Kina indhenter regnekraft: Huawei kan udfordre Nvidia

På et investormøde lagde Liang Wenfeng ikke fingrene imellem. DeepSeeks administrerende direktør skildrede et råt, næsten filmisk billede: Kina løber i høj fart for at indhente et regnekraftgab, som engang så uovervindeligt ud, og den tidligere førende aktør kan blive overrasket over, hvor hurtigt feltet udvikler sig.

DeepSeek kører i øjeblikket det, der svarer til cirka 20.000 Nvidia H100-chips, hvoraf størstedelen ankom i løbet af den seneste måned eller to. Den kapacitet lyder enorm. Det er den også. Men den gør dem stadig kun i stand til at aktivere omtrent 10 milliarder parametre ad gangen. Sammenlign det med de førende modeller i dag, som kan holde omkring 800 milliarder parametre aktive samtidig. Forskellen er ikke lille. Den er strukturel.

Hvordan Huawei indgår i ligningen

Liang pegede på Huaweis Atlas 950-noder, drevet af Ascend 950-processorer, som et reelt alternativ. Hans påstand var provokerende: selvom en enkelt Ascend 950 er mindre effektiv end en Nvidia H100, kan en klynge af disse Huawei-noder i praksis matche slut-til-slut-ydeevnen af Nvidias GB200- og GB300-racks. Regnestykket, sagde han, ser omtrent ud som fire Ascend for hver en Nvidia-chip, men den samlede gennemstrømning og latenstid kan ligge så tæt, at substitueringen er mulig.

Nvidia graver sin egen grav, advarede han. Prisforskelle betyder mindre, mente Liang, for selv hvis Huawei-hardware var 50, 100 eller 200 procent dyrere, kunne evnen til at udrulle i stor skala og de politiske fordele ved en indenlandsk forsyningskæde opveje rene omkostningssammenligninger.

Der er en hage. At træne topmoderne store modeller er ekstremt krævende. For at træne en model i skala med de nuværende AI-giganter anslår Liang, at man ville have brug for omkring 50.000 Nvidia-processorer af GB300-klassen eller cirka 200.000 Ascend 950-chips. Det er tal kun for træning; forskning og eksperimenter lægger deres egne beregningskrav oveni. Det hjælper med at forklare, hvorfor kløften i regnekraft mellem Kina og USA fortsat er den største enkeltstående forhindring.

Hvad gør DeepSeek så ved det? For nu udvider firmaet sin infrastruktur aggressivt. Men Liang understregede også et andet kampområde: data. Kvalitetsmærkning, sagde han, er den langsomme flaskehals. Man kan kaste chips efter et problem, men hvis dine labels og kuraterede datasæt halter, går udviklingen i stå. Virksomheder som OpenAI og Anthropic har her et forspring, fordi de tog skridtet tidligere og brugte flere ressourcer på højkvalitetsannotering.

Konklusionen handler ikke kun om chips eller national stolthed. Det drejer sig om samspillet mellem hardware, software, talent og tid. Kina bygger regnekraftkapacitet. Landet investerer også i det tidskrævende, mindre glamourøse arbejde med datasætrengøring og mærkning. Hvis begge spor skrider frem, kan kortet over AI-konkurrenceevne se meget anderledes ud om få år.

Liangs budskab var barskt, men strategisk: dette er ikke en enkelt kamp om en enkelt chip. Det er en lang kampagne, hvor alternativer, der engang så ud til at være af andenrangs, kan blive afgørende, når de skaleres og integreres i en fuld stack. Den forandring kan være det øjeblik, som Nvidia senere vil se tilbage på og kalde afgørende.