Google нацелился обойти Nvidia по объёмам продаж ИИ-ускорителей уже к 2028 году: амбициозный прогноз и ставка на собственные TPU девятого поколения

В стремительно меняющемся ландшафте рынка полупроводниковых решений для искусственного интеллекта назревает тектонический сдвиг. Согласно свежему отчету аналитического подразделения Fubon Research, корпорация Google рассматривает возможность не просто догнать, но и обойти нынешнего безусловного лидера — компанию Nvidia — по количеству реализованных на рынке специализированных чипов для задач машинного обучения и глубоких нейросетей. При этом наиболее поразительным выглядит временной горизонт: столь дерзкая цель, по мнению экспертов, вполне достижима уже в 2028 году, то есть менее чем через два полных производственных цикла от текущего момента.


В основе этого смелого прогноза лежат внутренние планы самого поискового гиганта, который, как сообщается, оценивает собственный потенциал по отгрузке ускорителей в диапазоне от 12 до 15 миллионов единиц в указанный период. Для сравнения, ожидаемые показатели Nvidia в текущем, 2026 году находятся на уровне приблизительно 8,2 миллиона проданных ускорителей. Однако, что еще более показательно, аналитики Fubon Research полагают, что даже к 2028 году калифорнийский производитель графических процессоров и специализированных вычислительных платформ сможет нарастить свои объемы лишь до отметки в 12,4 миллиона единиц. Таким образом, если планы Google будут реализованы даже по нижней границе заявленного диапазона, разрыв в пользу поискового гиганта окажется минимальным, но все же ощутимым — порядка 400 тысяч чипов. В случае же достижения верхней планки в 15 миллионов ускорителей превосходство Google над Nvidia станет не просто символическим, а вполне осязаемым — почти 2,6 миллиона дополнительных проданных устройств.


Ключевым элементом этой стратегической экспансии должны стать тензорные процессоры (TPU) уже девятого поколения. Эти специализированные интегральные схемы, разработанные инженерами Google специально для выполнения операций линейной алгебры, лежащих в основе практически всех современных алгоритмов искусственного интеллекта, представляют собой прямую альтернативу флагманским решениям Nvidia, таким как серии A100, H100 и их последующие модификации. Примечательно, что TPU девятого поколения, по предварительным данным, должны предложить рынку не только повышенную производительность на ватт потребляемой энергии, но и более гибкую архитектуру, способную адаптироваться к широкому спектру рабочих нагрузок — от обучения гигантских языковых моделей до инференса в реальном времени на периферийных устройствах. Именно такая универсальность, по мнению ряда отраслевых обозревателей, может стать критическим фактором, способным склонить чашу весов в пользу Google при выборе корпоративными клиентами поставщика вычислительных мощностей.


Однако было бы глубоко ошибочным полагать, что сравнение объемов продаж этих двух гигантов представляет собой корректное сопоставление аналогичных продуктов. Как подчеркивают сами аналитики, подобное сопоставление — весьма условно и требует целого ряда существенных оговорок. Прежде всего, чипы Google и Nvidia кардинально различаются на архитектурном уровне, что отражает их принципиально разные подходы к решению задач ИИ. Продукция Nvidia, будь то GPU или специализированные ускорители, строится на универсальной архитектуре CUDA, которая за годы своего существования обросла колоссальной экосистемой программного обеспечения, библиотек и инструментов разработки, став де-факто стандартом индустрии. Это означает, что практически любое приложение, написанное для ИИ-вычислений, изначально оптимизируется именно под платформу Nvidia, что создает мощный «эффект привыкания» и высокий порог входа для конкурентов.


В свою очередь, TPU от Google — это узкоспециализированные решения, разработанные с нуля под конкретные внутренние задачи компании, такие как поиск, ранжирование, перевод, распознавание изображений и, конечно же, обучение собственных больших языковых моделей семейства Gemini. Их архитектура, хоть и демонстрирует впечатляющие показатели в бенчмарках, требует иного подхода к программированию и зачастую предполагает использование фреймворка TensorFlow и специализированного программного стека Google. Это накладывает определенные ограничения на универсальность применения чипов и требует от потенциальных клиентов дополнительных инвестиций в переобучение и адаптацию собственного кода.


Более того, принципиально различается и сам механизм продаж и распространения этих устройств. Nvidia реализует свою продукцию через классическую дистрибьюторскую сеть, ориентированную на широкий круг заказчиков: от облачных провайдеров и центров обработки данных до отдельных исследовательских лабораторий и университетов. Продукция Google, по крайней мере до недавнего времени, была преимущественно ориентирована на внутреннее использование в собственных гипермасштабируемых дата-центрах. Лишь в последние пару лет компания начала активно предлагать доступ к своим TPU через облачную платформу Google Cloud, позволяя сторонним организациям арендовать кластеры таких ускорителей по мере необходимости. Однако прямые оптовые продажи чипов напрямую корпоративным клиентам для установки в их собственные серверные стойки оставались редкостью. Именно поэтому анонсированные планы по отгрузке 12-15 миллионов устройств предполагают кардинальное изменение бизнес-модели Google и ее готовность выйти на открытый рынок в качестве полноценного вендора полупроводниковой продукции.


Отдельного внимания заслуживает еще один интригующий аспект, выявленный аналитиками Fubon Research. По их мнению, достижение столь значительных объемов производства (12-15 миллионов чипов в год) будет технологически невозможно для Google без привлечения дополнительных производственных мощностей помимо тех, что уже использует компания. На данный момент единственным контрактным производителем чипов для поискового гиганта выступает тайваньская компания TSMC — безусловный лидер мировой полупроводниковой индустрии по технологическим нормам производства. Однако даже мощности TSMC не безграничны, и учитывая, что эта же компания обслуживает заказы таких гигантов, как Apple, AMD и, что существенно важно, самой Nvidia, загрузка ее фабрик находится на пределе возможностей.


Именно поэтому в качестве потенциального второго производителя называется американская корпорация Intel. Несмотря на то, что Intel долгое время уступала TSMC в гонке за переводом производства на наиболее совершенные техпроцессы, компания активно инвестирует в развитие собственных контрактных производственных мощностей и имеет амбициозные планы по возвращению в число лидеров. Привлечение Intel в качестве второго источника поставок позволило бы Google не только увеличить суммарный объем выпускаемых чипов, но и снизить риски, связанные с геополитической нестабильностью в Тайваньском проливе. Такая диверсификация производственной цепочки выглядит стратегически разумной и, по всей видимости, является ключевым условием для реализации столь масштабных планов по наращиванию объемов продаж.


Впрочем, необходимо признать, что даже при успешной реализации всех описанных сценариев, общий итог сравнения будет далеко не однозначным. Рынок специализированных ИИ-ускорителей — это не только количество проданных единиц, но и огромные суммы выручки, программные экосистемы, долгосрочные контракты с крупнейшими облачными провайдерами и уровень интеграции в существующую инфраструктуру. Nvidia, благодаря своему статусу первопроходца и устоявшимся связям, продолжает доминировать по финансовым показателям, и вероятно, сохранит это доминирование даже при меньшем количестве проданных чипов, поскольку средняя цена реализации ее флагманских ускорителей остается крайне высокой. Тем не менее, сам факт того, что Google вплотную приближается к лидеру по объему производства, является мощным сигналом о грядущей трансформации этого рынка, где монополия постепенно уступает место здоровой конкуренции, выгодной в конечном итоге всем потребителям технологий искусственного интеллекта.