Доля Nvidia в Китае рухнула до 8%, но CUDA держит рынок на себе
Доля Nvidia на рынке китайских ИИ-ускорителей обрушилась с 66% до 8%, но программная экосистема CUDA остается главным барьером для полной замены американского железа. Компании вынуждены переплачивать за устаревшее оборудование, так как стоимость миграции кода превышает экономию на закупке новых чипов.
Доля Nvidia на рынке китайских ИИ-ускорителей рухнула с 66% до 8%. Однако попытка Пекина заменить американское железо на отечественное упирается в программный барьер: экосистема CUDA. Именно эта платформа, а не чипы как таковые, стала главным препятствием для полной технологической независимости Китая и одновременно ключевым активом Nvidia.
Как CUDA превратилась из игрового инструмента в стандарт де-факто
История CUDA началась не с искусственного интеллекта, а с игровой графики. Переход к программируемым шейдерам в GeForce 3 создал фундамент для универсальных вычислений на графических процессорах. Сегодня этот программный стек — «клей», который связывает оборудование Nvidia с тысячами библиотек и фреймворков.
Для бизнеса это означает высокую стоимость входа, но и огромную экономию времени при выходе. Разработчикам не нужно писать код с нуля под каждое новое устройство: они опираются на готовую инфраструктуру CUDA. Это видно по примеру команды VIDRAFT, которая в августе 2026 года достигла скорости генерации текста 510,58 токенов в секунду на видеокарте NVIDIA A10G. Секретом успеха стала не «магия» железа, а программная оптимизация: использование синтетической разминки позволило завершить компиляцию вычислительных графов до начала замера. Без этого этапа скорость падала бы на 15 TPS.
CUDA перестала быть просто инструментом ускорения. Она стала инфраструктурным стандартом, подобным TCP/IP для интернета: без нее большинство современных ИИ-приложений просто не запускаются или работают в разы медленнее.
Цена ошибки: почему выбор бэкенда решает все
Парадокс современной разработки заключается в том, что даже имея самое мощное железо, можно получить катастрофически низкую производительность из-за неправильных настроек софта. Исследование работы PyTorch на GPU NVIDIA A100 показало разрыв в 3,7 раза между стандартным режимом внимания и оптимизированным.
Причина проста: система по умолчанию могла выбирать математический бэкенд, который конвертирует данные из формата bf16 в FP32 и задействует 20 ядер GPU вместо одного. Эффективные решения (Flash Attention) объединяют операции в одно ядро и минимизируют доступ к медленной памяти. Для бизнеса это прямой риск: если разработчики не проверяют, какой именно бэкенд CUDA запускает их модель, они переплачивают за электроэнергию и время, получая «медленный» ИИ на «быстром» железе.
Стратегия Nvidia: от продажи карт к продаже платформ
Nvidia осознала, что конкуренция за отдельные чипы проигрывается. На CES 2026 компания не представила новую линейку потребительских GeForce, сделав ставку на комплексные платформы Vera Rubin и суперкомпьютер NVL72. Цель — удержать клиентов внутри экосистемы CUDA.
Эта стратегия работает даже в условиях жестких ограничений. В Китае, где доля Nvidia упала до 8%, компании перешли на подержанные видеокарты A100 и H100. Почему? Потому что новые отечественные чипы (например, Huawei Ascend) пока не обеспечивают полной совместимости с существующим кодом, написанным под CUDA. Переход на новое железо требует переписывания всего программного стека, что для многих компаний экономически невыгодно.
Зависимость от CUDA создает «цифровую инерцию». Даже при наличии альтернативного оборудования, компании продолжают использовать старые карты Nvidia, потому что стоимость миграции кода превышает экономию на закупке нового железа.
Что это значит для рынка и разработчиков
Ситуация с CUDA демонстрирует классический пример сетевых эффектов: чем больше людей используют платформу, тем сложнее от нее уйти. Для российских и глобальных компаний это сигнал о том, что выбор технологии в 2026 году — это не вопрос «что быстрее», а вопрос «где меньше рисков».
Ключевые выводы для специалистов:
- Проверяйте бэкенды. Стандартные настройки PyTorch или других фреймворков могут работать в разы медленнее оптимизированных. Регулярный аудит вычислительных графов CUDA — обязательная часть DevOps-процесса.
- Оценивайте стоимость миграции. При выборе нового оборудования (особенно отечественного или азиатских вендоров) закладывайте бюджет не только на железо, но и на рефакторинг кода под новые API. Отсутствие поддержки CUDA — главный скрытый риск.
- Следите за трендом «платформизации». Nvidia продает не ускорители, а экосистему. Конкуренты (Google с TPU, Intel с совместными проектами) пытаются атаковать именно эту связку, предлагая альтернативные стеки, но пока CUDA остается самым зрелым решением для массового инференса и обучения.
Если зависимость китайского рынка от CUDA сохранится на текущих уровнях даже при снижении доли Nvidia в поставках, то к 2027 году мы увидим формирование двух параллельных ИИ-экосистем: одной, ориентированной на стандарты CUDA (США, Европа, часть Азии), и второй — «изолированной», с собственными программными стеками. Это раздвоение рынка увеличит стоимость разработки для компаний, работающих глобально, так как им придется поддерживать две разные кодовые базы.
🤖 Сводка сформирована на основе фактов из Календаря и обновляется при поступлении новых данных.
📅 Последнее обновление сводки: 7 сентября 2026.
