NVIDIA забирает 60% мирового AI-железа, но рынок чипов уже трещит по швам

NVIDIA только что отчиталась о $81,6 млрд квартальной выручки, из которых $75,2 млрд принёс сегмент дата-центров (плюс 92% год к году). Цифры настолько большие, что почти теряют смысл: один квартал NVIDIA приносит больше, чем годовая выручка большинства компаний из Fortune 500. И всё же за этим монополистическим фасадом рынок AI-чипов начинает расходиться по швам.

Google впервые разделила свою линейку TPU на два отдельных чипа: один для обучения, второй для инференса. AMD выпускает конкурентоспособное железо и собирает rack-scale системы, которые прямо бьют по архитектуре NVIDIA. Cerebras и Groq показали, что специализированный кремний может обгонять универсальные GPU на конкретных задачах в десятки раз. А в Китае Huawei параллельно собирает свою вычислительную экосистему, и модель DeepSeek V4 уже работает на китайских чипах напрямую, без CUDA.

NVIDIA: платформа, а не просто чип

Доминирование NVIDIA нельзя объяснить только производительностью железа. Реальное преимущество системное. CUDA, выпущенная в 2006 году, собрала вокруг себя около четырёх миллионов разработчиков. Любая крупная AI-лаборатория, от OpenAI до Anthropic и Meta AI, строится поверх CUDA. Библиотеки, инструменты отладки, оптимизации ядер, деплоймент-пайплайны - всё рассчитано на железо NVIDIA. Стоимость переезда не финансовая, а организационная: переписать код, переучить людей, потерять месяцы продуктивности.

Поверх программного рва компания построила то, что аналитики называют «медным рвом» - фирменный интерконнект NVLink, соединяющий GPU внутри стоек с пропускной способностью, недостижимой ни для одного внешнего сетевого решения. Свежие платформы Blackwell 300 и грядущая Vera Rubin продаются не как чипы, а как готовые AI-фабрики: десятки GPU, кастомные CPU, жидкостное охлаждение, пулы памяти HBM и сетевая фабрика в одной упаковке.

Финансы это подтверждают. Выручка за 2026 фискальный год составила $215,9 млрд, $193,7 млрд из них дал сегмент дата-центров (рост 68% год к году). Прогноз на второй квартал FY2027 - $91 млрд. Валовая маржа держится около 75%, то есть давление конкурентов пока не сжимает ценовую власть. Roadmap тоже бьёт по конкурентам: Blackwell Ultra в этом году, Vera Rubin во втором полугодии 2026 с HBM4, Rubin Ultra в 2027 с четырьмя GPU-кристаллами в корпусе и до терабайта HBM4e. Компания перешла на годовой цикл выпуска, и пока конкурент дотягивается до Blackwell, NVIDIA уже на Rubin.

По данным Epoch AI, суммарная вычислительная мощность всех AI-чипов растёт примерно в 3,3 раза в год с 2022-го, и больше 60% этого пирога - чипы NVIDIA.

Google TPU 8t и 8i: вертикальная интеграция как оружие

Google - самая серьёзная долгосрочная угроза для NVIDIA, но угроза другого типа. Google не нужно вытеснить NVIDIA с открытого рынка. Google нужно снизить собственную зависимость от NVIDIA внутри Google Cloud и для своих моделей Gemini и исследований DeepMind.

В апреле 2026 года на Google Cloud Next представили восьмое поколение TPU и впервые разделили дизайн на два чипа. TPU 8t заточен под обучение и масштабируется до 9 600 чипов в одном superpod, а новый оптический 3D-torus интерконнект Virgo способен связать больше миллиона TPU 8t в один кластер с почти линейной эффективностью. TPU 8i создан под инференс и reasoning: 288 ГБ HBM плюс 384 МБ SRAM прямо на кристалле, в три раза больше, чем у Ironwood, специально под большие KV-кэши современных LLM.

Раздельный дизайн критически важен. Обучение требует сырой пропускной способности и параллелизма. Инференс, особенно для reasoning-моделей и агентных систем с цепочками вызовов, требует низкой задержки, большой памяти под контекст и энергоэффективности. Выделенный кремний под каждую задачу позволяет оптимизировать так, как универсальный GPU никогда не сможет.

Главное преимущество глубже: вертикальная интеграция. Google контролирует модели (Gemini), облако, дата-центры, дизайн чипов и собственный спрос. DeepMind работает как постоянный заказчик, чьи нужды напрямую формируют железо. Чисто чипмейкер вроде NVIDIA такого замкнутого цикла повторить почти не может.

Слабое место - экосистема. TPU мощны внутри стека Google, прежде всего в JAX и Pathways. Снаружи они куда менее портативны, чем CUDA. Показательно, что сам Google продолжает предлагать в своём облаке платформу NVIDIA Vera Rubin: многим клиентам всё ещё нужна именно NVIDIA.

Amazon, Google, Meta, Microsoft и Oracle вместе держат около 71% мировой кумулятивной AI-мощности по данным на Q4 2025 (было 63% в Q1 2024). Google и Amazon всё активнее ставят свой кремний рядом с GPU NVIDIA.

AMD, Cerebras, Groq: давление со всех сторон

AMD занимает стратегически важную позицию сразу после NVIDIA и Google. Для любого корпоративного клиента или гиперскейлера, который хочет снизить зависимость от NVIDIA, но не готов уходить в вертикально интегрированный стек Google, AMD - естественная альтернатива. Общая выручка за 2025 год - $34,6 млрд, сегмент дата-центров в Q4 вырос на 39% год к году. Текущая серия MI350 несёт 288 ГБ HBM3e и до 8 ТБ/с пропускной способности памяти.

MI400 во втором полугодии 2026 нацелен прямо на Vera Rubin. Главный козырь AMD - цена: по оценкам SemiAnalysis, MI450 может быть примерно на 40% дешевле сопоставимых чипов NVIDIA. Главная боль - ROCm, который заметно подтянулся, но всё ещё уступает CUDA по глубине экосистемы.

Cerebras и Groq вообще отказались от GPU-парадигмы для инференса. Их аргумент простой: при авторегрессионной генерации токенов задача упирается в пропускную способность памяти, а не в вычисления. GPU под это структурно не заточен. Cerebras решает это Wafer Scale Engine - одним чипом размером с целую кремниевую пластину: 4 триллиона транзисторов и 44 ГБ SRAM прямо на кристалле. Независимые тесты подтверждают: CS-3 даёт в 21 раз больше пропускной способности, чем B200 от NVIDIA, при инференсе и на 32% дешевле. В мае 2026 Cerebras пошла в Amazon Bedrock через партнёрство с AWS.

Groq идёт другим путём. Их Language Processing Unit использует статическое компиляторное расписание: весь граф исполнения раскладывается по тактам до начала инференса. Результат - детерминированная задержка, каждый токен генерируется за одинаковое время. Groq выдаёт до 1 200 токенов в секунду на больших моделях с time-to-first-token меньше 100 мс. В декабре 2025 NVIDIA выкупила неэксклюзивную лицензию на инференс-технологии Groq, что само по себе сильный сигнал: даже лидер рынка видит будущее инференса в архитектурах вокруг SRAM.

Четыре крупнейших разработчика AI-чипов в 2025 году забрали около 90% мировых мощностей упаковки CoWoS и поставок HBM, но при этом всего 12% производства передовых логических кристаллов. Узкое горлышко в масштабировании AI-вычислений - память и упаковка, а не сам кремний.

DeepSeek V4 на чипах Huawei: китайская независимость стала реальной

Геополитика рынка чипов перешла из теории в практику. С 2020 года экспортные ограничения США отрезали Huawei и SMIC от EUV-литографии. Без EUV производство ниже 7 нм считалось невозможным. Но SMIC нашла обход: DUV с четырёхкратным паттернированием позволяет делать структуры 5-нм класса, пусть и с большими компромиссами - выход годных в начале был около 20%, то есть четыре чипа из пяти шли в брак.

Система Huawei CloudMatrix 384 объединяет 384 чипа Ascend 910C и выдаёт около 300 петафлопс BF16, почти вдвое больше, чем NVIDIA GB200 NVL72. Цена - в 3,9 раза больше энергопотребления и примерно тройная стоимость. Стратегия Китая - компенсировать неэффективность чипов масштабом. Это работает, потому что энергия в Китае дешевле и доступнее: за пять лет страна планирует ввести 3,4 ТВт новых генерирующих мощностей, почти в шесть раз больше, чем США.

Переломный момент случился в апреле 2026, когда DeepSeek выпустила V4 - первую китайскую фронтирную модель, обученную и оптимизированную прямо под чипы Huawei Ascend. V4 построена на mixture-of-experts с триллионом параметров суммарно и 37 млрд активных. После релиза Alibaba, ByteDance и Tencent кинулись скупать сотни тысяч чипов Huawei. DeepSeek доказала, что узким местом было не железо как таковое, а программный слой: компиляторы, фреймворки распределённого обучения, коммуникационные библиотеки. Сейчас этот слой созрел. Полноценная AI-экосистема, не зависящая от CUDA, существует.

Суммарные капвложения Alphabet, Amazon, Meta, Microsoft и Oracle с момента выхода GPT-4 растут на 72% в год и в 2025-м подошли к полутриллиону долларов. Если тренд сохранится, в 2026 пятёрка потратит около $770 млрд, в основном на AI-инфраструктуру.

Что в итоге

Рынок AI-чипов в 2026 году разделяется по трём осям. По нагрузке: обучение остаётся за NVIDIA, инференс открывает дверь специалистам. По открытости: NVIDIA замыкает клиента через CUDA и NVLink, Google даёт вертикальную оптимизацию, AMD держит позицию открытой альтернативы. По геополитике: работают две параллельные экосистемы, западная (NVIDIA/CUDA) и китайская (Ascend/CANN).

NVIDIA никто не свергает. Ни один конкурент пока не собирает воедино производительность, программную экосистему, объёмы производства, системную интеграцию и глубину цепочки поставок. $81,6 млрд выручки за квартал и 75% валовой маржи - это бизнес с экстраординарными структурными преимуществами. Но природа этих преимуществ меняется: «медный ров» вокруг сети начинает играть не меньшую роль, чем софт.

Главное другое - рынок диверсифицируется. Инференс растёт быстрее обучения и в ближайшие два-три года, вероятно, превзойдёт его по объёму. А там в фаворе уже другая логика: низкая задержка, большая память на кристалле, энергоэффективность, детерминизм. Cerebras, Groq и Google TPU 8i работают именно с этой логикой.

Китайская AI-экосистема становится функционально независимой не через паритет на уровне чипа, а через комбинацию масштаба, дешёвой энергии, оптимизации архитектуры моделей и зрелого софтверного стека. AI-рынок 2030 года не будет единой глобальной ареной. Это будут две параллельные системы с ограниченной совместимостью.

Источники:

NVIDIA FY2026 Annual Results: https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-fourth-quarter-and-fiscal-2026

NVIDIA Q1 FY2027 Earnings: https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-first-quarter-fiscal-2027

Google Blog, TPU 8t и 8i: https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/eighth-generation-tpu-agentic-era/

TechCrunch, Google Cloud TPU vs NVIDIA: https://techcrunch.com/2026/04/22/google-cloud-next-new-tpu-ai-chips-compete-with-nvidia/

AMD Instinct MI350 and beyond: https://www.amd.com/en/blogs/2025/amd-instinct-mi350-series-and-beyond-accelerating-the-future-of-ai-and-hpc.html

SemiAnalysis, AMD MI350/MI400: https://newsletter.semianalysis.com/p/amd-advancingai-mi350x-and-mi400

SemiAnalysis, Cerebras inference: https://newsletter.semianalysis.com/p/cerebras-faster-tokens-please

Groq и NVIDIA, лицензионное соглашение: https://groq.com/newsroom/groq-and-nvidia-enter-non-exclusive-inference-technology-licensing-agreement-to-accelerate-ai-inference-at-global-scale

Reuters, DeepSeek V4 на чипах Huawei: https://www.reuters.com/world/china/deepseek-v4-chinese-ai-model-adapted-huawei-chips-2026-04-24/

Reuters, китайские компании скупают чипы Huawei: https://www.reuters.com/world/china/big-chinese-tech-firms-scramble-secure-huawei-ai-chips-after-deepseek-v4-launch-2026-04-29/

Oxford Energy, China data centre advantage: https://www.oxfordenergy.org/wpcms/wp-content/uploads/2026/02/Comment-The-China-data-centre-advantage.pdf

Epoch AI, AI Chip Production: https://epoch.ai/data-insights/ai-chip-production

Epoch AI, Hyperscalers and compute ownership: https://epoch.ai/data-insights/hyperscalers-control-most-compute

Epoch AI, AI chip supply chain constraints: https://epoch.ai/data-insights/ai-chip-supply-chain-constraints

Epoch AI, Hyperscaler capex trend: https://epoch.ai/data-insights/hyperscaler-capex-trend