Nvidia заявила, что уже отгрузила «сотни тысяч» автономных серверов на базе Grace. Для рынка это важнее, чем очередная красивая презентация про AI: серверы Nvidia Grace перестают быть экзотикой рядом с GPU-кластерами и превращаются в самостоятельный продукт для дата-центров, где считают не хайп, а пропускную способность, задержки и стоимость обработки данных.
Об этом сообщает Tom's Hardware со ссылкой на вице-президента Nvidia по hyperscale и HPC Иэна Бака, одного из создателей CUDA. По его словам, речь идет именно о standalone-серверах, то есть конфигурациях без акцента на связку с ускорителями. Это важная деталь. В мае Nvidia уже раскрывала, что суммарно поставила более 2,5 млн процессоров Grace, а в феврале объявила о партнерстве с Meta по развертыванию автономных Grace-серверов. Новая формулировка показывает масштаб иначе: если раньше Grace выглядел как входной билет Nvidia на CPU-рынок дата-центров, то теперь компания пытается доказать, что билет уже пробит и зритель давно в зале.
Контекст у этого разворота вполне прагматичный. Последние два года Nvidia ассоциировалась прежде всего с дефицитными GPU для AI inference и обучения моделей. Но по мере того как инфраструктура для агентных систем становится сложнее, баланс железа меняется. Если раньше типичная схема могла строиться вокруг нескольких GPU на один CPU, то для части agentic-нагрузок отрасль обсуждает уже соотношение, близкое к один-к-одному. Иными словами, в ИИ-стойке снова становится важно не только то, сколько у вас ускорителей, но и то, какой процессор кормит их данными, держит оркестрацию, память и сетевой стек без лишних задержек. На этом фоне Nvidia явно не хочет оставаться «компанией про GPU, которая иногда добавляет CPU в комплект».
Любопытно, что сама Nvidia подчеркивает: спрос на Grace возник не только из-за моды на AI-агентов. По словам Бака, эти процессоры не шли на условные дешевые cloud-инстансы с логикой «доллар за ядро» и не ставились под веб-серверы массового профиля. Их разворачивали под backend-задачи с насыщенной работой по данным: обработку, перемещение, подготовку и другие data-rich operations. Для русскоязычной аудитории это звучит как вполне знакомый набор сценариев: ETL-конвейеры, аналитические бэкенды, системы подготовки датасетов, сервисы, где упираются не в пиковую частоту одного ядра, а в память, межъядерное взаимодействие и стабильную работу на плотных потоках данных. И в этом смысле серверы Nvidia Grace интересны не как «замена всему», а как процессор под конкретный класс тяжелых инфраструктурных задач.
Главная интрига теперь связана с Vera, следующим поколением серверного CPU от Nvidia. Grace построен на 72 стандартных ядрах Arm Neoverse V2 и выделяется фирменной шиной Scalable Coherency Fabric. Vera идет дальше: у него 88 ядер, собственный дизайн ядра Olympus и обновленная версия той же fabric-архитектуры. Самое заметное отличие от подхода AMD и Intel — монолитный кристалл. Пока x86-игроки давно ушли в chiplet-дизайн ради плотности ядер и гибкости масштабирования, Nvidia делает ставку на цельный чип и щедро тратит площадь не на красивую цифру «128 ядер», а на внутреннюю связность. Бак прямо говорит, что именно поэтому компания не гналась за большим количеством ядер: значительная часть площади ушла под fabric, который должен обеспечивать до 3,4 ТБ/с межъядерной пропускной способности внутри CPU. Отдельно заявлена совокупная пропускная способность памяти до 1,2 ТБ/с через LPDDR5X.
Здесь Nvidia продает не просто процессор, а архитектурный тезис. Компания фактически утверждает, что для будущих AI-ЦОДов важнее не максимум ядер на ватт в абстракции, а предсказуемая связность между ядрами, кешами и контроллерами памяти без коллизий. Для agentic AI, где на одном уровне крутятся планирование, маршрутизация запросов, retrieval, промежуточная обработка и сетевое взаимодействие, идея звучит логично. Но компромисс тоже виден невооруженным глазом. Большая часть дата-центровых нагрузок по-прежнему остается «наследственной»: облачные сервисы, корпоративные приложения, виртуализация, базы данных общего назначения. Под них экосистема AMD и Intel заточена годами, и далеко не факт, что монолитная Vera окажется лучшим ответом на весь спектр реальных задач. Собственно, Nvidia это и не обещает. Еще на GTC в марте Бак говорил, что рынок не будет обслуживаться одним-единственным SKU CPU, и это не цель компании.
Тем не менее амбиции у Nvidia в этом сегменте очень большие. Компания оценивает доступный для себя рынок серверных CPU в 200 млрд долларов, что заметно оптимистичнее многих отраслевых прогнозов. Для сравнения: в самой индустрии оценки рынка к 2030 году чаще находились в диапазоне около 120 млрд долларов, хотя в последнее время поднимались и выше. Morgan Stanley в апреле вообще предположил, что одни только AI-агенты могут добавить к рынку CPU для дата-центров до 60 млрд долларов. Отсюда и смена риторики: Nvidia уже не просто прикручивает процессор к GPU-платформе, а продвигает CPU как отдельную точку роста. Тем более что Vera запускается в полное производство вместе с инфраструктурой следующего поколения — Rubin GPU, ConnectX-9, SpectrumX и стойками Vera Rubin NVL72. По данным компании, в одной такой стойке около 1,3 млн компонентов, а в цепочке сборки участвуют более 300 партнеров по всему миру. Масштаб, мягко говоря, не лабораторный.
Для разработчиков и IT-руководителей из этой истории следует довольно простой вывод. Архитектура AI-инфраструктуры входит в фазу, где выбор CPU снова становится предметом инженерного спора, а не строчкой «добавить любой серверный процессор». Если Nvidia действительно закрепит за собой нишу систем для data-intensive и agentic-нагрузок, то закупки железа, планирование capacity и даже оптимизация платформенного софта начнут сильнее зависеть от того, как именно устроена связность внутри CPU и между CPU, памятью и сетью. Вопрос теперь не в том, сможет ли Nvidia продавать серверные процессоры как таковые — с этим у нее уже, похоже, все в порядке. Вопрос в другом: насколько широко рынок согласится на CPU, который проектировался не под универсальный дата-центр вчерашнего дня, а под ИИ-стойку завтрашнего. Проверить исходные заявления и цитаты можно в материале .