Иллюстрация Visuals6x / Shutterstock
OpenAI разрабатывает собственный чип для ИИ, готовясь к серийному производству в 2026 году. В проект уже вовлечены TSMC и Broadcom, а основная цель — снизить зависимость от Nvidia и улучшить переговорные позиции с поставщиками. Однако процесс дорогостоящий и сопряжен с техническими рисками.
OpenAI делает ставку на аппаратную независимость. Компания разрабатывает собственный чип для ИИ, который должен снизить ее зависимость от Nvidia — безоговорочного лидера индустрии, контролирующего 80% рынка GPU для ИИ-вычислений. Проект возглавляет бывший инженер Google Ричард Хо, а в команде — всего 40 специалистов. Ключевым партнером выступает Broadcom, а производством займется тайваньская TSMC, использующая передовую 3-нанометровую технологию.
Как выяснил IT-World, первый чип OpenAI будет предназначен не для обучения моделей, а для их запуска — так называемого инференса. Это логичный шаг: обучение требует колоссальных вычислительных мощностей, а вот запуск моделей — задача проще, но тоже затратная. Пока предполагается, что на первых этапах эти чипы будут использоваться исключительно внутри компании. Что будет дальше — зависит от успеха проекта.
Почему инвесторы делают ставку на RISC-V?
Новый чип, вероятно, будет построен на архитектуре систолического массива, оптимизированной для матричных вычислений, и получит высокоскоростную память HBM. Пока неясно, будет ли это HBM3E или более перспективная HBM4, но выбор типа памяти — один из ключевых факторов, влияющих на производительность будущего чипа.
Разработка чипов — удовольствие не из дешевых. Создание одного процессора обходится порядка $500 млн, а с учетом разработки программного обеспечения и всей сопутствующей инфраструктуры сумма легко удваивается. По сравнению с Google и Amazon, в проектах которых задействованы сотни инженеров, команда OpenAI выглядит довольно скромно. Однако компании не обязательно сразу догонять гигантов. На первом этапе достаточно создать конкурентный продукт, который позволит уменьшить зависимость от Nvidia и укрепить позиции на рынке.
OpenAI не одинока в стремлении к независимости от производителей чипов. Крупные игроки уже давно осознали: собственные чипы — это не просто экономия, а стратегический инструмент. Google использует TPU, Amazon разработал процессоры Trainium и Inferentia, Microsoft активно продвигает проект Maia. Даже Meta (организация признана экстремистской и запрещена в РФ) инвестирует в создание собственного аппаратного решения. Это не просто попытка уйти от Nvidia, а игра на опережение: контроль над аппаратной частью дает компаниям гибкость и возможность адаптировать свои ИИ-модели под конкретное железо.
Какой инфраструктуры для искусственного интеллекта не хватает в России?
OpenAI ощущает растущее давление. Компания находится в сложной позиции: спрос на вычислительные мощности стремительно растет, мощности Nvidia стоят дорого, а конкуренты не теряют времени. Microsoft, основной инвестор OpenAI, уже объявил, что в 2025 году инвестирует $80 млрд в развитие ИИ-инфраструктуры. Meta планирует потратить $60 млрд. Только за 2024 год технологические гиганты потратили около $200 млрд на ИИ инфраструктуру. Если OpenAI не создаст собственную альтернативу, ей придется закупать еще больше чипов Nvidia, играя по их правилам.
Даже если OpenAI удастся запустить производство, это не означает мгновенной победы. Серийный выпуск намечен на 2026 год, но технические сложности могут вызвать задержки. Ошибки в дизайне, доработка архитектуры и нехватка кадров могут отложить планы на месяцы или даже годы. В индустрии это скорее правило, чем исключение. Если же компания справится, она получит не только техническую независимость, но и мощный инструмент в переговорах с поставщиками. Читайте также
ИТ-разработчики сегодня: кого не хватает, где брать и как удержать? По оценкам Минцифры к концу 2024 года, дефицит кадров в ИТ составляет 500–700 тысяч человек. В то же время представители бизнеса дают оценку в 1 млн. Особенно остро нехватка специалистов ощущается в таких областях, как машинное обучение, нейросети, компьютерное зрение и обработка больших данных.