Почему ведущие компании ИИ стремятся к созданию специализированных чипов в 2026 году

7 июля в центре внимания оказались две новости о собственных чипах китайских AI-компаний.

Сначала эксклюзивное сообщение Reuters: DeepSeek разрабатывает собственный чип. Согласно информации от трех осведомленных источников, этот чип ориентирован на вывод (inference), а не на обучение. В сообщении говорится, что DeepSeek уже тайно нанимает инженеров по проектированию чипов, не используя открытые каналы найма, и ведет переговоры с внешними производственными партнерами и поставщиками памяти. DeepSeek не ответила на запросы о комментариях, а сама новость вызвала споры, поскольку на данный момент источником информации является только Reuters.

В тот же день The Information сообщила, что еще одна китайская лаборатория — Zhipu — также оценивает возможность разработки собственных специализированных чипов. По данным осведомленных лиц, причиной является резкий рост спроса на GLM-5.2. Согласно The Information и множеству перепечатывающих источников, эта модель является самой быстро растущей на платформе агрегации моделей Vercel, и в первую неделю после запуска среднесуточное потребление токенов выросло до 27 раз. Zhipu уже провела предварительные переговоры с несколькими китайскими компаниями по проектированию чипов, однако партнер еще не выбран; по оценкам, весь проект может занять более двух лет. После появления этой новости акции Zhipu на гонконгской бирже подскочили на 9,9%.

Обе новости пока находятся на ранней стадии оценки, без физических продуктов и утвержденных дизайнов.

На самом деле, DeepSeek и Zhipu — не единственные. Отодвинув камеру, вы увидите, что в 2026 году «AI-компании хотят создавать собственные чипы» перестало быть индивидуальным выбором и стало отраслевым стандартом: от далеких OpenAI и Anthropic до этих двух передовых лабораторий в Китае — действия удивительно согласованы. Эта статья стремится ответить на вопрос: почему?

Если сообщения о DeepSeek еще остаются на уровне слухов, то OpenAI уже представила реальный продукт.

24 июня OpenAI и Broadcom совместно выпустили Jalapeño — первый собственный чип OpenAI, также представляющий собой ASIC, специально разработанный для инференса крупных моделей.

Ричард Хо, руководитель отдела аппаратного обеспечения OpenAI, заявил, что этот чип «спроектирован с нуля для инференса LLM», и команда провела целенаправленную оптимизацию вокруг ядра, передачи памяти, сети и модели обслуживания.

Согласно информации от OpenAI, ранние лабораторные тесты показали, что производительность Jalapeño на ватт «значительно превосходит текущий передовой уровень отрасли». Однако компания также признает, что окончательная производительность все еще измеряется, а подробный технический отчет будет опубликован в течение следующих нескольких месяцев. Такие заявления о преимуществах производительности от производителей считаются лишь односторонними утверждениями до появления сторонних бенчмарков.

Несколько деталей заслуживают внимания. Согласно сообщению Tom's Hardware, этот чип был разработан и отправлен в производство всего за девять месяцев; OpenAI утверждает, что это, возможно, самый быстрый цикл разработки ASIC в истории высокопроизводительных передовых полупроводников; а ускорил этот цикл именно собственная модель OpenAI: использование ИИ для проектирования чипов, создающих ИИ.

Jalapeño планируется начать развертывать в конце 2026 года, с привязкой к сотрудничеству с Broadcom объемом 10 ГВт, которое будет завершено к 2029 году. Сообщается, что Microsoft планирует приобрести около 40% первоначальной мощности Jalapeño.

Теперь рассмотрим другую передовую лабораторию — Anthropic. В апреле этого года Reuters первым сообщил, что Anthropic также рассматривает возможность разработки собственных чипов, причем формулировки были осторожными: план находится на ранней стадии, компания даже может в итоге решить просто покупать, а не производить чипы, дизайн еще не утвержден, и специальная команда не сформирована.

Однако в начале июля произошли новые события. Согласно сообщениям нескольких СМИ, Anthropic уже начала переговоры с Samsung по поводу изготовления пользовательского чипа, который, как утверждается, будет произведен по технологии 2 нм и с использованием передовых методов упаковки.

Кроме того, Anthropic недавно привлекла Клайва Чана, одного из первых участников команды по разработке собственных чипов OpenAI.

В ответ на дополнительные вопросы Anthropic заявила, что «разнообразная аппаратная платформа», состоящая из чипов Google, Amazon и NVIDIA, останется центральным элементом ее вычислительной стратегии, и отказывается делать дальнейшие комментарии по поводу сотрудничества с Samsung.

Это официальное заявление как раз раскрывает самую настоящую мотивацию в волне разработки собственных чипов. Согласно данным The Information, NVIDIA контролирует около 74% глобального рынка ИИ-чипов; Anthropic до сих пор не создала ни одного собственного чипа, и каждый вызов Claude работает на чипах, арендованных у партнеров; при этом эти партнеры одновременно являются и ее конкурентами.

Стоит отметить, что время, когда Anthropic начала разрабатывать собственные чипы, почти совпало с резким ростом её доходов. Согласно собственным данным компании, годовой операционный доход в 2026 году уже превысил 30 миллиардов долларов США, тогда как в конце 2025 года он составлял около 9 миллиардов долларов США. Только при таких масштабах экономическая целесообразность разработки собственных чипов становится очевидной.

Если сравнить сообщения о DeepSeek, Zhipu, OpenAI и Anthropic, вы заметите общую черту: все они создают чипы для вывода, а не для обучения. Это не совпадение.

В отрасли происходит структурный сдвиг: центр потребления вычислительных мощностей смещается с «обучения моделей» на «выполнение моделей». Обучение — это разовая стоимость, а предоставление услуг модели сотням и миллионам пользователей — постоянные расходы. Согласно отраслевому анализу Introl, сегодня на выводы приходится около двух третей всех вычислительных мощностей ИИ.

https://introl.com/blog/custom-silicon-inflection-2026-hyperscaler-asics-nvidia-gpu

А именно вывод — это именно то, где доминируют ASIC. Как сказал Крис Миллер, автор книги «Война за чипы», в интервью CNBC: графические процессоры NVIDIA — это как швейцарский нож, способный выполнять любые параллельные вычисления; а ASIC — это инструмент с единственной функцией, который очень эффективен и быстр, но жестко запрограммирован на выполнение только одного типа задач. На этапе обучения нужна гибкость швейцарского ножа, поскольку архитектура модели еще меняется; но как только модель окончательно сформирована и ее нужно использовать для обработки огромного количества запросов, именно «инструмент с единственной функцией» оказывается более энергоэффективным и дешевле.

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

Взрывной рост агентов еще больше увеличил этот счет. В одном из анализов MindCast AI было предложено интересное различение:

Традиционные вычисления — это «стоимость запроса»: один запрос, один ответ, расчет завершен;

Агент — это «циклическая стоимость»: одна цель пользователя может вызвать десятки или даже сотни вызовов вывода, поскольку агент должен выполнять вывод, планирование, поиск и выполнение.

Изображение переведено с https://www.mindcast-ai.com/p/ai-inference-economy

Когда агенты масштабируются в больших объемах, экономическое неравенство между обучением и выводом будет нелинейно усиливаться. Поэтому этот аналитический институт делает вывод: экономика вывода — это не вопрос 2028 года, а решение о закупках, которое нужно принять уже в 2026 году.

Для вопроса «почему создавать самостоятельно» в отрасли уже существуют достаточно конкретные цифры.

Самый наглядный пример — платформа для генерации изображений на основе ИИ Midjourney. Согласно сообщениям, после перевода вычислительной нагрузки с GPU NVIDIA на седьмое поколение TPU от Google ежемесячные затраты на вычислительные ресурсы снизились с примерно 2,1 миллиона долларов до примерно 700 тысяч долларов — на 65%. Применяя этот коэффициент к гигантским компаниям, которые выполняют миллиарды запросов в день, как отметил один аналитик, инвестиции в несколько миллиардов долларов в разработку собственных чипов превращаются в «прямую финансовую задачу».

Ответ на этот вопрос меняет весь рынок. Согласно прогнозу TrendForce, темпы роста поставок специализированных ASIC в 2026 году достигнут 44,6%, в то время как коммерческие GPU — только 16,1% — это первый раз, когда темпы роста специализированных чипов превысят темпы роста GPU. Introl ссылается на более масштабные данные от Bloomberg Intelligence: к 2033 году весь рынок AI-ускорителей прогнозируется на уровне 604 миллиардов долларов США, и доля специализированной кремниевой технологии в нем продолжает ускоряться.

Крупнейшие производители уже проголосовали настоящими деньгами. TPU от Google, Trainium от Amazon, Maia от Microsoft, MTIA от Meta... Эти собственные чипы обслуживают огромные объемы задач вывода внутри своих материнских компаний.

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

По сообщению CNBC, главный архитектор Trainium Рон Диамант заявил, что этот ASIC от Amazon имеет преимущество в соотношении цены и производительности на 30–40% по сравнению с другим оборудованием на AWS.

Эти цифры показывают: когда ваша потребность в вычислительной мощности растет до сверхмасштабных размеров, чипы перестают быть статьей расходов и становятся самим барьером для входа. Как отмечается в одном из анализов Oplexa, контроль над собственными кремниевыми пластинами означает контроль над собственной дорожной картой производительности, структурой затрат и цепочкой поставок. Эти три фактора нельзя приобрести ни за какой заказ.

Если экономическими соображениями являются очевидные причины, то «не хочу передавать свою судьбу в руки одной компании» — это более глубокий подводный поток, скрытый под волной.

Сильная позиция NVIDIA частично обусловлена самими чипами, но в еще большей степени — CUDA. CUDA представляет собой программную экосистему, накопленную в течение более чем двадцати лет. Согласно анализу Spheron, почти все серьезные оптимизации вывода LLM — от FlashAttention до непрерывной пакетной обработки в vLLM — работают исключительно на CUDA. Эта экосистема скорее является «стоимостью миграции», которую должны оплатить все команды, желающие сменить чип, чем защитным барьером NVIDIA. По оценкам, перенос стека сервисов с vLLM на Amazon Neuron SDK обычно занимает от двух до шести недель инженерных усилий, а некоторые архитектуры моделей вообще не поддерживаются.

https://www.spheron.network/blog/hyperscaler-custom-ai-chips-2026-trainium-tpu-maia-mtia-vs-nvidia-gpu/

Поскольку эта стена высока и толста, мотивация обойти ее особенно сильна. Для гигантских производителей и передовых лабораторий каждый рабочий нагрузка, запущенный на собственных чипах, означает больше прибыли, остающейся у них в кармане, а также больше уверенности при переговорах с NVIDIA.

TheStreet оценивает это довольно прямо: меняется предположение по умолчанию, что «лаборатории ИИ должны принимать любые цены и условия поставки, предлагаемые NVIDIA». У Microsoft есть Maia, у Amazon — Trainium, у Google — TPU, и новые лаборатории ИИ теперь также хотят накопить для себя такие же рычаги.

Вернёмся к двум сообщениям от 7 июля. Для DeepSeek и Zhipu, помимо всех вышеуказанных причин, собственные чипы также сталкиваются с проблемой, с которой их американские коллеги не сталкиваются: экспортными ограничениями.

Стоит также отметить, что слухи о самостоятельной разработке DeepSeek совпали с моментом ее первого внешнего финансирования: компания завершила раунд финансирования на сумму более 50 миллиардов юаней, оценив себя выше 330 миллиардов юаней. Производство чипов требует огромных затрат, и одновременное появление этих двух факторов — денег и чипов — вряд ли является случайностью.

А ZhiPu уже в январе этого года стала первой китайской лабораторией ИИ, зарегистрированной на Гонконгской фондовой бирже. Обе компании готовят свои финансовые резервы для этой дорогостоящей ставки.

Собрав все эти подсказки, ответ на вопрос «Почему все ИИ-компании хотят создавать собственные чипы» на самом деле является схождением нескольких сил: замена обучения выводом в качестве основной арены вычислительных мощностей создала возможности для специализированных ASIC; взрывной рост агентов привел к нелинейному росту затрат на вывод, что делает каждую сэкономленную копейку значимой; а глубокая зависимость от NVIDIA заставляет всех стремиться накопить собственные рычаги переговоров. Для китайских компаний, таких как DeepSeek и Zhipu, необходимо добавить еще и проблемы экспортного контроля.

Но под этим ажиотажем стоит пролить и холодную воду. Саморазработанные чипы далеко не гарантируют победу. Цикл проектирования часто занимает от 18 до 24 месяцев, требует огромных первоначальных инвестиций в инженерию и нуждается в достаточно стабильной и предсказуемой рабочей нагрузке, чтобы оправдать создание архитектуры под конкретные задачи. Для стартапов, которые всё ещё экспериментируют с архитектурой моделей, или для обычных компаний с разнообразными задачами гибкость GPU от NVIDIA остаётся более выгодным выбором.

TechTimes ясно говорит, что преимущество в стоимости от 40% до 65% принадлежит только гигантам, которые выполняют десятки миллиардов запросов в день; для компаний, выполняющих всего несколько десятков тысяч запросов в неделю, эта экономия оказывается обратной.

Более интересный вопрос: эта волна ослабит NVIDIA или просто добавит ей дополнительную позицию? Большинство анализов склоняются ко второму варианту. Согласно Oplexa, к 2027 году объем поставок ASIC может превысить количество GPU, но оба рынка продолжат расти: инфраструктура ИИ разделяется на два отдельных направления — фиксированные, высокочастотные и предсказуемые нагрузки переходят к ASIC, а исследовательские, разнообразные и еще развивающиеся архитектуры остаются за GPU. NVIDIA по-прежнему полностью контролирует рынок обучения и большую часть рынка в целом.

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

Смогут ли DeepSeek и Zhipu создать собственные чипы, пока нет ответа, поскольку обе новости по-прежнему находятся на ранней стадии оценки.

Но они были запущены в один и тот же день, как два камня, брошенных одновременно на поверхность воды, — их волны отразили одну и ту же тревогу: от Сан-Франциско до Пекина, в эпоху, где вычислительная мощность — это власть, ни одна компания в сфере ИИ, желающая выжить до следующего раунда, не захочет навсегда арендовать свою жизненно важную инфраструктуру у других.

Эта статья взята из официального аккаунта WeChat «Machine Heart» (ID: almosthuman2014), автор: Panda