджер Google.

Источник изображения: Google

Куриан рассказал, что Google монетизирует системы TPU с помощью трёх бизнес-моделей: аренда TPU в облаке, продажа TPU напрямую для развёртывания в ЦОД клиентов (как в случае с Anthropic) и продажа TPU через совместное предприятие с Blackstone. Morgan Stanley сообщил в августе: «Мы повышаем наши оценки продаж TPU до $27 млрд с валовой прибылью в 30 %. В целом, мы ожидаем, что Google продаст 0,3 ГВт TPU во II половине 2026 года, 3,2 ГВт в 2027 году и 4,2 ГВт в 2028 году. Это означает, что в 2027 и 2028 годах доходы, связанные с TPU, составят $84 млрд и $108 млрд соответственно».

Как отметил ресурс techblog.comsoc.org, другие облачные провайдеры тоже развивают свои собственные программы на основе ИИ, чтобы уменьшить зависимость от GPU NVIDIA и оптимизировать стоимость, мощность и производительность в зависимости от рабочей нагрузки. У Amazon есть Trainium, у Microsoft — Maia. Аналитики утверждают, что Amazon опережает Microsoft в продаже ИИ-чипов внешним заказчикам. Meta✴ внедряет ИИ-ускорители MTIA, а Oracle решила вместо разработки собственного чипа создавать крупномасштабные ИИ-кластеры с использованием ускорителей NVIDIA и AMD.

К середине 2026 года Meta✴, Amazon, Microsoft и OpenAI ликвидировали отставание по трём ключевым составляющим ИИ-сферы — специализированным чипам, мощностям и моделям, — которыми в 2021 году располагала только Google. Пять из шести крупнейших игроков в области ИИ — Google, Meta✴, Amazon, Microsoft и OpenAI — теперь будут контролировать как минимум два из трёх важнейших компонентов ИИ (чипы, мощности, модели).

Эта тенденция к вертикальной интеграции меняет рынок ИИ-инфраструктуры: гиперскейлеры всё чаще используют кастомные чипы для оптимизации затрат и производительности для конкретных рабочих нагрузок, сохраняя при этом стратегическую гибкость за счёт закупок GPU у нескольких поставщиков.

Компании «Гравитон», «Ключевые ИТ-решения» (ITKey) и MIND Software представили совместную разработку — программно-аппаратный стек для развёртывания корпоративной IT-инфраструктуры. Решение отвечает на один из ключевых запросов российского рынка, проявляющего интерес к многофункциональным вычислительным комплексам отечественного производства с поддержкой виртуализации, хранения данных и облачного управления.

Аппаратной основой решения выступают серверные машины «Гравитон» С2122И типоразмера 2U. Это двухпроцессорная платформа на модульной архитектуре, поддерживающая до 12 NVMe-накопителей. Серверы подходят для создания производительных кластеров виртуализации, программно-определяемых хранилищ и инфраструктуры для ресурсоёмких нагрузок.

Сервер «Гравитон» С2122И (источник изображения: graviton.ru)

За хранение данных отвечает MIND uStor — программно-определяемая система хранения для построения распределённого хранилища на стандартном серверном оборудовании. Благодаря uStor конфигурация стека может включать от 3 до 64 серверов без изменения архитектуры. При использовании соответствующей аппаратной конфигурации с NVMe-накопителями и сетью с необходимой пропускной способностью система обеспечивает производительность, достаточную для широкого спектра современных приложений.

Программно-определяемая система хранения данных MIND uStor (источник изображения: mindsw.io)

Создание виртуализованных сред обеспечивает платформа KeyVirt. Она решает задачи, связанные с запуском и управлением виртуальными машинами, отказоустойчивостью, распределением нагрузки и живой миграцией между физическими хостами.

Облачная платформа виртуализации KeyVirt (источник изображения: keyvirt.ru)

Для крупных и распределённых инфраструктур партнёры также предлагают вариант решения на базе облачной платформы ITKey KeyStack. Она обеспечивает централизованное управление вычислительными ресурсами, хранилищами и сетевой инфраструктурой, автоматизацию развёртывания сервисов, мониторинг, логирование и масштабирование кластеров. KeyStack поддерживает гибридные сценарии, в которых одновременно используются виртуальные машины и контейнеризированные приложения. Платформа уже применяется в крупных инсталляциях, совокупно превышающих 30 тыс. хостов, говорит компания.

Правительство Филиппин представило программу PAIIM (Philippines AI+ Infrastructure Masterplan) — масштабный план развития ИИ-инфраструктуры, в том числе сетей и дата-центров. Общий объём инвестиций должен составить $34,4 млрд. Действующие правительственные программы и частные инвестиции уже покрыли $18,2 млрд. Остальные средства намерены «мобилизовать» за счёт целевых государственных вливаний и привлечения частных инвестиций, особенно при создании ИИ ЦОД гиперскейл-уровня. При этом страна не лишиться важной для неё отрасли аутсорсинга, сообщает The Register.

План предполагает, что частный бизнес суммарно обеспечит $21 млрд инвестиций. Это в разы меньше, чем обычно тратят американские гиперскейлеры или китайские ИИ-компании, владеющие миллионами ускорителей и гигаваттами ЦОД. Впрочем, правительство Филиппин считает, что новый план позволит стране стать региональным ИИ-хабом. Прогнозируется, что совокупная мощность ЦОД вырастет с 50 МВт сегодня до 1,5 ГВт к 2033 году. А в совокупности новые ЦОД получат приблизительно 152 тыс. ускорителей.

Но даже это, по мнению правительства, позволит Филиппинам конкурировать с региональными соперниками вроде Сингапура, которому постоянно не хватает энергии, и Таиланда, который и вовсе приостановил развитие ЦОД. При этом соседняя Малайзия, где только в Джохоре запланированы дата-центры на 4 ГВт (многие в сотрудничестве с Сингапуром) и ещё столько же планируется в других регионах, в проспектах властей Филиппин не упоминается. Соседняя Индонезия тоже застраивается дата-центрами не менее активно.

Источник изображения: phyo min/unsplash.com

Филиппины обучат навыкам работы с ИИ более 1,3 млн специалистов. Также предполагается создание 500 тыс. рабочих мест, связанных с ИИ, из них 175 тыс. — непосредственно касающихся проектов, связанных с ИИ-инфраструктурой. Власти страны ожидают, что инвестиции принесут и косвенные выгоды, в т.ч. повышения качества государственных услуг, укрепление кибербезопасности, совершенствование механизмов управления данными и др. Предполагается, что добиться целей поможет наличие в стране миллионной «армии» технически подготовленных специалистов. В частности, речь идёт о сотрудниках на аутсорсе — эта отрасль должна сама помочь реализацию плана развития ИИ и получить от него выгоду.

Подчёркивается, что PAIIM не станет заменой индустрии аутсорсинга бизнес-процессов. Вместо этого сектор сможет перейти на более высокий уровень в цепочке создания стоимости с использованием искусственного интеллекта. В частности, ИИ будет использоваться для обработки начальных обращений, решения повторяющихся задач и задач, требующих обращения с большими объёмами данных. А сами филиппинские сотрудники смогут выполнять более сложные функции, требующие эмпатии и обеспечивающие «более ценный клиентский опыт».

Впрочем, само существование индустрии услуг аутсорсинга бизнес-процессов на Филиппинах во многом обусловлено именно тем, что автоматизация в зарубежных компаниях сама по себе не могла снизить стоимость обслуживания клиентов до приемлемого уровня. ИИ, вероятно, позволит вывести автоматизацию на новый уровень, с уменьшением сопутствующих затрат, поэтому как именно это скажется на местной аутсорс-индустрии, прогнозировать преждевременно.

Компании Qualcomm Technologies и Amazon объявили о заключении многолетнего соглашения о сотрудничестве. Работы будут осуществляться по нескольким направлениям, включая создание кастомизированных чипов для дата-центров, ориентированных на ИИ-задачи.

Партнёры отмечают, что в настоящее время наблюдается экспоненциальный рост нагрузок, связанных с ИИ. Это приводит к стремительному увеличению спроса на вычислительные ресурсы и хранилища данных. Одновременно повышаются требования к пропускной способности каналов связи. Совместные усилия Qualcomm и Amazon как раз и будут направлены на создание аппаратных решений для высокопроизводительных ИИ-инфраструктур следующих поколений.

Компании, в числе прочего, займутся разработкой передовых чипов, оптимизированных для задач инференса в крупномасштабных дата-центрах. Qualcomm и Amazon также намерены сотрудничать в области высокопроизводительных оптических систем связи: речь идёт о решениях класса 1,6 Тбит/с и выше. При этом будут использоваться технологии Qualcomm, включая DSP и SerDes.

Источник изображения: Qualcomm

В рамках сотрудничества Qualcomm намерена расширить использование облачной инфраструктуры AWS, включая платформу Amazon Bedrock, которая обеспечивает доступ к большим языковым моделям (LLM) и ИИ-инструментам через общий интерфейс. Эти сервисы Qualcomm будет применять для автоматизации проектирования электроники (EDA), что позволит значительно ускорить процессы создания передовых микросхем.

Конечной целью сотрудничества Qualcomm и Amazon называют формирование высокопроизводительной, эффективной и экономичной инфраструктуры для ИИ и сопутствующих нагрузок.

В своей опубликованной не так давно статье Сатоши Мацуока (Satoshi Matsuoka), директор Центра вычислительной науки RIKEN в Кобе (Япония), подверг сомнению устоявшиеся представления о необходимости FP64-вычислений для HPC-задач и встал на защиту схемы Озаки II. Мацуока, по сути, утверждает, что аппаратная поддержка FP64 — не лучший способ выполнения определённых HPC-нагрузок, требующих 64-бит точности, на новых моделях ускорителей NVIDIA. В подтверждение он демонстрирует возможность использования FP8-расчётов с использованием схемы Озаки II для ускорения вычислений при сохранении той же 64-бит точности.

Используя терминологию автомобильных гонок, Мацуока говорит: прекратите использовать автомобили «Формулы-1» (FP64) для максимально быстрого перемещения по трассе HPC и замените их множеством «электровелосипедов» (FP8). Как отметил ресурс HPCwire, формат FP64 десятилетиями отвечал за производительность вычислений с плавающей запятой для приложений HPC. Исторически сложилось так, что производители CPU и GPU неизменно демонстрировали рост производительности в FP64-расчётах на протяжении поколений.

Но на рынке, движимом ИИ нового поколения, предпочтение отдаётся увеличению FP8-производительности. В то время как HPC требуют FP64, для обучения и инференса в ИИ нового поколения достаточно низкой точности расчётов. Ориентируясь на более крупный рынок, NVIDIA снизила производительность FP64 в ускорителях нового поколения (у AMD таких планов нет) и создала разрыв, который, по мнению Мацуоки, может быть заполнен «электровелосипедами» FP8. В связи с этим сообщество HPC задаётся вопросом: «Где мы будем получать производительность в формате FP64? Похоже, мы стали второсортными участниками рынка NVIDIA».

Источник изображений: HPCwire

Следует отметить, что по сравнению с традиционной схемой Озаки I, Озаки II обеспечивает более высокую вычислительную эффективность и лучшую масштабируемость для крупномасштабных высокоточных численных вычислений. В начале 2026 года Кацухиса Озаки (Katsuhisa Ozaki) и два других японских исследователя отметили, что исходный алгоритм Озаки II не может быть напрямую адаптирован к матричным MAC-блокам (умножение и сложение) FP8. В связи с этим они ввели квантование, которое имитирует модульную арифметику в FP8. Благодаря этому Ozaki II поддерживается Blackwell Ultra и Rubin, которые ограничили развитие INT8-производительности в пользу FP8/FP4.

В качестве аргумента Мацуоки привёл графики работы HCP-приложений на конкретных чипах. В целом, на все приложения, работающие на GPU, действует одно из двух ограничений. Первое — это пропускная способность памяти (диагональная линия в левой части графика). Второе ограничение — это пиковая скорость, с которой может работать чип (горизонтальная линия в верхней части изображения).

В точке пересечения линий пропускной способности памяти и пиковой производительности GPU получает данные с той скоростью, с которой он может их обрабатывать, что представляет собой хороший баланс между характеристиками подсистемы памяти процессора. При этом, большинство HPC-приложений ограничены пропускной способностью памяти, т.е. диагональной линией на графике. Снижение FP64-производительности резко меняет эти «пределы» для новых GPU NVIDIA.

Мацуока указал на два важных следствия этих изменений. Во-первых, ранее ограничиваемые памятью ядра (kernel) теперь упираются в вычислительные ресурсы. У B300 соотношение производительности к пропускной способности памяти находится на уровне 0,16 флопс/байт (1,3 Тфлопс/8 Тбайт/с). Во-вторых, тензорные блоки низкой точности (FP4 и FP8) при работе с типичным HPC-ядром, поддерживающим только FP64, простаивают и никак не влияют на время, затрачиваемое ядром на решение. Эта ситуация является наглядным проявлением различия между ИИ-нагрузками и HPC.

Мацуока также отметил, что несмотря на быстрое развитие алгоритмов Ozaki-I и Ozaki-II для операций GEMM (General Matrix-Matrix Multiply), все опубликованные исследования производительности сосредоточены на режиме, ограниченном вычислительными ресурсами, когда метод Ozaki наиболее очевидно в выигрыше благодаря огромному количеству тензорных блоков. Исследователь указал, что ни в одном опубликованном анализе никто не задавался вопросом: когда Ozaki-II становится выгодным для ядер, ограниченных объёмом памяти? Общепринятое мнение заключается в том, что методы EFT, в т.ч. Ozaki-I и II, не могут помочь ядрам с ограниченной пропускной способностью.

Поэтому Мацуока категорически называет нативную FP64-обработку единственным способом достижения производительности уровня HPC при использовании NVIDIA B300 и более поздних версий лишь догмой. Для обоснования своего утверждения Мацуока анализирует производительность с использованием четырех стандартных примитивов HPC:

• GEMM (общее умножение матриц).
• Пакетное GEMV (общее умножение матриц на векторы).
• 7-point Stencil (метод конечных разностей).
• SpMV (разреженное умножение матриц на векторы).

В таблице ниже приведены данные об ускорении вычислений на GPU нескольких поколения при использовании Ozaki-II в FP8-режиме относительно производительности тех же GPU в нативном режиме FP64. За базовый уровень взята производительность H100, последнего ускорителя NVIDIA, архитектура которого сбалансированна и подходит для HPC, а не исключительно для ИИ-инференса.

Мацуока утверждает, что согласно приведённым данным, схема Ozaki-II не ухудшает производительность по сравнению с базовым уровнем H100; напротив, она восстанавливает или улучшает масштабируемость для каждой рабочей нагрузки. «Ozaki-II — это не просто механизм компенсации регрессии NVIDIA в FP64; это механизм, который преобразует экономию площади кремния в <…> более быстрый FP64 с точки зрения приложения», — заявил исследователь.

AMD же повышает FP64-производительность, «поскольку метод Озаки не оправдывает ожиданий». Ранее компания указала на несколько проблем с EFT-методами. Во-первых, такое ПО не соответствует стандарту IEEE и не дает тех же результатов, что запуск кода на реальном FP-64оборудовании. Во-вторых, схема Озаки нацелена на квадратные матрицы. Если таковые в расчётах не используется, то производительность оказывается ниже, чем у нативного FP64-исполнения. В-третьих, традиционные HPC-задачи основаны на векторных расчётах, для которых методы Озаки малоэффективны — менее 10 % таких приложений охвачены матричными расчётами, позволяющими использовать EFT-методы. Но и для тех, что поддерживают такие методы, всё равно придётся переписывать код. Вместе с тем AMD не собирается отказываться от поддержки эмуляции Озаки на своих чипах в качестве резервного варианта.

В правительстве США выразили поддержку обеим концепциям. «В ходе обсуждений с Лизой Су (Lisa Su) и Дженсеном Хуангом (Jensen Huang) я убедился в их твёрдой приверженности формату FP64 и его дальнейшему развитию, — сказал ранее в интервью СМИ заместитель министра энергетики США (DoE) по науке и инновациям. «Это взаимодополняющие технологии», которые будут работать вместе, чтобы поддержать цель миссии Genesis — расширение границ в науке и технике с использованием ИИ. Следует уточнить, что он никогда прямо не заявлял о методах Озаки как о «запасном варианте» по сравнению с традиционными методами FP64 и и не объявлял об использовании эмуляции Озаки в целом.

Arm представила платформу нового поколения Neoverse Compute Subsystems (CSS) N4 для разработки серверных процессоров для ИИ ЦОД. Как сообщает компания, ИИ-инфраструктура становится всё более разнородной: для некоторых развёртываний требуются микросхемы, адаптированные под определённую системную архитектуру или функцию — от специализированных вычислительных платформ до цифровых сигнальных процессоров, сетевых и других специализированных решений.

Новая платформа позволяет внедрить технологии Arm в эти решения, предоставляя партнёрам возможность адаптировать её под свои нужды, сокращая при этом трудозатраты на разработку, риски, связанные с интеграцией, и время, необходимое для создания микросхемы. По словам компании, Neoverse CSS N4 (Ranger) — это самая гибкая вычислительная подсистема Arm, обеспечивающая самый быстрый способ создания кастомных процессоров для ИИ ЦОД.

Arm Compute Subsystems или CSS — это программа создания полукастомных решений, которая позволяет клиентам разрабатывать чипы на основе IP-ядер Arm, настраивая количество ядер, размер кеша, I/O-блоки и возможности подключения в соответствии со своими потребностями. Neoverse CSS N4 поддерживает от 8 до 128 ядер Neoverse N4 с тактовой частотой до 3,8 ГГц (первые в серии N с такой частотой), изготовленных по техпроцессу N3P от TSMC, с поддержкой мультичиплетной и мультисокетной архитектуры.

Источник изображения: Arm

Платформа поддерживает память DDR5/LPDDR6, обеспечивает до 256 Мбайт L3-кеша с ECC на кристалл, до 2 Мбайт L2-кеша с ECC на ядро и по 64 Кбайт L1d/L1i-кеша на ядро. Также платформа поддерживает до 128 линий PCIe 6.0/7.0 (блоки по x16 с бифуркацией до x4) с CXL 4.0, интерфейсы AMBA CHI/AXI и UCIe. Для BMC предполагается использование ASPEED AST2600. По данным компании, Neoverse CSS N4 обеспечивает в 2 раза более высокую производительность, в 1,25 раза более высокую производительность на ватт и в 1,75 раза более высокую пропускную способность памяти по сравнению с Neoverse N3 (Hermes).

Идея состоит в том, чтобы позволить разработчикам чипов тратить больше времени на добавление своих собственных элементов и меньше времени на то, чтобы разбираться, почему предположительно совместимые блоки перестали взаимодействовать друг с другом. CSS поставляется в виде RTL (Register-Transfer Level), который может быть интегрирован в современные EDA-процессы, с руководством по внедрению, поддержкой совместимости с IP-блоками сторонних производителей и интегрированным стеком ПО.

Arm заявляет, что клиенты могут развернуть Linux для проверки и разработки ПО до того, как появится готовый чип. Компания также предложила клиентам, которые не хотят заниматься разработкой собственных чипов, объединить CSS N4 с процессором Arm AGI. Это уже готовый чип для рабочих нагрузок, требующих высокой скорости обработки данных, а CSS N4 позволяет гиперскейлерам и разработчикам чипов адаптировать его под конкретные стойки. По словам компании, OpenAI, Meta✴, Cloudflare, Oracle, SAP, Lenovo, Supermicro и Verda уже разрабатывают системы и сервисы на базе процессора AGI.

ИИ-стартап Anthropic подписал соглашения общей суммой порядка $517 млрд за последние 11 мес. По данным The Information, компилировавшей соответствующие сведения с октября 2025 года, речь идёт о 14,8 ГВт вычислительных мощностей, которыми компания будет пользоваться в ближайшие годы. По данным источника, пожелавшего сохранить анонимность, ещё раньше компания также зарезервировала от 1 до 2 ГВт мощностей.

В последнее время Anthropic быстро наращивает свои вычислительные ресурсы. В конце августа заключено соглашение с Nscale на сумму $45 млрд, а до этого компания подписала с американскими застройщиками более дюжины писем о намерениях, касающихся аренды ЦОД. Кроме того, заключено соглашение на 191 МВт с Riot Platforms на $9,1 млрд. Наконец, компания заключила соглашение с Google на $200 млрд о поставке TPU-ускорителей — эту продукцию Anthropic сможет использовать самостоятельно, без прямого участия Google.

Источник изображения: Brecht Corbeel/unsplash.com

Компания не только арендует дата-центры, но и пользуется услугами облачных провайдеров для получения дополнительных вычислительных мощностей. Крупные сделки по их аренде были заключены с Akamai, AWS (с использованием ускорителей Trainium), крупная сделка на $50 млрд заключена с облачной компанией Fluidstack. Дополнительно известно о сделках со SpaceX/xAI, Google Cloud, Lambda, Volta Infra, CoreWeave, AMD и Microsoft.

Ранее инвесторам сообщалось, что компания намерена арендовать за $180 млрд серверы до 2029 года. Впрочем, с тех пор сумма, вероятно, значительно выросла. По данным The Information, она уже превысила полтриллиона долларов. Впрочем, издание признаёт, что могут быть и прочие сделки, о которых не сообщалось публично. Крупнейшими поставщиками вычислительных мощностей для Anthropic стали Google и AWS, совокупно они обеспечат 11 ГВт.

Если в 2021 году объём рынка российских ЦОД оценивался в 0,8–1 ГВт, то на начало 2026 года он вырос почти вдвое, до 1,8 ГВт с учётом коммерческих и государственных ЦОД, а также объектов, находящихся в ведении корпораций. При этом в следующую пятилетку совокупная мощность ЦОД может дополнительно удвоиться, сообщает «Коммерсантъ» со ссылкой на статистику NF Group.

За последние три года количество стойко-мест коммерческих ЦОД росла на 12–15 % ежегодно, но темпы строительства объектов не успевают за ростом спроса. Порядка 75 % совокупной коммерческой ёмкости ЦОД приходится на Московский регион, ещё 8–10 % — на Санкт-Петербург. Остальные мощности находятся в основном в Екатеринбурге, Новосибирске, Казани и других крупных городах, где сосредоточены крупнейшие заказчики, операторы и сетевая инфраструктура. Локациями с наиболее активным развитием строительства ЦОД экспертами называются Свердловская и Новосибирская области.

Дефицит энергомощностей в Московском регионе по оценкам NF Group, составляет 200–300 МВт. В Москве и Подмосковье на стадии строительства и проектирования находятся объекты на те же 200–300 МВт, но нет гарантий, что все они будут введены в эксплуатацию. При этом в Московской области в десятки раз выросла стоимость аренды земли для ЦОД. Попутно рассматривается вопрос разрешения ЦОД локальной генерации энергии.

Источник изображения: Gilly/unsplash.com

На строительство одного ЦОД мощностью 10 МВт нужен участок в 2–3 га, объекты от 50 МВт требуют 12–14 га. При этом ключевую роль играет не доступная площадь земли, а технические условия, акт технологического присоединения, вид разрешённого использования участка и удалённость от жилых районов — со временем вокруг ЦОД в России намерены создать «зоны отчуждения».

По словам экспертов, 1 га с 10 МВт мощности в Москве или непосредственной близости стоит 0,8–1 млрд руб. Устойчивый рынок подобных участков пока отсутствует, цены на площадки могут отличаться в разы. С учётом стоимости передачи участка и оформления мощностей, подходящая земля может обойтись в 1,1–1,3 млрд руб. Тем временем капитальные затраты на создание новых ЦОД увеличились приблизительно в 2–2,5 раза из-за роста цен оборудования, санкций, роста стоимости строительства и ряда других причин. По некоторым оценкам, около 40 % стоимости проекта может приходиться на «валютную составляющую».

В целом порядка 75 % затрат на строительство ЦОД — создание инженерных систем, 15 % — общестроительные работы, по 5 % приходится на проектные изыскания и прочие системы. Другими словами, экономика ЦОД в первую очередь зависит от инженерной составляющей, а не стоимости здания. При этом за электричество приходится конкурировать с офисными и жилыми проектами, в Московской области — дополнительно со складскими терминалами. В результате сроки реализации проектов увеличиваются, а затраты растут.

По расчётам 3data, в ближайшие 3–5 лет операторы будут заниматься как запуском новых площадок, так и обновлением старых объектов для их адаптации к росту нагрузок. В NG Group прогнозируют, что в следующие пять лет мощность ЦОД в стране может вырасти до 3–3,5 ГВт. При этом некоторые эксперты прогнозируют возможную миграцию операторов в регионы.

По статистике Министерства промышленности и информационных технологий Китая (MIIT), к концу июня текущего года общая мощность ИИ-вычислений в стране составила 2185 Эфлопс. Это на 177 % больше, чем годом ранее. А к концу июля, по данным Национальной комиссии по развитию и реформам, они превысили 2450 Эфлопс. В дальнейшем ожидается их кратное увеличение, сообщает SCMP. КНР намерена развёртывать ИИ-кластеры по 100 тыс. ускорителей и стремительно наращивать национальные ИИ-мощности в следующие пять лет.

Пока же власти наращивают инвестиции в инфраструктуру, необходимую для реализации этих амбициозных планов с сфере искусственного интеллекта. MIIT в своём отраслевом пятилетнем плане поставило цель добиться мощности ИИ-вычислений на уровне 9800 Эфлопс (9,8 Зфлопс) к 2030 году. На развитие информационной инфраструктуры в 2026–2023 гг. намерены потратить ¥3,7 трлн ($532 млрд).

В частности, планом предусматривается «упорядоченное развёртывание» кластеров интеллектуальных вычислений по 10 тыс. ИИ-ускорителей, а также объектов по 100 тыс. и более ускорителей. В то же время будут создаваться специальные вычислительные мощности для инференса, адаптированные под различные задачи и отрасли. Также предполагается развитие инфраструктуры с учётом использования ИИ-чипов китайского производства.

Источник изображения: Road Trip with Raj/unsplash.com

Новые цели — продолжение курса на активное наращивание ИИ-инфраструктуры страны. MIIT сообщает, что на конец июня страна построила 52 объекта для ИИ-вычислений за год, каждый из которых оснащён более 10 тыс. ИИ-ускорителей. Другими словами, для достижения поставленной Китаем на 2030 год цели, стране придётся нарастить вычислительные мощности более чем вчетверо.

Расширение инфраструктуры тесно связано с инициированным в 2022 году проектом «Восточные данные — западные вычисления» (East Data, West Computing), предполагающие перенос вычислительных нагрузок из восточных регионов с высокой плотностью населения и дефицитом земли и энергоресурсов, на западные территории, где земля дешева, а энергии в достатке.

С тех пор Китай уже создал сеть из восьми национальных вычислительных центров, 10 кластеров ЦОД и трёх регионов, делающих акцент на координации вычислительной инфраструктуры с энергоснабжением. Впрочем, пока соответствующая программа не вполне оправдала себя — дата-центры простаивают, а для продажи их мощностей приходится прикладывать усилия.