Przewaga konkurencyjna Nvidii jest pod presją z wielu stron

Najważniejsze wnioski:

• Cerebras konkuruje z Nvidią pod względem szybkości wnioskowania, a Google przyspiesza rozwój układów projektowanych na zamówienie we współpracy z firmą Marvell.

• Najwięksi dostawcy usług chmurowych coraz częściej preferują układy projektowane z myślą o konkretnych zadaniach zamiast jednego uniwersalnego procesora.

• Nvidia wciąż ma mocne strony w oprogramowaniu i rozwiązaniach sieciowych, jednak rynek układów AI staje się coraz bardziej wyspecjalizowany.

Nvidia wykorzystała boom na sztuczną inteligencję, sprzedając uniwersalny „silnik” obliczeniowy, który stał się standardem branżowym. Dziś część jej największych klientów chce układów projektowanych specjalnie pod własne potrzeby, a mniejsi konkurenci projektują ten „silnik” od podstaw.

Dwa wydarzenia z tego tygodnia dobrze ilustrują tę zmianę. 18 sierpnia firma Cerebras zaprezentowała nowy sprzęt zaprojektowany tak, by drastycznie przyspieszyć wnioskowanie. Dzień później firma Google rozszerzyła współpracę ze spółką Marvell Technology nad układami niestandardowymi, co, jeśli uda się osiągnąć zakładane parametry, mogłoby przynieść Marvellowi nawet 120 mld USD przychodu do roku obrotowego 2033.

Inwestorzy to zauważyli. 19 sierpnia akcje Marvella zamknęły się na poziomie 237,27 USD, niemal o 10% wyżej niż dzień wcześniej. Ważniejsze od jednego dnia wzrostów jest jednak to, że Nvidia coraz częściej musi bronić swojej pozycji na dwóch frontach jednocześnie.

GPU staje się jednym pasem ruchu, a nie całą autostradą

Układy graficzne Nvidii stały się standardem w dziedzinie AI, bo łączą wysoką wydajność z elastycznością w wielu rodzajach zadań. To szczególnie ważne na etapie trenowania zaawansowanych modeli, gdy wymagania szybko się zmieniają.

Wnioskowanie to co innego. Gdy model jest już wytrenowany, wielokrotnie odpowiada na zapytania, więc wyspecjalizowane układy mogą być tu bardziej efektywne. Google ma własny układ Tensor Processing Unit (TPU), Amazon — Trainium, a Meta rozwija Meta Training and Inference Accelerator (MTIA). Te układy poświęcają część elastyczności na rzecz wyższej wydajności, lepszej efektywności energetycznej lub niższych kosztów w konkretnych zastosowaniach.

Rynek ulega więc segmentacji. Nvidia oferuje programowalne GPU, hiperskalerzy — najwięksi dostawcy usług chmurowych, tacy jak Google i Amazon — budują procesory na zamówienie, a specjaliści pokroju Cerebrasa na nowo projektują architekturę. Marvell i Broadcom stoją za wieloma takimi projektami, zapewniając know-how w zakresie projektowania układów, sieci i łączności.

Różne zadania wymagają różnych narzędzi.

Cerebras atakuje na poziomie architektury

Cerebras idzie znacznie dalej w kierunku specjalizacji. Zamiast łączyć wiele konwencjonalnych chipów, firma buduje układy mniej więcej wielkości talerza obiadowego. Nowy system CS-4 korzysta z trzech takich procesorów, zbliżając do siebie obliczenia i pamięć oraz ograniczając kosztowny ruch danych.

Firma podaje, że system wymaga o 50% mniej komponentów niż w poprzedniej generacji i jest ukierunkowany na wnioskowanie, w którym szybsze odpowiedzi poprawiają zarówno doświadczenie użytkownika, jak i ekonomikę centrów danych.

To nie czyni Cerebrasa prostą alternatywą dla Nvidii. Nvidia wciąż ma przewagę skali, dojrzałe oprogramowanie, wysoką niezawodność i szeroki ekosystem. Cerebras stawia jednak ważne pytanie: czy każde zadanie w AI naprawdę wymaga GPU?

Google chce układu skrojonego pod konkretne zadanie

Google wywiera presję innego rodzaju.

Hiperskalerzy, którzy prowadzą ogromne centra danych, coraz częściej dysponują skalą pozwalającą im projektować układy z myślą o własnych obciążeniach. Rozszerzona umowa Google ze spółką Marvell obejmuje procesory, pamięć masową i rozwiązania sieciowe rozwijane na potrzeby ekosystemu TPU.

Wygląda to raczej na dywersyfikację dostawców niż na wypieranie Broadcomu. Broadcom niezależnie uzgodnił z Google współpracę nad rozwojem przyszłych, niestandardowych układów AI do 2031 r.

Zaciera się też granica między konkurentem a partnerem. Marvell pomaga klientom tworzyć układy na zamówienie, a jednocześnie współpracuje z Nvidią, m.in. w ramach ekosystemu NVLink.

Dlatego obrona Nvidii może wykraczać poza sam udział w rynku GPU. Nawet jeśli klient używa innego procesora, Nvidia może nadal być częścią otaczającej klienta infrastruktury.

Gdzie ofensywa może utknąć

Wyspecjalizowane układy mają sens ekonomiczny dopiero przy odpowiedniej skali. Ich projektowanie jest kosztowne, produkcja bywa trudna, a oprogramowanie musi działać niezawodnie. Przewaga w benchmarkach niewiele znaczy, jeśli klienci nie są w stanie łatwo wdrożyć takich rozwiązań.

Nvidia może także bronić pozycji, poprawiając wydajność wnioskowania i jednocześnie utrzymując klientów w swoim ekosystemie oprogramowania, sieci i narzędzi programistycznych. Wczesnym sygnałem ostrzegawczym dla inwestorów nie jest więc kolejna efektowna premiera układu, lecz to, czy obciążenia obliczeniowe faktycznie przenoszą się na alternatywne platformy.

Ważne jest również ryzyko odwrotne. Popyt na moc obliczeniową AI może rosnąć na tyle szybko, że Nvidia, projektanci układów na zamówienie i wyspecjalizowani gracze będą się rozwijać równolegle. Udział w rynku może spadać, a przychody nadal rosnąć, jeśli cały rynek rośnie jeszcze szybciej.

Przewodnik dla inwestora

• Zwracaj uwagę na wdrożenia, nie na demonstracje. Układy na zamówienie nabierają znaczenia, gdy hiperskalerzy wdrażają je w środowisku produkcyjnym przy dużych, powtarzalnych obciążeniach.

• Oddzielaj trenowanie od wnioskowania. Nvidia może pozostać silniejsza w jednym segmencie AI, nawet gdy alternatywy zyskują gdzie indziej.

• Śledź infrastrukturę towarzyszącą. Sieci, pamięć i łączność zyskują na znaczeniu, gdy centra danych łączą wiele typów procesorów.

• Ostrożnie oceniaj dostawców układów na zamówienie. Pozyskanie dużych projek­tów to szansa, ale zależność od kilku ogromnych klientów to także ryzyko koncentracji.

Przewaga konkurencyjna może się zawężać, nie znikając

Kluczowe pytanie nie brzmi już: czy ktoś potrafi zbudować szybszy układ AI niż Nvidia? Zwykle tak — dla konkretnego zadania i w określonych warunkach. Trudniejsze pytanie brzmi, czy alternatywy dorównają połączeniu wydajności, oprogramowania, sieci, podaży i łatwości wdrożenia na dużą skalę, które oferuje Nvidia.

Dlatego znaczenie mają zarówno Cerebras, jak i umowa Google z Marvellem. Cerebras atakuje architekturę. Umowa Google–Marvell podważa założenie, że hiperskalerzy w ogóle muszą kupować standardowy procesor. To nie znaczy, że przewaga Nvidii znika. Obliczenia AI stają się jednak bardziej wyspecjalizowane, co czyni tę przewagę trudniejszą do obrony. Zamek wciąż wygląda potężnie, lecz dróg wokół jest coraz więcej.

Niniejszy materiał ma charakter marketingowy i nie stanowi porady inwestycyjnej. Handel instrumentami finansowymi wiąże się z ryzykiem, a wyniki historyczne nie gwarantują przyszłych rezultatów.

Instrumenty wspomniane w niniejszym materiale mogą być oferowane przez partnerów, od których Saxo może otrzymywać opłaty marketingowe, wynagrodzenia lub opłaty retrocesyjne. Niezależnie od ewentualnych korzyści finansowych otrzymywanych w ramach takich partnerstw, wszystkie treści są tworzone w celu dostarczenia klientom wartościowych informacji i zapewnienia dostępu do możliwości inwestycyjnych.