Nvidia укрепляет ИИ-лидерство за пределами GPU: архитектура Vera Rubin и оркестрация данных
До этой недели о Nvidia рассказывали одну и ту же историю: в первые годы ИИ-бума компания была единственным источником топовых GPU и на этом заработала огромные деньги, пока индустрия наращивала масштабы. В последние годы гиперскейлеры вроде Amazon и Google начали делать собственные чипы, Nvidia перестала быть единственным игроком, и инвесторы всё чаще задавались вопросом, насколько устойчиво её преимущество. Эта история отчасти верна: капитализация Nvidia выросла в 10 раз с начала 2023-го до середины 2025 года, но за последний год акции росли куда скромнее, как раз на фоне опасений по поводу конкуренции в GPU.
После отчёта Nvidia о прибыли в среду сложился новый рассказ: инвесторы начинают понимать, что преимущество компании выходит далеко за пределы GPU. По мере того как вычисления для ИИ выходят на гигаваттный масштаб, оркестрация всего, что происходит вокруг GPU, становится всё более сложной задачей, и Nvidia уже построила значительную часть передового оборудования для этого, получив крупное преимущество в окружающих системах даже там, где по самим GPU конкуренция усиливается.
Это видно по тому, что именно сейчас продаёт Nvidia. Компания разворачивает архитектуру Vera Rubin, которая объединяет GPU Rubin с процессором Vera, ускорителем инференса Groq 3 LPX и отдельными стойками для хранения и сети. Как и сам GPU Rubin, это узкоспециализированные системы, но, в отличие от GPU, они не обрабатывают токены, а следят за тем, чтобы всё остальное вокруг GPU работало максимально эффективно. Процессор Vera решает задачу оркестрации данных: по словам Джейсона Харди, вице-президента Nvidia по технологиям хранения, «Vera важна, потому что в один сервер или любую вычислительную платформу можно поместить лишь ограниченный объём памяти». Вместе с ростом вычислительной мощности растёт и объём памяти в дата-центрах, на этом, по данным статьи, разбогатели такие компании, как Micron, но вовремя доставить нужные данные к GPU не так просто, а по мере того как компании стремятся снижать расход энергии на каждый токен (показатель «токены на ватт»), важность такой маршрутизации трафика данных только растёт. Харди утверждает, что именно в таких операциях процессор Vera даёт ускорение «более чем втрое», позволяя полнее использовать возможности флеш-памяти «без узких мест».
Похожую проблему по-своему решают и за пределами Nvidia. Разрабатывая собственный чип Jalapeño, OpenAI сделала ставку на то, чтобы вообще избежать необходимости перемещать данные: в блоге компании, опубликованном ранее в этом месяце, говорится, что чип «спроектирован так, чтобы минимизировать перемещение данных и задержки при обмене ими», а «его большой домен позволяет всей нагрузке оставаться в пределах одной связанной системы» от начала до конца запроса. Подход другой, избежать перемещения данных за счёт того, что вся нагрузка выполняется в границах одного интегрированного чипа, но логика та же: эффективность растёт за счёт более умного управления трафиком данных, а не только за счёт наращивания вычислительных циклов процессора.
Это открывает целый новый уровень инфраструктуры, за который компаниям предстоит конкурировать. Новый фокус на оркестрации данных не гарантирует Nvidia автоматическую победу: компании ещё придётся соперничать с другими чипмейкерами и гиперскейлерами так же, как раньше, на уровне GPU. Но, как отмечает издание, по крайней мере на раннем этапе Nvidia выглядит уверенным лидером и на этом новом поле.
Ключевые факты
- Nvidia сейчас разворачивает архитектуру Vera Rubin, GPU Rubin в связке с процессором Vera, ускорителем инференса Groq 3 LPX и стойками для хранения и сети.
- Процессор Vera решает нехватку памяти на одном сервере и, по словам вице-президента Nvidia по технологиям хранения Джейсона Харди, ускоряет операции с данными на пути к GPU «более чем втрое».
- Капитализация Nvidia выросла в 10 раз с начала 2023-го до середины 2025 года; за последний год темпы роста заметно упали на фоне опасений по поводу конкуренции в GPU.
- У OpenAI похожая задача решена иначе: собственный чип Jalapeño минимизирует перемещение данных, удерживая всю нагрузку в пределах одного связанного домена.
- Новый уровень конкуренции, не гарантированная победа для Nvidia: соперничать с чипмейкерами и гиперскейлерами придётся и здесь, но пока, по оценке TechCrunch, на раннем этапе лидерство уверенно за ней.
Почему это важно
По мере того как вычислительные мощности для ИИ выходят на гигаваттный масштаб, согласованная работа всего, что окружает GPU, памяти, хранения, сети, доставки данных, становится всё более сложной задачей. Nvidia уже построила значительную часть передового оборудования для решения именно этой задачи, и это даёт компании серьёзное преимущество в системах вокруг GPU даже там, где конкуренция по самим GPU усиливается. Иными словами, гонка ИИ-инфраструктуры смещается с вопроса «у кого GPU быстрее» на вопрос «чья система вокруг GPU работает эффективнее», и на этом поле, по данным TechCrunch, Nvidia пока опережает остальных.
Кому это важно
Инвесторам и аналитикам, оценивающим устойчивость бизнеса Nvidia на фоне того, что гиперскейлеры вроде Amazon и Google уже делают собственные чипы. Инженерным и инфраструктурным командам, которые проектируют и эксплуатируют мегамасштабные дата-центры для ИИ и должны решать задачу доставки данных к GPU при растущей плотности вычислений. Разработчикам конкурирующего оборудования, в статье как пример иного подхода к той же задаче упомянута OpenAI с её собственным чипом Jalapeño.
Как это применить
В статье описаны два разных инженерных решения одной проблемы, как не упереться в скорость передачи данных при росте вычислений. Nvidia в архитектуре Vera Rubin ставит рядом с GPU Rubin отдельный процессор Vera, ускоритель инференса Groq 3 LPX и специализированные стойки для хранения и сети, то есть выносит оркестрацию данных в отдельное специализированное оборудование. OpenAI в чипе Jalapeño пошла другим путём: минимизирует само перемещение данных, удерживая всю нагрузку в пределах одного связанного домена на кристалле. Для команд, которые планируют ИИ-инфраструктуру, это означает, что при выборе платформы стоит смотреть не только на производительность GPU, но и на то, как решена доставка данных к нему, от этого может зависеть реальная эффективность (токены на ватт) не меньше, чем от самого чипа.
Можно ли доверять
Материал TechCrunch: в основе, беседы с сотрудниками Nvidia, которые велись на протяжении недели, прямые цитаты вице-президента Nvidia по технологиям хранения Джейсона Харди и точная цитата из блог-поста OpenAI о чипе Jalapeño. Это делает описание архитектуры Vera Rubin и логики Jalapeño достоверным на уровне того, что заявляют сами компании. При этом ключевая количественная оценка эффекта Vera CPU, «более чем троекратное» ускорение операций, исходит от самой Nvidia и не подтверждена независимым бенчмарком, а рост капитализации в 10 раз, рыночный факт, который TechCrunch приводит от себя и который проверяется биржевыми данными; вывод об уверенном лидерстве Nvidia в оркестрации систем, это интерпретация издания, а не проверяемый факт.
Риски и подводные камни
Заявленное ускорение «более чем втрое» от Vera CPU относится к неназванным Харди «таким операциям», источник не уточняет, к каким именно, поэтому переносить эту цифру на производительность всей системы не стоит. Новый фокус на оркестрации данных не гарантирует Nvidia победу: по тексту статьи, компании ещё предстоит конкурировать с другими чипмейкерами и гиперскейлерами на этом уровне так же, как раньше на уровне GPU, но конкретные имена соперников здесь не названы. Материал также не поясняет, как ускоритель Groq 3 LPX в составе Vera Rubin соотносится с отдельной ИИ-чип-компанией Groq, это стоит уточнять отдельно, а не считать компании связанными по умолчанию.
«Vera важна, потому что в один сервер или любую вычислительную платформу можно поместить лишь ограниченный объём памяти»
— Джейсон Харди, вице-президент Nvidia по технологиям хранения