Nvidia поняла, что GPU — это только двигатель

История, которая перестала быть интересной

До этой недели нарратив про Nvidia был удобным и логичным. В первые годы AI-бума компания была единственным источником передовых GPU и зарабатывала на этом неприлично много. Потом Amazon и Google начали собирать собственные чипы. Nvidia перестала быть единственной игрой в городе. Инвесторы начали нервничать. Капитализация, выросшая в десять раз между началом 2023 года и серединой 2025-го, перешла на более скромную траекторию.

Всё шло к тому, чтобы рассказать классическую историю: монополия закончилась, конкуренты наступают, преимущество тает.

Но потом Nvidia отчиталась за квартал. И инвесторы начали понимать странную вещь: пока они смотрели на GPU, Nvidia построила всё остальное.

Гига-центры и проблема, которую нельзя решить ещё одним чипом

Вычислительные мощности AI растут до гигаваттного масштаба. На этом уровне задача «поставить больше GPU» перестаёт быть решением и становится частью проблемы. Управление миллионами транзисторов, которые одновременно пытаются проглотить петабайты данных, — это задача оркестрации. И в ней Nvidia, по собственным отчётам, чувствует себя значительно комфортнее конкурентов.

На этой неделе компания представила архитектуру Vera Rubin. В ней GPU Rubin — это лишь один из элементов. Рядом идут CPU Vera, ускоритель инференса Groq 3 LPX, а также отдельные стойки для хранения данных и сетевого взаимодействия. Если проводить аналогию, которую использует сама Nvidia: GPU — это двигатель, а всё остальное — машина.

CPU Vera: как перестать кормить GPU впустую

Особый интерес представляет Vera CPU. Джейсон Харди, вице-президент Nvidia по технологиям хранения данных, объяснил проблему просто: памяти в сервере — сколько есть. Данные в дата-центрах масштабируются вместе с вычислениями — именно поэтому компании вроде Micron разбогатели на второй волне инфраструктурного бума. Но доставить эти данные к GPU в нужный момент — нетривиально. А когда компаниям нужно снижать токены на ватт, эффективность движения данных становится критической.

Харди заявил: «Мы увидели трёхкратное улучшение в этих операциях, когда CPU Vera позволяет ускорить работу. Теперь мы можем использовать флеш-память на полную мощность, потому что можем извлечь из неё всю производительность без узких мест».

OpenAI думает так же, только иначе

Интересно, что к той же проблеме пришёл и главный конкурент Nvidia — по крайней мере, в лице компании, которая пытается этот конкуренцию обойти. OpenAI в августе представила чип Jalapeño, разработанный совместно с Broadcom. Ключевая идея Jalapeño — не бороться с перемещением данных, а минимизировать его. «Мы спроектировали Jalapeño, чтобы минимизировать задержки при перемещении данных и коммуникациях», — написала компания. «Его большой размер позволяет удерживать всю нагрузку в пределах одной связанной системы».

Подход другой — работать без перемещения данных вместо того, чтобы перемещать их быстрее. Логика та же: эффективность через умное управление трафиком, а не через больше процессорных циклов.

Новая гонка, в которой GPU — не главное

Сдвиг фокуса Nvidia не означает автоматическую победу. На слое оркестрации компании придётся конкурировать с теми же производителями чипов и гиперскейлерами, что и на рынке GPU. Но конкуренция переместилась туда, где наличие rival GPU означает меньше, чем способность заставить всю систему работать эффективно.

И на этом новом слое Nvidia, по крайней мере на старте, имеет очевидное лидерство. Рынок только начинает осознавать, что «преимущество Nvidia» — это уже не про чип.

Кстати, Nvidia также активно скупает открытые платформы, о чём мы писали ранее. Это часть той же стратегии — контроль не только над железом, но и над экосистемой вокруг него.

Краткий ответ

Nvidia отчиталась о рекордной квартальной выручке и показала, что её конкурентное преимущество смещается с GPU на оркестрацию систем. Архитектура Vera Rubin объединяет GPU Rubin, CPU Vera, ускоритель Groq 3 LPX и компоненты хранения и сети. CPU Vera обеспечивает трёхкратное ускорение операций с данными. Конкуренты, включая OpenAI с чипом Jalapeño, решают ту же задачу иначе, но логика совпадает: эффективность через умное управление данными, а не через больше процессорных циклов.