Чипы для ИИ: Nvidia и конкурентыКто производит ускорители и почему их не хватает

Обучение и работа больших моделей упираются в специализированные ускорители. Рассказываем, как устроен этот рынок к осени 2026 года и что на него влияет помимо технологий.

Технологии ИИОбновлено 12.11.20268 мин чтения
Чипы для ИИ: Nvidia и конкуренты
▲ коротко: Чипы для ИИ: Nvidia и конкуренты✓ Nvidia остаётся крупнейшим поставщиком ускорителей ИИ, во многом благодаря программной экосистеме CUDA✓ AMD, Google TPU и собственные чипы AWS и Microsoft отбирают у неё часть крупных заказов, прежде всего на инференс✓ Узкие места рынка не только в самих чипах: память HBM, упаковка на заводах TSMC и электроэнергия для дата-центров✓ Экспорт передовых ускорителей в Китай с 2022 года регулируется США, и правила несколько раз менялись
208 млрдтранзисторов в ускорителе Nvidia B200 (два кристалла)
72GPU объединены в одну стойку GB200 NVL72
до 1 млнTPU может использовать Anthropic по соглашению с Google 2025 года

Почему ИИ нужны особые чипы

Нейросеть в основном перемножает большие матрицы. Центральный процессор делает это медленно: у него немного мощных ядер, рассчитанных на разнообразную логику. Графический процессор, наоборот, содержит тысячи простых вычислительных блоков и специальные тензорные ядра, которые выполняют матричные операции в форматах пониженной точности: FP16, FP8 и всё чаще FP4.

Для современных моделей важна не только скорость вычислений. Не меньше значат объём и пропускная способность памяти, ведь веса модели нужно постоянно подавать в вычислительные блоки. Поэтому рядом с кристаллом ставят стеки памяти HBM. Третий фактор: связь между чипами. Крупную модель обучают на тысячах ускорителей, и они должны обмениваться данными почти без задержек. Особенно это заметно у моделей на архитектуре Mixture of Experts, где токены постоянно пересылаются между экспертами на разных GPU.

Требования к железу различаются для двух этапов жизни модели. Обучение длится недели и требует огромных связанных кластеров. Инференс, то есть ответы пользователям, идёт постоянно и упирается скорее в память и стоимость каждого токена. По мере распространения ИИ-сервисов именно на инференс приходится всё большая доля спроса, и под него всё чаще проектируют отдельные чипы.

Nvidia: от Hopper к Rubin

Ускоритель H100 на архитектуре Hopper, вышедший в 2022 году, стал главным символом бума генеративного ИИ. Обновлённый H200 получил 141 ГБ более быстрой памяти HBM3e. В марте 2024 года Nvidia представила Blackwell: B200 собран из двух кристаллов с общим числом транзисторов 208 млрд и поддерживает вычисления в FP4.

Главная идея Blackwell в том, что единицей продажи становится стойка, а не отдельный чип. В системе GB200 NVL72 72 графических процессора и 36 центральных процессоров Grace связаны NVLink и работают как один большой ускоритель. В 2025 году вышло обновление Blackwell Ultra, а следующей архитектурой стала Rubin в паре с процессором Vera. По сообщениям отраслевых изданий, её поставки облачным провайдерам начались во второй половине 2026 года.

Преимущество Nvidia не исчерпывается железом. Платформа CUDA и библиотеки поверх неё развиваются почти двадцать лет, и большинство фреймворков машинного обучения оптимизированы прежде всего под неё. Перенос кода на другую платформу требует времени и инженеров, и это удерживает клиентов.

▲ хроника✓ 2022-10 · США ограничивают экспорт передовых ИИ-чипов в Китай✓ 2023-12 · AMD выпускает Instinct MI300X со 192 ГБ памяти✓ 2024-03 · Nvidia представляет архитектуру Blackwell✓ 2025-04 · Google анонсирует TPU седьмого поколения Ironwood✓ 2025-12 · AWS выводит на рынок 3-нм чип Trainium3✓ 2026-01 · США разрешают поставки H200 в Китай с пошлиной 25%

AMD и собственные чипы облаков

Основной альтернативой среди универсальных GPU стала линейка AMD Instinct. MI300X в конце 2023 года предложил 192 ГБ памяти, что оказалось удобно для инференса больших моделей. Затем вышли MI325X и MI350-серия, а на 2026 год компания запланировала стоечную систему Helios на MI450. В октябре 2025 года AMD и OpenAI объявили о многолетнем соглашении на поставку ускорителей суммарной мощностью 6 ГВт, первые развёртывания которого намечены на вторую половину 2026 года.

Параллельно крупнейшие облака разрабатывают собственные специализированные чипы (ASIC). Они проще универсальных GPU, но лучше оптимизированы под задачи владельца.

КомпанияЧипЧто известно
GoogleTPUиспользуются с 2015 года; седьмое поколение Ironwood ориентировано на инференс
Amazon (AWS)Trainium, InferentiaTrainium3 на 3-нм техпроцессе представлен в декабре 2025 года
MicrosoftMaiaсобственный ускоритель для дата-центров Azure, первое поколение показано в 2023 году
MetaMTIAчипы для рекомендательных систем и инференса внутри компании

Доступ к TPU и Trainium продаётся через облако, поэтому для клиентов они конкурируют с GPU прежде всего ценой часа вычислений. Крупнейшие разработчики моделей сознательно распределяют нагрузку между поставщиками: так, Anthropic использует и TPU от Google, и Trainium от AWS, и GPU Nvidia.

Где на самом деле узкие места

Дефицит ускорителей последних лет объясняется не только спросом. Цепочка производства длинная, и в ней несколько точек, где мощности ограничены.

  1. Производство кристаллов. Почти все передовые ИИ-чипы, включая продукты Nvidia, AMD и Google, выпускает TSMC.
  2. Упаковка. Кристалл и стеки HBM соединяются по технологии продвинутой упаковки (у TSMC это CoWoS), и её мощности долго отставали от спроса.
  3. Память HBM. Её выпускают всего три компании: SK hynix, Samsung и Micron.
  4. Энергия и охлаждение. Стойки нового поколения требуют жидкостного охлаждения и десятков киловатт мощности, поэтому дата-центры приходится перестраивать.

Энергопотребление становится заметной частью дискуссии об ИИ, мы касались этого в материале об экологическом следе генеративных моделей. Для бизнеса же дефицит и стоимость оборудования напрямую отражаются в тарифах на API, о чём редакция писала в посте об экономике инференса.

Экспортные ограничения

С октября 2022 года США ограничивают поставки передовых ИИ-ускорителей и оборудования для их производства в Китай. Правила несколько раз ужесточались. После первой волны Nvidia выпустила для китайского рынка урезанные версии A800 и H800, но в 2023 году они тоже попали под запрет. Следующий вариант, H20, в апреле 2025 года потребовал отдельной экспортной лицензии.

В январе 2026 года политика сменилась: Бюро промышленности и безопасности США перевело заявки на экспорт H200 и AMD MI325X в Китай на рассмотрение в индивидуальном порядке, а власти США объявили о сборе 25% с таких продаж. По сообщениям СМИ, Пекин, в свою очередь, сдерживал закупки американских чипов и поддерживал местных производителей, прежде всего Huawei с линейкой Ascend.

Для остального мира ограничения важны косвенно. Они влияют на цены, на распределение поставок и на то, где строятся крупные вычислительные кластеры.

Что это значит для пользователей ИИ

Большинство компаний не покупает ускорители напрямую, а арендует их в облаке или пользуется моделями через API. Но рынок чипов всё равно влияет на их решения.

  • Цена и доступность. Конкуренция AMD и собственных чипов облаков постепенно снижает стоимость инференса.
  • Переносимость кода. Если вы обучаете или дообучаете модели сами, стоит выбирать инструменты, которые поддерживают несколько платформ.
  • Скорость новых моделей. Выход моделей нового поколения часто привязан к запуску очередных кластеров у разработчиков.

Если же компания разворачивает открытую модель на собственном сервере, первым делом стоит посчитать память: веса модели, кэш контекста и запас на параллельные запросы должны поместиться в видеопамять ускорителей. Вычислительная мощность здесь часто вторична, а лишний объём памяти позволяет обойтись меньшим числом карт.

Что изменилось с тех пор

К ноябрю 2026 года рынок окончательно перешёл от продажи отдельных чипов к продаже стоек и целых вычислительных систем. Nvidia, по сообщениям, наращивает поставки Rubin, AMD выводит на рынок Helios, Google открыла Ironwood для клиентов облака, а AWS развивает Trainium3. Регулирование экспорта остаётся подвижным, и официальные правила на момент обновления продолжают уточняться. Новости о железе для ИИ мы собираем в рубрике «Технологии ИИ».

Вопросы и ответы

Почему для ИИ используют видеокарты, а не обычные процессоры?

Нейросети в основном перемножают большие матрицы. Графические процессоры содержат тысячи простых вычислительных блоков и тензорные ядра для таких операций, а также быструю память HBM. Обычный процессор справляется с этими задачами в разы медленнее и дороже на единицу вычислений.

Чем TPU от Google отличается от GPU Nvidia?

TPU это специализированный чип, спроектированный только под операции нейросетей, а GPU остаётся более универсальным. TPU нельзя купить, их арендуют в Google Cloud. Для работы с ними обычно используют JAX или PyTorch через специальные библиотеки, а не CUDA.

Почему у Nvidia так мало конкурентов?

Конкуренты есть, но Nvidia много лет развивает программную платформу CUDA, под которую оптимизированы почти все инструменты машинного обучения. Перенос кода на другую платформу требует усилий, а связка из чипов, сетевого оборудования и софта продаётся как готовое решение.

Можно ли купить ускорители Nvidia в Китае?

Поставки передовых моделей ограничены экспортными правилами США с 2022 года. В январе 2026 года экспорт H200 был разрешён по индивидуальным лицензиям с пошлиной 25%, но Пекин, по сообщениям СМИ, сам сдерживал такие закупки. Правила продолжают меняться.

Ещё по теме

Следующая новость уже в ленте