Пока рынок спорил, как долго Nvidia сможет держаться на одном только дефиците топовых GPU, компания уже сместила игру на другой уровень. Преимущество Nvidia теперь все заметнее не в самом ускорителе, а в том, как устроен вокруг него весь ИИ-дата-центр: память, сеть, хранилище и маршрутизация данных. Для русскоязычной IT-аудитории это важный сигнал: борьба в AI-инфраструктуре идет уже не только за чип, но и за всю систему целиком.
Как пишет TechCrunch, после публикации отчетности на этой неделе инвесторы начали иначе смотреть на позицию Nvidia. Прежняя версия была простой и удобной: в первые годы AI-бума компания почти единолично поставляла самые востребованные GPU, а затем гиперскейлеры вроде Amazon и Google начали делать собственные чипы, из-за чего рынок стал сомневаться в прочности ее преимуществ. В этой логике есть доля правды. По данным издания, капитализация Nvidia выросла примерно в 10 раз между началом 2023 года и серединой 2025-го, но в последний год динамика акций стала заметно спокойнее именно из-за опасений по поводу конкуренции на рынке GPU.
Новый тезис выглядит куда интереснее: по мере того как AI-вычисления выходят на уровень гига ваттных нагрузок, главным узким местом становится не только сам ускоритель, но и оркестрация всего кластера. Иными словами, купить много мощных чипов уже недостаточно. Нужно еще сделать так, чтобы данные попадали в нужное место без лишних задержек, чтобы память не простаивала, сеть не душила пропускную способность, а хранилище не превращалось в пробку на въезде к GPU. На этом уровне преимущество Nvidia может оказаться даже устойчивее, чем в эпоху, когда ее оценивали почти исключительно по линейке ускорителей.
Именно поэтому внимание теперь смещается к тому, что компания продает вместе с GPU. TechCrunch пишет о развертывании архитектуры Vera Rubin, где речь идет не об одном чипе, а о наборе специализированных компонентов для вычислений, хранения и сетевой связности. Один из ключевых элементов здесь, по версии издания, это Vera CPU, который отвечает за координацию потоков данных. Логика простая: памяти в одном сервере или одной вычислительной платформе всегда конечное количество, а значит, по мере роста кластера задача не только накопить данные, но и вовремя подать их туда, где они нужны. На словах звучит как скучная инженерная рутина. На практике именно здесь решается, сколько полезной работы даст дорогая AI-стойка на каждый потраченный ватт.
В материале приведена и конкретная цифра. Джейсон Харди, вице-президент Nvidia по storage technology, заявил, что в ряде операций использование Vera CPU давало ускорение более чем в три раза. Смысл этого показателя не в красивой презентационной метрике, а в том, что система может полнее использовать возможности flash-хранилищ без упора в бутылочное горлышко на пути к вычислениям. Для разработчиков платформ, MLOps-команд и архитекторов инфраструктуры это знакомая боль: можно бесконечно обсуждать производительность модели, но если данные приходят к ускорителю с опозданием, железо за сотни миллионов долларов начинает работать как очень дорогой обогреватель.
Любопытно, что похожую проблему пытаются решать и другими путями. TechCrunch в качестве примера приводит чип Jalapeño от OpenAI. Там акцент сделан не на более умной диспетчеризации между множеством узлов, а на сокращении самого объема перемещения данных: компания описывает подход, при котором большая часть нагрузки остается внутри одной связанной системы. С инженерной точки зрения это другая стратегия, но вывод тот же самый: следующая фаза AI-инфраструктуры крутится вокруг эффективности движения данных, а не только вокруг грубой силы процессорных циклов. Для бизнеса это означает довольно неприятную вещь: даже если GPU постепенно превращаются в менее дефицитный товар, сама задача построить мегамасштабный AI-дата-центр дешевле и проще не становится.
Отсюда и более широкий вывод для отрасли. Конкурировать с Nvidia теперь придется не только тем, кто делает альтернативные ускорители, но и тем, кто хочет собрать сопоставимый по эффективности стек: CPU, interconnect, storage, software orchestration и инструменты управления нагрузкой. Это повышает входной порог для новых игроков. Сделать «еще один AI-чип» мало; нужно доказать, что он вписывается в систему без потери общей эффективности. Для облачных провайдеров и крупных корпораций это тоже меняет повестку. Покупка вычислений все сильнее превращается в выбор архитектуры, а не одной железки из спецификации. И в этом смысле преимущество Nvidia выглядит не как случайный бонус удачного цикла, а как ставка на контроль над всей логистикой вычислений.
Для российского рынка здесь тоже есть практический урок, даже если речь идет о глобальных гиперскейлерах. Любая команда, которая проектирует AI-платформу, private cloud или крупный inference-контур, может читать эту историю как предупреждение против слишком примитивной метрики «больше GPU = лучше результат». По мере роста моделей и нагрузки побеждать будут те, кто умеет считать не только FLOPS, но и задержки между компонентами, утилизацию памяти, поведение хранилищ и цену каждого токена на единицу энергии. Если этот сдвиг сохранится, спор о будущем AI-инфраструктуры будет идти уже не вокруг того, чей GPU быстрее на бумаге, а вокруг того, чья система в целом меньше тратит энергии, денег и времени на доставку данных к вычислениям.