Ulanqab w Mongolii Wewnętrznej przyciąga inwestycje DeepSeek, ByteDance i Alibaba, ale rozwój centrów danych AI zderza się z deficytem wody.

Źródło zdjęcia: WIRED
Dwie godziny pociągiem na zachód od Pekinu, wśród rozległych stepów Mongolii Wewnętrznej, powstaje jeden z najszybciej rozwijających się klastrów obliczeniowych w Azji. Wired opisuje, jak Ulanqab – region znany dotąd z hodowli owiec i wydobycia węgla – stał się centrum chińskiego boomu na infrastrukturę AI, przyciągając inwestycje gigantów technologicznych takich jak DeepSeek, ByteDance, Alibaba i Xiaohongshu.
Chińskie firmy wybierają Ulanqab z kilku powodów. Miasto leży na wysoko wyniesionym Płaskowyżu Mongolii Wewnętrznej i ma długie, mroźne zimy, co oznacza, że centra danych potrzebują mniej energii na chłodzenie. Region znajduje się też relatywnie blisko Pekinu, co pozwala przesyłać dane do najbardziej zaludnionych części Chin z minimalnym opóźnieniem. Najważniejszym czynnikiem są jednak koszty – energia elektryczna w Mongolii Wewnętrznej jest tańsza niż praktycznie gdziekolwiek indziej w Chinach, dzięki silnemu wzrostowi energetyki wiatrowej i solarnej oraz obfitym zasobom węgla.
Region ma za sobą już blisko dekadę doświadczeń jako lokalizacja dla centrów danych, jeszcze przed obecnym boomem na AI. Huawei zbudował tam swoje pierwsze centrum w 2016 roku, a Apple poszedł w jego ślady trzy lata później. W 2021 roku obszar został wyznaczony jednym z głównych węzłów ogólnokrajowego programu rządowego nazwanego „Wschodnie dane, zachodnie obliczenia” (Eastern Data, Western Compute), którego celem jest budowa centrów danych w zachodnich rubieżach Chin.
Był jednak istotny problem: ze względu na duże oddalenie od zaludnionego wschodniego wybrzeża Chin, te centra danych początkowo notowały wysokie opóźnienia przy przesyłaniu danych do większości użytkowników. W efekcie były głównie wykorzystywane do przechowywania danych zapasowych – dopóki AI nie dało im nowego celu. Jak zauważa Andrew Stokols, wykładowca Singapore Management University badający chińską infrastrukturę obliczeniową, „wraz z rozwojem AI w 2022 roku, uświadomiono sobie, że te oddalone centra danych mogłyby być dobrze wykorzystane do trenowania modeli”. Trenowanie modelu AI może trwać miesiące i nie wymaga wielu operacji w czasie rzeczywistym, więc opóźnienia mają mniejsze znaczenie.
W ujęciu relatywnym Ulanqab też nie jest aż tak odległe – Mongolia Wewnętrzna leży znacznie bliżej Pekinu i innych głównych metropolii Chin niż jakikolwiek zachodni węzeł centrów danych w USA względem swoich ośrodków miejskich. Region jest połączony dwoma dedykowanymi kablami światłowodowymi, wybudowanymi w 2017 i 2019 roku, które zredukowały średnie opóźnienia do poniżej pięciu milisekund – wystarczająco szybko, by wspierać wymianę danych w czasie rzeczywistym, taką jak wnioskowanie modeli AI (inference).
W porównaniu z innymi węzłami centrów danych w Chinach, wzrost Ulanqab wynika bardziej z popytu komercyjnego niż z inwestycji sterowanych przez rząd, zauważa Stokols. Ponieważ chińskie startupy AI, takie jak DeepSeek, Moonshot AI i Zhiput AI, zdobywają coraz więcej płacących użytkowników na rynku krajowym, znalazły uzasadniony biznesowy powód, by budować centra inferencyjne wystarczająco blisko, aby obsługiwać ich potrzeby bez nadmiernych opóźnień.
Chiński rząd ma jeszcze jeden powód do entuzjazmu wobec budowy centrów danych w Mongolii Wewnętrznej – może to pomóc zaabsorbować krajowy nadmiar niewykorzystanej energii odnawialnej. Damien Ma, dyrektor Carnegie China, singapurskiego ośrodka badawczego, wskazuje na dodatnią korelację między regionami Chin z największą ilością niewykorzystanej energii odnawialnej a tymi, w których wybudowano najwięcej centrów danych.
W oczach rządu jest to strategia korzystna dla obu stron: Chiny mogą nadgonić tempo budowy centrów danych w USA, jednocześnie zwiększając popyt na energię odnawialną. Nie powinno więc zaskakiwać, że Envision, jeden z największych chińskich producentów turbin wiatrowych, ogłosił w tym miesiącu, że zbuduje w Ulanqab centrum danych AI o mocy 2 gigawatów, podłączone bezpośrednio do własnych, czystych źródeł energii firmy.
Eksperci ostrzegają jednak, że traktowanie centrów danych AI i energii odnawialnej w Chinach jako idealnego dopasowania jest zbyt dużym uproszczeniem. Badania Stokolsa pokazują, że około 37 procent energii elektrycznej w Ulanqab wciąż pochodzi z węgla. Ponieważ centra danych muszą działać nieprzerwanie, operatorzy tradycyjnie preferowali paliwa kopalne jako źródło stałego, przewidywalnego zasilania – co komplikuje narrację o czysto zielonej transformacji regionu.
Największym wyzwaniem dla dalszego wzrostu Ulanqab pozostaje jednak dostęp do wody. Region jest równie suchy jak Denver, otrzymując zaledwie około 14 cali (35 cm) opadów rocznie. Lokalne władze już teraz mają problem z zaspokojeniem potrzeb mieszkańców – zanim jeszcze wiele planowanych projektów centrów danych zostanie oddanych do użytku. W ubiegłym miesiącu lokalna spółka wodociągowa w Ulanqab była zmuszona wyłączać kilka instalacji na siedem godzin każdej nocy, aby ograniczyć zapotrzebowanie w godzinach szczytu.
Dane pogodowe udostępnione przez lokalne władze Ulanqab wskazują, że centra danych budowane w mieście potrzebują dodatkowej wody do chłodzenia tylko w ciągu dwóch miesięcy w roku, ponieważ zimą chłodny klimat naturalnie ogranicza to zapotrzebowanie. Niemniej cała nowa infrastruktura może stanowić istotne wyzwanie środowiskowe dla regionu, gdzie zasoby wodne są już napięte przed rozbudową sektora AI.
Rosnąca skala inwestycji w Ulanqab pokazuje, że chińskie firmy AI – dotychczas wydające znacznie mniej na fizyczną infrastrukturę niż amerykańscy konkurenci, mimo tworzenia popularnych i wydajnych modeli – zaczynają nadrabiać zaległości w zakresie własnej infrastruktury obliczeniowej. Skala planowanych inwestycji, przewyższająca nawet amerykański projekt Stargate, wskazuje, że Chiny traktują budowę infrastruktury AI jako strategiczny priorytet, mimo poważnych ograniczeń środowiskowych, jakie napotyka region.

Nowa metoda RubricForge redukuje fałszywe zaliczenia nieudanych działań agentów AI, kluczowy problem oceny systemów bez dostępu do nagrody środowiska.
Qwen 3.8 27B osiąga 52 punkty w Artificial Analysis Intelligence Index, dorównując GPT-5.6 Luna mimo dużo mniejszej liczby parametrów.

LiquidAI udostępnia modele DSpark dla LFM2.5, przyspieszające wnioskowanie AI nawet 3,18x na GPU i 2,87x lokalnie, bez utraty jakości.