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

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 — 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. 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 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 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.

Meta расширяет линейку собственных чипов

Meta развивает собственный ускоритель 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, 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 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 заявила о лидирующих результатах Blackwell в MLPerf Training 6.0, включая тесты современных MoE-моделей.

Более того, Nvidia уже перешла к следующему поколению — 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.