JakiPrompt.plZapisz się na HeadFlash
Tematy:ClaudeGeminiChatGPTPerplexityCopilot

Blackwell w chińskich modelach AI – nowe dowody

News3 min czytaniaZaktualizowano 15 listopada 2026

Debata o tym, na jakim sprzęcie trenowane są chińskie modele językowe, od dawna opierała się na domysłach i przeciekach. Były badacz OpenAI twierdzi, że znalazł pierwszy techniczny dowód na użycie najnowszych układów Nvidia Blackwell w kilku chińskich systemach AI. Jego analiza opiera się nie na dokumentach, lecz na samych opublikowanych modelach.

Według jego ustaleń sześć modeli wypuszczonych od kwietnia 2026 roku nosi wyraźny ślad generacji Blackwell. Wcześniejsze konstrukcje, takie jak DeepSeek-V3 czy Kimi K2.5, wykazują z kolei cechy starszej generacji Hopper. Badacz przekonuje, że wyniki zostały niezależnie sprawdzone przez doświadczonych specjalistów z OpenAI i Anthropic.

Jak odczytać sprzęt z wnętrza modelu

Każdy model językowy to miliardy liczb zwanych wagami. Zanim rozpocznie się trening, framework PyTorch wypełnia puste miejsca losowymi wartościami wygenerowanymi z tzw. ziarna (seed). Aby rozdzielić ogromną ilość danych, procesor graficzny dzieli pracę między swoje rdzenie obliczeniowe. Różne układy mają różną liczbę rdzeni, więc sam proces wypełniania zostawia charakterystyczny wzór.

Starsze chipy Hopper, takie jak H100 i H800, dysponują 132 rdzeniami. Nowsze Blackwell mają dokładnie 148 lub 152 rdzenie, w zależności od wariantu (B200/B300 albo GB200/GB300). Trening modyfikuje te wartości miliony razy, ale część slotów przypisanych nieużywanym słowom lub symbolom zachowuje pierwotne liczby. Nawet w mocno wytrenowanych fragmentach pozostaje słabe statystyczne echo początkowego rozkładu – twierdzi autor analizy.

Badacz zapewnia, że odtworzył wzór wstecz i dokładnie zreprodukował wyniki dla DeepSeek-V4-Flash oraz Kimi K3 na prawdziwych układach Blackwell. Kod weryfikacyjny udostępnił w serwisie GitHub.

Które modele wskazują na jaki sprzęt

Z analizy wynika, że DeepSeek-V4-Flash i MiniMax-M3 odpowiadają chipom B200 lub B300, czyli wariantom z 148 rdzeniami. Z kolei DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro oraz Ling-3.1-flash od chińskiego Ant Group wykazują wzór 152 rdzeni, typowy dla chłodzonych cieczą systemów GB200 lub GB300.

Autor przekonuje, że przypadek można wykluczyć statystycznie – metoda poprawnie zidentyfikowała wszystkie 24 modele kontrolne o znanym sprzęcie, w tym Llama 3.1 od Meta działający na H100. Inne chińskie laboratoria wypadają inaczej: modele Qwen3.8 od Alibaba oraz konstrukcje Zhipu, Tencent, Xiaomi i StepFun wciąż noszą wyłącznie ślady Hoppera, a LongCat-2.0 od Meituan wskazuje na sprzęt Huawei.

Skala obliczeń i jej koszt

Raport szacuje, że pięć badanych treningów wymagało łącznie około 12 tysięcy układów Blackwell – mocy obliczeniowej odpowiadającej mniej więcej 30 tysiącom starszych H100. Sam Kimi K3 miał potrzebować około 4,5 tysiąca procesorów Blackwell przez blisko 70 dni, a DeepSeek-V4-Pro około 3 tysięcy.

Przy cenie jednostkowej rzędu 70 tysięcy dolarów każdy z takich klastrów kosztowałby od 200 do 300 milionów dolarów, a wszystkie pięć systemów łącznie ponad pół miliarda. Ustalenia korespondują z analizą Dylana Patela, głównego analityka SemiAnalysis, który w rozmowie z Sequoia Capital zauważył, że architektura DeepSeek-V3 była dopasowana do Hoppera, a DeepSeek-V4 projektowano pod Blackwell i układy Ascend firmy Huawei.

Odcisk palca to nie wyrok

Ściśle rzecz biorąc, metoda pokazuje jedynie, jaki sprzęt zainicjalizował wagi – choć trening najprawdopodobniej odbywał się na tych samych systemach. Jedynym innym technicznym wyjaśnieniem byłby AMD MI300X, również objęty ograniczeniami, sztucznie przystosowany do generowania identycznego wzoru. Badacz twierdzi, że wykluczył AMD dla DeepSeek-V4-Flash, wykorzystując drobne różnice zaokrągleń między chipami.

Dane nie ujawniają, gdzie znajdują się procesory ani kto jest ich właścicielem. Chińskie firmy mogą wynajmować moc obliczeniową w centrach danych poza granicami kraju, dlatego – jak zaznacza raport – dowód techniczny potwierdza dostęp do najnowszego sprzętu Nvidia, ale sam w sobie nie przesądza o fizycznym przemycie ani naruszeniu amerykańskiego prawa eksportowego.

Sprawa pokazuje, jak trudno dziś zweryfikować łańcuch dostaw mocy obliczeniowej. Same modele stają się jednak źródłem informacji o własnej historii – i to może zmienić sposób, w jaki regulatorzy i analitycy podchodzą do kontroli eksportu zaawansowanych układów.

Dalej w tym temacie

TokenMaxxing: jak nie przepalać budżetu na modele AI

Meta przepaliła 60 bilionów tokenów w 30 dni na wewnętrznym rankingu „Claudeonomics”. Tymczasem routing zadań do tańszych modeli potrafi ściąć rachunek z 30 do 3,90 dolar…

Poradnik8 min czytania

AI HAT vs AI HAT+: Który moduł wybrać do projektu AI?

Raspberry Pi AI HAT+ oferuje 40 TOPS i 8 GB RAM dla modeli językowych, podczas gdy AI HAT skupia się na wizji komputerowej z 26 TOPS. Wybór między specjalizacją a uniwers…

Poradnik4 min czytania

OpenAI rozwiązuje zespół robotyki. Modele ogólne wystarczą?

GPT-6 Astra osiąga 74,8% skuteczności w symulowanych zadaniach robotycznych, podczas gdy najlepsze modele specjalistyczne tylko 51%. OpenAI rozwiązuje dedykowany zespół r…

Sprzęt, chipy i robotyka3 min czytania16 listopada 2026