Rast Nvidie ni pomembna zgolj kot zgodba o rekordnih prihodkih. Če se bo napoved Jensena Huanga uresničila, bo podjetje še naprej odločilno določalo, kako hitro bodo laboratoriji in podjetja lahko trenirali ter uporabljali najzahtevnejše modele umetne inteligence. Nvidiina strojna in programska platforma je namreč postala ena ključnih plasti pod generativno AI – od velikih jezikovnih modelov do sistemov za generiranje slik, videa in agentov.
Izvršni direktor Nvidie je na konferenci Goldman Sachs Communacopia + Technology ponovil, da bi se prihodki podjetja v naslednjem poslovnem letu lahko povečali za 70 odstotkov. Analitiki naj bi pričakovali, da bo Nvidia tekoče poslovno leto končala s približno 400 milijardami dolarjev prihodkov. Ob 70-odstotni rasti bi to pomenilo okoli 680 milijard dolarjev prihodkov v naslednjem letu.
Takšna napoved kaže predvsem na to, da Nvidia ne računa več le na povpraševanje po posameznih grafičnih procesorjih. Njena strategija temelji na prodaji celovitih podatkovnih sistemov, omrežij in programske infrastrukture, ki so potrebni za gradnjo velikih AI-gruč.
Od grafičnega čipa do AI-tovarne
Huang je poudaril, da javnost Nvidio še vedno pogosto dojema predvsem kot proizvajalca grafičnih kartic za računalniške igre. Toda sodobni sistemi za umetno inteligenco so bistveno kompleksnejši: združujejo desetine ali stotine procesorjev in grafičnih pospeševalnikov, visokohitrostne povezave, pomnilnik, omrežno opremo, hlajenje in veliko količino električne energije.
Kot primer je omenil sistem s 36 procesorji Grace in 72 grafičnimi procesorji Blackwell. Naročila za ta izdelek po njegovih besedah rastejo po 27-odstotni mesečni stopnji. Blackwellovi pospeševalniki so namenjeni predvsem zahtevnim obremenitvam umetne inteligence, kot sta učenje velikih modelov in njihovo izvajanje v produkciji.
Pri treningu velikih jezikovnih modelov ni dovolj, da je posamezen čip zmogljiv. Modeli so preveliki, podatkov pa je preveč, da bi lahko učinkovito delovali na enem procesorju. Delo je zato razdeljeno med veliko število pospeševalnikov, ki morajo med seboj neprestano izmenjevati podatke. Prav tu je pomemben NVLink, Nvidiina tehnologija za hitro povezovanje grafičnih procesorjev.
NVLink zmanjšuje ozka grla pri komunikaciji med pospeševalniki in omogoča, da več grafičnih procesorjev pri določenih nalogah deluje bolj kot enoten računski sistem. To je ključno za paralelno učenje velikih modelov, saj lahko počasna izmenjava podatkov med čipi hitro izniči prednost dodatne strojne opreme.
»Večina ljudi misli, da Nvidia izdeluje čip. Toda za prevoz tega, kar izdelujemo, potrebujete letala,« je dejal Huang.
Številka 250.000 kilovatov brez ključnega pojasnila
Huang je za opis sistema navedel tudi dva milijona sestavnih delov, povezavo NVLink in številko 250.000 kilovatov. Vendar iz njegove izjave ni jasno, ali se ta podatek nanaša na nazivno oziroma največjo moč celotne konfiguracije, na zmogljivost podatkovnega centra ali na drug kazalnik. Zato ga ni mogoče neposredno razumeti kot porabo na uro, mesec ali leto.
Je pa sporočilo jasno: AI-infrastruktura se spreminja v industrijski projekt, kjer omejitev niso več samo čipi, temveč tudi električna omrežja, razpoložljivost zemljišč, gradnja podatkovnih centrov, hladilni sistemi in dobavne verige pomnilnika.
Huang je dejal, da Nvidia spremlja projekte po svetu, povezane z zemljišči, električno energijo in tako imenovanimi stavbnimi lupinami podatkovnih centrov, še preden so objekti opremljeni z računalniško infrastrukturo. Takšna mreža partnerjev podjetju po njegovih besedah daje dober vpogled v prihodnje povpraševanje.
»Nvidia poganja vsak model. Vsak laboratorij nas lahko uporablja,« je dejal in med uporabniki omenil Anthropic, OpenAI, Google ter razvijalce odprtih modelov.
Dominacija prinaša hitrost, a tudi odvisnost
Za razvoj umetne inteligence ima Nvidiina prevlada dvojni učinek. Po eni strani standardizirana platforma razvijalcem omogoča, da hitreje gradijo in nameščajo modele. Ekosistem CUDA, Nvidiina programska oprema za delo z grafičnimi pospeševalniki, je v industriji zelo razširjen, zato lahko podjetja in raziskovalne skupine lažje najdejo orodja, knjižnice in strokovnjake.
Po drugi strani velika koncentracija moči pri enem dobavitelju povečuje odvisnost AI-ekosistema od Nvidiine dobavne zmogljivosti, cenovne politike in tehnološkega razvoja. Če računska infrastruktura ostaja draga in omejena, si lahko trening najzmogljivejših modelov privošči le manjše število tehnoloških velikanov in najbolje financiranih laboratorijev.
Nvidia se ob tem sooča z vse več konkurence. AMD in Intel razvijata lastne AI-pospeševalnike, medtem ko veliki ponudniki oblaka gradijo specializirane čipe za lastne potrebe. Google ima družino TPU, Amazon razvija lastne pospeševalnike, Microsoft pa vlaga v lastno infrastrukturo in prilagojene silicijeve rešitve. Tudi AI-laboratoriji, med njimi OpenAI in Anthropic, iščejo načine za zmanjšanje odvisnosti od enega samega ponudnika.
Vprašanja o krožnih poslih
Huang se je odzval tudi na pomisleke glede Nvidiinih naložb v podjetja, ki nato kupujejo njeno opremo. Kritiki takšne ureditve opisujejo kot potencialno krožne posle, saj lahko proizvajalec financira kupce, ki del vloženega denarja porabijo za njegove izdelke.
Huang je to zavrnil. »Ni krožno, ker vložimo malo denarja, vrne pa se ga veliko,« je dejal. Trdil je, da Nvidia pred naložbami preverja, ali imajo podjetja sklenjene dejanske pogodbe s strankami, ki ustvarjajo prihodke. Po njegovih besedah je videl za 100 milijard dolarjev takšnih pogodb, vendar podrobnosti o podjetjih, pogodbah ali metodologiji ni razkril.
Nvidiina napoved 70-odstotne rasti tako ni le optimistična ocena poslovanja. Je stava, da bo povpraševanje po računski moči za umetno inteligenco še naprej raslo hitreje, kot bodo podjetja sposobna izboljševati učinkovitost modelov in infrastrukture. Ključno vprašanje za AI-industrijo zato ostaja, ali bo Nvidia svojo tehnološko prednost obdržala tudi v obdobju, ko bodo modeli učinkovitejši, konkurenca močnejša, računska moč pa strateško pomembnejša kot kdaj prej.
