Динамика OpenAI-NVIDIA
Отношения между OpenAI и NVIDIA — одно из самых важных партнёрств в технологиях. OpenAI, компания, стоящая за ChatGPT и GPT-4, является одним из крупнейших потребителей GPU-оборудования NVIDIA. Обучение фронтирных языковых моделей требует десятков тысяч GPU, работающих непрерывно месяцами — и на протяжении большей части истории ИИ это означало GPU NVIDIA, работающие на CUDA.
Но отношения эволюционируют. Сообщается, что OpenAI разрабатывает собственные ИИ-чипы для снижения зависимости от NVIDIA. Сообщалось, что сделка о партнёрстве на $100 млрд между двумя компаниями сорвалась. Тем временем NVIDIA сталкивается с растущей конкуренцией со стороны AMD и кастомного кремния, а OpenAI исследует альтернативное оборудование для растущей доли инференса в своих вычислительных потребностях.
Понимание этой динамики важно, потому что то, что происходит между крупнейшим потребителем ИИ и его основным поставщиком оборудования, отражается на всём рынке GPU-вычислений — влияя на цены, доступность и экономику аренды GPU для всех остальных.
Как OpenAI использует GPU NVIDIA: Масштаб и архитектура
Вычислительные потребности OpenAI поражают масштабом:
- Обучение GPT-4, по имеющимся данным, использовало 10 000+ GPU NVIDIA A100, работающих месяцами
- GPT-5 и далее, как ожидается, потребуют ещё более крупных кластеров — потенциально 50 000–100 000+ GPU H100 или B200
- Инференс ChatGPT обслуживает сотни миллионов пользователей, требуя тысяч GPU, работающих 24/7 для генерации токенов в реальном времени
- Общие расходы на вычисления оцениваются в миллиарды долларов ежегодно
Такой масштаб потребления имеет несколько рыночных эффектов. Во-первых, он концентрирует значительную долю производства NVIDIA в руках одного клиента. Во-вторых, он создаёт эталонную архитектуру — то, что использует OpenAI, задаёт стандарт для индустрии. В-третьих, он создаёт зависимость, которую обе компании активно пытаются контролировать.
NVIDIA выигрывает от объёмных закупок OpenAI, но рискует чрезмерной зависимостью от одного клиента. OpenAI выигрывает от оборудования NVIDIA, но сталкивается с проблемами ценообразования и распределения поставок. Это напряжение толкает обе компании к диверсификации.
Соотношение вычислений обучения и инференса
Самый важный структурный сдвиг в ИИ-вычислениях — это переход от доминирования обучения к доминированию инференса.
Согласно прогнозам Deloitte TMT 2026, инференс теперь составляет примерно две трети всех ИИ-вычислений, увеличившись с одной трети в 2023 году. Эта инверсия имеет глубокие последствия:
Обучение концентрировано. Обучение фронтирной модели требует тысяч GPU, взаимодействующих на высокой скорости через NVLink и InfiniBand в рамках одного кластера. Только гиперскейлеры и несколько крупных ИИ-лабораторий располагают кластерами такого размера. Спрос на обучение концентрируется на вершине рынка.
Инференс распределён. Обслуживание модели для пользователей не требует массивного кластера — оно требует множества отдельных GPU или небольших GPU-групп, обрабатывающих запросы независимо. Нагрузки инференса могут работать на распределённых дата-центрах, на разных моделях GPU и через платформы маркетплейсов, агрегирующие мощность от сотен провайдеров.
Этот сдвиг выгоден более широкому рынку аренды GPU. По мере роста инференса больше ИИ-вычислительного спроса может быть обслужено распределённой GPU-мощностью — именно то, что предоставляют GPU-маркетплейсы. Времена, когда «ИИ-вычисления» означали «один гигантский кластер», уступают место более распределённой модели.
Влияние на ставки аренды GPU и доступность
Взаимодействие массивных расходов на ИИ и растущего предложения GPU перестраивает экономику аренды.
Цены падают
Ставки аренды GPU значительно снизились. Облачные цены на H100 упали на 44% с июня 2024 по июнь 2025 года по мере расширения предложения и усиления конкуренции:
| Период | Типичная ставка H100 | Изменение |
|---|---|---|
| Середина 2024 | $4,00–$8,00/час | Пиковые цены |
| Конец 2024 | $3,00–$6,00/час | Расширение предложения |
| Середина 2025 | $2,00–$4,00/час | Конкуренция маркетплейсов |
| Начало 2026 | $1,49–$3,90/час | Текущий рынок |
Снижение цен обусловлено тремя силами: NVIDIA увеличивает производство H100, AMD добавляет конкурентную мощность (MI300X, MI355X), а GPU-маркетплейсы агрегируют распределённое предложение, которое ранее простаивало.
Предложение для обучения остаётся ограниченным
Несмотря на падение цен на отдельные GPU-экземпляры, оптовое выделение для крупных обучающих кластеров остаётся ограниченным. Организации, ищущие 1 000+ H100 для непрерывного обучения, сталкиваются с:
- 6+ месяцами ожидания для выделенных кластеров
- Премиальными ценами за гарантированное долгосрочное выделение
- Конкуренцией со стороны гиперскейлеров, которые приоритизируют собственные ИИ-сервисы
Этот двухуровневый рынок — обильное спотовое/маркетплейсное предложение для инференса, ограниченное предложение для крупномасштабного обучения — отражает сдвиг от обучения к инференсу. GPU для инференса легче обеспечить, потому что нагрузка распределена. Кластеры для обучения требуют физического совместного размещения и высокоскоростных интерконнектов, создавая узкое место в предложении.
Ограничение поставок HBM
Память с высокой пропускной способностью (HBM) остаётся критическим узким местом в производстве GPU. Стоимость HBM выросла более чем на 30% в Q4 2025, с дополнительным 20%-ным ростом в начале 2026. SK Hynix, Samsung и Micron — три производителя HBM — работают на максимальной мощности. Улучшения не ожидается до конца 2027 года в лучшем случае.
Это узкое место памяти ограничивает общее производство GPU независимо от мощностей NVIDIA или AMD по производству чипов. Даже при достаточном количестве кристаллов GPU нехватка HBM ограничивает количество готовых GPU для дата-центров, которые можно собрать.
Более широкие рыночные последствия: Кто выигрывает, кто проигрывает
Динамика OpenAI-NVIDIA и более широкое строительство ИИ-инфраструктуры создают явных победителей и проигравших в экосистеме GPU.
Кто выигрывает
Провайдеры GPU-маркетплейсов. Сдвиг к инференсу означает, что больше вычислительного спроса может быть обслужено распределённой GPU-мощностью. Маркетплейсы, агрегирующие предложение от множества провайдеров, хорошо позиционированы для захвата этого растущего сегмента — предлагая более низкие цены, чем гиперскейлеры, благодаря конкурентной динамике предложения.
Владельцы оборудования с простаивающими GPU. По мере роста спроса на инференс и развития инфраструктуры маркетплейсов владельцы оборудования могут более эффективно монетизировать простаивающие GPU. Даже потребительские GPU (RTX 4090, RTX 5090) полезны для нагрузок инференса, не требующих серверного оборудования. Руководство по сдаче GPU в аренду смотрите в нашем гиде по пассивному доходу.
Экономные команды ИИ. Падение ставок аренды и расширение маркетплейсного предложения означает, что команды ИИ в стартапах, исследовательских лабораториях и университетах могут получить доступ к большим вычислительным мощностям за меньшие деньги. H100, стоивший $8/час в 2024 году, теперь стоит $1,49–$3,15/час — снижение стоимости на 50–80% менее чем за два года.
AMD. Сдвиг к инференсу играет на руку AMD. Нагрузки инференса менее зависимы от CUDA и NVLink, чем обучение, что снижает экосистемный ров NVIDIA. Конкурентное ценообразование AMD и растущая поддержка ROCm делают её всё более жизнеспособной альтернативой для команд, ориентированных на инференс. Для детального сравнения смотрите наш анализ NVIDIA vs AMD.
Кто проигрывает
Небольшие компании, конкурирующие за обучающие кластеры. Гиперскейлеры и крупные ИИ-лаборатории поглощают основную часть выделенных высококлассных GPU. Меньшие компании сталкиваются с более длительным ожиданием и более высокими ценами за выделенные обучающие мощности.
Владельцы GPU, рассчитывающие на стабильные цены. Ставки аренды падают по мере расширения предложения. Оборудование, купленное по ценам 2024 года, обесценивается быстрее, чем исторические нормы, поскольку появляются более дешёвые альтернативы аренды.
Ценовое влияние NVIDIA (незначительно). Усиление конкуренции со стороны AMD, кастомных чипов (Google TPU, кастомный кремний от OpenAI и Meta) и распределённых маркетплейсов создаёт постепенное давление на снижение премиальных цен NVIDIA. NVIDIA остаётся доминирующей, но её способность устанавливать 3–5-кратную наценку к себестоимости подвергается испытанию.
Практические действия для арендаторов и провайдеров GPU
Если вы арендуете GPU
Зафиксируйте текущие ставки для предсказуемых нагрузок. Ставки аренды падают, но могут стабилизироваться, когда спрос догонит предложение. Обязательства по резервированию мощностей по сегодняшним ставкам могут защитить от будущих колебаний цен.
Диверсифицируйте по провайдерам. Не зависьте от одного облачного провайдера. Используйте GPU-маркетплейсы для экономичного инференса, гиперскейлеров для обучения, когда вам нужна гарантированная мощность, и специализированные облака для промежуточных нагрузок. Для детального сравнения цен у провайдеров смотрите наше сравнение цен на облачные GPU.
Оптимизируйте инференс отдельно от обучения. Используйте разные модели GPU для разных задач. Обучение требует оборудования класса H100/B200. Инференс часто эффективно работает на A100, L40S или даже RTX 4090 за долю стоимости. Смотрите наше руководство по лучшим GPU для ИИ для рекомендаций по нагрузкам.
Если вы предоставляете GPU
Оборудование H100 сохраняет ценность до конца 2026 года. Несмотря на падение ставок аренды, H100 остаётся самым востребованным GPU как для обучения, так и для инференса. Амортизация ускорится в 2027 году с появлением GPU архитектуры Rubin, но до конца 2026 года провайдеры H100 всё ещё могут получать хорошую доходность.
Потребительские GPU всё более жизнеспособны для аренды. Сдвиг к инференсу означает, что платформы принимают больше потребительских GPU (RTX 4090, RTX 5090) для распределённых нагрузок инференса. Если у вас есть простаивающее потребительское оборудование, барьер входа для аренды ниже, чем когда-либо.
Инвестируйте в надёжность, а не только в мощное оборудование. Платформы всё больше вознаграждают время безотказной работы, скорость отклика и стабильность, а не чистые характеристики. Стабильно доступный A100 приносит больше со временем, чем периодически доступный H100.
Часто задаваемые вопросы
OpenAI использует только GPU NVIDIA?
В основном да — GPU NVIDIA обеспечивают подавляющее большинство инфраструктуры обучения и инференса OpenAI. Однако, по имеющимся данным, OpenAI разрабатывает собственные ИИ-чипы и исследует альтернативное оборудование для снижения зависимости от NVIDIA. Проект по созданию собственных чипов находится на ранней стадии и, как ожидается, не сможет значительно снизить зависимость от NVIDIA до 2027–2028 годов.
Ставки аренды GPU будут продолжать падать?
Цены значительно упали (на 44% для H100 с 2024 по 2025 год) и, вероятно, продолжат постепенно снижаться по мере расширения предложения и усиления конкуренции. Однако темп снижения замедляется. Спрос продолжает расти в 4–5 раз в год, что в конечном итоге поглотит расширенное предложение. Наиболее вероятная траектория — постепенное снижение цен на более старые модели GPU и премиальное ценообразование на последнее поколение.
Что означает сдвиг от обучения к инференсу для меня?
Если вы разработчик ИИ: то, что инференс составляет 2/3 всех ИИ-вычислений, означает больше вариантов для распределённого, экономичного доступа к GPU через маркетплейсы. Вы менее зависимы от массивных обучающих кластеров и в большей степени можете использовать конкурентные цены для нагрузок инференса. Если вы владелец GPU: нагрузки инференса более совместимы с потребительским оборудованием и распределёнными конфигурациями, расширяя пул потенциальных арендаторов вашего оборудования.
Сколько тратит OpenAI на GPU-вычисления?
Точные цифры не публикуются, но по оценкам, годовые расходы OpenAI на вычисления составляют миллиарды долларов. Обучение только GPT-4, по имеющимся данным, стоило более $100 млн вычислительных мощностей. Инференс для сотен миллионов пользователей ChatGPT добавляет значительные текущие расходы. Microsoft Azure, основной инфраструктурный партнёр OpenAI, инвестировал более $10 млрд в партнёрство.
Стоит ли инвестировать в GPU-оборудование сейчас или подождать?
Если вам нужны вычисления сейчас, арендуйте на маркетплейсе, чтобы избежать рисков амортизации. Если вы рассматриваете покупку оборудования для получения дохода от аренды, H100 остаётся сильной инвестицией до конца 2026 года, но будет резко обесцениваться в 2027 году с появлением GPU архитектуры Rubin. Для покупки оборудования смотрите наш анализ аренды vs покупки с детальными расчётами точки безубыточности.