Nvidia делает ставку на ИИ-платформы вместо отдельных GPU
На ключевом мероприятии CES 2026 компания Nvidia не анонсировала новую линейку графических процессоров GeForce, сосредоточившись вместо этого на двух масштабных инициативах — платформе Vera Rubin и суперкомпьютере NVL72, предназначенных для массового производства во второй половине 2026 года. Эти проекты отражают стратегический сдвиг компании от продажи отдельных ускорителей к комплексным решениям в области искусственного интеллекта, что указывает на изменение приоритетов в бизнесе и технологическом развитии.
По данным Tom’s Hardware, на ключевом мероприятии CES 2026, проходившем 5 января, компания Nvidia не представила новую линейку графических процессоров GeForce. Это стало необычным ходом, учитывая, что в течение примерно пяти лет компания регулярно использовала эту платформу для анонсов крупных обновлений в области графики.
Вместо этого Nvidia сосредоточила внимание на двух новых инициативах — платформе Vera Rubin и суперкомпьютере NVL72, предназначенных для массового производства во второй половине 2026 года. Эти проекты символизируют стратегический сдвиг компании от продажи отдельных ускорителей к комплексным решениям в области искусственного интеллекта.
Системы вместо отдельных чипов
Vera Rubin позиционируется не как очередное поколение GPU, а как масштабная платформа, объединяющая несколько типов процессоров. В её основе лежат новые GPU и CPU, дополненные интерфейсом NVLink 6, DPU BlueField 4 и коммутаторами Spectrum 6. Каждая стойка включает 72 GPU и 36 CPU, объединённых в единый логический комплекс.
По оценкам Nvidia, каждый GPU в этой платформе обеспечивает до 50 PFLOPS вычислений с низкой точностью, что в пять раз превышает производительность предыдущего поколения Blackwell в задачах инференса. Объём памяти и пропускная способность также масштабируются, достигая сотен гигабайт на GPU и сотен терабайт в секунду на уровне стойки.
Компания утверждает, что такие монолитные системы могут снизить стоимость инференса в десять раз по сравнению с решениями на базе Blackwell. Это достигается за счёт более высокой степени использования ресурсов, уменьшения накладных расходов на коммуникацию и оптимизации архитектуры под современные модели ИИ.
Изменения в подходе к контексту моделей
Одним из ключевых инновационных элементов является способ обработки контекста моделей. BlueField 4 DPUs обеспечивают общий уровень памяти для длинных контекстов, позволяя хранить ключевые данные вне GPU-буфера и использовать их по всей стойке. Это особенно важно при работе с моделями, поддерживающими миллионы токенов, где синхронизация и доступ к памяти становятся критическими факторами.
Такой подход отражает реалии современных крупномасштабных систем, где заказчики предпочитают стандартные блоки оборудования, а не отдельные компоненты. Nvidia упрощает развертывание, предлагая готовые решения, что сокращает сроки внедрения и объём ручной настройки.
Отсутствие обновлений для потребительских GPU
Отсутствие анонса новых GeForce GPU теперь кажется логичным. Семейство 50-й серии всё ещё остаётся актуальным, а цены на отдельные устройства превышают $3500. Введение промежуточного обновления в условиях высоких цен на память и ограниченного предложения не оправдало бы затрат. Вместо этого компания усиливает внимание к программным обновлениям, таким как DLSS, чтобы повысить эффективность существующих GPU.
С точки зрения бизнеса, потребительские GPU всё меньше влияют на доходы Nvidia. Рост приносит сегмент центров обработки данных, где акцент делается на системных, а не на графических улучшениях. Это подтверждает и Lisa Su, которая во время своего выступления отметила, что ИИ — это уникальная технология, меняющая приоритеты рынка.
Сила экосистемы CUDA
Одной из ключевых сильных сторон Nvidia остаётся её программная экосистема. CUDA, TensorRT и другие фреймворки глубоко интегрированы в исследовательские и производственные процессы. Расширение этой экосистемы повышает стоимость перехода на альтернативные решения, что снижает вероятность оттока крупных клиентов.
Однако существуют риски. Некоторые заказчики начинают разрабатывать собственные ускорители, чтобы снизить зависимость от одного поставщика. Сложные системы, вроде Vera Rubin, требуют высокой точности в производстве и проектировании. Успех Nvidia будет зависеть не только от технических характеристик, но и от своевременности выпуска.
Интересно: Как традиционные подходы к разработке и продаже отдельных GPU будут адаптироваться к новой реальности, где преимущества достигаются через масштабную интеграцию и системные решения?
Стратегический поворот Nvidia: от GPU к системным решениям в эпоху ИИ
Nvidia, отказавшись от традиционного анонса новых игровых графических процессоров на CES 2026, заявила о стратегическом сдвиге в сторону комплексных системных решений. Это решение не случайно — оно отражает глубокую реорганизацию бизнес-модели компании, которая всё больше сосредотачивается на искусственном интеллекте как основном драйвере роста. Платформа Vera Rubin и суперкомпьютер NVL72, представленные вместо GeForce, символизируют переход от отдельных компонентов к масштабным системам, где ключевыми факторами становятся интеграция, производительность и экономия.
От GPU к экосистемам: масштабирование через системные решения
Vera Rubin представляет собой не только новое поколение GPU, а масштабную платформу, объединяющую CPU, DPU, коммутаторы и GPU в единую архитектуру. В её основе — NVLink 6, BlueField 4 и Spectrum 6, обеспечивающие высокую пропускную способность и синхронизацию между компонентами. Каждая стойка включает 72 GPU и 36 CPU, что позволяет достичь до 50 PFLOPS вычислений с низкой точностью на каждом GPU, в пять раз превышая показатель предыдущего поколения Blackwell. Такой подход снижает стоимость инференса в десять раз за счёт оптимизации архитектуры и использования ресурсов [!].
Важный нюанс: Рост доли ИИ в бизнесе Nvidia стал очевиден: в третьем квартале 2025 года 90% выручки компании пришлось на сегмент данных центров, тогда как доля игрового сегмента сократилась до менее 8% [!]. Это указывает на то, что компания всё больше ориентируется на крупные корпоративные клиенты, которым важны не отдельные компоненты, а готовые, масштабируемые решения. Такой подход снижает сроки внедрения и объём ручной настройки, что особенно ценно в условиях высокой конкуренции и ускоренного роста спроса на ИИ-инфраструктуру.
Укрепление позиций: от кадров до экосистемы
Nvidia усиливает свои позиции не только на техническом, но и на человеческом уровне. Компания заключила соглашение с Groq, по которому часть её команды, включая основателя, перейдёт в Nvidia. Groq специализируется на процессорах для вывода ИИ, а её команда ранее участвовала в разработке TPU в Google — прямых конкурентов GPU Nvidia [!]. Это подчёркивает стремление Nvidia к монопольному контролю над ключевыми ИИ-ресурсами, включая и кадры.
Ключевым элементом доминирования Nvidia остаётся её программная экосистема CUDA, которая обеспечивает широкую поддержку решений компании в области искусственного интеллекта. Эта экосистема делает переход на альтернативные решения затруднительным, особенно для крупных клиентов, интегрированных в её архитектуру [!]. Однако, несмотря на её доминирование, в Китае растёт число чипов, не использующих CUDA, таких как Ascend 910B, что снижает зависимость от западных технологий [!].
Риски и вызовы: зависимость от TSMC и дефицит компонентов
Однако стратегия Nvidia не без рисков. Основным поставщиком чипов для ИИ остаётся TSMC, которая сталкивается с дефицитом мощностей и кадров. Рост спроса на узлы 4нм и 3нм создаёт нагрузку на производство, что делает компанию зависимой от одного производителя [!]. Это может стать уязвимостью в условиях геополитической нестабильности или технологических санкций.
Важный нюанс: Дефицит памяти HBM, используемой в ускорителях ИИ, влияет на доступность компонентов для потребительских устройств. Основным потребителем HBM является Nvidia, что приводит к сокращению выпуска стандартных модулей памяти и росту цен на DDR5 и SSD [!]. Это создаёт дополнительные сложности для производителей ПК и ноутбуков, вынужденных пересматривать производственные планы.
Долгосрочные последствия для рынка
Для российского бизнеса сдвиг Nvidia от GPU к системным решениям может означать увеличение зависимости от зарубежных поставщиков, особенно в сегментах, где локальные альтернативы пока не могут конкурировать. Однако рост интереса к ИИ создаёт новые возможности для локальных разработчиков и производителей, особенно в нишевых решениях и интеграции.
Важно отметить, что экосистема CUDA остаётся ключевым фактором удержания крупных клиентов. Расширение этой экосистемы повышает стоимость перехода на альтернативные решения, что снижает вероятность оттока крупных клиентов. Однако некоторые заказчики уже начинают разрабатывать собственные ускорители, чтобы снизить зависимость от одного поставщика [!].
Центральная дилемма: интеграция или гибкость
Ответ на этот вопрос будет определять не только позиции Nvidia, но и будущее всей отрасли искусственного интеллекта. Системные решения обещают большую производительность и экономию, но при этом снижают гибкость. Это создаёт новую архитектуру зависимости, где клиенты получают удобство, но теряют возможность адаптироваться к быстро меняющимся условиям рынка.
Для российского бизнеса актуальным становится вопрос: как сохранить баланс между зависимостью от зарубежных поставщиков и развитием собственных технологий? Ответ, вероятно, лежит в стратегическом аудите текущих решений, поиске нишевых возможностей и инвестициях в локальную ИИ-инфраструктуру.
Источник: tomshardware.com
