Кастомные чипы: новая стратегия технологических гигантов
Nvidia десятилетиями доминировала на рынке чипов для искусственного интеллекта, но эпоха абсолютной зависимости от одного поставщика, возможно, подходит к концу. Компании от OpenAI до SpaceX начинают строить собственное оборудование, чтобы снизить риски, связанные с единственным поставщиком, и получить больше контроля над производительностью своих продуктов.
Кастомный кремний — это не просто способ сэкономить. Это возможность создать аппаратное обеспечение, точно настроенное под конкретные задачи, и добиться прироста производительности, подобного тому, что Apple добилась, отказавшись от процессоров Intel в пользу собственных ARM-чипов.
OpenAI представляет Jalapeño: чип для вывода моделей от Broadcom
OpenAI раскрыла планы по созданию собственного чипа для инференса — Jalapeño, разработанного совместно с Broadcom. Это важный шаг для компании, которая до сих пор полагалась на сторонних производителей для обучения и запуска своих моделей.
По данным TechCrunch, хосты подкаста Equity — Кирстен Короск, Энтони Ха и Шон О'Кейн — подробно разобрали, что означает этот тренд для индустрии и какие сделки недели заслуживают внимания инвесторов.
Кто ещё уходит от NVIDIA: Google, Apple и SpaceX
OpenAI — далеко не единственная компания, стремящаяся к технологическому суверенитету. Google уже давно разрабатывает собственные процессоры TPU, Apple перешла на чипы серии M и Silicon, а SpaceX активно инвестирует в собственные решения для космических и коммуникационных систем.
Список компаний, строящих свой путь вне зависимости от одного поставщика, растёт. Цель — не полный разрыв с NVIDIA, а скорее стратегическая страховка: диверсификация поставщиков и возможность задавать собственные условия в условиях растущего спроса на вычислительные мощности для ИИ.
Что значит кастомный кремний для будущего индустрии
Тренд на собственные чипы меняет баланс сил в технологической отрасли. Компании, которые раньше были просто потребителями инфраструктуры NVIDIA, теперь становятся конкурентами на уровне проектирования и производства полупроводников.
Это открывает новые возможности для оптимизации: аппаратная настройка под конкретные модели ИИ может дать значительный прирост эффективности, снизить энергопотребление и сократить задержки. Однако это также означает колоссальные капитальные затраты и необходимость привлечения лучших инженерных кадров в области проектирования чипов.