Для АІ потрібні дуже потужні обчислювальні системи, потреба зростає, а разом із цим витрати технологічних компаній на чипи та дата-центри, NVIDIA залишається одним із головних постачальників AI-прискорювачів, але великі технологічні компанії почали активно розробляти власні рішення.
У цій статті видання GALERA.NEWS розповість, навіщо Big Tech створює власні AI-чипи, чим вони відрізняються від рішень NVIDIA та чи зможуть вони зменшити залежність від головного виробника.
Чому NVIDIA не єдиний варіант для Big Tech
Технологічні гіганти все менше хочуть бути залежними від готових GPU. Причина не лише вартість обладнання, а й величезні масштаби АІ-обчислень. У 2026 році великі хмарні компанії планують витратити сотні мільярдів доларів на інфраструктуру. Водночас вони дедалі активніше використовують власні ASIC-чипи, які можуть бути оптимізовані під конкретні завдання.
Також власні рішення дають компаніям більше контролю над продуктивністю, енергоспоживанням і витратами. Наприклад, Google розвиває TPU, Microsoft — Maia, а Meta вже використовує сотні тисяч власних MTIA для AI-інференсу. При цьому компанії не обов’язково повністю відмовляються від NVIDIA — власні чипи часто працюють разом із її GPU.
Навіщо компанії створюють власні чипи
Для АІ-інтерфейсу особливо важливим є оптимізація обладнання під конкретні завдання. Спеціалізований чип може працювати ефективніше та споживати менше енергії, ніж універсальний GPU. Дослідження сучасних AI-прискорювачів також показують, що для стабільних і масштабних навантажень ASIC можуть мати перевагу над універсальними GPU.
У 2026 році власні рішення вже розвивають Google, Amazon, Microsoft і Meta. Google просуває TPU, Amazon — Trainium, Microsoft — Maia, а Meta — MTIA. Компанії інвестують у такі розробки не лише для того, щоб створити альтернативу NVIDIA, а й щоб краще контролювати вартість, продуктивність та енергоспоживання своїх дата-центрів. За оцінкою TrendForce, сукупні капітальні витрати восьми найбільших хмарних провайдерів у 2026 році можуть перевищити $710 млрд.
Власні чипи та GPU можуть використовуватися паралельно залежно від типу навантаження. Такий підхід дозволяє компаніям поступово зменшувати залежність від одного постачальника, не відмовляючись від переваг універсальних GPU.
Які АІ-чипи створюють
Компанія Google представила вже восьме покоління чипів, які оптимізовані для навчання й інференсу AI-моделей.
Microsoft розробляє серію Maia. Зокрема, Maia 200 орієнтований на AI-інференс і має спеціалізовану архітектуру для роботи з великими моделями. Дослідники Microsoft зазначають, що чип розрахований на високу продуктивність при обмеженнях за енергоспоживанням і вартістю.
Meta також розвиває власну лінійку MTIA, яку компанія використовує насамперед для інференсу.
Amazon використовує власні прискорювачі Trainium, а також розвиває інші рішення для AI-інфраструктури. Власні чипи дозволяють компаніям налаштовувати обладнання під потреби своїх хмарних сервісів. Водночас Amazon не обмежується лише власними чипами: у вересні 2026 року компанія уклала довгострокову угоду з Qualcomm щодо AI-чипів для дата-центрів на суму до $60 млрд. Це показує, що Big Tech будує не одну альтернативу NVIDIA, а цілу екосистему різних прискорювачів.
Чи замінять власні чипи NVIDIA
Навряд чи, найближчим часом, власні чипи зможуть повністю витіснити NVIDIA. Головна перевага GPU компанії — універсальність та розвинена програмна екосистема, яка дозволяє використовувати їх для різних AI-завдань. Навіть компанії, що активно розробляють власне обладнання, продовжують використовувати NVIDIA у своїх дата-центрах.
Водночас власні прискорювачі можуть поступово забирати частину навантаження, особливо під час інференсу. Для таких завдань компаніям важливі не лише максимальна продуктивність, а й енергоефективність та вартість обробки кожного запиту. Саме тому Google, Microsoft, Meta та Amazon продовжують інвестувати у спеціалізовані рішення.
Отже, Big Tech, скоріше, не намагається повністю відмовитися від NVIDIA. Компанії будують змішану інфраструктуру, де власні чипи використовуються для окремих типів навантажень, а GPU залишаються важливою частиною AI-дата-центрів.
