Od startupów po Big Tech — rywale Nvidii mnożą się. Czy da się ją zdetronizować?

Wyścig o osłabienie dominacji Nvidii w układach do sztucznej inteligencji wchodzi w nowy etap: startupy przyciągają miliardy dolarów finansowania, giganci technologiczni przyspieszają prace nad własnymi układami, a inwestorzy zakładają, że następna faza obliczeń AI może nie należeć wyłącznie do procesorów graficznych.

Choć Nvidia nadal dominuje na rynku sprzętu do AI, uwaga coraz częściej przesuwa się z trenowania ogromnych modeli AI na rzecz ich efektywnego uruchamiania w zastosowaniach produkcyjnych, czyli tzw. wnioskowania (inference).

Ta zmiana otworzyła drzwi dla nowej generacji producentów układów, którzy obiecują wyższą wydajność, niższe zużycie energii i znacząco niższe koszty operacyjne.

Ostatnie przypomnienie nadeszło w środę, gdy startup produkujący układy AI SambaNova pozyskał 1 miliard dolarów nowego finansowania, co podkreśla skłonność inwestorów do wspierania firm próbujących zdobyć część jednego z najszybciej rosnących rynków technologicznych.

Runda finansowania wycenia SambaNova na 11 miliardów dolarów i była prowadzona przez General Atlantic, przy udziale Seligman Ventures, T. Rowe Price i Capital Group.

Ta inwestycja następuje po wcześniejszej rundzie z początku roku, w której spółka zebrała ponad 350 milionów dolarów od inwestorów, w tym Intela, w ramach partnerstwa strategicznego.

Według raportu CNBC opublikowanego w kwietniu, startupy produkujące układy AI zebrały globalnie 8,3 miliarda dolarów w 2026 roku.

O ile rynki finansowania nie doświadczą nagłego załamania, inwestycje w tym sektorze w tym roku mają osiągnąć rekordowy poziom.

Źródło: CNBC

Uwaga przesuwa się z trenowania na wnioskowanie

Nvidia zbudowała swoją pozycję na procesorach graficznych pierwotnie zaprojektowanych do gier, które później zostały przystosowane do trenowania modeli AI.

Te układy pozostają standardem branżowym przy budowie dużych modeli językowych.

Jednak wraz z rosnącą liczbą wdrożeń aplikacji AI zamiast trenowania nowych modeli bazowych, branża przywiązuje większą wagę do wnioskowania — procesu, w którym wyszkolone modele AI odpowiadają na zapytania użytkowników.

Wiele startupów twierdzi, że GPU, choć wyjątkowo wydajne, nigdy nie były projektowane specjalnie pod obciążenia AI.

Zamiast nich uważają, że wyspecjalizowane procesory zaprojektowane konkretnie do wnioskowania mogą znacząco obniżyć koszty przy jednoczesnym zmniejszeniu zużycia energii.

Lista startupów produkujących układy AI chcących rzucić wyzwanie Nvidii

SambaNova nie jest jedyną firmą próbującą osłabić dominację Nvidii w infrastrukturze AI.

Cerebras, która niedawno zadebiutowała na rynkach publicznych po pozyskaniu 5,5 miliarda dolarów, od dawna pozycjonuje się jako jeden z najsilniejszych konkurentów Nvidii.

Morgan Stanley argumentował, że spółka ma przewagę pierwszego ruchu w niektórych segmentach obliczeń AI.

Innym uważnie obserwowanym graczem jest Groq, którego architektura skupiona na wnioskowaniu przyciągnęła tyle uwagi, że Nvidia zgodziła się licencjonować część jego technologii i w grudniu ubiegłego roku zatrudniła jego dyrektora generalnego.

CNBC później podało, że Nvidia zgodziła się przejąć Groq za 20 miliardów dolarów w gotówce, chociaż żadna ze spółek nie potwierdziła tej informacji.

Groq oświadczył, że będzie nadal działać niezależnie pod kierownictwem dyrektora generalnego Simona Edwardsa.

Ciekawostką jest, że Nvidia następnie wprowadziła własną jednostkę przetwarzania języka na dorocznej konferencji GTC w marcu, co sugeruje, że firma włącza pomysły wyłaniające się od nowszych konkurentów, zamiast je ignorować.

Kolejnym startupem przyciągającym uwagę jest D-Matrix, założony w 2019 roku.

Firma twierdzi, że jej procesory mogą wykonywać obciążenia wnioskowania nawet do 10 razy szybciej, przy zużyciu energii pięć razy mniejszym niż samodzielne GPU Nvidii, pod warunkiem że obciążenia pozostają stosunkowo niewielkie.

D-Matrix zebrał do tej pory około 500 milionów dolarów, osiągając szacunkową wycenę około 2 miliardów dolarów.

Microsoft brał udział w finansowaniu poprzez swój fundusz venture M12.

Twórcy modeli AI chcą projektować własne układy

Presja konkurencyjna nie pochodzi wyłącznie od startupów.

Wielu największych klientów Nvidii jednocześnie staje się jej rywalami, inwestując intensywnie w projektowanie własnych, dedykowanych układów AI.

Racjonalne jest to proste. Opracowanie niestandardowego krzemu zmniejsza zależność od Nvidii, obniża długoterminowe koszty infrastruktury i umożliwia ścisłą integrację między sprzętem a oprogramowaniem.

Reuters podał w tym tygodniu, że chiński startup DeepSeek opracowuje własny układ AI, aby ograniczyć zależność od procesorów Nvidii i Huawei używanych do trenowania i uruchamiania jego modeli.

Na początku miesiąca The Information informował, że Anthropic prowadził rozmowy z Samsungiem o współpracy przy przyszłym układzie, choć kluczowe decyzje dotyczące jego specyfikacji i przeznaczenia pozostają nierozstrzygnięte.

OpenAI w zeszłym miesiącu zaprezentowało swój pierwszy niestandardowy procesor AI o nazwie Jalapeño, opracowany we współpracy z Broadcomem.

Dyrektor generalny Broadcomu, Hock Tan, powiedział Reutersowi, że procesor dorównuje wydajnością układom Blackwell Nvidii i jednostkom przetwarzania tensorów Google.

Big Tech coraz częściej konkuruje z Nvidią

Google prowadzi agresywne działania mające na celu zmniejszenie zależności od Nvidii.

Zamiast używać tych samych procesorów zarówno do trenowania, jak i wnioskowania, firma rozdziela te obciążenia na dedykowane układy w ramach ósmej generacji rodziny swoich jednostek przetwarzania tensorów.

Oczekuje się, że procesory TPU 8t i TPU 8i będą dostępne później w tym roku.

Amazon realizuje podobną strategię.

Szef działu AI w Amazonie, Peter DeSantis, niedawno powiedział Bloombergowi, że Amazon Web Services rozważa możliwość sprzedaży swoich układów Trainium klientom zewnętrznym, co potencjalnie stworzyłoby jedną z najsilniejszych alternatyw dla Nvidii w infrastrukturze centrów danych.

Takie rozmowy są na wczesnym etapie, lecz wynikają z wypowiedzi CEO Amazona, Andy'ego Jassy'ego, że popyt na wewnętrznie rozwijane układy AI był na tyle silny, iż komercjalizacja jest obecnie brana pod uwagę.

Meta także intensywnie inwestuje w niestandardowy sprzęt AI w ramach rozszerzonego partnerstwa z Broadcomem.

Program Meta Training and Inference Accelerator (MTIA) już dostarczył swój pierwszy układ, MTIA 300, który zasila systemy rankingowe i rekomendacyjne na platformach Meta.

Oczekuje się kolejnych trzech generacji do 2027 roku, z późniejszymi wersjami zaprojektowanymi specjalnie dla obciążeń wnioskowania, napędzających asystentów AI i odpowiadających na zapytania użytkowników.

Podobnie jak Google i Amazon, celem Meta jest ograniczenie zależności od Nvidii przy jednoczesnym dopasowaniu układów do własnego stosu oprogramowania i infrastruktury AI.

Ta zmiana ilustruje szerszy trend wśród operatorów hyperskalowych.

Zamiast polegać wyłącznie na gotowych GPU, giganci technologiczni coraz częściej budują układy scalone specyficzne dla zastosowań (ASIC) zoptymalizowane pod własne obciążenia.

AMD i Broadcom już zdobyły znaczące pozycje

W przeciwieństwie do wielu startupów, AMD i Broadcom już ugruntowały pozycję istotnych konkurentów w infrastrukturze AI.

Transformacja AMD przypomina w kilku aspektach rozwój Nvidii.

Początkowo znana z kart graficznych do gier i procesorów do komputerów osobistych, spółka przesunęła fokus w stronę akceleratorów centrów danych i układów AI, co pozwoliło jej wyrosnąć na drugiego największego publicznego gracza na rynku akceleratorów AI.

Strategia przyniosła inwestorom znaczne korzyści.

Akcje AMD wzrosły o ponad 460% w ciągu ostatnich pięciu lat, dając spółce wartość rynkową przekraczającą 840 miliardów dolarów.

Broadcom natomiast stał się jedną z najważniejszych strategicznie firm w zakresie niestandardowego krzemu AI.

Zamiast konkurować bezpośrednio z Nvidią poprzez układy kupowane "z półki", Broadcom projektuje niestandardowe procesory dla niektórych z największych deweloperów AI na świecie.

Analitycy Melius Research stwierdzili niedawno, że Broadcom ma widoczność na około 10 gigawatów popytu na AI do 2027 roku ze strony klientów, w tym Anthropic i Meta Platforms.

Wpływy firmy wzrosły jeszcze bardziej w środę po podpisaniu umowy półprzewodnikowej o wartości ponad 30 miliardów dolarów z Apple.

Na mocy umowy Broadcom zaprojektuje i wyprodukuje "niestandardowe komponenty krzemowe oraz zaawansowane technologie łączności bezprzewodowej" dla produktów Apple.

Analitycy widzą kurczenie się przewagi Nvidii, nie jej zniknięcie

Mimo rosnącej liczby konkurentów większość analityków uważa, że przewaga Nvidii pozostaje przytłaczająca.

"Nvidia z pewnością zobaczy więcej konkurencji niż rok temu", powiedział KinNgai Chan, dyrektor zarządzający w Summit Insights Group, w komentarzu dla Reutersa w marcu.

"Nvidia wciąż ma ponad 90% udziału w rynku zarówno w segmencie trenowania, jak i wnioskowania."

Chan oczekuje jednak, że ta dominacja będzie stopniowo erodować w nadchodzących latach.

"Uważamy, że Nvidia zacznie tracić udziały od 2027 roku, gdy programy wewnętrznych układów ASIC osiągną pewną skalę, zwłaszcza na rynku wnioskowania", powiedział, odnosząc się do układów ASIC (application-specific integrated circuits) zaprojektowanych pod dedykowane obciążenia, oferujących większą efektywność niż ogólnego przeznaczenia GPU.

Morningstar podziela podobną perspektywę długoterminową.

"W długim terminie uważamy, że Google i AWS będą dążyć do przeniesienia większej liczby układów i sprzętu AI do wewnątrz, na szkodę Nvidii", napisał analityk Morningstar Brian Colello.

"Oczekujemy, że Nvidia straci udziały na rzecz TPU Google'a i Trainium Amazona (szczególnie jeśli Anthropic i/lub Google Gemini wyrosną na dominujące modele frontowe), ale uważamy, że udział Nvidii ustabilizuje się na poziomie 68% w 2030 roku (w porównaniu z 80% dziś) przy znacznie większym koszyku wydatków na AI", dodał.

Nvidia odpowiada na wielu frontach

Jednak mimo wszystko Nvidia nie stoi w miejscu.

Firma wydała ponad 18 miliardów dolarów na badania i rozwój w roku finansowym zakończonym w styczniu 2026, przyspieszając prace nad procesorami następnej generacji AI, produktami sieciowymi i technologią fotoniki.

Podczas ostatniej telekonferencji w maju Huang powiedział, że nowe centralne procesory "Vera" dają firmie dostęp do nowego rynku o wartości 200 miliardów dolarów.

Nvidia oczekuje, że jej układy Vera wygenerują 20 miliardów dolarów przychodów do końca bieżącego roku fiskalnego.

Huang stwierdził, że te przychody nie zostały uwzględnione w wcześniejszej prognozie spółki, przewidującej 1 bilion dolarów przychodów z platform AI Blackwell i Rubin w latach 2025–2027.

Być może jeszcze istotniejsze jest to, że Nvidia coraz częściej wybiera współpracę zamiast konfrontacji.

Zamiast konkurować bezpośrednio z każdym pojawiającym się startupem produkującym układy AI, Nvidia coraz częściej decyduje się na współpracę z firmami rozwijającymi wyspecjalizowane procesory do wnioskowania.

Przejęcie aktywów startupu Groq w grudniu za 20 miliardów dolarów oraz ogłoszenie inwestycji o wartości 4 miliardów dolarów w dwie firmy fotoniki wcześniej w tym roku były częścią tej strategii.

Również poprzez integrowanie niektórych konkurencyjnych układów obok własnych GPU w szafach serwerowych AI, Nvidia poszerza swoje ekosystemy, jednocześnie zapewniając sobie korzyści z wydatków na infrastrukturę AI niezależnie od tego, które technologie wnioskowania zyskają największe znaczenie.

Taka strategia pozwala Nvidii uczestniczyć w różnych ekosystemach sprzętu AI, jednocześnie generując przychody, nawet jeśli klienci będą stosować wyspecjalizowane układy do wnioskowania obok jej GPU.

W środę dostawca chmury do wnioskowania Parasail ogłosił, że wdroży akceleratory Corsair firmy D-Matrix obok systemów Nvidia Hopper i Blackwell, aby dostarczyć klientom "usługi wnioskowania o nawet 10x szybsze i bardziej opłacalne".

Co więcej, produkty SambaNova zaprojektowano tak, aby uzupełniały sprzęt Nvidii, a nie go całkowicie zastępowały.

Rodrigo Liang, dyrektor generalny SambaNova, powiedział, że jej układy SN40 i SN50 mogą obsługiwać tzw. część dekodowania wnioskowania — rozpakowywanie zapytania z modelu — pięć do dziesięciu razy szybciej, co pomaga zwolnić równorzędną liczbę układów Nvidii do innych zadań, takich jak trenowanie.

Silny wzrost mimo presji konkurencyjnej

Najnowsze wyniki finansowe Nvidii sugerują, że konkurencja nie odcisnęła jeszcze znaczącego piętna na jej działalności.

Jej dział centrów danych, który pozostaje głównym silnikiem wzrostu firmy, odnotował rekordowe przychody w wysokości 75,2 miliarda dolarów, co oznacza wzrost o 92% rok do roku.

Dyrektor generalny Jensen Huang starał się uspokoić inwestorów, twierdząc, że popyt pozostaje szeroki, a nowe produkty pomogą firmie przekroczyć prognozowaną przez nią wcześniej szansę przychodową w wysokości 1 biliona dolarów z jej flagowych platform AI.

Mimo to akcje NVDA spadły 1,6% po publikacji wyników, mimo oczekiwań przewyższających prognozy dotyczące przychodów i ogłoszenia programu skupu akcji o wartości 80 miliardów dolarów.

Reakcja rynku sugerowała, że inwestorzy coraz częściej patrzą poza bieżące wyniki i koncentrują się na pytaniu, czy Nvidia zdoła utrzymać swoją dominującą pozycję, gdy konkurentów przybywa.

Akcja zyskała w tym roku relatywnie umiarkowane 4% i nieco ponad 23% w ciągu ostatnich 12 miesięcy, co stanowi wyraźne wyhamowanie w porównaniu z jej niezwykłymi wzrostami na wczesnym etapie boomu AI.