Что такое GPU? Полное руководство по графическим процессорам (2026)

Что такое GPU? Ответ за 30 секунд

GPU (Graphics Processing Unit — графический процессор) — это специализированный процессор, предназначенный для одновременного выполнения тысяч математических операций. Изначально он был создан для отрисовки пикселей на экране, но GPU эволюционировал в вычислительный двигатель искусственного интеллекта, научных исследований, автономных транспортных средств и многого другого.

Вот простейший способ понять разницу между CPU и GPU. Представьте оркестр. CPU — это дирижёр — исключительно умелый, координирующий сложные аранжировки, читающий партитуру, управляющий сменой темпа и принимающий решения в реальном времени. Но дирижёр не играет на инструментах. Теперь представьте 16 000 музыкантов, каждый из которых играет одну простую ноту точно в нужный момент. По отдельности каждая нота тривиальна. Вместе они создают симфонию вычислений — миллиарды расчётов, сплетённых в связный результат. Это и есть GPU.

Это важно, потому что определяющие технологии нашей эпохи — большие языковые модели, трассировка лучей в реальном времени, моделирование открытия лекарств, климатическое моделирование — объединяет общая черта: все они требуют огромных объёмов простых повторяющихся вычислений, выполняемых одновременно. CPU никогда не были созданы для этого. GPU — были.

Цифры говорят сами за себя. Мировой рынок GPU оценивался в $101,5 миллиарда в 2025 году и, по прогнозам, достигнет $1,7 триллиона к 2035 году при среднегодовом темпе роста 32,6% (Precedence Research). GPU прошли путь от нишевого компонента в игровых ПК до фундаментальной инфраструктуры экономики AI.

Как на самом деле работает GPU: параллельные вычисления

Чтобы понять GPU, вам необходимо разобраться в параллельных вычислениях — и в том, чем они принципиально отличаются от работы CPU.

CPU выполняет задачи последовательно. Он имеет небольшое количество чрезвычайно мощных ядер (обычно 8–24 на настольном чипе), каждое из которых способно обрабатывать сложную разветвлённую логику. Он предназначен для универсальности: запуск операционной системы, управление файловым вводом/выводом, выполнение условных путей кода. Ядро CPU подобно инженеру-эксперту, способному решить любой тип задачи, но только одну задачу за раз.

GPU использует противоположный подход. Он содержит тысячи простых ядер, каждое из которых обрабатывает крошечную часть большой задачи — и все одновременно. Это параллельные вычисления. Вместо одного эксперта, решающего одну задачу, у вас тысячи работников, каждый из которых одновременно решает свою часть головоломки.

CUDA-ядра

Рабочие лошадки GPU от NVIDIA называются CUDA-ядра (Compute Unified Device Architecture). Каждое CUDA-ядро — это простой процессор, способный выполнять одну операцию с плавающей запятой или целочисленную операцию за такт. Их сила — в количестве. NVIDIA H100, рабочая лошадка современной AI-инфраструктуры, имеет 16 896 CUDA-ядер. Потребительская RTX 4090 — 16 384. Когда задача — например, рендеринг кадра или обучение нейронной сети — может быть разделена на тысячи независимых подзадач, все эти ядра срабатывают одновременно.

Tensor-ядра

Представленные с архитектурой Volta в 2017 году, Tensor-ядра — это специализированные блоки, предназначенные для умножения и накопления матриц — математической операции, лежащей в основе каждой нейронной сети. В то время как CUDA-ядро обрабатывает одно число за раз, Tensor-ядро обрабатывает целую небольшую матрицу (например, блок 4x4) за одну операцию. H100 содержит 528 Tensor-ядер, каждое из которых способно выполнять вычисления смешанной точности (FP8, FP16, TF32), что значительно ускоряет обучение и инференс AI.

Именно поэтому GPU доминируют в AI: нейронные сети, по сути, представляют собой обширные последовательности матричных умножений. Каждый слой модели-трансформера — архитектуры, лежащей в основе GPT-4, Claude и Gemini — умножает входные матрицы на матрицы весов. Эта операция «позорно параллельна» (embarrassingly parallel), то есть может быть разделена между тысячами процессоров практически без координационных затрат. Архитектура GPU соответствует этой нагрузке так же точно, как ключ подходит к замку.

RT-ядра

Ядра трассировки лучей (Ray Tracing) обрабатывают физику света — отслеживают путь миллионов отдельных лучей, когда они отражаются, преломляются и рассеиваются в виртуальной сцене. Представленные с архитектурой Turing в 2018 году, RT-ядра разгружают CUDA-ядра от этой вычислительно тяжёлой задачи, обеспечивая фотореалистичный рендеринг в реальном времени в играх и профессиональной визуализации.

Вместе CUDA-ядра, Tensor-ядра и RT-ядра образуют триаду, которая делает современные GPU достаточно универсальными для игр, AI и научных вычислений в рамках одного чипа.

Хронология GPU: от пикселей до петафлопсов (1999–2026)

Превращение GPU из графической периферии в самый значимый чип в вычислениях заняло всего 27 лет.

• 1999 — NVIDIA выпускает GeForce 256 и вводит термин «GPU». Это первый чип, выполняющий преобразования и расчёт освещения на графической карте, разгружая CPU.

• 2006 — NVIDIA запускает CUDA — программный фреймворк, позволяющий разработчикам писать код общего назначения для GPU. Это единственное решение превращает GPU из чипа только для графики в платформу параллельных вычислений.

• 2012 — AlexNet Алекса Крижевского побеждает в соревновании ImageNet с историческим отрывом, используя два GPU NVIDIA GTX 580 для обучения глубокой свёрточной нейронной сети. Начинается революция глубокого обучения.

• 2016 — Дженсен Хуанг лично доставляет первую систему DGX-1 в OpenAI. Система содержит восемь GPU P100 и 170 терафлопсов вычислительной мощности — ранний сигнал центральной роли GPU в исследованиях AI.

• 2017 — Архитектура Volta представляет Tensor-ядра — специализированный кремний для матричной математики. Производительность обучения AI резко возрастает.

• 2020 — Выходит A100 (Ampere) с Tensor-ядрами 3-го поколения, поддерживающими форматы TF32 и FP64, которые ускоряют как AI, так и научные вычисления. Он становится стандартным GPU для дата-центров по всему миру.

• 2022 — Ethereum переходит на Proof of Stake, фактически завершая эру GPU-майнинга. Миллионы GPU наводняют вторичный рынок, а NVIDIA решительно переключается на доходы от AI-дата-центров.

• 2024 — Прибывает архитектура Blackwell с 208 миллиардами транзисторов, трансформерным движком 2-го поколения и поддержкой точности FP4. GPU B200 обеспечивает 4-кратную производительность обучения AI по сравнению с H100.

• 2025 — NVIDIA становится первой компанией в истории, достигшей рыночной капитализации в $4 триллиона, благодаря неутолимому спросу на AI-инфраструктуру.

• 2026 — NVIDIA анонсирует архитектуру Rubin — 336 миллиардов транзисторов, 50 PFLOPS инференса FP4 и память HBM4. Начинается новая эра GPU-вычислений.

GPU и CPU: ключевое различие

GPU и CPU — не конкуренты, а взаимодополняющие устройства. Понимание их различий помогает выбрать правильный инструмент для каждой рабочей нагрузки.

Ключевой вывод: CPU оптимизированы для латентности (выполнение одной задачи как можно быстрее), тогда как GPU оптимизированы для пропускной способности (выполнение как можно большего числа задач в секунду).

Для детального сравнения GPU и CPU по производительности, бенчмаркам и анализу стоимости прочитайте наше полное сравнение GPU и CPU.

Типы GPU: потребительские, серверные и мобильные

Не все GPU одинаковы. Они охватывают широкий спектр форм-факторов, мощностных бюджетов и ценовых категорий.

Встроенные и дискретные

Встроенные GPU интегрированы в кристалл CPU и используют общую оперативную память системы. Intel UHD и встроенная графика AMD Radeon относятся к этой категории. Они потребляют минимум энергии и справляются с повседневными задачами — воспроизведением видео, лёгким редактированием фото, компоновкой рабочего стола — но лишены мощности для ресурсоёмких задач.

Дискретные GPU — это отдельные чипы с собственной выделенной VRAM, системой электропитания и охлаждения. Они обеспечивают значительно более высокую производительность и необходимы для игр на высоких настройках, профессиональной 3D-работы и любых задач AI или вычислений.

Потребительские GPU

Серия NVIDIA GeForce RTX (от RTX 4060 до RTX 5090) и серия AMD Radeon RX (от RX 7600 до RX 9070 XT) нацелены на геймеров и создателей контента. Цены варьируются от $250 до $2 000+. Эти GPU отличаются высокими тактовыми частотами, памятью GDDR6X и оптимизированными драйверами для игр и творческого программного обеспечения.

Серверные GPU

NVIDIA H100, A100, L40S и AMD MI300X разработаны для искусственного интеллекта, высокопроизводительных вычислений (HPC) и масштабного инференса. Они отличаются огромным объёмом VRAM (80–192 ГБ), сверхбыстрой памятью HBM, интерконнектами NVLink и памятью с коррекцией ошибок. Один модуль H100 SXM потребляет до 700 Вт и стоит $25 000–$40 000.

Мобильные GPU и NPU

Смартфоны и ноутбуки используют мобильные GPU, такие как Qualcomm Adreno и ядра Apple GPU в чипах серий M и A. Всё чаще эти устройства также включают выделенные NPU (Neural Processing Unit — нейронные процессоры), оптимизированные для задач AI на устройстве — распознавания изображений, обработки голоса и перевода в реальном времени — при потреблении энергии, составляющем лишь долю от потребления дискретного GPU.

GPU и видеокарта

Распространённый источник путаницы: GPU — это сам кремниевый чип. Видеокарта — это полная сборка: чип GPU, модули VRAM, система охлаждения, схема электропитания и печатная плата, которая устанавливается в вашу материнскую плату. Когда кто-то говорит «я купил GPU», почти всегда имеется в виду полная видеокарта.

Для чего используются GPU? 8 отраслей помимо игр

Игры создали индустрию GPU, но сегодня они представляют лишь малую часть того, что делают GPU. Вот восемь отраслей, где GPU-вычисления стали незаменимы.

1. AI и машинное обучение. GPU обеспечивают обучение и инференс больших языковых моделей, таких как GPT-4 и Claude, генераторов изображений, таких как Stable Diffusion, и рекомендательных систем, работающих в Netflix и Spotify. Обучение передовой LLM требует десятков тысяч GPU, работающих месяцами. Без параллелизма GPU современный AI просто не существовал бы.

2. Здравоохранение. GPU-ускоренный анализ МРТ и КТ-снимков сокращает время диагностики с часов до минут. В фармацевтических исследованиях симуляции молекулярной динамики на GPU-кластерах ускоряют процесс открытия лекарств. Фреймворк NVIDIA BioNeMo развёрнут в крупнейших фармацевтических компаниях для ускорения предсказания структуры белков и генеративной химии.

3. Климатология. Экзамасштабный компьютер JUPITER, одна из самых мощных систем, когда-либо построенных, выполняет глобальные климатические симуляции с километровым разрешением на GPU-кластерах. Модели прогноза погоды теперь достигают точности 10-дневного прогноза, для которой ещё десять лет назад потребовался бы месяц вычислений. GPU-ускоренное климатическое моделирование трансформирует подготовку правительств и организаций к экологическим изменениям.

4. Автономные транспортные средства. Stellantis, Mercedes-Benz, Volvo и Lucid Motors используют платформу NVIDIA DRIVE для восприятия в реальном времени, HD-картографии и автономного принятия решений. Каждый беспилотный автомобиль должен одновременно обрабатывать данные с камер, LiDAR, радара и ультразвуковых датчиков — задача параллельной обработки, созданная для GPU.

5. Цифровые двойники. Siemens и NVIDIA Omniverse позволяют компаниям создавать управляемые AI виртуальные копии реальных операций. PepsiCo оптимизирует логистику цепочки поставок, Foxconn моделирует планировку заводских цехов, а HD Hyundai моделирует работу верфей — всё как GPU-ускоренные цифровые двойники, которые предсказывают результаты до принятия реальных решений.

6. Термоядерная энергия. Commonwealth Fusion Systems использует GPU-ускоренные цифровые двойники для моделирования поведения плазмы внутри реакторов-токамаков. Термоядерные реакторы создают условия горячее ядра Солнца, что делает физические эксперименты опасными и дорогостоящими. GPU-симуляции позволяют инженерам совершенствовать конструкции реакторов с темпом, который иначе был бы невозможен.

7. Финансы. Крупнейшие банки и хедж-фонды используют GPU-кластеры для обнаружения мошенничества в реальном времени, симуляций Монте-Карло для оценки рисков и алгоритмических торговых стратегий. Симуляция Монте-Карло, оценивающая миллионы рыночных сценариев, значительно выигрывает от параллелизма GPU — то, что на процессорной ферме заняло бы часы, завершается за секунды на многопроцессорном GPU-узле.

8. Создание контента. Голливудские VFX-студии, архитектурные бюро визуализации и разработчики игр полагаются на GPU для рендеринга, композитинга и виртуального производства в реальном времени. Сочетание Unreal Engine и высокопроизводительных GPU обеспечило создание виртуальных производственных площадок (технология, стоящая за «Мандалорцем»), заменяющих традиционные рабочие процессы с зелёным экраном в индустрии развлечений.

Характеристики GPU: шпаргалка для начинающих

Таблицы характеристик GPU могут ошеломить. Вот что на самом деле означает каждый параметр — и почему он важен.

VRAM (Video Random Access Memory — видеопамять) — это кратковременная память GPU. VRAM определяет, насколько большую модель AI можно загрузить или сколько текстур высокого разрешения помещается на карте одновременно. H100 имеет 80 ГБ HBM3 — достаточно, чтобы удерживать модель на 70 миллиардов параметров целиком в памяти. Если ваша модель не помещается в VRAM, производительность катастрофически падает или обучение вовсе завершается ошибкой.

Пропускная способность памяти — скорость передачи данных между GPU и его памятью. H100 достигает 3,35 ТБ/с. Представьте объём VRAM как размер склада, а пропускную способность — как ширину шоссе, соединяющего его с заводским цехом. Огромный склад бесполезен, если дорога — одна полоса. Высокая пропускная способность гарантирует, что ядра GPU постоянно снабжены данными.

Tensor-ядра — специализированные блоки матричной математики, созданные для операций, движущих нейронные сети. Они выполняют вычисления смешанной точности (FP8, FP16, TF32) гораздо быстрее, чем CUDA-ядра общего назначения. Когда в AI-бенчмарке указывается «AI TOPS» (триллионы операций в секунду) GPU, это измеряет пропускную способность Tensor-ядер.

Интерконнект (NVLink и InfiniBand) — коммуникационная среда, позволяющая нескольким GPU обмениваться данными во время распределённого обучения. Обучение большой языковой модели требует от 256 до 32 000+ GPU, работающих совместно. NVLink 4.0 на H100 обеспечивает двунаправленную пропускную способность 900 ГБ/с между парами GPU, а сетевая технология InfiniBand связывает узлы кластера. Без быстрых интерконнектов многопроцессорное обучение упёрлось бы в коммуникацию, а не в вычисления.

Сравнение серверных GPU (2026)

Ландшафт GPU: NVIDIA, AMD и Intel в 2026 году

Три компании определяют рынок GPU в 2026 году, но конкурентная динамика далеко не равномерна.

NVIDIA: доминирующая сила

NVIDIA контролирует 92% рынка дискретных GPU и ещё большую долю AI-GPU для дата-центров. Дорожная карта компании — Blackwell (2024) → Rubin (2026) → Feynman (2027+) — задаёт темп для всей отрасли. Только за III квартал 2026 финансового года сегмент дата-центров NVIDIA принёс $30,77 миллиарда выручки. В 2025 году NVIDIA стала первой компанией в истории, превысившей рыночную капитализацию в $4 триллиона. Программная экосистема CUDA, которой уже почти 20 лет, создаёт глубокий защитный ров: миллионы разработчиков, тысячи оптимизированных библиотек и весь инструментарий AI, построенный на платформе NVIDIA.

AMD: растущий конкурент

MI300X от AMD стал достойной альтернативой для рабочих нагрузок AI-инференса, особенно среди облачных провайдеров, чувствительных к стоимости. Грядущий MI350X обещает 4-кратное увеличение производительности по сравнению с MI300X, а MI400 нацелен на выпуск в 2026 году. Программный стек ROCm от AMD значительно улучшился, но по-прежнему отстаёт от CUDA по широте библиотек и распространённости в сообществе. Для клиентов, ищущих конкурентоспособные цены и гибкость от нескольких поставщиков, AMD становится всё более жизнеспособным вариантом.

Intel: выход на арену

AI-ускоритель Intel Gaudi 3 набирает обороты в определённых нагрузках инференса, а платформа Falcon Shores нацелена на объединение возможностей GPU и AI-вычислений в единой архитектуре. Рыночная доля Intel по-прежнему невелика по сравнению с NVIDIA и AMD, но агрессивная ценовая стратегия и интеграция с собственными литейными мощностями позиционируют компанию как потенциального разрушителя в чувствительных к стоимости сегментах.

Показательная статистика: более 75% компаний из Fortune 500 сейчас используют GPU-инфраструктуру NVIDIA в той или иной форме — свидетельство того, насколько глубоко GPU проникли в корпоративные вычисления.

GPU, TPU или NPU: какой AI-чип вам нужен?

GPU — не единственный AI-ускоритель. TPU от Google и растущая категория NPU имеют свои уникальные преимущества.

GPU (Graphics Processing Unit) — универсальный параллельный процессор. GPU превосходны в обучении AI, смешанных нагрузках и любых задачах, требующих гибкости. Экосистемы CUDA и ROCm поддерживают PyTorch, TensorFlow, JAX и практически все фреймворки AI. GPU — выбор по умолчанию для большинства AI-команд благодаря своей универсальности и зрелости программного стека.

TPU (Tensor Processing Unit) — чип, разработанный Google, построенный на основе систолических массивов, оптимизированных для матричных операций. TPU превосходны для инференса больших батчей и нагрузок, нативных для TensorFlow, особенно на Google Cloud. Однако они эксклюзивны для Google Cloud Platform, что ограничивает гибкость для команд, которым нужны мультиоблачные или локальные развёртывания.

NPU (Neural Processing Unit) — специализированный кремний для инференса AI на устройстве. NPU на 40–60x более энергоэффективны, чем GPU, для периферийных задач — распознавания голоса, классификации изображений и перевода в реальном времени. Вы найдёте их в смартфонах (Apple Neural Engine, Qualcomm Hexagon), ноутбуках (Intel AI Boost, AMD XDNA) и устройствах IoT. Они не предназначены для обучения — они предназначены для быстрого и энергоэффективного инференса на периферии.

Структура принятия решений

Для большинства команд GPU остаётся самым безопасным и универсальным выбором. TPU имеют смысл в рамках экосистемы Google Cloud, а NPU незаменимы для периферийного развёртывания, где энергоэффективность критична.

Как получить доступ к GPU: покупка, аренда или облако

Доступ к GPU-вычислениям в 2026 году обычно сводится к трём путям, каждый со своими компромиссами.

Покупка оборудования

Один NVIDIA H100 стоит $25 000–$40 000 — и это при условии, что вы сможете его найти, учитывая продолжающийся дефицит. Построение многопроцессорного GPU-сервера добавляет затраты на CPU, память, сетевое оборудование, электропитание, охлаждение и стойко-место. Покупка имеет экономический смысл только при планируемой высокой загрузке GPU (свыше 60%) круглосуточно в течение нескольких лет. Для исследовательских лабораторий и крупных предприятий с предсказуемыми устойчивыми нагрузками владение может обеспечить наименьшую общую стоимость.

Крупные облачные провайдеры

AWS (инстансы p5), Google Cloud (инстансы A3) и Microsoft Azure (серия ND H100) предлагают GPU-инстансы с надёжностью корпоративного уровня, глобальной доступностью и интегрированным хранилищем и сетевой инфраструктурой. Компромисс — сложность: цены на облачные GPU варьируются в зависимости от региона, уровня обязательств и типа инстанса. Зарезервированные инстансы требуют обязательств на 1–3 года, тогда как цены по запросу могут быть в два-три раза выше спотовых.

GPU-маркетплейсы

Растущая категория платформ агрегирует GPU-мощности из распределённых дата-центров, предлагая более гибкие модели доступа. GPUnex, например, агрегирует мощности из более чем 150 дата-центров и предлагает посекундную тарификацию с предустановленными AI-фреймворками (PyTorch, TensorFlow, JAX) — устраняя накладные расходы на настройку, которые часто замедляют исследовательские команды. Эти маркетплейсы особенно хорошо подходят для стартапов, академических исследователей и команд с переменными нагрузками, не оправдывающими зарезервированных облачных обязательств.

Ключевой вопрос

Если ваша средняя загрузка GPU ниже 60%, аренда почти всегда выгоднее владения. Отслеживайте фактическое использование перед вложением капитала в оборудование.

Будущее GPU

Траектория развития GPU не демонстрирует признаков замедления. Более того, темп прогресса ускоряется.

Архитектура Rubin (2026) представляет поколенческий скачок: 336 миллиардов транзисторов, 50 PFLOPS инференса FP4 и первая в отрасли интеграция памяти HBM4. Это примерно 5-кратное улучшение над Blackwell в пропускной способности AI-инференса — темп прогресса, значительно превышающий закон Мура.

Энергетический вызов становится неотложным. Один GPU-сервер потребляет 3 000–5 000 ватт по сравнению с 300–500 ваттами для CPU-сервера. По прогнозам, мировое энергопотребление дата-центров достигнет 96 ГВт к 2026 году (Deloitte), и GPU — основная движущая сила этого роста. Жидкостное охлаждение, более эффективные конструкции чипов и дата-центры с ядерным питанием находятся в стадии активной разработки для решения этой проблемы.

Ограничения цепочки поставок продолжают определять рынок. Высокопроизводительная память (HBM) распродана до 2026 года, а SK Hynix, Samsung и Micron работают на максимальной мощности. Передовая упаковка CoWoS от TSMC — технология, соединяющая кристаллы GPU со стеками HBM — остаётся основным производственным узким местом.

Нейроморфные вычисления представляют более долгосрочный сдвиг. Чипы, такие как Intel Loihi и BrainChip Akida, имитируют структуру биологических нейронов и на 1 000x более энергоэффективны, чем GPU, для определённых задач распознавания образов. Однако им не хватает программных фреймворков и экосистем, необходимых для массового внедрения, и они находятся в годах от конкуренции с GPU в производственных AI-нагрузках.

Прогноз рынка впечатляет. С $101,5 миллиарда в 2025 году до прогнозируемых $1,7 триллиона к 2035 году (Precedence Research) рынок GPU растёт со среднегодовым темпом 32,6%. GPU — больше не категория компонентов: они становятся определяющей инфраструктурой эры AI, столь же фундаментальной для экономики 2020-х, как микропроцессор был для 1990-х.

Часто задаваемые вопросы

Что на самом деле делает GPU?

GPU выполняет тысячи математических вычислений одновременно. Изначально разработанный для рендеринга графики — расчёта цвета, яркости и положения миллионов пикселей за кадр — GPU теперь обеспечивает обучение AI-моделей, научные симуляции, обработку видео и любую нагрузку, которая выигрывает от массового параллелизма. Ключевая способность — пропускная способность: GPU жертвует скоростью выполнения отдельной задачи ради способности обрабатывать огромные объёмы простых операций одновременно.

Нужен ли мне GPU для AI?

Для обучения моделей с более чем несколькими сотнями миллионов параметров — да. Задача, которая занимает у GPU-кластера часы, на CPU заняла бы недели или месяцы. Для инференса на меньших моделях (менее 1,5 миллиарда параметров) современные CPU иногда могут соответствовать производительности GPU, особенно с оптимизированными средами выполнения вроде ONNX. Но для серьёзной разработки AI — тонкой настройки больших языковых моделей, обучения диффузионных моделей, проведения экспериментов с обучением с подкреплением — GPU значительно сокращает время итерации и фактически необходим.

В чём разница между VRAM и RAM?

RAM (системная память) обслуживает CPU и операционную систему. В ней хранятся работающие приложения, файловые кэши и процессы ОС. VRAM (видеопамять) выделена для GPU и хранит текстуры, буферы кадров, веса моделей и промежуточные результаты вычислений. VRAM обычно значительно быстрее — HBM3 достигает 3,35 ТБ/с по сравнению с DDR5 примерно 50 ГБ/с — но меньше по общему объёму. Для AI-нагрузок VRAM — критическое узкое место: веса вашей модели, активации и состояния оптимизатора должны полностью помещаться в VRAM для эффективного обучения.

Почему GPU такие дорогие?

Три сходящихся фактора определяют ценообразование GPU. Первый — сложность производства: самые передовые технологические узлы TSMC стоят более $20 миллиардов за фабрику, и каждая пластина даёт ограниченное количество крупных сложных кристаллов GPU. Второй — дефицит высокоскоростной памяти: запасы HBM3 и HBM4 распроданы до 2026 года, спрос со стороны AI-компаний значительно превышает производственные мощности. Третий — беспрецедентный спрос: AI-компании в совокупности тратят более $600 миллиардов на инфраструктуру в 2026 году, создавая рынок продавца, на котором NVIDIA может устанавливать премиальные цены на серверные GPU.

Можно ли использовать GPU без CPU?

Нет. GPU — это ускоритель, а не самостоятельный процессор. Ему нужен CPU (хост) для координации задач, управления операционной системой, обработки файлового ввода/вывода и выполнения последовательной логики. CPU отправляет работу на GPU, который обрабатывает её параллельно и возвращает результаты. Они функционируют как команда — CPU оркеструет, а GPU вычисляет. Даже в массивном GPU-кластере с 32 000 GPU каждый узел содержит CPU, управляющие планированием, сетью и перемещением данных.

Сколько стоит аренда GPU?

Цены на облачные GPU значительно варьируются в зависимости от модели GPU, провайдера, региона и уровня обязательств. NVIDIA H100 стоит от $1,49 до $6,98 в час в зависимости от провайдера и типа тарификации — спотовой, по запросу или зарезервированной. A100 можно найти за менее $1/час на GPU-маркетплейсах. Для более лёгких нагрузок инференса NVIDIA L4 начинается примерно от $0,30/час. Опции посекундной тарификации на некоторых платформах позволяют дополнительно снизить расходы на краткосрочные задачи с неравномерной нагрузкой.