Искусственный интеллект всё чаще воспринимается как программная технология: модели, алгоритмы, нейронные сети и огромные массивы данных. Однако развитие современных систем ИИ непосредственно зависит от гораздо более материального ресурса — высокопроизводительных вычислительных ускорителей.
Именно тысячи и десятки тысяч GPU и специализированных AI-чипов, объединённых в крупные вычислительные кластеры, позволяют обучать большие языковые модели, генераторы изображений и видео, научные модели, системы распознавания, автономного управления и другие решения нового поколения.
Поэтому одним из важнейших показателей технологического потенциала государства становится уже не только количество разработчиков или научных публикаций, но и объём доступных вычислительных ресурсов.
При этом определить точное количество GPU в каждой стране невозможно. NVIDIA, AMD, Google, Amazon, Huawei и другие производители и владельцы инфраструктуры не публикуют полной географической статистики. Значительная часть оборудования находится в закрытых корпоративных дата-центрах, а крупные облачные компании распределяют ускорители между несколькими государствами.
Поэтому для международного сравнения правильнее использовать не абсолютное число физических видеокарт, а совокупную вычислительную мощность AI-кластеров.
Одной из наиболее распространённых единиц такого сравнения становится H100-equivalent — эквивалент производительности ускорителя NVIDIA H100.
Почему количество GPU само по себе мало о чём говорит
Условные 100 000 современных ускорителей NVIDIA B200 могут обеспечивать значительно большую вычислительную мощность, чем 100 000 A100 предыдущего поколения.
Кроме NVIDIA существуют:
- Google TPU;
- AWS Trainium;
- AMD Instinct MI300X;
- Huawei Ascend;
- специализированные ускорители Microsoft;
- другие ASIC и AI-чипы.
Поэтому простой рейтинг вида «в стране находится 500 000 GPU» может быть технически бессмысленным.
Для оценки возможностей обучения искусственного интеллекта важны одновременно:
- поколение ускорителей;
- их количество;
- пропускная способность памяти;
- скорость соединения между ускорителями;
- архитектура дата-центра;
- доступная электрическая мощность;
- эффективность охлаждения;
- программная инфраструктура;
- возможность объединения десятков тысяч ускорителей в единый кластер.
Современное обучение frontier-моделей фактически превращается в задачу строительства огромной вычислительной фабрики.
Сколько вычислительных мощностей для ИИ существует в мире
Stanford Institute for Human-Centered Artificial Intelligence в отчёте AI Index 2026 оценивает совокупный мировой объём современной AI-вычислительной мощности приблизительно в 17,1 млн H100-equivalent.
Это не означает существование ровно 17,1 млн физических NVIDIA H100. Речь идёт о приведении различных типов ускорителей к условной производительности H100.
По оценке Stanford, мировая вычислительная мощность для ИИ увеличивается приблизительно в 3,3 раза в год начиная с 2022 года. NVIDIA по-прежнему обеспечивает более 60% совокупной мощности AI-ускорителей, однако всё большую роль играют Google TPU, Amazon Trainium и собственные китайские разработки.
Такой рост показывает, что главным ограничением развития ИИ постепенно становится не столько создание нового алгоритма, сколько возможность физически построить вычислительную инфраструктуру достаточного масштаба.
Какие страны обладают крупнейшей инфраструктурой для искусственного интеллекта
Один из наиболее подробных публичных массивов данных ведёт исследовательская организация Epoch AI. Она отслеживает крупные GPU-кластеры и суперкомпьютеры, используемые для обучения и работы искусственного интеллекта.
В базе Epoch AI находится более 500 подобных вычислительных систем. Исследователи подчёркивают, что база покрывает лишь часть мирового рынка — ориентировочно 10–20% совокупной вычислительной мощности GPU-кластеров. Поэтому показатели необходимо рассматривать как оценку структуры мирового рынка, а не как полный реестр всех GPU.
По последнему сопоставимому распределению производительности крупных AI-кластеров картина выглядит следующим образом.
| Страна / регион | Доля отслеживаемой производительности AI-кластеров | Положение |
|---|---|---|
| США | около 74,5% | абсолютный мировой лидер |
| Китай | около 14,1% | второй крупнейший центр |
| Европейский союз | около 4,8% | значительно уступает США и Китаю |
| Норвегия | около 1,8% | крупная концентрация относительно размера страны |
| Япония | около 1,4% | один из крупнейших азиатских центров после Китая |
| Остальной мир | около 3,5% | распределён между множеством государств |
Источник: Epoch AI. Данные основаны на вычислительной производительности отслеживаемых GPU-кластеров, а не на простом количестве физических видеокарт.
Разрыв чрезвычайно велик. США обладают примерно тремя четвертями вычислительной производительности крупных известных AI-кластеров в выборке Epoch AI.
Даже совокупная инфраструктура Европейского союза оказывается в несколько раз меньше американской.
США: центр мировой AI-инфраструктуры
Соединённые Штаты занимают уникальное положение сразу в нескольких звеньях цепочки создания искусственного интеллекта.
На американском рынке работают:
- NVIDIA;
- AMD;
- Google;
- Microsoft;
- Amazon;
- Meta;
- OpenAI;
- Anthropic;
- xAI;
- Oracle.
Именно здесь находятся крупнейшие покупатели AI-ускорителей и строятся самые масштабные специализированные дата-центры.
Stanford AI Index 2026 приводит ещё один показательный показатель: в США находится 5427 дата-центров, более чем в десять раз больше, чем в любой другой отдельной стране. Разумеется, далеко не каждый из них предназначен для обучения искусственного интеллекта, но инфраструктурная база создаёт огромное преимущество.
Epoch AI в сентябре 2026 года отслеживал 93 крупнейших AI-дата-центра с общей мощностью около 14 млн H100-equivalent. Значительная часть самых мощных объектов находится именно в США.
Среди них:
Colossus 2
Комплекс xAI в Мемфисе оценивается более чем в 1,1 млн H100-equivalent.
По масштабу это уже не обычный дата-центр, а самостоятельный промышленный объект, предназначенный прежде всего для искусственного интеллекта.
Microsoft Fairwater Atlanta
Оценочная производительность — около 769 тыс. H100-equivalent.
Amazon / Anthropic New Carlisle
Около 686 тыс. H100-equivalent.
Google Pryor
Около 637 тыс. H100-equivalent.
Meta Prometheus
Около 600 тыс. H100-equivalent.
OpenAI Stargate Abilene
Около 509 тыс. H100-equivalent.
Масштабы становятся особенно понятны при сравнении с ещё недавно считавшимися огромными кластерами на несколько десятков тысяч GPU.
Сегодня отдельный американский объект может обладать вычислительной мощностью, эквивалентной сотням тысяч или даже более миллиона H100.
Почему США получили такое преимущество
Американское лидерство объясняется сочетанием нескольких факторов.
Крупнейшие технологические компании
Основные глобальные покупатели GPU находятся именно в США. Microsoft, Amazon, Google, Meta, Oracle и xAI способны инвестировать десятки миллиардов долларов ежегодно.
Доступ к передовым ускорителям
Хотя производство наиболее современных чипов исторически концентрировалось у тайваньской TSMC, крупнейшими заказчиками являются американские компании.
Капитал
В 2025 году частные инвестиции в искусственный интеллект в США достигли приблизительно 285,9 млрд долларов, тогда как в Китае — около 12,4 млрд долларов. При этом китайская цифра не отражает полностью государственное финансирование.
Электроэнергия
Крупнейшие AI-дата-центры требуют уже сотен мегаватт, а будущие кампусы — гигаваттов электрической мощности.
Поэтому способность быстро подключить новый объект к энергосистеме становится стратегическим преимуществом.
Облачная инфраструктура
AWS, Microsoft Azure, Google Cloud и Oracle Cloud одновременно выступают владельцами вычислительной инфраструктуры и продавцами доступа к ней.
Это позволяет американским компаниям использовать GPU не только для собственных моделей, но и сдавать вычислительную мощность всему миру.
Китай: второй центр глобальной гонки ИИ
Китай занимает второе место по совокупной производительности крупных AI-кластеров.
Epoch AI оценивает китайскую долю примерно в 14% отслеживаемой мировой мощности. Однако исследователи отдельно предупреждают, что китайская инфраструктура представлена в открытых источниках значительно хуже американской.
Фактический разрыв поэтому может быть меньше, чем показывает публичная статистика.
Китай одновременно столкнулся с серьёзным ограничением — американским экспортным контролем на поставки наиболее производительных NVIDIA GPU.
Это привело к двум параллельным процессам.
Первый — развитие собственных ускорителей.
Главным китайским конкурентом NVIDIA постепенно становится линейка Huawei Ascend.
Например, AI-дата-центр Huawei в Horinger во Внутренней Монголии оценивается примерно в 89 тыс. H100-equivalent, а объект Huawei Wuhu — примерно в 76 тыс. H100-equivalent. Оба используют ускорители семейства Ascend 910C.
Второй процесс — аренда вычислительной мощности за пределами Китая.
Характерный пример появился в октябре 2026 года: Tencent договорился об аренде приблизительно 100 000 современных AI-чипов Oracle, которые физически будут находиться в дата-центрах Юго-Восточной Азии. Стоимость соглашения оценивается примерно в 7 млрд долларов на пять лет.
Это показывает важную особенность современной AI-экономики: вычислительная мощность компании и вычислительная мощность территории — уже не одно и то же.
Китайская компания может использовать десятки тысяч GPU, находящихся физически в Малайзии или другой стране.
Европейский союз: сильная промышленность, но дефицит масштаба
Европа обладает мощной научной базой, собственными суперкомпьютерами и развитой энергетической и телекоммуникационной инфраструктурой.
Тем не менее в коммерческой AI-инфраструктуре она значительно уступает США.
По данным Epoch AI, страны Европейского союза в совокупности обеспечивали около 4,8% производительности известных крупных AI-кластеров.
Это примерно в 15 раз меньше американского показателя.
Европейские государства пытаются изменить положение через программу EuroHPC и развитие так называемых AI Factories.
Количество государственных и государственно-частных AI-суперкомпьютеров в Европе и Центральной Азии увеличилось с 3 в 2018 году до 44 к 2025 году.
Отдельное значение имеет суперкомпьютер JUPITER — первая европейская система экзафлопсного класса.
Франция, Германия, Финляндия и другие страны также увеличивают инвестиции в специализированные вычислительные мощности.
Однако европейской проблемой остаётся отсутствие собственных компаний масштаба AWS, Microsoft, Google или Meta, которые могли бы системно закупать сотни тысяч AI-ускорителей.
Норвегия: неожиданный участник верхней части рейтинга
Присутствие Норвегии среди крупнейших регионов по вычислительной мощности ИИ кажется неожиданным, однако оно объяснимо.
Для дата-центров страна обладает несколькими существенными преимуществами:
- дешёвой гидроэнергетикой;
- прохладным климатом;
- высокой надёжностью энергосистемы;
- политической стабильностью;
- хорошей телекоммуникационной инфраструктурой.
Для крупных AI-кластеров стоимость электроэнергии и охлаждения становится критически важной.
Поэтому государства с небольшой численностью населения могут занимать непропорционально большую долю рынка AI-дата-центров.
Япония
Япония сохраняет значительную инфраструктуру высокопроизводительных вычислений и остаётся одним из крупнейших технологических центров Азии.
Её доля в выборке Epoch AI составляет приблизительно 1,4% производительности крупных AI-кластеров.
На первый взгляд показатель невелик, однако глобальная инфраструктура чрезвычайно концентрирована: после США и Китая доли отдельных государств быстро уменьшаются.
Япония также стремится обеспечить национальным разработчикам доступ к вычислительным мощностям и снизить зависимость от иностранных облачных платформ.
Тайвань: небольшая территория с критическим значением для всего мира
Особое место занимает Тайвань.
По количеству работающих AI-кластеров он не конкурирует с США, однако именно здесь находится TSMC — компания, производящая практически все наиболее передовые AI-процессоры мира.
Stanford AI Index подчёркивает, что почти все ведущие AI-чипы зависят от одного тайваньского производителя.
Это означает, что существуют две разные карты технологического влияния:
карта вычислительных мощностей — где физически работают ускорители;
и
карта производства полупроводников — где сами ускорители производятся.
На первой доминируют США.
На второй Тайвань остаётся одним из важнейших государств мира.
Основные технологии, определяющие развитие искусственного интеллекта
Рынок постепенно перестаёт быть исключительно рынком NVIDIA GPU.
NVIDIA H100 и H200
H100 стал фактической базовой единицей современной AI-инфраструктуры.
Именно поэтому аналитики используют термин H100-equivalent.
H200 увеличивает объём и пропускную способность памяти и лучше подходит для крупных моделей.
NVIDIA Blackwell B200 и GB200
Поколение Blackwell представляет следующий этап масштабирования инфраструктуры.
Ключевая особенность заключается уже не только в производительности отдельного GPU, но в возможности объединять большое количество ускорителей в системы NVL72 и крупные кластеры.
Google TPU
Google много лет развивает собственные Tensor Processing Units.
В некоторых крупных дата-центрах используются десятки и сотни тысяч TPU.
Например, один только комплекс Google Mesa оценивается Epoch AI примерно в 290 тыс. H100-equivalent, несмотря на то что физически там используются преимущественно TPU, а не H100.
Amazon Trainium
Amazon пошёл по аналогичному пути и разработал собственные ускорители Trainium.
Для AWS это стратегически важно: компания снижает зависимость от NVIDIA и одновременно предлагает клиентам собственную платформу для обучения моделей.
AMD Instinct
AMD MI300X и последующие поколения постепенно становятся второй крупной универсальной GPU-платформой после NVIDIA.
Главное преимущество AMD — возможность создать альтернативу практически монопольной CUDA-экосистеме NVIDIA.
Huawei Ascend
Для Китая Huawei Ascend имеет уже не только коммерческое, но и стратегическое значение.
Экспортные ограничения делают создание собственной полноценной аппаратной экосистемы необходимым условием технологической независимости.
GPU становится новым стратегическим ресурсом
В XX веке промышленную мощь страны можно было приблизительно оценить по объёму производства стали, нефти, электроэнергии или автомобилей.
В XXI веке к этим показателям постепенно добавляется доступная вычислительная мощность.
Причина заключается в том, что передовой искусственный интеллект требует огромных капитальных затрат.
Для создания сильной модели недостаточно иметь несколько сотен GPU.
Современные компании строят инфраструктуру на десятки и сотни тысяч ускорителей, а крупнейшие проекты уже переходят к эквиваленту миллиона H100.
Это принципиально меняет экономику разработки ИИ.
Небольшая компания может создать удачный алгоритм, но обучение модели frontier-класса постепенно становится доступным лишь ограниченному числу компаний и государств.
Электроэнергия становится таким же важным ресурсом, как чипы
Самая интересная тенденция ближайших лет заключается в том, что дефицит GPU постепенно дополняется дефицитом электрической мощности.
93 крупнейших AI-дата-центра, отслеживаемых Epoch AI осенью 2026 года, имеют примерно 13,5 ГВт IT-мощности.
С учётом охлаждения и вспомогательной инфраструктуры фактическая необходимая мощность оценивается примерно в 17,6 ГВт.
Для сравнения: речь идёт уже о потреблении, сопоставимом с крупными городами и даже небольшими государствами.
Один современный AI-кампус может требовать сотни мегаватт.
Следующее поколение объектов проектируется уже в масштабе одного и нескольких гигаватт.
Поэтому будущими центрами ИИ могут становиться территории, обладающие одновременно:
- дешёвой электроэнергией;
- свободной мощностью энергосистемы;
- быстрым строительством сетевой инфраструктуры;
- доступом к оптоволоконным линиям;
- стабильным политическим режимом;
- возможностью импортировать современные ускорители.
Кто реально лидирует в мировой гонке
По состоянию на 2026 год можно выделить три различных уровня лидерства.
США — лидер вычислительной инфраструктуры
Соединённые Штаты обладают крупнейшей концентрацией AI-дата-центров, крупнейшими облачными платформами и наиболее мощными корпоративными кластерами.
Китай — единственный системный конкурент
По абсолютной вычислительной мощности Китай пока значительно уступает США, но обладает огромным внутренним рынком, собственной технологической базой, Huawei, Alibaba, Tencent, ByteDance и крупными государственными программами.
Особенно важно, что качество китайских моделей быстро приближается к американскому.
Stanford AI Index 2026 отмечает, что разница между лучшими американскими и китайскими моделями по ряду современных тестов практически исчезла.
Европа — потенциальный третий центр
Европа обладает капиталом, наукой, энергетикой и промышленностью, но пока не обладает сопоставимой концентрацией частных AI-компаний и вычислительных мощностей.
Её дальнейшее положение будет зависеть от успеха EuroHPC, AI Factories и способности привлечь крупные частные инвестиции.
Условный рейтинг стран и регионов по AI-вычислительной инфраструктуре
Если учитывать одновременно существующую вычислительную мощность, строительство новых кластеров, доступ к современным ускорителям и собственную технологическую базу, приблизительная картина выглядит следующим образом.
| Место | Страна / регион | Текущая позиция | Основное преимущество | Основное ограничение |
|---|---|---|---|---|
| 1 | США | безусловный лидер | NVIDIA, hyperscalers, капитал, огромные кластеры | энергосети и стоимость строительства |
| 2 | Китай | главный конкурент | масштаб рынка, Huawei, государственные инвестиции | ограничения доступа к передовым западным GPU |
| 3 | ЕС | крупный, но раздробленный игрок | наука, EuroHPC, промышленность | недостаток hyperscale AI-инфраструктуры |
| 4 | Япония | сильный технологический центр | развитая электроника и HPC | меньший масштаб частных инвестиций |
| 5 | Норвегия | крупный инфраструктурный узел | дешёвая энергия и охлаждение | небольшой внутренний AI-рынок |
| — | Тайвань | особая стратегическая роль | производство наиболее передовых чипов TSMC | геополитическая концентрация производства |
| — | Южная Корея | перспективный технологический центр | Samsung, SK Hynix, память HBM | относительно небольшая собственная AI-инфраструктура |
| — | государства Персидского залива | быстро растущий сегмент | капитал и дешёвая энергия | зависимость от иностранных технологий |
Важно: это не рейтинг физического количества видеокарт. Публично достоверного полного счётчика GPU по государствам не существует.
Почему точное число GPU по странам узнать невозможно
Любые таблицы, утверждающие, например, что «в США находится 5 млн GPU, в Китае — 1 млн», следует воспринимать осторожно.
Есть несколько причин.
Во-первых, компании не обязаны раскрывать число закупленных ускорителей.
Во-вторых, один владелец может использовать оборудование сразу в нескольких странах.
В-третьих, Google TPU или Huawei Ascend нельзя напрямую считать как NVIDIA GPU.
В-четвёртых, часть оборудования используется для inference, а не для обучения моделей.
В-пятых, производительность разных поколений отличается в несколько раз.
Именно поэтому профессиональные исследовательские организации постепенно переходят от показателя «количество GPU» к показателям:
H100-equivalent, FLOP/s, энергопотребление AI-кластера и стоимость вычислительной инфраструктуры.
Как будет выглядеть следующий этап мировой гонки
Самый заметный тренд — резкий рост размеров кластеров.
Несколько лет назад система из 10 000 GPU считалась огромной.
Затем появились кластеры на 100 000 ускорителей.
Сегодня крупнейшие объекты измеряются уже сотнями тысяч H100-equivalent, а Colossus 2 превышает отметку в миллион.
Следующий этап, вероятно, будет связан с инфраструктурой на несколько миллионов H100-equivalent в рамках одного кампуса.
Это означает, что конкурентоспособность государств будет зависеть уже не только от способности купить процессоры.
Необходимо одновременно решить вопросы:
- генерации электроэнергии;
- подключения к высоковольтным сетям;
- строительства дата-центров;
- производства трансформаторов;
- жидкостного охлаждения;
- поставок HBM-памяти;
- производства передовых полупроводников;
- высокоскоростных сетевых соединений;
- доступа к капиталу;
- подготовки инженеров.
ИИ из преимущественно программной отрасли постепенно превращается в одну из наиболее капиталоёмких отраслей мировой экономики.
Страна, обладающая алгоритмами, но не имеющая доступа к вычислительной инфраструктуре, становится зависимой от иностранных облачных платформ. Страна, обладающая большим количеством дата-центров, но не имеющая современных ускорителей, сталкивается с другим технологическим ограничением.
Именно сочетание полупроводников, электроэнергии, дата-центров, сетей, программного обеспечения и капитала формирует реальную инфраструктуру искусственного интеллекта.
Сегодня наиболее сильная комбинация этих факторов находится в Соединённых Штатах. Китай остаётся единственным государством, которое строит практически полностью самостоятельную альтернативную экосистему. Европа пытается сформировать третий независимый вычислительный контур, а Тайвань и Южная Корея сохраняют критическое значение благодаря производству полупроводников и памяти.
По мере того как стоимость обучения самых мощных моделей достигает миллиардов долларов, география GPU и AI-дата-центров становится уже не технической деталью отрасли, а одним из показателей экономической и технологической силы государства.