拥有自己的语言模型并不能使人工智能实现主权化。训练和运行大型模型需要加速器、高速内存、服务器和软件环境——而在这些环节，俄罗斯产业在很大程度上依赖外国供应商。快速实现全面替代并不现实：这需要数年时间和巨额投入。
俄罗斯无线电电子行业协会（РАКИБ）执行董事亚历山大·布拉日尼科夫评估了人工智能领域技术独立的现实边界，并指出了行业的关键瓶颈。
俄罗斯能够自主生产什么
最明显的差距在于先进加速器的生产。据副总理丹尼斯·曼图罗夫称，该国已批量生产300、200、130和90纳米制程的微系统。要过渡到更精细的工艺，需要自有的芯片生产设备。
制程本身并不决定处理器速度。但用于训练大型模型的现代加速器还需要高速内存、复杂的晶片封装和高效的数据传输。只要缺少其中一个组件，设备的性能就会大打折扣。
俄罗斯的“模块”科技中心、“埃尔维斯”科研生产中心和“HiTech”公司正在研发自己的加速器。然而，专用神经处理器和通用图形处理器解决的是不同任务，并不总是可以互换。SNDGLOBAL总经理奥尔加·克瓦申金娜曾评估，一款基于28–65纳米制程的细分市场加速器，从成熟原型到量产产品需要两到四年时间，而且这还是在有保障订单和国家支持的条件下。世界级通用GPU则是一项难度高出一个数量级的任务。
即便有了现成的芯片也无法解决问题。还需要批量生产、兼容的服务器、稳定的组件供应，以及能让设备在真实负载下运行的软件。
关于什么样的芯片才算国产，还存在单独的争论。工业和贸易部曾讨论过加速器本地化体系，以便将其纳入俄罗斯无线电电子登记册，而一位专家认为，俄罗斯架构在中国或东南亚生产也可能成为获得该地位的依据。布拉日尼科夫强调，研发地和生产地是两回事。自有架构能够培养工程能力，但对他人工厂、设备和材料的依赖并不会消失，登记册上的形式记录也无法消除这种依赖。
中国芯片在中国本土也供不应求
今年春天，储蓄银行行长格尔曼·格列夫表示，该行计划将GigaChat迁移到中国微系统上。关于已签署的合同和具体芯片型号并未披露。与此同时，中国最大的互联网公司——字节跳动、腾讯和阿里巴巴——自身也在争抢华为Ascend 950加速器。
中国正在扩大AI芯片产量，但暂时无法完全满足国内需求。上半年，全国共交付200.8万块数据中心加速器。英伟达为67.8万块，占市场的34%；华为为57.2万块，占28%。英伟达的交付量同比下降44%，华为则有所增长。市场结构也在变化：图形处理器交付量减少了26%，为99.1万块，而其他AI加速器增加了近80%，达101.6万块。然而，设备数量并不能说明其总算力，因为它们的架构和用途各不相同。
中国制造商原计划在2026年生产约350万块AI芯片，而需求超过500万块。企业通过英伟达的游戏和专业显卡来填补缺口。字节跳动、阿里巴巴和腾讯订购了超过300万块英伟达RTX PRO 5500显卡，总价值超过350亿美元，而且英伟达并未保证全部数量的供应。这类显卡适用于推理，即用已训练好的模型生成回答，但在训练大型模型时无法替代服务器加速器。
对俄罗斯而言，中国设备是另一条供应渠道。但其可获得性取决于制造商的产能和中国市场自身的需求。转向东方改变的是依赖结构，而非消除依赖。
生态系统比硬件更牢固
英伟达的实力不仅在于芯片性能。储蓄银行董事会副主席亚历山大·韦佳欣今年夏天指出了CUDA的重要性——大多数AI负载开发和运行工具都建立在该平台之上。
多年来，围绕CUDA已形成了由库、驱动程序、编译器和开发工具构成的生态系统。迁移到其他架构意味着需要重写部分代码、重新验证兼容性，并针对新硬件调优性能。因此，比较加速器的价格标签并不能反映迁移的真实成本。
中国公司正试图消除这一障碍。9月，DeepSeek宣布与华为联合为Ascend加速器开发工具，包括开放的计算和数据交换库，并展示了基于128块Ascend 950加速器的解决方案。但这类工具的出现本身并不能证明它们在广泛任务上具有可比性能。需要在真实模型和负载上进行测试。
迁移到其他平台需要多少成本
芯片价格只是支出的一部分。此外还要加上工程师的工作、代码适配、计算正确性验证、可能的性能下降以及系统维护。如果为了达到同样的结果需要更多设备或额外开发，廉价设备在运营中可能反而更贵。
研究者Zheng Yu的预印本展示了这在实践中是什么样子。作者在由16块华为Ascend 910加速器组成的系统上运行了两个推理任务，软件栈为CANN和vLLM-Ascend。为了让模块稳定运行，不得不对源代码做了12处修改。部分加速功能为了计算精度而被禁用，并增加了容错和恢复机制。在其中一个场景中，吞吐量在约四个并行请求流时达到最优，而当达到六个或更多时，队列饱和，错误和超时增加。系统准备第一个请求需要几分钟。
这是某一具体配置的结果，不能推广到所有华为加速器，也不能直接与英伟达比较。但这个例子展示了“迁移到其他平台”这句话背后所隐藏的工作量。
比较平台应当在相同的模型和负载下，依据一系列参数进行：
- 软件迁移所需的时间和人力成本；
- 吞吐量、响应延迟和结果质量；
- 能耗和处理给定数量请求的成本；
- 故障频率和维护成本；
- 如果系统需要再次迁移，二次迁移的价格。
标准化的MLPerf Inference测试有助于解答其中部分问题。在MLCommons于9月发布的6.1版本中，新增了端到端RAG测试和智能体推理测试。但这类基准测试衡量的是给定负载下的性能，而非技术栈迁移成本和总拥有成本。公开数据中没有从英伟达迁移到Ascend或俄罗斯芯片的通用成本评估，而缺乏可比测试的情况下，任何平均百分比和金额都说明不了什么。
不更换芯片也能降低依赖
计算需求可以通过紧凑的专用模型及其运行优化来减少。对于文档解析、请求分类或单项银行业务，并不总是需要通用模型。窄域解决方案可以在性能较弱的硬件上运行，成本更低，而模型压缩和推理优化有助于从现有加速器中榨取更多性能。
对于训练大型模型，仍然需要强大的基础设施。结果取决于任务，以及在不过多损失所需质量的前提下能削减多少计算开支。
另一条路径是支持多种硬件平台的软件。如果模型能在不同架构上运行而无需长时间的代码改造，客户就能更自由地选择设备。在这种方案中，俄罗斯加速器可以覆盖特定的应用任务，即使它们不会成为世界领先者的通用替代品。
主权作为选择的可能性
俄罗斯不必自行生产AI基础设施的每一个组件。但只要其训练和运行依赖于可能因外部原因中断供应的设备，自有模型就无法带来技术自主。中国加速器扩大了选择，俄罗斯研发能够占据细分市场，紧凑模型降低了负载。这些方案中的任何一个单独都无法消除依赖。
当某一制造商停止供应或改变条件危及整个系统时，依赖就变得至关重要。问题不在于放弃外国组件，而在于是否存在真正的替代方案。行业能否迁移到其他平台并在不过度支出和严重损失性能的情况下继续运作——这才是主权的衡量标准。
Cryptalist分析： 该案例表明，在AI基础设施中，壁垒正从硅片转向软件生态系统：即便拥有芯片，迁移成本和软件成熟度也决定着真正的独立性。加速器市场实际上仍在CUDA层面处于垄断状态，因此押注替代平台只有在同步优化模型和多平台软件的前提下才合理。对投资者而言，这是一个信号：该地区的资本将流向应用软件和细分解决方案，而非试图在通用GPU上追赶领先者。