Компания «Трамплин Электроникс» получила 1,3 млрд рублей на подготовку к запуску процессора «Иртыш», разработанного на базе китайской архитектуры LoongArch (Loongson). Это не просто новость о локализации железа — это сигнал о том, как меняется ландшафт аппаратного обеспечения для ИИ в условиях ограничений на поставки.
📅 Дорожная карта проекта:
| Этап | Срок | Что ожидается |
|---|---|---|
| Инженерные образцы | 2027 | Тестирование архитектуры, отладка компиляторов |
| Внутренний рынок | 2027 | Поставки для госсектора и инфраструктурных проектов |
| Экспорт | 2028 | Выход на рынки «дружественных» стран |
🔧 Технические детали:
- Базовая архитектура: LoongArch (RISC-подход, аналог ARM/RISC-V по философии)
- Флагманская модификация: «Иртыш С664» — 64 ядра, поддержка до 2 ТБ оперативной памяти
- Производство: полупроводниковые пластины изготавливаются за рубежом, в России выполняется только корпусирование и финальное тестирование
🤖 Почему это важно для сферы ИИ?
- Инференс-нагрузки: Процессоры с высокой ядерностью и поддержкой больших объёмов памяти критичны для запуска предобученных моделей в продакшене — особенно там, где GPU недоступны или избыточны.
- Суверенный стек: Разработка на базе открытой/лицензируемой архитектуры (LoongArch) потенциально позволяет адаптировать компиляторы под фреймворки машинного обучения (PyTorch, ONNX Runtime), создавая независимый путь для развёртывания моделей.
- Ограничения и вызовы:
- Отсутствие нативной поддержки CUDA-подобных экосистем потребует портирования библиотек или использования универсальных форматов (OpenCL, SYCL)
- Производительность на задачах матричных вычислений (основа нейросетей) будет зависеть от реализации векторных инструкций в финальной ревизии чипа
🔍 Что следить дальше:
- Публикация бенчмарков на задачах линейной алгебры и инференса
- Поддержка со стороны российских разработчиков ИИ-платформ (например, интеграция с GigaChat, Kandinsky или YandexGPT)
- Появление инструментов для кросс-компиляции моделей под LoongArch
⚠️ Важно: На текущем этапе проект ориентирован на инфраструктурные и серверные задачи. Для обучения больших моделей по-прежнему потребуются специализированные ускорители (GPU/TPU/NPU).
🔗 Источник: официальные материалы компании «Трамплин Электроникс»
