# Nvidia больше не одна: как Google, Amazon и Meta создают собственные AI-чипы

Nvidia остается главным игроком на рынке AI-чипов, но все больше крупных технологических компаний хотят снизить от нее зависимость. Google, Amazon и Meta уже разрабатывают собственные ускорители и в 2026 году активно расширяют их использование. В статье разбираемся, зачем BigTech создает собственные AI-чипы, чем они отличаются от решений Nvidia и сможет ли это изменить рынок AI-инфраструктуры.

**Зачем BigTech создает свои AI-чипы**

GPU остаются универсальным инструментом для обучения и запуска AI-моделей. Но универсальность имеет обратную сторону: один и тот же ускоритель приходится адаптировать под множество разных задач.

Для Google, Amazon и Meta, которые ежедневно выполняют огромные объемы однотипных AI-операций, выгоднее создавать оборудование под конкретные сценарии.

Основные причины — **энергоэффективность, стоимость вычислений, контроль над инфраструктурой и оптимизация под собственное программное обеспечение**.

На масштабе гиперскейлеров даже небольшое улучшение производительности на ватт может дать существенный эффект. Кроме того, собственные чипы позволяют компаниям меньше зависеть от доступности сторонних ускорителей и самостоятельно определять аппаратные характеристики под будущие нагрузки.

Но есть важный нюанс: разработка собственного процессора не означает автоматического отказа от Nvidia. Собственный ASIC имеет смысл прежде всего там, где нагрузка достаточно предсказуема и массовая.

**Google делает ставку на TPU**

Google — один из первых крупных игроков, который начал системно создавать собственные AI-ускорители.

Компания развивает **Tensor Processing Unit, TPU** — специализированные чипы для машинного обучения, которые используются как внутри самой Google, так и предлагаются клиентам через Google Cloud.

В 2025 году[Google представила Ironwood](<https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/ironwood-google-tpu-things-to-know/>) — седьмое поколение TPU, ориентированное прежде всего на inference, то есть запуск уже обученных моделей. Система может масштабироваться до 9216 чипов в одном superpod.

В апреле 2026 года[Google представила TPU 8t и TPU 8i](<https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/tpus-8t-8i-cloud-next/>). Первый оптимизирован для обучения моделей, второй — для быстрого и экономичного inference, в том числе для AI-агентов.

При этом Google не ставит вопрос как «TPU против Nvidia». Компания продолжает использовать и предлагать клиентам Nvidia GPU. В[отчетности Alphabet](<https://blog.google/company-news/inside-google/message-ceo/alphabet-earnings-q1-2026/>) за первый квартал 2026 года говорится, что собственные TPU и Nvidia GPU остаются частью инфраструктуры Google Cloud.

То есть Google фактически строит **гибридную инфраструктуру**, в которой разные типы ускорителей используются для разных задач.

**Amazon развивает Trainium и Inferentia**

Amazon развивает собственную линейку AI-ускорителей через AWS.

Здесь у компании есть два основных направления: **Trainium** предназначен преимущественно для обучения AI-моделей, а **Inferentia** — для их запуска и inference.

Amazon продвигает эти чипы как альтернативу универсальным GPU для определенных облачных нагрузок. В[2026 году AWS продолжила](<https://aws.amazon.com/about-aws/whats-new/2026/05/aws-announce-neuron-2-30-0/>) расширять программную экосистему вокруг собственных ускорителей: Neuron SDK получил новые инструменты для оптимизации моделей и разработки низкоуровневых ядер под Trainium и Inferentia.

Это важный момент. Конкуренция идет уже не только между самими чипами. **Amazon строит собственный hardware + software stack**, чтобы сделать переход на Trainium и Inferentia максимально удобным для разработчиков.

AWS также постепенно интегрирует эти ускорители в более широкий спектр своих сервисов. Например, в 2026 году Trainium и Inferentia[стали доступны в Amazon ECS Managed Instances](<https://aws.amazon.com/about-aws/whats-new/2026/06/amazon-ecs-managed-instances-neuron/>).

**Meta расширяет линейку собственных чипов**

Meta[развивает собственный ускоритель](<https://ai.meta.com/blog/meta-training-inference-accelerator-AI-MTIA/>) **Meta Training and Inference Accelerator, MTIA**.

Изначально компания создавала его прежде всего для ranking и recommendation workloads — например, рекомендательных систем и рекламы. Meta объясняла, что для таких специфических задач универсальные GPU не всегда обеспечивают оптимальную эффективность. Но теперь амбиции компании гораздо шире.

[В марте 2026 года Meta сообщила](<https://ai.meta.com/blog/meta-mtia-scale-ai-chips-for-billions/>), что за два года планирует вывести **четыре новых поколения MTIA — MTIA 300, 400, 450 и 500**. Они должны расширить применение собственных чипов от recommendation inference до обучения моделей и GenAI-нагрузок. Компания также сообщила, что уже развернула сотни тысяч MTIA в production.

При этом Meta не отказывается от Nvidia.[В феврале 2026 года Nvidia](<https://nvidianews.nvidia.com/news/meta-builds-ai-infrastructure-with-nvidia/>) объявила о многолетнем сотрудничестве с Meta, которое предполагает развертывание **миллионов Blackwell и Rubin GPU** в инфраструктуре компании.

Это хорошо показывает, куда движется рынок: собственные ASIC не обязательно должны вытеснить Nvidia. Они могут **дополнять GPU**, забирая на себя наиболее подходящие для них нагрузки.

**Почему Nvidia пока остается лидером**

Главное преимущество Nvidia — уже не только сами GPU.

Это огромная программная экосистема вокруг **CUDA**, библиотек, компиляторов, инструментов разработки и оптимизации. Для компаний и разработчиков это означает, что переход на другой тип ускорителя может потребовать дополнительных инженерных ресурсов.

Сама Nvidia продолжает быстро развивать и hardware, и software.[В июне 2026 года компания](<https://developer.nvidia.com/blog/nvidia-blackwell-tops-mlperf-training-6-0-with-industry-leading-scale-and-performance/>) заявила о лидирующих результатах Blackwell в MLPerf Training 6.0, включая тесты современных MoE-моделей.

Более того, Nvidia уже[перешла к следующему поколению](<https://developer.nvidia.com/blog/inside-nvidia-rubin-gpu-architecture-powering-the-era-of-agentic-ai/>) — **Rubin**. Компания заявляет, что новая платформа рассчитана на дальнейшее снижение стоимости и энергозатрат inference для агентных AI-систем.

Получается своеобразная гонка: пока Google, Amazon и Meta создают специализированные чипы, Nvidia продолжает улучшать универсальные ускорители и одновременно укрепляет программный стек.
