Автор: Михайленко А.
По итогам 2024 года рынок AI-чипов оценивался в $71 млрд по данным Statista, а к началу 2026 может вырасти на 30% — для этого есть все условия. Спрос на решения Nvidia продолжает расти, и компания сохраняет лидерство в отрасли, несмотря на усилившуюся конкуренцию. На фоне растущего интереса к искусственному интеллекту в целом (и тренда на AI-агентов в частности) эта тенденция лишь усилится, подстегивая дальнейшие инновации и конкуренцию среди производителей. Рассмотрим, что такое AI-чипы и зачем они нужны, а также сделаем короткий обзор топовых производителей.
- Почему появились специализированные чипы для ИИ
- Что такое AI-чипы
- Какие бывают AI-чипы и чем они отличаются
- Чипы GPU, FPGA, NPU, ASIC — в чём разница?
- Какие основные особенности AI-чипов?
- Какие компании производят AI-чипы
- NVIDIA, AMD, Intel, Huawei и Qualcomm
- Какие проблемы есть на рынке AI-чипов
- Самое главное об AI-чипах
Почему появились специализированные чипы для ИИ
Драйвером рынка стал лавинообразный рост задач искусственного интеллекта, для которых требуются масштабные параллельные вычисления. Традиционные процессорные и графические чипы перестали справляться с этой нагрузкой, включая те, которые были разработаны специально для рендеринга графики. Так появилась новая свободная ниша: AI-чипы (а также ИИ-процессоры или ИИ-чипы). От них во многом зависит будущее ИИ и масштаб возможностей, которые он сможет предложить. Как утверждает профессор Иллинойского университета Нареш Шанбхаг, «поскольку передовые технологии продолжают развиваться и меняться, то и аппаратное обеспечение должно меняться и следовать за ними».
Что такое AI-чипы
AI-чип, он же процессор с искусственным интеллектом — это специальный компьютерный микропроцессор, который используется в задачах, связанных с искусственным интеллектом. А именно для машинного обучения, анализа данных и обработки естественного языка.
Типичные способы применения AI-чипов включают разработку больших языковых моделей (Large Language Models), распознавание лиц, аналитика больших массивов данных. Это не все: ИИ-чипы также можно использовать в следующих задачах:
- управление беспилотными автомобилями, где ИИ помогает определять цвет светофора, оценивать положение относительно других транспортных средств, принимать решения о возможной опасности;
- периферийные (Edge) вычисления, где ИИ обрабатывает данные прямо там, где они были сгенерированы, без пересылки в облако;
робототехника, где ИИ используется для принятия роботом решений в ответ на меняющиеся условия окружающей среды.
Какие бывают AI-чипы и чем они отличаются
Выделяют несколько типов чипов с поддержкой искусственного интеллекта, которые отличаются конструктивно или сферой применения.
Чипы GPU, FPGA, NPU, ASIC — в чём разница?
Рассмотрим, чем отличаются GPU, NPU, FPGA и ASIC для ИИ, и для каких сценариев лучше всего подходит каждый тип.
GPU (графические процессоры или же графические ускорители) — это микрочипы, изначально созданные для эффективной обработки компьютерной графики: например, видеоигр или рендеринга. Позже их стали использовать для обучения ИИ-моделей.
FPGA (программируемые пользователем вентильные матрицы) — это микропроцессоры с «гиперспециализацией», то есть поддерживают перепрограммирование под конкретную задачу. Такие чипы адаптируют под конкретные приложения, например, связанные с обработкой видео, чтобы получить максимум отдачи.
ASIC (интегральные схемы специального назначения) — это микропроцессоры, которые лучше всего проявили себя в ИИ-приложениях, но при этом их нельзя перепрограммировать, как FPGA. Типичный пример ASIC — тензорный процессор Google, он же TPU (Tensor Processing Unit).
NPU (нейронные процессоры) — это чипы, созданные для глубокого обучения и работы с нейронными сетями. Они выполняют сложные задачи быстрее, чем остальные типы чипов, включая распознавание изображений, редактирование видео или обработка естественного языка.
Главные отличия между GPU, FPGA, NPU, ASIC показаны в таблице:
| Характеристика | GPU | FPGA | ASIC / TPU | NPU |
|---|---|---|---|---|
| Назначение | Графика, обучение ИИ-моделей | Настраиваемые решения под конкретные задачи | Высокопроизводительные ИИ-чипы «под ключ» | Оптимизированы под нейросети и глубокое обучение |
| Гибкость | Средняя | Очень высокая | Низкая (не перепрограммируются) | Средняя (заточены под глубокое обучение) |
| Скорость ИИ-вычислений | Высокая | Средняя–высокая | Очень высокая | Максимальная в нейросетевых задачах |
| Энергоэффективность | Средняя | Высокая при правильной настройке | Очень высокая | Очень высокая |
| Примеры использования | Обучение LLM, генеративный ИИ, визуализация | Видеоаналитика, edge-компьютинг, 5G | Google TPU, Amazon Inferentia | Обработка видео, NLP, смартфоны |
Какие основные особенности AI-чипов?
Есть несколько свойств, которые выделяют AI-чипы на фоне традиционных процессоров, включая те, что изначально адаптированы под высокие нагрузки.
Скорость вычислений
Чипы с искусственным интеллектом используют параллельные вычисления, то есть обрабатывают данные параллельно, разбивая большие задачи на тысячи и миллионы маленьких. Традиционные процессоры выполняют такую же объемную задачу медленнее, используя последовательные вычисления.
Точность
AI-чипы превосходят традиционные микропроцессоры не только в скорости, но и точности — то есть делают меньше ошибок. Это позволяет использовать их в вычислениях с высокой ценой ошибки: медицинских, финансовых, связанных с управлением автономного транспорта.
Адаптивность
Чипы с ИИ можно настроить таким образом, чтобы они наилучшим образом выполняли одну приоритетную задачу. Например, обеспечивали обучение новой модели или анализ больших объемов данных.
Энергоэффективность
Современные ИИ-чипы потребляют меньше энергии, а значит, более экономичные — за счет оптимизированной архитектуры, позволяющей эффективно использовать энергию при высоких нагрузках. И это не только экономический эффект: дата-центры, ориентированные на ИИ-нагрузки, оставляют меньший углеродный след.
Из-за того, что разные микропроцессоры отличаются производительностью и другими параметрами, нельзя однозначно ответить на вопрос о том, сколько стоят ИИ-чипы. В среднем цена на топовые решения от Nvidia вроде H100 варьируется от $30 000 до $40 000, на потребительские, как GeForce RTX 4090 и 5090 — до $2000.
Какие компании производят AI-чипы
Наряду с лидерами рынка есть пока еще малоизвестные решения, тоже достойные внимания. Давайте посмотрим, кто сейчас занимается разработкой ИИ-чипов и достиг определенных результатов.
NVIDIA, AMD, Intel, Huawei и Qualcomm
- NVIDIA — безусловный лидер рынка. По данным CNBC, компания контролирует от 75% до 90% рынка AI-чипов, хотя и сталкивается с высокой конкуренцией. А ее суммарная стоимость за короткое время выросла до $2.8 трлн по данным Companiesmarketcap. Успех объясняется несколькими причинами: универсальная масштабируемая архитектура, очень хорошо развитая экосистема для ИИ-разработки и быстрая реакция – компания сделала ставку на ИИ раньше конкурентов.
- AMD — второй игрок на рынке ИИ-чипов после Nvidia. Его Ryzen AI PRO 300 был анонсирован в конце прошлого года — это микропроцессор для ноутбуков с поддержкой ИИ. Именно этот микрочип обеспечивает работу Copilot, помощника с искусственным интеллектом от Microsoft.
- Intel — компания попыталась ворваться на рынок со своим продуктом Gaudi 3, но была вынуждена уменьшить свои амбиции, так как его продажи не оправдали ожидания. По мнению экспертов, этот микрочип хуже подходит для обучения больших языковых моделей, чем решения конкурентов Nvidia и AMD.
- Huawei — недавно разработала чип Ascend 910D, который… может конкурировать по производительности с H100 от Nvidia.
- Qualcomm — интегрирует ИИ прямо в мобильные чипсеты, что позволяет обрабатывать данные локально — без отправки в облако.
Кто разрабатывает ИИ-чипы для своих задач
Компания Amazon представила чип Trainium 2 и заявила, что по уровню производительности он не уступает H100 от Nvidia, но стоит в разы дешевле. Meta начала тестирование собственного решения для обучения ИИ, чтобы сократить зависимость от внешних поставщиков. Для этого будет использоваться ускоритель Meta Training and Inference Accelerator (MTIA) v1, разработанный с учетом специфики нагрузки компании. Google объявила о запуске Trillium — тензорного процессора, вычислительные способности которого позволяют обучать большие языковые модели, включая собственную Gemini, а также удовлетворять потребности суперкомпьютера Google Cloud’s AI Hypercomputer. И, наконец, Microsoft представила ИИ-чип Microsoft Azure Maia AI Accelerator, которые будет использовать в своих дата-центрах, в том числе для поддержки Azure OpenAI.
Какие проблемы есть на рынке AI-чипов
Монополизация Nvidia ограничивает не только компании, которые хотят создавать новые ИИ-приложения, но и может нарушать антимонопольное законодательство США, как сообщают в The Guardian. Кроме того, компания столкнулась с обвинениями в краже патентов, правда, через сетевую компанию Mellanox, приобретенную Nvidia несколькими годами ранее.
Помимо Nvidia монополистом можно назвать тайваньскую компанию TSMC, на долю которой приходится 90% всего производства микропроцессоров в мире по информации CNN. Для нее растущий спрос на ИИ-чипы стал проблемой: в связи с необходимостью строительства новых заводов возник дефицит в квалифицированной рабочей силы.
Все это привело к ситуации, когда спрос на AI-чипы значительно превышает предложение. И если какой-то компании понадобится несколько тысяч топовых чипов с искусственным интеллектом, она может ожидать их месяцы и даже годы. Поскольку разработка новых генеративных ИИ и мультимодальных моделей требует колоссальных ресурсов, ситуация может ухудшиться уже в ближайшие кварталы. Аппаратные возможности просто не успевают за потребностями новых моделей и ИИ-приложений.
Комментарий эксперта Colobridge:
«Наш опыт показывает, что спрос на вычислительные мощности для ИИ-нагрузок быстро растет. И даже крупные компании сталкиваются с трудностями при покупке и обслуживании аппаратного обеспечения. Мы предлагаем им использовать передовые возможности ИИ с минимальными затратами ресурсов — благодаря нашей услуги AI Engine aaS, где мы предоставляем не только вычислительные мощности в аренду, но необходимую экспертизу для использования возможностей машинного обучения и генеративного ИИ для улучшения клиентского опыта и повышения продаж».
Самое главное об AI-чипах
- AI-чипы ускоряют работу моделей машинного обучения и обработку естественного языка
- GPU, NPU, FPGA и ASIC — ключевые типы процессоров для ИИ.
- NVIDIA сегодня контролирует до 90% рынка AI-чипов.
- Стоимость топовых моделей достигает $40 000.
- Спрос на AI-чипы опережает предложение на месяцы вперед.
- Крупные IT-корпорации уже разрабатывают собственные чипы.
- AI-чипы становятся ядром цифровой трансформации бизнеса.
Узнайте больше о технологической платформе Colobridge и услуге AI Engine aaS, а также как подключить AI Engine aaS для бизнеса, напишите нашим менеджерам.
