Как NVIDIA переключилась с обучения на вывод — и что это значит для рынка чипов

Как NVIDIA переключилась с обучения на вывод — и что это значит для рынка чипов

$20 млрд. Именно столько NVIDIA заплатила за стартап Groq в декабре 2025 года — не за технологию, а за инженерную команду. Это крупнейшая сделка в истории inference-чипов. Но главное — цена, которую заплатили за полуторагодовалый стартап без выручки. Рынок изменился настолько, что специализированный ускоритель стал важнее универсального GPU.

Ключевые выводы

На мартовской конференции GTC 2026 CEO Jensen Huang произнёс фразу, которую ждали два года: «Точка перегиба вывода наступила» (The inference inflection point has arrived). Заявление — не маркетинг. В 2024 году на обучение приходилось 60% AI-вычислений NVIDIA. К концу 2026 года пропорция инвертировалась: на inference уходит 66% всех вычислительных ресурсов.

Переход — не отказ от GPU. Это расширение стека. Vera Rubin R100 — новый чип с 336 млрд транзисторов, построенный по 4-нм техпроцессу. В паре с Groq 3 LPU (языковой процессорной единицей) платформа разделяет задачу вывода на два этапа: предобработка (prefill) и декодирование — каждый выполняется на оптимизированном чипе.

Архитектура разделения

До сих пор один и тот же GPU обрабатывал и предобработку промпта, и генерацию токенов ответа. Подход работал для моделей на 70 млрд параметров с контекстом в 128K токенов. Но триллионные модели с миллионным контекстом требуют иного.

Groq 3 LPX — результат сделки за $20 млрд. Чип использует 256 процессоров с 128 ГБ встроенной SRAM (Static Random Access Memory) и пропускной способностью 40 PB/s. Это в 150 раз больше, чем у типичного GPU. Главное — архитектура устраняет внешние обращения к памяти. Данные не покидают кристалл. Задержка падает.

Интеграция в NVL72 — стойку из 72 GPU Rubin и 36 CPU Vera, соединённых NVLink 6. В каждую стойку добавляют 8 модулей Groq 3 LPX. Результат — гибридная система, где:

• предобработка выполняется на Rubin GPU (вычислительная интенсивность);
• финальное декодирование — на Groq 3 LPU (низкая задержка).

Microsoft Azure уже развернула Vera Rubin NVL72 в своих ЦОД. Первые deploymentы — AWS, Google Cloud, Oracle и CoreWeave — ожидаются во второй половине 2026 года.

Экономика: точка перегиба

Для enterprise-клиентов снижение стоимости вывода в 10x меняет экономику каждого автоматизационного сценария. Рабочие нагрузки, которые в 2025 году не окупались при стоимости $50 за миллион токенов, к концу 2026 года становятся рентабельными при $5. Workflows, работавшие только в облаке, теперь имеют экономический смысл запускать on-premise.

NVIDIA оценивает общий рынок inference в $50 млрд к 2026 году. Рост — с $17.73 млрд в 2025 году. CAGR 15.6%. Драйвер — агентные AI-системы, требующие непрерывного вывода в реальном времени, а не пакетной обработки.

Но есть конкуренция. AMD приобрела инженерную команду Untether AI и стартап MK1 (ноябрь 2025). Intel ведёт переговоры о покупке SambaNova за $1.6 млрд (изначальная оценка — $1.1 млрд). Cerebras с WSE-3 достигла 2,522 токенов в секунду на Llama 4 Maverick против 1,038 t/s на NVIDIA DGX B200.

Консолидация неизбежна

Сделка с Groq — не просто приобретение технологии. Это сигнал рынку: специализированные inference-ускорители стали стратегическими. Пять лет назад NVIDIA могла позволить себе игнорировать нишевые решения. Сегодня — нет.

Парадокс: приобретение Groq за $20 млрд состоялось через два с половиной месяца после анонса сделки. Это рекордная скорость для такой суммы. Видимо, давление со стороны конкурентов и hyperscalers (все крупные облачные провайдеры разрабатывают собственные чипы) вынудило действовать быстро.

Прогноз на 2027 год: GPU сохранят доминирование в гибридных нагрузках и мультизадачных сценариях. Custom silicon (ASIC) займёт нишу latency-critical inference. Гибридные архитектуры — стандарт де-факто к концу 2027 года.

Сценарии развития

Что это значит для enterprise

Три фактора определяют решение в 2026 году: latency, cost, context length.

Для high-throughput inference (RAG-системы, агентные workflows) — Vera Rubin + Groq 3 LPX даёт 10x преимущество в стоимости. Для latency-critical (real-time чат-боты) — custom silicon (Groq 3, Cerebras) обеспечивает минимальную задержку.

Ключевой вопрос — когда ожидать независимых бенчмарков. NVIDIA приводит числа: 5x inference performance, 10x lower cost per token. Это пока заявления производителя. Реальные тесты появятся в Q3 2026, когда Groq 3 LPX начнёт поставляться.

До тех пор — базовый сценарий: гибридная архитектура NVIDIA становится стандартом. Но конкуренция AMD и Google не даст монополии сформироваться.