Huawei Ascend или NVIDIA: что выбрать для ИИ в России

Huawei Ascend или NVIDIA: ответ зависит от задачи. Для инференса популярных открытых моделей Ascend подходит: сервер Atlas 800 A3 на восьми Ascend 910C несёт 1 ТБ памяти HBM, почти как 1 128 ГБ у DGX H200, и запускает DeepSeek и Qwen. Для обучения собственных моделей и исследований надёжнее NVIDIA: память у H200 быстрее, а под CUDA написана большая часть библиотек для машинного обучения. Ниже сравним железо, программный стек и сценарии.

Две платформы в двух словах

NVIDIA выпускает GPU и программную платформу CUDA, на которой построено большинство фреймворков для ИИ. В нашем каталоге это карты RTX и H200 NVL, системы DGX и серверы на платформе HGX.

Huawei выпускает NPU Ascend, специализированные процессоры для нейросетей, и собственный программный стек CANN. На их основе собраны карты и серверы Atlas. Названия 910B и 910C Huawei официально не публикует, но они общеприняты в отрасли, поэтому дальше мы указываем и чип, и модель сервера.

Если вы ищете альтернативу NVIDIA для ИИ, серверы Huawei Atlas в каталоге выглядят так:

• Atlas 800I A2 и 800T A2: восемь Huawei Ascend 910B, 512 ГБ HBM, высота 4U. Первый рассчитан на инференс, второй на обучение.
• Atlas 800T A3 / 800I A3: восемь Ascend 910C, 1 ТБ HBM, 10U. Текущий флагман Huawei.
• Atlas 350: карта PCIe на новом Ascend 950PR со 112 ГБ HBM, представлена в марте 2026 года. Доступность поставок уточняйте отдельно.

Железо: Ascend 910B, 910C и 950PR против H200

Сравним чипы Huawei с H200, который стоит в DGX H200 и серверах на HGX H200.

	Ascend 910B	Ascend 910C	Ascend 950PR	NVIDIA H200
Где стоит	Atlas 800I A2, 800T A2	Atlas 800 A3	Atlas 350	DGX H200, HGX H200
Память на чип	64 ГБ HBM	128 ГБ HBM	112 ГБ HBM	141 ГБ HBM3e
Скорость памяти	1,6 ТБ/с	3,2 ТБ/с	1,4 ТБ/с	4,8 ТБ/с
Связь между чипами	392 ГБ/с	784 ГБ/с	до 424 ГБ/с	900 ГБ/с (NVLink)
FP4	нет	нет	есть	нет
Память системы на 8 чипов	512 ГБ	1 ТБ	—	1 128 ГБ
Высота системы	4U	10U	карта PCIe	8U
Потребление системы	до 5,8 кВт (800T A2)	до 14,6 кВт	до 600 Вт на карту	до 10,2 кВт

Скорость памяти 910B указана по карте Atlas 300I A2 на том же чипе с 64 ГБ. Связь между чипами для 910B и 910C взята из спецификаций серверов (у Huawei это шина HCCS), для 950PR это связь между картами.

Что видно из таблицы:

• По объёму памяти флагманы сопоставимы. И Atlas 800 A3, и DGX H200 вмещают DeepSeek V3 или R1 в 8-битном формате (около 700 ГБ) с запасом под кеш.
• По скорости памяти впереди H200. Теоретический потолок скорости генерации пропорционален ей: на одной и той же модели у H200 он в полтора раза выше, чем у 910C, и втрое выше, чем у 910B. Реальная скорость ниже и сильно зависит от софта.
• NVLink быстрее связи между чипами Ascend. Это важно, когда модель разрезана на восемь чипов, а для крупных моделей так всегда.
• FP4 у Huawei появился только в 950PR. У NVIDIA он есть в поколении Blackwell, но не в H200.
• Atlas 800 A3 занимает больше места и потребляет больше электричества, чем DGX H200: 10U и до 14,6 кВт против 8U и до 10,2 кВт.

Заявленную вычислительную мощность (до 6 ПФЛОПС FP16 у Atlas 800T A3, 32 ПФЛОПС FP8 у DGX H200) производители указывают в разных форматах и условиях, поэтому сравнивать эти числа напрямую некорректно. Тем более что инференс LLM чаще упирается в память, чем в вычисления.

Софт: CUDA против CANN

Железо сравнить просто. Решает обычно программный стек.

Уровень	NVIDIA	Huawei Ascend
Базовая платформа	CUDA	CANN
PyTorch	работает напрямую	через адаптер torch_npu
Собственный фреймворк	—	MindSpore
Движки инференса	vLLM, SGLang, TensorRT-LLM, NIM	MindIE, vLLM Ascend
Открытые модели	практически все	популярные: DeepSeek, Qwen и другие
Библиотеки с кодом на CUDA	работают	нужен порт или замена

У NVIDIA всё начинается с CUDA. Поверх неё работают PyTorch, движки vLLM и SGLang, собственный TensorRT-LLM, готовые микросервисы NIM и корпоративный пакет NVIDIA AI Enterprise. Новые модели и методы оптимизации, как правило, сразу выходят с поддержкой CUDA.

У Huawei роль CUDA выполняет CANN. Над ним работают:

• MindSpore, собственный фреймворк Huawei для обучения и инференса;
• PyTorch через адаптер torch_npu: обычный код на PyTorch переносится сравнительно просто, а всё, что опирается на расширения под CUDA, придётся переписывать;
• MindIE, движок инференса Huawei;
• vLLM Ascend, вариант vLLM для NPU Ascend с тем же OpenAI-совместимым API.

Что запускается без лишней работы

Популярные открытые модели, включая DeepSeek V3 и R1 и линейку Qwen3, работают на Ascend через MindIE и vLLM Ascend. Если ваша задача это корпоративный ассистент, поиск по базе знаний или обработка документов на такой модели, пользователи сервиса заметят разницу с NVIDIA в основном в скорости ответа, а не в возможностях. О запуске полной модели DeepSeek на разном железе мы писали в статье «Сервер для DeepSeek».

Где понадобится работа

• Собственный обучающий код. Скрипты на PyTorch часто переносятся, но свои CUDA-ядра, нестандартные слои и тонкие оптимизации придётся адаптировать и заново проверять.
• Нишевые библиотеки. Всё, что содержит код на CUDA, без отдельной версии для Ascend не заработает.
• Свежие архитектуры. Модель, вышедшая на прошлой неделе, может ещё не поддерживаться в MindIE или vLLM Ascend.
• Опыт команды. Инженеры обычно знают инструменты NVIDIA. На освоение CANN нужно время, а готовых ответов на типичные ошибки в сообществе меньше.

Перенос обучения на Ascend возможен, но это отдельный проект со своим бюджетом времени, а не замена драйвера.

Huawei Ascend или NVIDIA: кому что подходит

Когда выбирать Ascend

• Инференс открытых моделей вроде DeepSeek и Qwen без собственных изменений архитектуры.
• Корпоративный ассистент на крупной модели: Atlas 800I A2 с 512 ГБ рассчитан на модели до 235B, Atlas 800 A3 с 1 ТБ на полный DeepSeek 671B.
• Небольшой инференс и видеоаналитика: карта Atlas 300I Duo на 96 ГБ при 150 Вт, подробности в обзоре Atlas 300I Duo.
• Команда готова освоить стек Huawei или уже с ним работала.

Когда выбирать NVIDIA

• Обучение и дообучение собственных моделей, исследования, эксперименты с новыми архитектурами.
• Код и пайплайны уже написаны под CUDA, и их перенос не окупится.
• Нужна максимальная скорость генерации на пользователя: здесь решает скорость памяти, а у H200 она 4,8 ТБ/с.
• Нужны FP4 и максимальная плотность: поколение Blackwell, например DGX B200 с 1 440 ГБ памяти.

Обе платформы сразу

Платформы не исключают друг друга. Веса открытых моделей не привязаны к железу: модель можно дообучить на NVIDIA, а обслуживать на Ascend, если её архитектура поддерживается в MindIE или vLLM Ascend. Для многих компаний разумный вариант такой: исследования на NVIDIA, типовой инференс там, где удобнее по задаче и бюджету.

Как проверить совместимость до закупки

1. Составьте список моделей, которые будете запускать, с точными версиями и форматами (BF16, INT8, 4 бита).
2. Проверьте, поддерживает ли их MindIE или vLLM Ascend и в каких форматах.
3. Перечислите библиотеки и движки в вашем коде. Отметьте те, что используют CUDA напрямую.
4. Оцените нагрузку: сколько одновременных пользователей и какая длина контекста. От этого зависит, хватит ли 512 ГБ или нужен 1 ТБ.
5. Если сомневаетесь, начните с одного сервера, проверьте на нём реальные сценарии и только потом масштабируйте.

Коротко

• Для инференса популярных открытых моделей Ascend рабочий вариант: Atlas 800 A3 даёт 1 ТБ памяти, Atlas 800I A2 512 ГБ.
• H200 быстрее по памяти (4,8 ТБ/с против 3,2 ТБ/с у 910C) и по связи между чипами.
• Главная разница в софте: CUDA остаётся стандартом отрасли, а CANN, MindIE и vLLM Ascend закрывают популярные сценарии, но перенос собственного кода требует работы.
• Обучение и исследования надёжнее вести на NVIDIA, инференс известных моделей можно строить на обеих платформах.

Если не уверены, какая платформа подойдёт под ваши модели, опишите задачу: оставьте заявку, и мы предложим конфигурации на NVIDIA и на Huawei. Цену и срок пришлём в течение рабочего дня.