Jak nie zostać cyfrową kolonią USA i ChRL?

O co grają USA i Chiny (i gdzie tu Polska)

USA robią klasyczną grę „dłuższa smycz, ten sam kaganiec”. H200 to nie jest top-of-the-line jak nadchodzący B200, ale według think tanku Institute for Progress daje niemal sześciokrotnie więcej mocy niż H20 – najmocniejszy chip legalny wcześniej na eksport do Chin. Czyli Pekin dostaje wystarczająco mocy, żeby zbudować klastry dla LLM‑ów na poziomie światowej czołówki, ale za cenę pełnej zależności od Nvidii i amerykańskiej kontroli eksportu, driverów, microcode’u oraz supportu.​

Pekin to widzi i stawia na „pociski w cukrowej polewie”: krótkoterminowa ulga z H200 to realny boost, ale każdy dolar wysłany do Nvidii to dofinansowanie R&D przeciwnika i uzależnienie się od politycznej dźwigni Waszyngtonu. Stąd dyrektywa, żeby spółki technologiczne wstrzymały się z zamówieniami H200 i przygotowały się na obowiązkowe zakupy chipów krajowych – Ascend 910, 910B/910C i kolejne generacje.​

Polska? W praktyce stoi w kolejce po te same GPU, ale bez żadnego udziału w łańcuchu decyzyjnym. U nas „strategia AI” to w dużej mierze polskie etykiety na cudzej mocy obliczeniowej.

Hardkor techniczny: H200, Ascend 910C i B200 bez pudru

H200 to ewolucja H100 na procesie TSMC N4 z doładowaną pamięcią HBM3e, która daje ok. 4,8 TB/s przepustowości. Przy inferencji LLM‑ów to jest krewobiegu systemu – każde 10% różnicy w bandwidth to realny zjazd w kosztach per token. Ascend 910C siedzi na SMIC‑owym 7 nm (N+2), ma niższą przepustowość pamięci – ok. 3,2 TB/s (HBM2e) – i dlatego w testach inferencji kręci się wokół 60% wydajności H100. Mniej FLOP‑ów per wat, większe opóźnienia przy karmieniu dużych modeli, większe TCO przy tej samej przepustowości usług.​

Drugi problem Chin to yield: pierwsze raporty o SMIC 7 nm mówiły o ok. 20% sprawnych układów dla Ascend 910C, później pojawiły się dane o skoku w okolice 30–40%, ale to nadal daleko od poziomów TSMC. Każdy spaprany wafer to realna kasa, która nie idzie w R&D, tylko w śmieci. Na poziomie bilansu państwa to jest „podatek technologiczny” za suwerenność.​

Nvidia nie śpi. B200, który nadchodzi, ma w inferencji dawać nawet pięciokrotne przyspieszenie względem H200 dzięki agresywnemu zejściu do 4‑bitowych obliczeń, usprawnieniom w Tensor Core’ach i lepszej integracji z HBM. To oznacza, że każdy rok, w którym Polska siedzi na starszych generacjach GPU, nie tylko „traci wydajność”, ale płaci 2–5 razy więcej za ten sam wolumen inferencji. To jest czyste oparzenie finansowe, nie abstrakcja.​

Konkretny techniczny detal, którego nie pokaże ci slajd od vendorów: w wielu klastrach CUDA admini zostawiają domyślny CUDA_LAUNCH_BLOCKING=0 przy troubleshooting timeouts, a jednocześnie dopuszczają, żeby inference service miał nielimitowany concurrency. Kombinacja wysokiego concurrency, niskiego bandwidth na HBM i źle ustawionego GPU_MEMORY_FRACTION kończy się thrashingiem pamięci i fatalnym utilization rzędu 30–40%, mimo że „mamy topowe GPU”. To jest przykład, jak kraj może wydać setki milionów na H200/B200, a i tak być półkolonią – tyle że nieświadomą, bo spala pieniądze na konfiguracji.

„Pociski w cukrze” a Polska: kolonia obliczeniowa w praktyce

Chińscy komentatorzy trafnie nazywają H200 „pociskami w cukrowej polewie” – dają sweet spot na dziś, ale utrwalają przewagę dostawcy i wypompowują krajową bazę kapitałową. Jedna paleta H200 to ok. 30 tys. USD za chip, a przy zamówieniach rzędu 2 mln sztuk mówimy o ok. 60 mld USD plus 25% ceł – to jest odpowiednik budżetów całych programów kosmicznych. Pekin policzył, że każda taka transza finansuje kolejną generację B‑serii Nvidii, która oddala Chiny od technologicznego parytetu.​

Polska jeszcze takiego rachunku nie zrobiła. Kupujemy GPU przez integratorów, pakujemy je do DC, a w dokumentach nazywamy to „transformacją cyfrową”. Do momentu, aż USA zmieni reżim eksportowy, a Unia nałoży ograniczenia na niektóre workloady – i nagle część usług, w tym te dla administracji, może zostać przykręcona na poziomie licencji, driverów albo supportu. Z punktu widzenia suwerenności to jest dokładnie ta sama dźwignia, której boją się Chiny: możliwość „wyłączenia z dnia na dzień wsparcia i serwisu”, tyle że ubrana w compliance, nie w politykę.

Drugi wymiar: trening i inferencja strategicznych modeli (własne LLM‑y dla języka polskiego, analityka sygnałowa dla wojska, systemy scoringowe dla finansów publicznych) działające na cudzych GPU i cudzym stosie softu. Jeżeli kluczowe modele siedzą na CUDA + closed‑source schedulerach plus closed‑source firmware HBM/PCIe, to mówimy o infrastrukturze krytycznej kontrolowanej faktycznie z zewnątrz. To nie jest „vendor lock‑in”, to jest de facto outsourcing zdolności państwa.

Indie: trzeci gracz, którego Polska może przegapić

Podczas gdy wszyscy gapią się na przepychankę USA–Chiny, Indie cicho składają swoją układankę. Minister Ashwini Vaishnaw wprost mówi o ambicji produkcji 3 nm do 2032 i budowie pełnego stosu dla „sovereign AI”: od fabów, przez projekty chipów, po modele i energię. Nie mają jeszcze mocy TSMC, ale mają to, czego brakuje Polsce: spójną narrację i inwestycje idące w miliardy dolarów wokół własnego ekosystemu, zamiast wiecznej roli klienta.​

Dlaczego to ma znaczenie dla Polski? Bo to jest pierwszy sygnał, że na stole nie musi leżeć tylko duet „kupujesz z USA” albo „kupujesz z Chin”. Jeśli Indie dowiozą 3 nm i własne AI fabryki, pojawi się trzeci blok grawitacyjny, który może być tańszy, mniej politycznie toksyczny i otwarty na współpracę z krajami średniej wielkości. Jeśli Polska dalej będzie negocjować rabat na GPU zamiast udziału w produkcji, R&D lub IP, w 2032 obudzimy się ze statusem dawcy danych i biorcy modeli.

Co Polska powinna zacząć robić w poniedziałek rano

Krok 1: Audyt zależności obliczeniowych. Zrób listę: które kluczowe systemy państwowe i sektorowe (banki, energetyka, zdrowie, obronność) opierają się na cudzej mocy AI – nie tylko w DC, ale w chmurze. Oceń, co się stanie, jeśli dostawca odetnie licencje, driver support albo eksport kolejnych generacji GPU.

Krok 2: Wyznacz „krytyczne workloady AI”, które nie mogą być zależne od jednego państwa‑dostawcy. To nie jest każdy chatbot HR, ale: systemy antyfraudowe, analityka zagrożeń, przetwarzanie języka polskiego w sektorze publicznym, modele oceny ryzyka w finansach publicznych. Dla nich trzeba mieć plan B: alternatywne stosy (np. ROCm obok CUDA), docelowo własny (choćby częściowo) sprzęt, docelowo własne lub wspólne z regionem DC z kontrolowanym łańcuchem dostaw.

Krok 3: Polska polityka „sovereign compute”. Tak jak Indie ogłaszają ścieżkę do 3 nm i pełnego stosu AI do 2032, Polska powinna zdefiniować, jaki procent mocy obliczeniowej dla państwa i krytycznej gospodarki ma docelowo opierać się na infrastrukturze, na którą nie da się nałożyć politycznego kill switche’a z zewnątrz. To może być miks: współpraca z UE przy fabach, inwestycje w regionalne DC, wsparcie dla polskich projektów chipletów i akceleratorów niszowych, ale kluczowe jest jedno – wyjście z mentalności „przetarg na serwerownię” i wejście w myślenie „łańcuch dostaw jako broń”.​

Kto tego nie zrobi, ten będzie tylko źródłem danych treningowych i kupcem „pocisków w cukrze”, które ostatecznie utrwalą cudzą przewagę – finansową, militarną i polityczną.

Bibliografia (wybór)

• Reuters: decyzja USA o dopuszczeniu eksportu H200 do Chin i kontekst polityczny.​
  
• AsiaFinancial / inne źródła o presji Pekinu na wstrzymanie zamówień H200 i preferowanie chipów krajowych.​
  
• Nexgen Compute, Radio Free Mobile, Digitimes Asia: parametry i wydajność Huawei Ascend 910C, porównania z H100/H200 oraz dane o yieldach SMIC.​
  
• Wywiad Ashwini Vaishnaw, Business Standard / Moneycontrol: plany Indii dotyczące 3 nm i „sovereign AI” do 2032.​