Привет! Мы уже знакомы — меня зовут Александр Баулин. На этот раз я решил разобраться, почему Nvidia до сих пор владеет большей частью рынка чипов для обучения и инференса AI‑моделей.
Наше время принято называть эпохой веб‑сервисов, когда главную прибыль получают разработчики соцсетей, интернет‑магазинов и корпоративных веб‑сервисов. Тогда почему самая дорогая компании мира — Nvidia, живущая на продажах железа? В этой статье я разбирался, за счет чего Nvidia остается «главным продавцом лопат» для AI и кто может потеснить ее на рынке.
Почти монополия
Когда говорят о рынке AI‑чипов, стоит внимательно относиться к источникам. Например, оценки доли Nvidia в 92% обычно имеют двухлетнюю давность и при этом посчитаны вместе с игровыми видеокартами или, наоборот, по поставкам GPU‑карт для дата‑центров. В 2026 году оценки мирового рынка AI‑чипов сводятся к доле Nvidia около 80% с ее снижением до 50–60% к 2030 году. Останется ли Nvidia доминирующим производителем AI‑чипов или может повторить путь 3Dfx, которую когда‑то довела до банкротства?
Конкуренты Nvidia стараются увеличить свои доли, так как AI — основной драйвер рынка полупроводников, объем которого, по прогнозу WSTS. достигнет в 2026 году триллиона долларов. Доля AI‑чипов на нем уже составляет десятки процентов, и встает вопрос, кому достанутся эти сотни миллиардов долларов.
Основные преимущества Nvidia — создание чипов по передовым техпроцессам подрядчика TSMC, собственные технологии — высокопроизводительный GPU, высокоскоростная шина NVLink и коммутатор NVSwitch для эффективного масштабирования вычислительных мощностей, а также проприетарная экосистема разработки CUDA.
Например, использование передовых технологий TSMC позволило создавать чип 2024 года Nvidia Blackwell B200 по техпроцессу 4 нм. В июле 2026 года начались поставки Nvidia Rubin (R200), созданного по техпроцессу 3 нм, а в следующем году планируется выпуск Rubin Ultra по техпроцессу 2 нм. Использование передовых техпроцессов позволяет повышать количество транзисторов на плате, увеличивать частоту чипов и снижать их потребление. Кроме того, TSMC готова оптимизировать под Nvidia литографический процесс: освоила создание чиплетов — соединение нескольких кристаллов на одной вафле, сочетает разные техпроцессы на одной плате и тому подобное.
Для инференса AI‑моделей важна высокая скорость масштабирования, которую Nvidia обеспечивает проприетарной шиной NVLink с интерконнекторами NVSwitch: она позволяет подключать GPU‑карты в системе и серверы между собой в хорошо масштабируемую экосистему.
В текущем поколении Nvidia добавила еще и собственный центральный процессор Nvidia Vera для серверов в дата‑центрах. Таким образом, компания строит вертикальную инфраструктуру не только для AI‑систем, но и для любых задач, требующих высокой вычислительной мощности и низких задержек.
Инструмент разработки CUDA первоначально появился для возможности создания реалистичной физики в играх, но его гибкость позволила программировать на видеокартах самые разные задачи. В 2010-х исследователи обнаружили, что CUDA позволяет применять видеокарты для обучения и инференса нейросетей — тогда еще систем распознавания и управления играми. Все исследователи AI начали использовать CUDA и сделали ее популярной в среде разработчиков: сейчас ее применяют более шести миллионов человек (по данным Nvidia) и под нее оптимизированы самые популярные AI‑инструменты.
В результате конкурентам приходится решать сразу несколько задач, чтобы составить конкуренцию Nvidia. Мало сделать быстрый AI‑ускоритель, так еще и необходимо обеспечить технологии для удобного масштабирования GPU‑серверов и создать инструменты для разработчиков, которые позволят приблизиться к уровню CUDA, разрабатывающейся уже более 10 лет.
Альтернативный GPU
Компания AMD после покупки ATI в 2006 году стала главным конкурентом Nvidia на рынке видеокарт. Спустя 20 лет это позволило ей конкурировать с Nvidia в GPU‑решениях для высокопроизводительных вычислений и работы с AI‑моделями. Компания занимает примерно 5–7% рынка GPU для AI‑систем и обладает хорошей технологической базой: в 2026 году она представила GPU‑чипы Instinct серии MI400X — на 2-нанометровом техпроцессе, с чиплетной архитектурой, производительностью 20 терафлопс, пропускной способностью шины 19,6 Тб/с и поддержкой до 432 Гбайт памяти на чип при 288 Гбайт у Nvidia R200. AMD также заявляет о масштабировании стоек с GPU‑серверами серии MI400X.
В целом AMD старается не только обеспечить технологический паритет с Nvidia, но и выигрывать в некоторых направлениях — например, в поддержке большего объема памяти и нативной работе с 64-разрядными числами. Это позволит компании применять новую вычислительную платформу в высокопроизводительных решениях: материаловедении, расчетах и цифровом моделировании процессов в механизмах, что расширяет круг потенциальных пользователей AMD.
Но при работе с AI‑моделями остается проблема конкуренции с CUDA. AMD создала собственную экосистему разработки ROCm, которая пока менее популярна у разработчиков и не поддерживается меньшим числом фреймворков и плагинов. Из‑за этого при разработке инженеры должны часть времени тратить на контроль совместимости и корректной работой ПО и веб‑сервисов. В целом AMD это понимает и работает над увеличением своего присутствия. В октябре 2025 года она подписала крупнейшую сделку на использование ее AI‑ускорителей ведущим AI‑разработчиком OpenAI.
А 23 июля компания анонсировала платформу ROCm.AI для разработчиков, которая включает AI‑инструменты для автоматизированной настройки, развертывания и оптимизации моделей искусственного интеллекта.
Гигант из 90-х все еще в деле
Intel — это особый случай на рынке AI‑чипов. Мы рассказывали, что Intel в 2005 году могла купить Nvidia, но решила обойтись своими силами. Теперь AI‑чипы компании не могут составить конкуренцию Nvidia, но зато Intel по‑прежнему сильна своими центральными процессорами. Доходы Intel от ЦП для AI‑решений и интегрированных ЦП+AI‑чипов сравнимы с выручкой AMD от рынка GPU (так как исследования разные, то абсолютные цифры немного различаются — видимо, методика подсчета разная).
Так что при всех своих проблемах Intel — важный участник AI‑рынка. Это понимает даже Nvidia, делающая собственные ЦП под AI‑системы: в сентябре 2025 года она вложила в производителя процессоров 5 млрд долларов. Intel создаст ЦП, оптимизированные под дата‑центры Nvidia для работы AI‑моделей. Кроме того, появятся чиплеты, в которых будут интегрированы ЦП Intel и GPU Nvidia (не путайте с RTX Spark!).
При этом Intel поможет и конкурентам Nvidia: компания надеется наконец наладить контрактное производство. Для решения этой задачи Intel даже закупила у ASML передовую литографическую установку High‑NA EUV стоимостью 400 млн долларов. Это на порядок дороже текущих литографических установок ASML — даже TSMC сэкономила и техпроцесс 2 нм реализовала без них. Зато для Intel новое оборудование — шанс догнать TSMC и Samsung, перейдя на техпроцессы ниже 2 нм. Также Intel будет участвовать в проекте создания TerraFab компании SpaceX, где планируется выпускать AI‑чипы для работы моделей искусственного интеллекта xAI, роботов и космических дата‑центров. Intel уже интегрирует собственные нейрочипы и ЦП, а по неофициальной информации медиа на ее производственных мощностях хотят создавать свои AI‑чипы AMD, Nvidia, Marvell, Microsoft, Amazon, Micron и OpenAI — весь цвет IT‑индустрии.
Угроза от специализированных AI‑чипов
Если смотреть на выручку от AI‑чипов, то ближайшим преследователем Nvidia окажется не AMD, а Broadcom, на которую приходится примерно 16% выручки рынка AI‑чипов. Дело в том, что Nvidia и AMD строят универсальные высокопроизводительные системы, которые могут работать не только в обучении и инференсе AI‑моделей, но и в других задачах, требующих высокопроизводительных вычислений. А остальные американские производители сфокусировались на ASIC — специализированных решениях, которые на аппаратном уровне выполняют конкретные задачи. При этом для многих компаний решения проектирует Broadcom, которая раньше была известна сетевыми чипами.
Например, Google уже 10 лет выпускает TPU — тензорные процессоры, которые оптимизированы под быстрое перемножение матриц, то есть под самую частую операцию при работе с AI‑моделями. Компания не только использует их для развития собственной AI‑модели Gemini, но и предлагает внешним партнерам — например, Anthropic. В 2026 году Google впервые разделила линейку: TPU 8t для обучения и TPU 8i — для инференса. Каждая отдельная характеристика таких чипов не всегда показательна. Например, восьмое поколение TPU Google поддерживает сравнимый с Nvidia R200 объем памяти — 288 Гбайт, но использует более медленные чипы HBM3, что сказывается на пропускной способности. Производительность TPU 8t/i примерно в пять раз ниже R200, но сравнима с чипами предыдущего поколения B200. Главное преимущество чипов Google — оптимальная совместимость с собственными серверами и софтом. По подсчетам аналитиков SemiAnalysis, оптимизация под распространенные AI‑фреймворки типа PyTorch уже в предыдущем седьмом поколении TPU Google позволяла тратить на вычисления на 44% меньше энергии по сравнению с GPU‑серверами Nvidia GB200.
Разработка собственных специализированных AI‑чипов стала трендом для бигтехов. OpenAI, Microsoft и Amazon создают фирменные ASIC параллельно с использованием GPU‑чипов Nvidia и AMD: они рассчитывают аппаратно ускорить операции, которые GPU выполняют софтверно, и в итоге выиграть в себестоимости и энергопотреблении микросхем, даже если они выполнены не по самому передовому техпроцессу.
События на бирже не всегда имеют отношения к реальности. Но так как они влияют на настроения инвесторов — стоит ли еще вкладывать деньги, под какой процент давать кредиты и тому подобное, — то логично отметить осторожное отношение инвесторов к AI‑чипам. 3 июня 2026 года Broadcom опубликовала итоги второго финансового квартала (он не совпадает с календарным): выручка выросла на 48%, чистая прибыль — на 88% по сравнению с аналогичным кварталом предыдущего года. В итоге бумаги компании рекордно… упали на 16%. Дело в том, что Broadcom традиционно занималась сетевыми чипами, а специализированные процессоры для нее — относительно новый бизнес. Компания рассчитывала почти удвоить выручку за их счет — получить от продаж AI‑чипов до 56 млрд долларов, но инвесторы ожидали 57,6 млрд долларов. Так как Broadcom — основной поставщик специализированных AI‑чипов, рынок решил, что все разработчики AI‑систем нуждаются в них меньше, чем ожидалось. Учитывая, насколько сейчас выросла рыночная капитализация компаний, связанных с AI, даже небольшой негативный сигнал превращается в обвал рынка. После финансовых итогов Broadcom бигтехи потеряли за сутки 1,3 трлн долларов капитализации: бумаги Nvidia упали на 6%, AMD — почти на 11%, Micron — на 13%.
Потенциальная ниша для применения специализированных AI‑чипов — роботы, которым требуется быстрая реакция и низкое энергопотребление в компактном объеме. Поэтому SpaceX и строит TerraFab, надеясь создать собственные решения для роботов Optimus. Но тут эффективность решений, альтернативных Nvidia, еще предстоит проверить на практике.
Американские конкуренты могут уменьшить долю Nvidia, но в ближайшее время не пошатнут ее доминирования. Основной риск для Nvidia — не AMD и даже не производители специализированных AI‑чипов, а потеря веры в AI‑рынок: тогда последует снижение инвестиций в AI‑инфраструктуру и обвал продаж GPU‑чипов.
Неприятный эффект санкций против Китая
Кажется, что Nvidia обречена оставаться лидером, а остальные компании будут соревноваться с ней. Но высокая производительность решений компании взволновала правительство США и привела к неожиданным последствиям. В 2022 году правительство США запретило поставлять в Поднебесную самые мощные на тот момент чипы Nvidia A100 и H100.
В прошлом году компания и регулятор договорились о поставках в Китай урезанной экспортной версии H800 и более новой H200, но тут уже китайские власти запретили ведущим компаниям покупать американскую продукцию. В результате на начало 2026 года доля Nvidia на китайском рынке по разным исследованиям составляла от 40 до 66%, но аналитики предупреждают, что она упадет до 8% к началу 2027 года, если Nvidia не удастся отменить американские и китайские торговые ограничения.
Кто же займет ее место?
Китай идет сразу по обоим направлениям — создание собственных GPU и специализированных чипов, да еще добавляет свой подход. Сил хватает: в Поднебесной более 20 компаний занимаются созданием AI‑ускорителей — от крупных компаний до стартапов. Доминирует Huawei, которая на начало 2026 года имела сравнимую с Nvidia долю в 40% китайского рынка AI‑чипов. Компаниям Hygon и Cambricon принадлежало по 4%, T‑Head Semiconductor (принадлежащая Alibaba) и Kunlunxin (Baidu) — по 3%, у остальных разработчиков доли рынка были скромнее.
Если экспансия американских компаний сталкивается с ограничениями своих и китайских регуляторов, то для китайских разработчиков главные сложности — недоступность современных техпроцессов и популярных IT‑стандартов. Например, лицензию на центральные процессоры с x86-архитектурой имеет только Hygon. Компании же, которые используют ARM‑процессоры или собственную архитектуру, должны либо адаптировать под нее софт, либо разрабатывать его с нуля. То есть ситуация сложнее, чем у американских конкурентов Nvidia, но китайские компании ее смогли решить.
Китайские разработчики вынуждены мириться с отставанием в микроэлектронике: TSMC предлагает китайским компаниям литографию по техпроцессу в районе 10 нм, на собственных фабриках самый передовой техпроцесс — 7 нм. Это сказывается на характеристиках китайских решений. Теоретически они должны быть медленнее, горячее — а значит? обучение AI‑моделей должно требовать больше ресурсов. Но не все в мире линейно.
Анонсированная в марте 2026 года плата для инференса AI‑моделей Huawei Atlas 350 на чипе Ascend 950PR имеет производительность на уровне 1,6 петафлопс при операциях с 4-разрядными дробными числами. Это в четыре раза быстрее экспортного варианта Nvidia H20, но на пару поколений отстает от показателей топовых решений американской компании. Такая же ситуация и с остальными показателями: пропускная способность 1,4 Тб/с, объем памяти 112 Гбайт. Большим достижением китайской компании считается использование высокопроизводительных модулей памяти HBM собственной конструкции. Huawei также разработала масштабирование своей системы для обучения и инференса AI‑моделей: кластер CloudMatrix 384 на базе 384 AI‑чипов Ascend 910C и 192 ЦП Kunpeng дает производительность в 300 PFLOPS на операциях с 16-разрядными числами, что почти вдвое больше, чем у кластера Nvidia GB200 NVL72. Но у китайской системы в четыре раза выше энергопотребление, и, главное, я пока не видел независимой оценки их производительности.
В целом китайским AI‑разработчикам доступны собственные решения, сравнимые на уровне сервера с экспортными версиями Nvidia. А за счет кластеризации они могут получить вычислительную мощность, сравнимую с прошлогодним поколением топовых решений Nvidia и AMD.
Как и их заокеанские визави, крупные китайские IT‑компании (Alibaba и Baidu) разрабатывают специализированные решения, которые аппаратно будут ускорять операции в их облачных центрах. Стартапы же пытаются обойти ограничения, создав более эффективную архитектуру. Китайское правительство, в свою очередь, дотирует расходы на электричество и поощряет использование отечественных чипов, что делает их более привлекательными даже с учетом технологического отставания.
Не петафлопсами едиными
Китай показывает мастер‑класс, как надо добывать правдами и неправдами новые технологии. По данным СМИ, к 2030 году в стране будет налажено производство по техпроцессу 2 нм. Хотя к этому времени TSMC, Samsung и Intel должны продвинуться дальше в техпроцессах, но разрыв сокращается.
Но если американские компании конкурируют с Nvidia в основном за счет специализации под свои решения, то китайские компании показывают еще и чудеса оптимизации. Так, в июле 2026 года исследователи пекинского университета более чем в 100 раз (!) ускорили инференс AI‑модели за счет использования оптических коннекторов и каналов.
Оптимизация софта и AI‑моделей помогает китайским компаниям даже с менее производительным железом раз за разом обходить американские AI‑модели. В январе 2025 года мир поразил DeepSeek. А 17 июля 2026 года это сделала LLM Kimi K3 китайского стартапа Moonshot. Она поддерживает 2,8 трлн параметров и обошла в тестах Artificial Analysis новейшие версии GPT 5.6 и Anthropic Fable 5. Американские инвесторы считали их недостижимыми для конкурентов, а правительство США оберегало от доступа иностранцев.
Нельзя сказать, что Moonshot — маленький стартап: в июне он получил 2 млрд долларов инвестиций при оценке в 30 млрд долларов. Но все‑таки инвестиции в него относительно скромны, поэтому американский рынок не ожидал от него AI‑модели мирового уровня. В результате индекс Nasdaq упал почти на 3%, а крупные компании IT‑индустрии, те же Nvidia и Broadcom, потеряли до 5% капитализации. Инвесторы закономерно задались вопросом — так ли необходимы триллионные инвестиции в AI‑инфраструктуру США, если китайские компании достигают близких результатов с меньшими ресурсами?
А Китай уже готовит свою международную экспансию в сфере AI. 16 июля представители 29 государств (включая Россию) подписали соглашение о создании Всемирной организации по сотрудничеству в области AI (WAICO). Среди заявленных целей — обмен технологиями и сокращение технологического неравенства. Учитывая, что инициатор создания WAICO — Китай, ее штаб‑квартира будет в Шанхае, можно предположить, что и технологии будут продвигаться в первую очередь этой страны. Тем более что Китай выглядит лидером в этом направлении среди европейских, азиатских и африканских стран.
Кажется, в ближайшее время зеленому рыцарю Nvidia придется, с одной стороны, доказывать, что дорожающее AI‑железо сможет окупиться в будущем. А с другой стороны — опасаться притаившегося дракона: китайских разработчиков, которые создают все более совершенное железо и — что важнее — передовые AI‑модели даже при ограниченном доступе к топовой инфраструктуре.
Автор: AlexBaggins
