Крупнейшие разработчики искусственного интеллекта всё активнее интересуются созданием собственных процессоров. По сообщениям СМИ, китайские компании DeepSeek и Zhipu изучают разработку специализированных чипов для ИИ-инференса — то есть запуска уже обученных моделей.

Аналогичный путь уже выбрали или рассматривают OpenAI и Anthropic. Причина проста: по мере роста спроса на ИИ главным ограничением становятся не только алгоритмы, но и стоимость, доступность и эффективность вычислительных мощностей.

Наиболее важный сдвиг в отрасли связан с переходом от обучения моделей к их массовому использованию. Обучение большой модели — дорогостоящий, но относительно ограниченный по времени этап.

Инференс же происходит непрерывно: каждый запрос к чат-боту, генерация кода, работа ИИ-агента или обработка документа требуют новых вычислений. Чем больше пользователей и сервисов использует модель, тем выше постоянные расходы на её обслуживание.

Именно поэтому компании ориентируются прежде всего на чипы для инференса, а не для обучения. Универсальные GPU хорошо подходят для исследований и экспериментов, когда архитектуры моделей часто меняются.

Однако для стабильных, повторяющихся и высокочастотных задач выгоднее специализированные ASIC-чипы. Они создаются под конкретный тип нагрузки и могут обеспечивать более высокую производительность на ватт, меньшую стоимость обработки запросов и более предсказуемую работу инфраструктуры.

OpenAI уже продемонстрировала такой подход. В июне компания вместе с Broadcom представила собственный ASIC для инференса больших языковых моделей под названием Jalapeño. По заявлению OpenAI, чип с нуля проектировался для задач LLM: были оптимизированы вычислительные ядра, работа с памятью, сетевые взаимодействия и серверная архитектура. Первые развёртывания ожидаются в конце 2026 года, однако независимые тесты производительности пока не опубликованы.

Anthropic также, по данным СМИ, рассматривает создание кастомного чипа и ведёт переговоры с Samsung о возможном производстве на передовом техпроцессе. При этом компания подчёркивает, что её стратегия по-прежнему основана на разнообразном наборе аппаратных платформ от Google, Amazon и Nvidia. Это показывает, что собственные процессоры, скорее всего, не заменят GPU полностью, а станут дополнением для наиболее предсказуемых и масштабных нагрузок.

Экономика такого решения становится убедительной лишь при очень больших объёмах. В статье приводится пример платформы Midjourney: после переноса части инференса с GPU Nvidia на TPU Google её ежемесячные расходы на вычисления, по сообщениям источников, снизились примерно с 2,1 млн до 700 тыс. долларов. Для компании, которая выполняет миллиарды запросов ежедневно, даже небольшое снижение стоимости каждого токена может дать огромный финансовый эффект.

Особенно быстро растут расходы из-за распространения ИИ-агентов. Обычный чат-бот отвечает на один запрос одним ответом. Агент же может многократно обращаться к модели в рамках одной задачи: анализировать цель, строить план, искать информацию, использовать инструменты, проверять результаты и повторять действия. Поэтому рост агентных систем увеличивает потребление вычислительных ресурсов не линейно, а скачкообразно.

Ещё один мотив — стремление снизить зависимость от Nvidia. Компания сохраняет доминирующие позиции на рынке ИИ-ускорителей не только благодаря своим чипам, но и за счёт экосистемы CUDA. Большинство популярных программных инструментов для оптимизации инференса разрабатывались прежде всего под оборудование Nvidia. Переход на альтернативные платформы требует времени, адаптации программного стека и иногда ограничивает выбор моделей.

Собственные чипы дают крупным ИИ-компаниям больше контроля над тремя ключевыми параметрами: себестоимостью вычислений, планом развития оборудования и устойчивостью цепочки поставок. Кроме того, наличие альтернативы усиливает позиции компаний в переговорах с внешними поставщиками GPU.

Для китайских лабораторий к этим причинам добавляется фактор экспортных ограничений. Доступ к самым современным зарубежным ускорителям может быть ограничен, что делает развитие собственных чипов и сотрудничество с локальными производителями стратегической задачей. По данным публикаций, DeepSeek и Zhipu пока находятся на ранней стадии оценки проектов: готовых продуктов, утверждённых дизайнов и подтверждённых сроков выпуска нет.

Однако самостоятельная разработка чипов остаётся рискованным и дорогим предприятием. Проектирование, производство и программная поддержка могут занимать от полутора до двух лет и требовать миллиардных вложений. Специализированный процессор оправдан только тогда, когда нагрузка достаточно велика, стабильна и предсказуема. Для стартапов, исследовательских команд и компаний с разнородными задачами универсальные GPU пока чаще остаются более гибким вариантом.

Вероятнее всего, рынок не перейдёт к полному отказу от GPU. Он будет развиваться по гибридной модели: ASIC займут нишу массовых и повторяющихся задач инференса, а GPU сохранят ведущую роль в обучении моделей, исследованиях и задачах, где нужна максимальная универсальность. Тем не менее сама тенденция уже очевидна: в эпоху, когда вычислительная мощность становится стратегическим ресурсом, ведущие ИИ-компании всё меньше готовы полностью зависеть от чужого оборудования.