Том гүрнүүдийн хиймэл оюун ухааны далд дайн

Хэрвээ та өнөөдөр AI-ийн өрсөлдөөнийг хараад “ямар ч дайн, ямар ч мөргөлдөөн харагдахгүй байна шүү дээ” гэж бодож байвал  үнэндээ яг одоо дэлхийн хамгийн том технологийн тулаан чимээгүйгээр өрнөж байна. Энэ бол танк, пуужинтай дайн биш. Энэ бол сервер, чип, алгоритм, дэд бүтцийн дайн. АНУ ба Хятад хоёр AI-ийн ирээдүйг хэн удирдах вэ гэдгээр давхарга давхаргаар өрсөлдөж байна.

Гэхдээ сонирхолтой нь: бидний ихэнх нь энэ өрсөлдөөнийг огт мэдэрдэггүй. Бид зүгээр л ChatGPT, Claude, NotebookLM, Manus, Cursor зэрэг аппликейшнүүдийг ашиглаад л явж байдаг. Тэгвэл асуулт энд байна: Хэрвээ өрсөлдөөн ийм ширүүн байгаа юм бол яагаад бид өдөр тутамдаа үүнийг анзаарахгүй байна вэ?

Өнөөдөр би танд AI-ийн дэлхийн өрсөлдөөн яг хаана өрнөж, яагаад энэ нь эцэстээ бидний хэрэглэж буй аппликейшнүүд дээр ирж буудаг, мөн АНУ, Хятад хоёрын хүчний тэнцвэр хэрхэн өөрчлөгдөж байгааг шаталсан бүтэцтэйгээр тайлбарлая.

AI-ийг ойлгохын тулд бид үүнийг давхарга давхаргаар харж ойлгох хэрэгтэй.

AI аппликейшн бий болгохын тулд танд том хэлний загвар (LLM) хэрэгтэй.
LLM-ийг сайжруулахын тулд танд асар том серверийн дэд бүтэц хэрэгтэй.
Дэд бүтэц барихын тулд танд дэвшилтэт GPU чипүүд хэрэгтэй.
Чип гаргахын тулд танд хагас дамжуулагчийн үйлдвэрлэл хэрэгтэй.
Үйлдвэрлэл хийхийн тулд танд дизайн, тоног төхөөрөмж, технологийн хяналт хэрэгтэй.

Эдгээр бүх давхаргад АНУ, Хятад хоёр төрийн бодлого, хориг, хөрөнгө оруулалтаар шууд оролцож байна.

Тэгэхээр эхний асуултдаа буцъя. Хэрвээ өрсөлдөөн ийм гүн гүнзгий, ийм их мөнгө, ийм их стратеги шаардсан байгаа юм бол яагаад бид үүнийг харахгүй байна вэ?

Хариулт нь: бидний амьдарч буй давхарга бол хамгийн доод шат  аппликейшний давхарга. Энд л бид ChatGPT, Claude, Manus, NotebookLM, CloudCode зэрэг хэрэгслүүдийг ашигладаг. Гайхалтай нь, өрсөлдөөн хамгийн ихтэй давхарга ч яг энэ.

Яагаад гэвэл энд “entry barrier” буюу оролцох босго маш бага. Өнөөдөр хэн ч үнэгүй, эсвэл бараг үнэгүйгээр AI дээр суурилсан аппликейшн бүтээж чадна. Харин LLM-ийг өөрсдөө бүтээх, дэд бүтэц барих, чип үйлдвэрлэх түвшинд очиход энэ босго асар өндөр болдог.

Одоо бид дараагийн шат руу оръё: LLM-ийн давхарга.

Жишээ авъя. Meta компанийн LLaMA 3.1 загвар. Энэ бол 405 тэрбум параметртэй аварга загвар. Үүнийг сургахын тулд 38 септиллион тооцоолол хэрэгтэй. Энэ төрлийн тооцооллыг AI салбарт FLOPS гэж нэрлэдэг.

Хэрвээ та ганцхан NVIDIA H100 GPU ашиглаад энэ загварыг сургах гэж оролдвол  танд ойролцоогоор 4,486 жил хэрэгтэй. Тийм ээ, мянга мянган жил. Харин нэг ширхэг H100 GPU нь өөрөө 25,000–40,000 доллар.

Тэгэхээр үүнийг бодит хугацаанд хийх цорын ганц арга бол  параллель тооцоолол. Өөрөөр хэлбэл, асар их мөнгө шидэж, олон мянган GPU-г нэг дор ажиллуулах. Meta энэ загварыг сургахын тулд 16,000 ширхэг H100 ашигласан. Зөвхөн тоног төхөөрөмжийн зардал нь 400–640 сая доллар.

Ингэснээр 4,486 жил шаардлагатай ажил 3 сарын дотор дууссан. Энэ бол LLM-ийн ертөнцөд “хэн илүү их тооцоолох хүчин чадалтай вэ?” гэдгийг харуулж байгаа бодит жишээ.

Эндээс нэг дүгнэлт гарна: Meta, OpenAI, Anthropic, Google зэрэг компанитай өрсөлдөх нь жирийн стартапын хувьд бараг боломжгүй. Гэхдээ Хятадад Alibaba, Baidu, ByteDance, Moonshot, DeepSeek зэрэг ийм түвшинд тоглож чаддаг аварга компаниуд бий.

Гэхдээ энд нэг чухал нарийн зүйл байна. LLM-ийг хөгжүүлэхийн тулд танд аль болох олон GPU хэрэгтэй. Жишээ нь, Meta 16,000 H100 ашигласан. Хэрвээ тэдэнд ердөө 8,000 байсан бол сургалт нь 3 сар биш, 6 сар үргэлжлэх байлаа. AI-ийн ертөнцөд 3 сар гэдэг бол бүхэл бүтэн эрин. Тэр хооронд өрсөлдөгчид илүү сайн загвар гаргачихаж мэднэ.

Тиймээс LLM-ийг хөгжүүлэх өрсөлдөөнөөс бид автоматаар дэд бүтцийн давхарга руу орж байна. Яагаад гэвэл та LLM-ийг сайжруулахын тулд түүнд тохирох дэд бүтэц зайлшгүй хэрэгтэй.

АНУ-ын жишээ:
Meta  ойролцоогоор 350,000 H100 GPU-тэй дэд бүтэц.
OpenAI  Stargate төслөөр дамжуулан ирээдүйд 2 сая GPU ашиглах зорилготой.
xAI  Мемфис хотод Colossus нэртэй аварга байгууламж барьж, 350,000 GPU-ийн хүчин чадалд хүрэхээр хөрөнгө оруулж байна.

Эдгээр тоонууд нь AI дэд бүтцийн тулаан ямар хэмжээний капиталаар өрнөж байгааг харуулна.

Харин Хятадын хувьд байдал өөр. АНУ-ын компаниуд шиг H100 зэрэг дэвшилтэт чипүүдэд чөлөөтэй нэвтрэх боломж Хятадад байхгүй. Учир нь АНУ экспортын хатуу хориг тогтоосон.

2022 оны аравдугаар сард NVIDIA-ийн A100, H100 чипүүдийг Хятад руу экспортлохыг хориглосон.
2023 онд энэ хоригийг улам чангатгасан.
2025 онд H20 чип хүртэл хязгаарлагдсан.

Өөрөөр хэлбэл, Хятадын AI компаниуд хамгийн сайн GPU-д чөлөөтэй хүрч чадахгүй. Энэ нь дэд бүтцийн давхаргад Хятадын өмнө асар том “entry barrier” буюу босго үүсгэсэн.

Гэхдээ энд сонирхолтой эргэлт гарч ирнэ. Хэрвээ Хятад дэвшилтэт чипгүй бол яаж өрсөлдөж байна вэ?

Үүний хариу нь DeepSeek.

DeepSeek v3 загварыг сургахдаа Хятад компаниуд H100 биш, харин доод түвшний H800 GPU ашигласан. Тэр ч байтугай тэд ердөө 2,048 ширхэг GPU ашигласан.

Гэсэн атлаа 2024 оны арванхоёрдугаар сард DeepSeek v3 гарч, барууны аваргуудын загваруудтай шууд өрсөлдөхүйц гүйцэтгэл үзүүлсэн. Энэ нь дэлхийг гайхшруулсан.

Тоон харьцуулалт хийе:
Meta LLaMA 3.1 → 16,000 H100, 38 септиллион FLOPS, 3 сар
DeepSeek v3 → 2,048 H800, 3.8 септиллион FLOPS, өөрөөр хэлбэл 10 дахин бага тооцоолол

Энэ нь юу гэсэн үг вэ? Хятад илүү цөөн нөөцөөр, илүү үр ашигтай сургаж чадлаа.

Энд асар том үр дагавар бий. Хэрвээ LLM-ийг бага FLOPS-оор сургаж болдог бол, АНУ-ын OpenAI, xAI зэрэг компаниудын хийж буй олон зуун тэрбум долларын дэд бүтцийн хөрөнгө оруулалт асуулт тэмдэгтэй болж эхэлнэ.

Өөрөөр хэлбэл: АНУ “их нөөцтэй байх”-аар давуу талтай байсан бол, Хятад “бага нөөцөөр ихийг хийх” аргаар тоглоомын дүрмийг өөрчилж магадгүй.

Дараагийн давхарга бол нийлүүлэлт (supply). Чип байж гэмээ нь дэд бүтэц ажиллана. АНУ экспортын хориг тавьснаар Хятадын чипийн нийлүүлэлтийг хязгаарлаж байна.

Гэхдээ DeepSeek-ийн жишээ харуулж байна: хориг нь инновацийг бүрмөсөн зогсоохгүй, харин заримдаа илүү хэмнэлттэй, ухаалаг арга руу шахаж магадгүй. “Илүү их нөөц = илүү сайн загвар” гэсэн ойлголтыг “илүү ухаалаг сургалт = илүү сайн загвар” гэдгээр сольж байна.

Одоо бид дараагийн шат руу оръё: үйлдвэрлэл (manufacturing).

Чипийг хэн үйлдвэрлэж байна вэ? Үнэндээ дэлхийн хамгийн дэвшилтэт чипүүдийн дийлэнхийг Тайванийн TSMC үйлдвэрлэдэг. Хятадын стратегийн зорилго бол  гадаад хараат байдлаас гарах, өөрийн чипийг өөрөө үйлдвэрлэх.

Тиймээс 2025 онд Хятад “Made in China 2025” бодлогыг гаргаж, стратегийн салбаруудын 70%-ийг дотоодоос хангана гэж зарласан.

Гэхдээ асуудал энд байна. Чип үйлдвэрлэх фаб (fab) барих нь:
дор хаяж 20 тэрбум доллар,
асар нарийн логистик,
молекулын түвшний нарийвчлал шаарддаг.

Мөн хамгийн чухал саад: EUV lithography гэдэг 250 сая долларын үнэтэй, дэлхийд ганцхан компани үйлдвэрлэдэг төхөөрөмж. Тэр компани бол Нидерландын ASML.

Өндөр хүчин чадалтай CPU, GPU чипүүдийг хийхэд EUV зайлшгүй хэрэгтэй. Харин АНУ-ын бодлогоор ASML Хятад руу EUV зарахыг хориглосон.

Өөрөөр хэлбэл, Хятад чипээ өөрөө үйлдвэрлэхийг хүссэн ч:
фаб барих мөнгө асар их,
EUV төхөөрөмж байхгүй,
технологийн босго маш өндөр.

Эндээс харахад: давхарга бүр дээр АНУ босго босгож, Хятад түүнийг давах арга хайж байна.

Гэхдээ эцсийн асуулт энд байна: Энэ бүхэн бидэнд яаж нөлөөлөх вэ?

Хариулт: бүх зүйл эцэстээ аппликейшний давхаргад бууж ирдэг.

AI ямар ч сайн байлаа гээд, бодит амьдрал дээр ашиглагдахгүй бол үнэ цэнгүй. Эрүүл мэнд, батлан хамгаалах, санхүү, тээвэр, шинжлэх ухаан  эдгээр салбарт AI хэрхэн ашиглагдаж байна вэ гэдгээр л бүх хөрөнгө оруулалт, бүх хориг, бүх өрсөлдөөн зөвтгөгдөнө.

Тиймээс АНУ ч, Хятад ч дээд давхаргуудад (чип, үйлдвэрлэл, дэд бүтэц) асар их мөнгө цутгаж байгаа нь доод давхаргад  бидний хэрэглэдэг бодит бүтээгдэхүүнд нөлөө үзүүлэхийн тулд юм.

ChatGPT, Manus, NotebookLM, Cursor, Lovable, V0, Replit, домэйн тусгай AI шийдлүүд  эдгээр нь “AI өрсөлдөөний үр дүн” юм.

Эцсийн дүгнэлт:

AI-ийн дэлхийн өрсөлдөөн бол зүгээр нэг технологийн өрсөлдөөн биш. Энэ бол дэд бүтэц, үйлдвэрлэл, нийлүүлэлт, инновацийн стратегийн тулаан.

АНУ  их нөөц, их капитал, их дэд бүтцээр.
Хятад  бага нөөцөөр илүү ухаалгаар инновац хийхээр.

Гэхдээ аль нь ялна гэдэг асуултын хариу чипийн үйлдвэр дээр биш, серверийн өрөөнд ч биш  харин таны ашиглаж буй аппликейшн дээр шийдэгдэнэ.

Эцсийн эцэст AI бол зөвхөн технологи биш. Энэ бол бид юу бүтээж, яаж амьдрах вэ гэдгийг тодорхойлох хэрэгсэл. Тиймээс энэ өрсөлдөөн бидний дээр, бидний дунд, бидний өдөр тутмын амьдралд аль хэдийн эхэлчихсэн байна.