NVIDIA показала Vera Rubin — платформу, которая должна радикально удешевить обучение ИИ

На CES 2026 NVIDIA неожиданно представила архитектуру Vera Rubin, хотя рынок ждал этот анонс ближе к концу года. Компания позиционирует платформу как следующий большой скачок после Blackwell и делает ставку не просто на рост мощности, а на пересборку всей вычислительной инфраструктуры для ИИ.

Центральный элемент системы – GPU Rubin, который, по данным NVIDIA, обеспечивает пятикратный прирост производительности в задачах обучения ^[1] ИИ по сравнению с Blackwell. Однако ключевая идея Vera Rubin не в одном чипе, а в полностью связанной платформе. Она объединяет сразу шесть компонентов: процессор Vera, GPU Rubin, NVLink шестого поколения, DPU BlueField-4 и сетевой адаптер ConnectX-9. Всё это проектировалось как единое целое, а не набор отдельных ускорителей.

По расчетам NVIDIA, переход на Vera Rubin позволит дата-центрам сократить количество GPU на 75%, сохранив или даже увеличив вычислительную мощность. В пересчёте на экономику это выглядит ещё агрессивнее: компания заявляет о семикратном снижении совокупных затрат по сравнению с инфраструктурой на Blackwell. Речь идет не только о «железе», но и о снижении энергопотребления, затрат на сеть и обслуживание.

Важно, что NVIDIA всё сильнее смещается от роли поставщика видеокарт к роли архитектора ИИ-платформ. Vera Rubin – это не продукт для геймеров или отдельных серверов, а фундамент для гиперскейлеров, лабораторий ИИ и корпоративных дата-центров, где обучение моделей становится главным расходом.

Продукты и облачные сервисы на базе Vera Rubin появятся во второй половине 2026 года через партнеров NVIDIA. Если заявленные показатели подтвердятся на практике, архитектура может заметно изменить экономику обучения больших моделей и усилить технологический разрыв между NVIDIA и конкурентами.

Делегируйте часть рутинных задач вместе с BotHub! ^[2] Для доступа к сервису не требуется VPN и можно использовать российскую карту. По ссылке ^[3] вы можете получить 100 000 бесплатных токенов для первых задач и приступить к работе с нейросетями прямо сейчас!

Источник ^[4]