Чому лідери у сфері ШІ в 2026 році розробляють спеціалізовані чіпи

7 липня цього року дві новини про китайські компанії з штучним інтелектом, які розробили власні чіпи, стали головними новинами.

Спочатку ексклюзивне повідомлення Reuters: DeepSeek розробляє власний чіп. За даними трьох осіб, знайомих із ситуацією, цей чіп призначений для висновків (inference), а не для навчання. У звіті зазначається, що DeepSeek вже таємно наймає інженерів з розробки чіпів, не використовуючи публічні канали вакансій, а також спілкується ззовні з підрядними виробниками та виробниками пам’яті. DeepSeek не відповіла на запити про коментар, а саме повідомлення викликає сумніви, оскільки наразі воно має лише один джерело — Reuters.

Того ж дня The Information знову повідомила, що ще одна китайська лабораторія — Zhipu — оцінює розробку власного спеціалізованого чіпа. За словами осіб, знайомих із ситуацією, причиною є стрімке зростання попиту на GLM-5.2. За даними The Information та багатьох інших джерел, ця модель є найшвидшою за зростанням на платформі Vercel Model Aggregator, і на першому тижні після запуску щоденне споживання токенів зросло до 27 разів. Zhipu вже провела попередні переговори з кількома китайськими компаніями з розробки чіпів, але ще не вибрала партнера; за оцінками, весь проект може тривати більше двох років. Після публікації цієї інформації акції Zhipu на гонконгському ринку тимчасово зросли приблизно на 9,9%.

Звичайно, обидва повідомлення все ще перебувають на етапі ранньої оцінки, жодне з них не має фізичного продукту чи фінального дизайну.

Насправді, DeepSeek і Zhipu — не виняток. Відступіть трохи назад — і ви побачите, що «AI-компанії хочуть виготовляти власні чіпи» у 2026 році перетворилося з окремого вибору на відраслеву норму: від OpenAI та Anthropic за океаном до цих двох передових лабораторій у Китаї — дії виявилися дивовижно однаковими. Ця стаття намагається відповісти на питання: чому?

Якщо інформація про DeepSeek ще залишається на рівні чуток, то OpenAI вже виставила на показ реальний продукт.

24 червня OpenAI у співпраці з Broadcom представила Jalapeño — перший чіп, розроблений OpenAI, який також є ASIC, спеціально призначеним для інференсу великих моделей.

Річард Хо, керівник з апаратного забезпечення OpenAI, сказав, що цей чіп «розроблений з нуля для інференсу LLM», а команда здійснила цілеспрямовану оптимізацію щодо ядра, пересування пам’яті, мережі та режимів обслуговування.

За словами OpenAI, ранні лабораторні тести показали, що продуктивність Jalapeño на ват «значно перевищує поточний найвищий рівень у галузі». Однак компанія також визнає, що кінцева продуктивність все ще вимірюється, а детальні технічні звіти будуть опубліковані лише протягом наступних кількох місяців. Такі заяви від виробників про переваги продуктивності до появи сторонніх benchmark можна вважати лише однобічними.

Варто звернути увагу на кілька деталей. За даними Tom's Hardware, цей чіп був розроблений і відправлений у виробництво (tape-out) лише за дев’ять місяців; OpenAI стверджує, що це, ймовірно, найшвидший у світі цикл розробки ASIC для високопродуктивних передових напівпровідників; а прискорює цей цикл саме власна модель OpenAI: використання ШІ для проектування чіпів, що створюють ШІ.

Jalapeño планується почати розгортання наприкінці 2026 року, з опорою на партнерство з Broadcom обсягом 10 ГВт, яке буде завершено до 2029 року. За повідомленнями, Microsoft очікується, що купить приблизно 40% перших потужностей Jalapeño.

Подивімося на ще одну передову лабораторію — Anthropic. У квітні цього року агентство Reuters першим повідомило, що Anthropic також розглядає розробку власних чіпів, причому формулювання було дуже обережним: план знаходиться на початковій стадії, компанія навіть може в кінцевому підсумку вирішити просто купувати, а не виробляти чіпи, проект ще не визначений, і спеціальна команда ще не створена.

Але на початку липня ситуація змінилася. За повідомленнями кількох ЗМІ, Anthropic вже почала спілкуватися з Samsung щодо виготовлення спеціалізованого чіпу, який, як стверджується, спрямований на виробництво за технологією 2 нм і передові упаковки Samsung.

Також Anthropic недавно запропонувала посаду Clive Chan, який був одним із перших членів команди OpenAI з розробки власних чіпів.

У відповідь на додаткові запитання Anthropic зазначила: «Різноманітний апаратний стек» з чіпами Google, Amazon та NVIDIA залишиться основою її стратегії обчислювальних ресурсів, і компанія не надасть додаткових коментарів щодо співпраці з Samsung.

Це офіційне заявлення точно вказує на найбільш реальну мотивацію хвилі власних чіпів. За даними The Information, NVIDIA контролює приблизно 74% ринку штучного інтелекту на глобальному рівні; Anthropic досі не створила жодного власного чіпа, і кожен виклик Claude виконується на чіпах, орендованих у партнерів; а ці партнери одночасно є його конкурентами.

Варто зауважити, що час, коли Anthropic розпочала розробку власних чипів, майже збігся зі стрімким зростанням її доходів. За її ж даними, річний операційний дохід у 2026 році вже перевищив 30 мільярдів доларів США, тоді як наприкінці 2025 року він становив лише близько 9 мільярдів доларів США. Коли масштаб досягає такого рівня, економічна доцільність власної розробки чипів стає очевидною.

Порівнюючи ці повідомлення про DeepSeek, Zhipu, OpenAI та Anthropic, ви помітите спільну рису: вони розробляють саме інференс-чіпи, а не чіпи для навчання. Це не випадковість.

У галузі відбувається структурний зсув: центр витрат на обчислювальну потужність пересувається з «навчання моделей» на «виконання моделей». Навчання — це разові витрати, а надання послуг моделей сотням і тисячам користувачів — це постійні витрати. За аналізом Introl, зараз на висновки припадає приблизно дві третини всіх обчислювальних потужностей AI.

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

А саме виведення — це саме територія ASIC. Як сказав Кріс Міллер, автор книги «Війна чіпів», у порівнянні з CNBC: GPU від NVIDIA — це швейцарський ніж, який може виконувати будь-які паралельні обчислення; а ASIC — це інструмент з однією функцією, дуже ефективний і швидкий, але жорстко підключений лише до одного типу завдань. На етапі навчання потрібна гнучкість швейцарського ножа, оскільки архітектура моделі ще змінюється; але коли модель вже визначена і її потрібно використовувати для обробки величезної кількості запитів, саме цей «інструмент з однією функцією» виявляється більш енергоефективним і дешевшим.

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

Вибух агентів (Agent) ще більше збільшив цей рахунок. Один аналіз MindCast AI запропонував цікаве розмежування:

Традиційне виведення — це «вартість запиту»: один запит, одна відповідь, розрахунок завершено;

Агент — це «циклічна вартість»: одна мета користувача може спричинити десятки або навіть сотні викликів міркувань, оскільки агент повинен міркувати, планувати, шукати та виконувати.

Зображення перекладено з https://www.mindcast-ai.com/p/ai-inference-economy

Коли агенти масово розгортаються, економічна асиметрія між навчанням та висновуванням зростає нелінійно. Тому ця аналітична компанія вважає: економіка висновування — це не питання 2028 року, а рішення про закупівлю, яке потрібно прийняти вже в 2026 році.

Щодо «чому варто створювати власне», у галузі вже існують досить конкретні цифрові дані.

Найбільш наочний приклад походить з AI-платформи для зображень Midjourney. За повідомленнями, після перенесення навантаження на висновок з GPU NVIDIA на сьоме покоління TPU від Google, щомісячні витрати на обчислювальні ресурси знизилися з приблизно 2,1 мільйона доларів США до приблизно 700 тисяч доларів США — на 65%. Коли цей відсоток масштабується на надвеликих компаніях, які виконують мільярди запитів щодня, як сказав один аналітик, інвестування десятків мільярдів доларів у розробку власних чіпів перетворюється на «просту фінансову задачу».

Відповідь на це питання змінює весь ринок. За прогнозами TrendForce, темпи зростання поставок спеціалізованих ASIC у 2026 році досягнуть 44,6%, тоді як комерційні GPU — лише 16,1% — це перший раз, коли темпи зростання спеціалізованих чіпів перевищили GPU. Introl посилається на більш загальні дані Bloomberg Intelligence: до 2033 року весь ринок AI-ускорювачів, за оцінками, досягне 604 мільярдів доларів США, а частка спеціалізованих напівпровідників у ньому продовжує швидко зростати.

Великі виробники давно проголосували за це реальними грошима. TPU від Google, Trainium від Amazon, Maia від Microsoft, MTIA від Meta… Ці саморозроблені чіпи обслуговують величезні навантаження на висновки всередині своїх материнських компаній.

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

За повідомленням CNBC, головний архітектор Trainium Рон Діамант сказав, що цей ASIC від Amazon має перевагу у співвідношенні ціни та продуктивності на 30–40% порівняно з іншими постачальниками апаратного забезпечення на AWS.

Ці цифри свідчать: коли ваші потреби у обчислювальній потужності зростають до надмірних розмірів, чіпси перестають бути витратою — вони стають саме бар’єром для конкуренції. Як зазначається в аналізі Oplexa, контроль над власними кремнієвими чіпами означає контроль над власною дорожною картою продуктивності, структурою витрат та ланцюгом поставок. Ці три фактори неможливо купити за будь-який заказ.

Якщо економічний розрахунок — це очевидна причина, то «не хочеться покладати свою долю в руки однієї компанії» — це глибша підводна течія, що кипить під поверхнею.

Сильна позиція NVIDIA частково пояснюється самими чіпами, але значно більше — CUDA. CUDA — це програмна екосистема, яка накопичувалася протягом більше двадцяти років. За аналізом Spheron, майже всі серйозні оптимізації виведення LLM — від FlashAttention до безперервної пакетної обробки у vLLM — працюють виключно на CUDA. Ця екосистема більше схожа не на «захисний рів» NVIDIA, а на «вартість міграції», яку повинні сплатити будь-які команди, що хочуть змінити чіп. За оцінками, перенесення стеку сервісів з vLLM на Amazon Neuron SDK часто вимагає від двох до шести тижнів інженерних зусиль, а деякі архітектури моделей взагалі не підтримуються.

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

Саме через те, що ця стіна висока й товста, мотивація обійти її ще сильніша. Для величезних виробників та передових лабораторій кожен завантаження на власних чіпах означає більше прибутку, що залишається в їхніх кишенях, а також більше ваги під час переговорів із NVIDIA.

TheStreet робить висновок досить прямо: те, що змінюється, — це вихідне припущення, що «лабораторії ШІ повинні приймати будь-які ціни та умови поставок від NVIDIA». У Microsoft є Maia, у Amazon — Trainium, у Google — TPU, а нові лабораторії ШІ зараз також хочуть зібрати собі такі самі аргументи.

Поверніться до двох повідомлень від 7 липня. Для DeepSeek і Zhipu, крім усіх вищезгаданих причин, власні чіпи також стикаються з проблемою, якої не мають їхні американські колеги: експортні обмеження.

Варто зазначити, що чутки про саморозробку DeepSeek збіглися з її першим залученням зовнішніх інвестицій: компанія завершила раунд фінансування на суму понад 50 мільярдів юанів, оцінка склала понад 330 мільярдів юанів. Виробництво чіпів дуже витратне, і те, що ці дві речі відбулися одночасно, може бути не випадковим.

А ZhiPu ще у січні цього року стала першою китайською лабораторією штучного інтелекту, яка здійснила лістинг на Гонконській біржі. Обидві компанії готують грошові ресурси для цієї дорогої гри.

Зібравши всі ці підказки, відповідь на питання «Чому всі AI-компанії хочуть виготовляти власні чіпи» — це збіг кількох сил: заміна навчання висновками як основної сфери обчислень надала спеціалізованим ASIC можливості; вибух інтелектуальних агентів змусив витрати на висновки зростати нелінійно, що робить кожну зекономлену доларову одиницю значно більш важливою; а глибока залежність від NVIDIA змусила всіх прагнути мати власний арсенал переговорних позицій. Для китайських компаній, таких як DeepSeek і Zhipu, додайте ще й проблеми експортного контролю.

Але під цим хвилею слід вилити й холодну воду. Власні чіпи далеко не завжди вигідні. Цикл розробки триває від 18 до 24 місяців, початкові інвестиції в інженерію величезні, і варто розробляти архітектуру навколо фіксованого рішення лише тоді, коли навантаження достатньо стабільне й передбачуване. Для стартапів, які ще експериментують з архітектурою моделей, або звичайних компаній із різноманітними завданнями гнучкість GPU від NVIDIA є більш вигідним вибором.

TechTimes чітко зазначає, що перевага у витратах на 40–65% стосується лише великих компаній, які виконують десятки мільярдів запитів щодня; для підприємств, які виконують лише кілька десятків тисяч запитів на тиждень, ця розрахункова модель зворотна.

Більш глибоке питання: ця хвиля зміцнить NVIDIA, чи просто додасть їй додаткову позицію? Більшість аналізів сходяться на другому варіанті. За даними Oplexa, до 2027 року обсяги поставок ASIC можуть перевищити обсяги поставок GPU за кількістю, але обидва ринки продовжуватимуть зростати: інфраструктура ШІ розгалужується на дві окремі галузі — фіксовані, високочастотні, передбачувані навантаження переходять до ASIC, а дослідження, різноманітні та ще розвиваються архітектури залишаються за GPU. NVIDIA все ще міцно утримує контроль над тренуванням та більшістю ринку.

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

Чи зможуть DeepSeek і Zhipu створити власні чіпи, наразі немає відповіді, оскільки обидві новини все ще перебувають на етапі початкової оцінки.

Але вони відбулися в один і той самий день, як дві камінці, одночасно кинуті у воду, хвилі від яких відобразили ту саму тривогу: від Сан-Франциско до Пекіна, у епоху, коли обчислювальна потужність — це влада, жодна компанія з ІШ, яка хоче вижити до наступного раунду, не бажає постійно орендувати свою життєво важливу інфраструктуру у інших.

Цей матеріал зі сторінки WeChat «Machine Heart» (ID: almosthuman2014), автор: Panda