Графический процессор сделал Nvidia самой ценной компанией в истории.

Чип, который его заменяет, уже одновременно разрабатывают Google, Amazon, Meta, Microsoft и OpenAI.
Вот что это значит для того, куда на самом деле течет деньги дальше.
Во-первых, вам нужно понять, почему GPU стал королем.
Вернитесь к 2012 году.
Нейронная сеть под названием AlexNet уничтожила конкурентов на международном конкурсе распознавания изображений, используя одно открытие.
Параллельная обработка, встроенная Nvidia в GPU для рендеринга реалистичной графики в видеоиграх, структурно идентична тому, что требуется для обучения нейронной сети.
Тысячи меньших ядер выполняют матричное умножение одновременно, а не небольшое число мощных ядер, выполняющих последовательные задачи.
Один исследователь взял GPU и взломал его, чтобы раскрыть эти возможности параллельных вычислений для глубокого обучения.
Этот момент начал десятилетний путь, который превратил Nvidia из игровой компании в инфраструктурный слой всей экономики ИИ.
За последний год было поставлено шесть миллионов GPU Blackwell.
Один серверный стеллаж с 72 GPU Blackwell продается примерно за 3 миллиона долларов.
Nvidia поставляет по тысяче таких стеллажей каждую неделю.
На короткое время в октябре Nvidia стала первой компанией в истории, достигшей оценки в 5 триллионов долларов.
Это то, к чему привело одно открытие 2012 года.
Но у GPU есть структурная проблема, о которой никто не говорил громко до недавних пор.
Это швейцарский нож.
Чрезвычайно универсальный для широкого спектра задач ИИ, но не оптимизированный для какой-либо одной.
В ранней эпохе бума больших языковых моделей эта гибкость была важна.
Обучение требовало массивных универсальных параллельных вычислений, и GPU делал это лучше всего.
Но по мере развития моделей баланс сместился.
Техники после обучения сделали модели все более способными.
Теперь доминирующая нагрузка — это вывод.
Каждый раз, когда вы открываете Claude, ChatGPT, Gemini или любой продукт ИИ и получаете ответ, это вывод.
Каждая транзакция в приложении Starbucks, каждый рабочий процесс в Salesforce, каждый помощник ИИ, работающий в ваших EarPods.
Все это вывод.
И вывод может выполняться на менее мощных чипах, запрограммированных для более конкретных задач.
Этот один сдвиг в балансе нагрузки открыл дверь для чипа, который сейчас разрабатывается, чтобы бросить вызов доминированию Nvidia.
ASIC — это чип, который меняет карту.
Специализированная интегральная схема.
Где GPU — это швейцарский нож, ASIC — это инструмент для одной задачи.
Жестко запрограммирован выполнять точные математические операции для одного типа работы.
Быстрее в этой задаче, более энергоэффективен и значительно дешевле в масштабировании для этой задачи, чем любой универсальный GPU.
Жертва — гибкость.
После изготовления в кремнии ASIC нельзя перепрограммировать для другой нагрузки.
Но для компаний, обрабатывающих вывод в масштабах миллиардов запросов в день, эта жертва — не недостаток.
Это именно то, что нужно.
Google была первой.
TPU, Tensor Processing Unit, запущена в 2015 году и помогла привести к изобретению архитектуры трансформеров в 2017 году.
Трансформер — основа практически каждой современной системы ИИ, которая работает сегодня.
Седьмое поколение чипов Google, Ironwood, только что запущено вместе с договором на обучение Claude на до миллиона TPU.
Amazon создала Trainium и Inferentia после приобретения израильского стартапа по чипам в 2015 году.
Anthropic сейчас обучает свои модели на полумиллионе чипов Trainium2 внутри дата-центра Amazon в Индиане, без Nvidia GPU.
Trainium обеспечивает на 30-40 процентов лучшую цену-производительность по сравнению с конкурентами на AWS, согласно данным Amazon.
Meta имеет собственный ускоритель для обучения и вывода.
Microsoft разрабатывает свои чипы Maia для дата-центров Azure.
OpenAI строит собственные ASIC в партнерстве с Broadcom, начиная с 2026 года.
Каждый крупный гиперскейлер одновременно создает свой собственный чип.
Не как эксперимент.
Как стратегическое инфраструктурное решение, стоящее сотни миллиардов долларов инвестиций.
Broadcom — это название, которое большинство за пределами индустрии чипов еще не учли в своих гипотезах.
Каждый крупный гиперскейлер с программой ASIC сотрудничает хотя бы с одной компанией по проектированию чипов для получения IP, инженерных решений и инфраструктуры для масштабирования.
Broadcom доминирует на этом рынке.
TPU Google. Тренировочный ускоритель Meta. Теперь — собственные ASIC OpenAI.
Аналитики, отслеживающие эту сферу, оценивают, что Broadcom занимает 70–80 процентов рынка на стороне производства пользовательских ASIC.
Этот рынок, по прогнозам, будет расти с двузначной средней годовой скоростью в течение следующих пяти лет.
Волна ASIC ускоряется быстрее рынка GPU.
Broadcom находится в центре почти всего этого.
Затем идет слой на периферии, за которым большинство пока не следит.
По мере развития дата-центрового ИИ следующая битва — это вывод на устройстве.
Ваш телефон. Ваша машина. Ваш ноутбук. Ваши носимые устройства.
Neural Processing Unit — это чип, который обеспечивает локальный ИИ без отправки данных обратно в облачный сервер.
Конфиденциальность, скорость и энергоэффективность улучшаются, когда вывод происходит на устройстве, а не в дата-центре.
Qualcomm доминирует в NPUs для Android.
Чипы серии M от Apple включают выделенный нейронный движок для MacBook.
Чипы серии A в последних iPhone имеют встроенные нейронные ускорители.
AMD и Intel конкурируют за NPUs в ноутбуках Windows.
Деньги сегодня сосредоточены в дата-центрах.
Но объем чипов, необходимых для внедрения ИИ во все телефоны, автомобили, роботы и носимые устройства на Земле, в разы превышает рынок дата-центров.
Этот переход уже начался.
Геополитический слой, лежащий в основе всего этого, — это ограничение, о котором никто в потребительской сфере недостаточно говорит.
Почти все чипы в этой экосистеме — Nvidia Blackwell, Google TPU, Amazon Trainium, Apple A-series — производит одна компания.
Taiwan Semiconductor Manufacturing Company.
TSMC.
Концентрация передовых узлов производства полупроводников в Тайване — крупнейшая геополитическая точка узла в глобальной гонке ИИ.
Закон CHIPS начал процесс строительства фабрик TSMC в Аризоне.
Blackwell Nvidia сейчас полностью производится на аризонском заводе.
Intel производит передовые узлы на новом заводе в Аризоне.
Но последний чип Apple для iPhone все еще требует трехнанометрового процесса TSMC, который сейчас доступен только в Тайване.
Перенос производства полупроводников в США уже идет, но сроки измеряются годами, а не месяцами.
Китай строит свою параллельную цепочку.
Huawei, ByteDance и Alibaba разрабатывают собственные ASIC под экспортный контроль, ограничивающий доступ к самым передовым оборудованию и чипам Nvidia Blackwell.
Гонка за чипы ИИ — это не только технологическое соревнование.
Это геополитическая инфраструктурная война, которая ведется в кремнии.
Страна, которая обеспечит себе самое передовое производство и надежное электропитание для его работы, выиграет нечто гораздо более ценное, чем рынок.
Вот рамка, которая связывает все это вместе.
Nvidia заслужила свою позицию.
Годы инвестиций в экосистему разработчиков, CUDA как проприетарную программную защиту и дорожная карта аппаратного обеспечения, которая опережала всех конкурентов, создали один из самых устойчивых конкурентных преимуществ в истории технологий.
Это преимущество не исчезнет за одну ночь.
Но рынок становится настолько большим, что появляется возможность для появления совершенно нового слоя победителей наряду с Nvidia, а не просто ее замены.
Гиперскейлеры уменьшают свою зависимость от Nvidia через создание собственных ASIC.
Broadcom захватывает инфраструктуру каждого крупного программного обеспечения ASIC одновременно.
Qualcomm и Apple владеют слоем вывода на периферии, поскольку ИИ переходит на каждое устройство.
TSMC остается незаменимым узлом производства независимо от того, какая архитектура чипа победит.
И под всем этим — инфраструктура электропитания, необходимая для масштабного функционирования всего, — становится ограничением, которое определяет, кто сможет строить так быстро, как требует гонка ИИ.
Графический процессор сделал Nvidia самой ценной компанией в истории.
Компании, которые поняли этот момент 2012 года до того, как он стал очевиден, никогда не нуждались в объяснении своего тайминга.
Та же разрыв в инсайтах существует сейчас в переходе на ASIC.
Люди, следящие за слоем чипов под модельной гонкой, уже заняли свои позиции.
Те, кто действуют прямо сейчас, поймут почему — завтра.