Новая стойка Nvidia VR200 NVL72 для ИИ-систем, по оценке Morgan Stanley, будет стоить около $7,8 млн, и примерно $2 млн в этой сумме придется на память. Для тех, кто следит за экономикой дата-центров, это уже не деталь спецификации, а новая реальность: стоимость памяти Nvidia добралась почти до четверти всей системы, а значит, считать придется не только GPU, но и каждый терабайт вокруг них.
Как пишет Tom's Hardware, Nvidia собирается продавать Rubin GPU для таких систем примерно по $55 тыс. за штуку, а процессоры Vera CPU — по $5 тыс. при поставках крупным облачным провайдерам. Но главная новость не в том, что ускорители дороги, а в том, что железо вокруг них дорожает еще быстрее. Если раньше разговор об ИИ-кластере почти целиком сводился к числу GPU, то теперь bill of materials заметно тяжелее из-за памяти, коммутации, сетевой части, печатных плат, охлаждения, питания и упаковки самих чипов. Ирония в том, что на фоне стойки за $7,8 млн Rubin по $55 тыс. уже выглядит не главным источником боли.
Для сравнения: предыдущая система класса GB300 NVL72 оценивалась примерно в $4 млн. То есть переход к VR200 NVL72 добавляет не косметическую наценку, а почти удваивает ценник. Отдельно Morgan Stanley оценивает стоимость памяти внутри одной стойки примерно в $2 млн, то есть рост идет в разы по сравнению с прошлым поколением. В материале Tom's Hardware фигурируют немного разные проценты роста, поэтому безопаснее говорить не о точном числе, а о самом факте: память из второстепенного компонента превратилась в один из главных драйверов цены всей ИИ-платформы.
Причина довольно приземленная: в стойке стало намного больше самих модулей памяти и накопителей. По данным из публикации, в VR200 NVL72 будет около 54 ТБ LPDDR5X против 17 ТБ LPDDR5X у GB200 NVL72. Даже если брать оценку SemiAnalysis в $8 за гигабайт LPDDR5X в первом квартале, только этот слой памяти тянет примерно на $408 тыс. против $136 тыс. у GB200 NVL72. А если цена поднимется до $10 за гигабайт, что авторы текста считают вполне возможным, один лишь LPDDR5X уже вырастает до $540 тыс. Это еще без учета того, что Nvidia работает не с абстрактными микросхемами с биржи, а с более сложными и дорогими модулями SOCAMM2 для Vera CPU, где цена производства, тестирования и собственная наценка компании делают математику еще менее гуманной.
Почему дорожает не только GPU
Вторая большая статья расходов — 3D NAND. Если у GB200 NVL72, по сути, не было заметного бюджета на встроенное NAND-хранилище, то у VR200 NVL72 оно, по оценке источника, может стоить около $1 млн или даже больше. Это важный сдвиг в архитектурной логике современных ИИ-систем. Раньше накопители и оперативная память были скорее обслуживающим контуром для вычислений. Теперь они становятся частью базовой производительности: модели крупнее, контекст длиннее, промежуточных данных больше, требования к локальному хранению и пропускной способности выше. В результате стойка перестает быть просто набором дорогих ускорителей и превращается в очень дорогую систему балансировки между GPU, памятью и вводом-выводом.
Отдельный слой проблемы — рынок самих чипов памяти. В тексте приводятся ориентиры, по которым контрактные цены DDR5 уже находятся в диапазоне $12-16 за гигабайт, а спотовые — около $20. LPDDR5X дороже DDR5, а в специфической серверной упаковке для платформы Nvidia тем более не дешевеет. То есть даже текущие оценки могут оказаться нижней границей. Для гиперскейлеров это неприятно, но терпимо: у них есть длинные контракты, собственные CAPEX-программы и возможность размазывать расходы по облачным тарифам. Для всех остальных рынок становится еще более асимметричным. Те, кто строит свои ИИ-кластеры меньшего масштаба, будут получать не только меньше скидок, но и более высокую цену входа в пересчете на единицу производительности.
Для русскоязычной IT-аудитории здесь важен не культ Nvidia, а последствия. Во-первых, дорожает не просто обучение больших моделей, а весь контур владения ИИ-инфраструктурой: inference, storage tier, memory tier, сетевой fabric, энергопотребление. Во-вторых, облака и провайдеры managed AI почти неизбежно будут перекладывать эту экономику в прайсинг. Даже если конечный клиент не покупает стойку VR200 NVL72, он все равно увидит ее в цене GPU-часа, reserved capacity, корпоративных контрактов на приватные кластеры и сроках окупаемости новых сервисов. В-третьих, это усиливает тренд на более жесткий отбор кейсов. Эпоха, когда можно было купить побольше ускорителей "на вырост" и потом придумать, что с ними делать, заканчивается. При такой структуре BOM ошибаться с загрузкой кластера становится слишком дорого.
Что это меняет для рынка
На практике это подталкивает компании к трем сценариям. Первый — сильнее оптимизировать модели и стек, потому что каждый лишний гигабайт контекста и каждая неэффективная копия данных начинают стоить буквально миллионы долларов на масштабе стойки. Второй — чаще арендовать, а не строить свое, если нет гарантированного спроса и финансового запаса на длинный цикл окупаемости. Третий — внимательнее смотреть не только на Nvidia, но и на альтернативные платформы, где общая стоимость системы может быть ниже даже при менее впечатляющих пиковых цифрах производительности. Иначе рынок ИИ легко скатится в странную ситуацию, где самая дефицитная часть инфраструктуры — уже не вычисления как таковые, а память вокруг них.
Главный вопрос теперь не в том, сколько еще можно поднять цену на топовые GPU. Вопрос в другом: готовы ли заказчики и дальше принимать модель, при которой каждая следующая генерация ИИ-железа дорожает вместе с памятью, накопителями и всей серверной обвязкой быстрее, чем растет предсказуемая бизнес-отдача от этих систем.