Чипы пошли в разработку
Почему ИИ-разработчики решили заняться производством собственных чипов и может ли у них это получиться
С конца июня сразу несколько IT-гигантов сообщили о разработке собственного ИИ-чипа. Так, 24 июня OpenAI сообщила о создании ускорителя Jalapeo, разработанного совместно с Broadcom специально для инференса — обработки запросов ChatGPT и других сервисов. OpenAI утверждает, что проектирование заняло девять месяцев, первые образцы уже работают, а массовое развертывание должно начаться до конца 2026 года. Компания рассматривает его как начало целой линейки процессоров.
Фото: Глеб Щелкунов / Коммерсантъ
Фото: Глеб Щелкунов / Коммерсантъ
В начале июля Reuters сообщил, что Meta (признана экстремистской и запрещена в РФ) планирует в сентябре запустить производство нового процессора Iris из семейства MTIA. Он призван помочь компании увеличить вычислительные мощности до 14 ГВт в 2027 году. Чип проектируется запрещенной Meta вместе с Broadcom, а выпускается TSMC.
Тогда же Reuters сообщил, что собственный ИИ-чип для инференса разрабатывает DeepSeek. Его задача — снизить зависимость DeepSeek одновременно от Nvidia и Huawei. Производитель, техпроцесс, сроки выпуска и характеристики пока неизвестны.
Появление собственных ИИ-чипов у OpenAI, запрещенной Meta и других крупных разработчиков выглядит закономерным этапом развития рынка, говорит гендиректор группы компаний «ST IT», эксперт рынка TechNet НТИ Антон Аверьянов. Несколько лет назад главным ограничением была вычислительная мощность GPU, а сегодня все большую роль играют стоимость эксплуатации, энергопотребление и доступность вычислительных ресурсов, поясняет он. Компании ежедневно обрабатывают миллионы запросов к своим ИИ-сервисам и тратят миллиарды долларов на инфраструктуру, поэтому даже небольшое повышение эффективности собственного ускорителя может дать экономию в сотни миллионов долларов ежегодно, говорит Антон Аверьянов.
Во-первых, собственные ускорители позволяют учитывать особенности своих ИИ-моделей, оптимизировать чипы под свои модели и алгоритмы, а соответственно наращивать мощности под требуемые задачи, отмечает независимый аналитик и автор Telegram-канала @RUSmicro Алексей Бойко. Во-вторых, продолжает он, собственная разработка может обойтись дешевле дефицитных решений Nvidia, особенно в текущих условиях превышения спроса над предложением. На этом фоне компании хотят контролировать часть цепочки поставок, резюмировал Алексей Бойко.
Кроме того, продолжает генеральный директор «ХайТэк» Андрей Панков, существенно выросла скорость разработки: появились универсальные автоматизированные средства проектирования и разработки микроэлектроники. Вместе с тем, продолжает он, компании завершили несколько этапов создания нейронных сетей и накопили опыт их многолетней эксплуатации, а также опыт работы с передовыми вычислителями — теперь они понимают, какое «железо» им нужно.
По словам господина Панкова, отдельный блок причин — геополитический. Собственный чип снижает риски зависимости от Nvidia и ее коллабораций с современными фабриками, в первую очередь расположенными на острове Тайвань, поясняет он. Одновременно на территории США планомерно создаются новые фабрики, которые необходимо загружать производством, а действующие субсидии и прямые бюджетные вливания из бюджета США делают этот путь экономически привлекательным, уточняет он. Также опыт Apple продемонстрировал, что создание своего чипа под собственный программный стек дает увеличение производительности как ПО, так и «железа», напомнил собеседник.
На первый взгляд, оптимизация расходов за счет собственного железа кажется логичным шагом, говорит генеральный директор MWS AI Денис Филиппов. Так в свое время поступила Apple, напоминает он: в 2020 году компания объявила о переходе Mac с процессоров Intel на собственные чипы, чтобы снизить издержки и повысить эффективность бизнеса. С 2013 года свои ИИ-чипы разрабатывает Google, а в 2025-м компания представила первый чип для инференса, продолжает эксперт. Собственные ИИ-ускорители создает и Microsoft, добавил господин Филиппов: в 2023 году компания выпустила модель Maia 100 для обучения и запуска больших языковых моделей в Microsoft Cloud. Но важно отметить, что все перечисленные компании осваивали это направление, будучи прибыльными, а значит, могли позволить себе многомиллионные расходы на разработку чипов, подчеркивает Денис Филиппов. Тогда как OpenAI до сих пор убыточна, Anthropic тоже работает в минус, резюмировал он.
При этом почти никто из разработчиков ИИ не строит собственные фабрики, отмечает Антон Аверьянов. Современное производство микросхем требует инвестиций в десятки миллиардов долларов и доступа к самым передовым техпроцессам, поэтому компании проектируют архитектуру чипов самостоятельно, а выпуск заказывают специализированным контрактным производителям, объясняет он. Кроме инвестиций потребовались бы квалифицированные кадры и специализированное оборудование, то и другое — труднодоступно, добавил господин Бойко. Главными игроками здесь остаются TSMC, Samsung Foundry и Intel Foundry, а в разработке самих решений часто участвуют компании вроде Broadcom, Marvell и других производителей специализированной микроэлектроники, перечислил Антон Аверьянов.
Такие ускорители не всегда создаются исключительно для внутреннего использования, отмечает господин Аверьянов. Например, Google начинала TPU как внутреннее решение для собственных сервисов, а затем сделала их доступными через Google Cloud. Amazon аналогично предлагает свои чипы Trainium и Inferentia клиентам AWS (Amazon Web Services). Но большинство подобных процессоров оптимизировано под конкретные программные стеки и типы нагрузок, поэтому они редко становятся универсальной заменой GPU для всего рынка, подчеркнул Антон Аверьянов.
«В долгосрочной перспективе, скорее всего, позиции Nvidia не будут столь сильными, как сейчас, — считает Алексей Бойко. — Прежде всего за счет появления специализированных решений. Но процесс изменений не будет быстрым, поскольку экосистема, сформировавшаяся вокруг фреймворка CUDA (программно-аппаратная платформа Nvidia для выполнения вычислений на GPU), вынуждает большинство клиентов в ней оставаться».
Полностью вытеснить Nvidia в ближайшие годы вряд ли получится, так как компания остается лидером не только благодаря производительности своих чипов, но и за счет зрелой программной экосистемы, библиотек, инструментов разработки и огромного количества уже адаптированного программного обеспечения, рассуждает господин Панков. Кроме того, Nvidia вкладывает деньги в крупнейших разработчиков нейросетей и скупает компании и команды, способные создать новые вычислительные решения, — то есть укрепляет свои позиции на рынке сразу по нескольким направлениям, резюмировал он.