Nowe czipy, nowa strategia
Nvidia odnotowała gigantyczny wzrost sprzedaży od momentu premiery ChatGPT w 2022 roku. Jej układy graficzne (GPU) stały się standardem w szkoleniu modeli AI, a największe firmy chmurowe – Microsoft, Google i Amazon – wydają miliardy dolarów na centra danych zbudowane na bazie tych chipów.
Podczas konferencji GTC, CEO Jensen Huang ogłosił premierę Blackwell Ultra – nowej wersji z rodziny Blackwell, która oferuje większą wydajność w generowaniu treści i obliczeniach AI. W przyszłości Nvidia zamierza wprowadzać nowe generacje chipów co rok, a nie co dwa lata, jak wcześniej.
Vera Rubin – przełom w architekturze
Drugą kluczową premierą jest Vera Rubin – nowa generacja GPU, która trafi na rynek w 2026 roku. W jej skład wchodzi procesor CPU o nazwie Vera oraz nowa architektura GPU o nazwie Rubin. To pierwsza konstrukcja CPU opracowana od podstaw przez Nvidię, bazująca na autorskim rdzeniu Olympus - pisze CNBC.
Nowe układy mają podwoić wydajność w porównaniu do poprzedniej generacji, osiągając 50 petaflopów podczas obliczeń AI. Rubin obsłuży też do 288 GB szybkiej pamięci, co jest kluczowym parametrem dla twórców modeli sztucznej inteligencji.
Nvidia ogłosiła także, że po generacji Rubin wprowadzi chipy nazwane Feynman, planowane na 2028 rok. Firma kontynuuje tradycję nadawania swoim produktom nazw wybitnych naukowców, podkreślając w ten sposób ich innowacyjny charakter.
Nvidia dominuje rynek AI
Podczas konferencji Nvidia zaprezentowała także nowe rozwiązania sprzętowe i w zakresie oprogramowania, w tym laptopy i komputery stacjonarne do obsługi dużych modeli AI oraz oprogramowanie Dynamo, optymalizujące wykorzystanie chipów. Firma pokazała również systemy sieciowe umożliwiające łączenie tysięcy procesorów GPU w jednolitą jednostkę obliczeniową.
Dzięki tym innowacjom Nvidia nie tylko umacnia swoją pozycję lidera na rynku AI, ale także kształtuje przyszłość tej technologii. W obliczu rosnącej konkurencji i rozwijających się modeli sztucznej inteligencji firma konsekwentnie wyznacza nowe standardy wydajności i efektywności w obliczeniach AI.
