Главный парадокс ИИ-индустрии 2026 года: чем умнее становятся модели, тем глупее оказываются стратегии их обслуживания на универсальном железе. Две новости этого периода подтверждают — отрасль разворачивается от «один чип для всего» к жесткой специализации.
Anthropic идёт путём Google и Amazon
Anthropic подтвердил планы по созданию собственной команды для разработки чипов. Компания, создатель модели Claude, намерена снизить зависимость от NVIDIA. Это прямое продолжение тренда: Google давно продвигает TPU, Amazon развивает Trainium, а теперь и чисто ИИ-компании решают, что платить дань NVIDIA больше нецелесообразно.
На мой взгляд, это закономерный и единственно верный шаг. Когда стоимость inference (логического вывода) становится основной статьёй расходов, универсальный GPU превращается в избыточное решение. Кастомный чип, спроектированный под конкретную архитектуру модели Claude, может обеспечить двукратное снижение затрат на вычисления. Зависимость от NVIDIA — это не только финансовое бремя, но и стратегический риск. Если NVIDIA не справится с поставками, работа Claude остановится.
AMD и Taalas: ставка на model-specific чипы
AMD объявила о приобретении Taalas — стартапа, разрабатывающего model-specific AI-чипы. Речь идёт об ускорителях, спроектированных для конкретных, единичных моделей. Не для «ИИ в целом», а под конкретную архитектуру.
Это радикальный разворот в философии проектирования ускорителей. До сих пор индустрия шла по пути создания всё более универсальных и мощных GPU. Taalas предлагает иную логику: если модель известна и фиксирована, чип должен быть её точной аппаратной проекцией. Это означает максимальную эффективность, но нулевую гибкость. Когда модель обновляется, чип устаревает мгновенно.
Сдвиг парадигмы: от вычислительной мощности к вычислительной эффективности
Эти два события сигнализируют о структурном сдвиге. Инфраструктура ИИ разделяется на два слоя: слой обучения, где царят универсальные мощные GPU NVIDIA, и слой inference, где побеждает специализированное железо.
На мой взгляд, мы наблюдаем начало конца доминации NVIDIA в нижнем сегменте цепочки. Универсальные GPU слишком дороги и энергозатратны для массового inference. Model-specific чипы и кастомные ускорители — это будущий стандарт для продакшена. Рынок будет делиться на тех, кто может позволить себе разработку собственного кремния, и тех, кто будет арендовать вычисления у облачных провайдеров с уже оптимизированной инфраструктурой.
Итог
В ближайшие 12-18 месяцев ожидайте волны анонсов кастомных ускорителей от всех крупных ИИ-компаний. Стоимость inference будет падать экспоненциально — не за счёт улучшения GPU, а за счёт отказа от них в пользу специализированного кремния. NVIDIA сохранит доминацию в обучении моделей, но рынок inference уйдёт к тем, кто контролирует собственное железо.
