МГУ завершил создание суверенной закрытой AI-инфраструктуры на китайских чипах Huawei
По данным T-Invariant (апрель 2026), Московский государственный университет завершил создание изолированной AI-вычислительной инфраструктуры на базе китайских GPU (Huawei Ascend). Проект реализовывался при участии Сбера и государственного финансирования. Это первый академический AI-кластер в России, полностью независимый от западного оборудования. Инфраструктура предназначена для обучения и хостинга суверенных AI-моделей.
Московский государственный университет имени М.В. Ломоносова (МГУ) завершил создание закрытой (изолированной) AI-вычислительной инфраструктуры — первого в России академического кластера для обучения AI-моделей, полностью независимого от западного оборудования.
Параметры инфраструктуры МГУ:
| Параметр | Данные |
|---|---|
| Тип GPU | Китайские (Huawei Ascend серии) |
| Тип кластера | Закрытый / изолированный |
| Связь с западными вендорами | Отсутствует |
| Финансирование | Государственное + Сбер |
| Назначение | Обучение и хостинг суверенных AI-моделей |
| Статус | Завершён (апрель 2026) |
Huawei Ascend как альтернатива NVIDIA: После введения американских санкций на поставки NVIDIA A100/H100 в Россию российские организации вынуждены были искать альтернативы. Huawei Ascend 910B по производительности для LLM-задач оценивается в 50–70% от NVIDIA H100. Однако Chinese ecosystem (CANN vs CUDA) требует специфической адаптации AI-фреймворков.
Стратегическое значение: Создание закрытого AI-кластера в МГУ на китайских чипах — прецедент по нескольким причинам:
- 1.Суверенность: ни одна из западных стран не имеет контроля над этой инфраструктурой
- 2.Академическая база: МГУ — крупнейший поставщик AI-исследователей в России. Кластер даёт им вычислительные ресурсы без санкционных ограничений
- 3.Прообраз национальной стратегии: этот кластер может стать моделью для других университетов и государственных организаций
Ограничения Huawei Ascend:
- Экосистема CANN менее зрелая, чем CUDA от NVIDIA
- Значительная часть open-source AI-инструментов требует адаптации
- Производительность на задачах вывода (inference) ниже на 20–40% vs NVIDIA H100
Для российского B2B:
- Для CTO: Huawei Ascend — реальная альтернатива для on-premise AI-кластеров. Уточняйте у поставщиков актуальную доступность и производительность Ascend 910B2/910C для ваших задач. Западные GPU нелегально дороги — китайские дешевле в 2–3 раза
- Для разработчиков AI: если планируете обучать модели — протестируйте совместимость вашего стека (PyTorch/JAX) с CANN. MindSpore (нативный фреймворк Huawei) менее зрел, но Huawei инвестирует в поддержку PyTorch
- Для CISO: закрытый кластер МГУ — модель для «воздушного зазора» (air-gap) AI-систем. Для организаций с требованиями к изоляции данных — аналогичная архитектура актуальна
Это краткое изложение. Полный текст — на сайте источника:
Читать оригинал: T-InvariantРешения AXIOMA AI по теме статьи
Как это касается вашего бизнеса
Новые ИИ-технологии приносят пользу, когда работают с данными компании и не выносят их наружу. Внедряем ИИ-решения в контуре заказчика: данные остаются внутри периметра.

