Специалисты Московского физико-технического института разработали подход, который позволяет снизить зависимость российских компаний от решений NVIDIA при создании и эксплуатации систем искусственного интеллекта. Сотрудники вуза провели масштабное исследование рынка альтернативных графических ускорителей и на его основе создали Центр компетенций, который поможет бизнесу выстраивать независимую ИИ-инфраструктуру.
Необходимость поиска замены связана с ограниченной доступностью оборудования NVIDIA в России. Компании сталкиваются с долгими сроками поставок, проблемами с загрузкой драйверов и отсутствием официальной поддержки.
Чтобы оценить возможности других платформ, исследователи протестировали ускорители нескольких производителей, включая китайские Moore Threads и MetaX. Основная цель заключалась в проверке их пригодности для полного цикла работы современных моделей — обучения и инференса (процесса применения уже обученной модели) до распределенных вычислений.
Эксперты МФТИ также изучили архитектуру ускорителей, качество драйверов, совместимость с популярными фреймворками и поведение оборудования под высокой нагрузкой. Тесты проводились на задачах компьютерного зрения, запуске больших языковых моделей и построении кластерных конфигураций.
По словам научного директора Института искусственного интеллекта Юрия Визильтера, ключевое внимание уделялось стабильности, воспроизводимости результатов и устойчивости систем при длительной эксплуатации. Исследование показало, что карты Moore Threads s4000 и MetaX C500 позволяют запускать популярные модели, обеспечивают корректную работу фреймворков и демонстрируют предсказуемую производительность.
В ряде сценариев их результаты сравнимы или превосходят показатели NVIDIA A100. Кроме того, разработанный программный стек поддерживает эффективное распределение задач в составе вычислительных узлов и кластеров.
В будущем команда разработчиков планирует расширять список протестированных решений и подготовить отраслевые рекомендации по построению автономной российской инфраструктуры для задач машинного обучения.
Ранее Наука Mail сообщала, что российским химикам удалось ускорить синтез соединений для лекарственных препаратов.
