NVIDIA создает волну в 5 триллионов долларов! CUDA создает защитный вал, из которого ни одна AI компания не может сбежать.

30 октября рыночная капитализация NVIDIA превысила 5 триллионов долларов, став единственной компанией в мире, достигшей этого рубежа. Однако, несмотря на шок, возникла огромная путаница: если индустрия AI чипов так прибыльна, почему только NVIDIA зарабатывает деньги? Ответ заключается в том, что NVIDIA построила свою защитную стену — CUDA, за почти 20 лет, и эта единая архитектура вычислительных устройств заблокировала более 4,5 миллионов разработчиков по всему миру.

Почему у всех соперников NVIDIA нет равных?

У NVIDIA действительно есть соперники? Да. Очень много. И каждый из них — настоящий мастер своего дела. Оглядываясь вокруг, мы можем насчитать как минимум троих тяжеловесов «конкурентов». Например, AMD. Она является давним соперником NVIDIA в области полупроводников на протяжении десятилетий. По технологиям и опыту она, безусловно, самый квалифицированный соперник для NVIDIA. Например, Intel. Она когда-то была «гегемоном в производстве чипов». Сильные производственные мощности и большая база клиентов. Например, Google. У нее практически безграничные ресурсы и команда AI мирового уровня. Кроме того, она разрабатывает собственные специализированные AI-чипы.

Смотри, эти три гиганта, у кого из них имя не звучит по всему миру? Но это также делает проблему более острой: на столе явно все мастера, но фишки, похоже, находятся только в руках одного игрока. В чем же дело?

Сначала скажу ответ: потому что NVIDIA использует одну систему с очень высокими «транспортными затратами», надежно удерживая своих клиентов. Вы можете сказать, что это потому, что чипы NVIDIA самые быстрые и лучшие. Но на самом деле этот ответ недостаточно строг. Представьте себе такую сцену: генеральный директор AMD Лиза Су заходит в офис OpenAI и предлагает генеральному директору Сэму Альтману очень заманчивое предложение. У AMD есть совершенно новые чипы GPU, которые на 30% эффективнее, чем B200 от NVIDIA, и стоят вдвое дешевле.

Если бы ты сейчас был Сэмом Олтманом, подписал бы ты этот «заказ»? Позволь мне угадать, с большой вероятностью, Сэм Олтман, возможно, не подпишет. По крайней мере, он будет очень-очень колебаться. Почему? Перед ним стоит более дешевый и эффективный выбор, но это не вызывает у него интереса? Потому что цена — это лишь небольшая часть всей схемы. В бизнес-технологических инвестициях нужно рассматривать это с точки зрения TCO (общая стоимость владения). Это включает не только самые прямые расценки, но и различные косвенные и скрытые затраты.

невидимая ловушка с затратами на миграцию до десятков миллиардов долларов

Если OpenAI действительно перейдет с NVIDIA на AMD, что произойдет? Говоря прямо, основные затраты на труд, затраты на перенос кода, операционные расходы и упущенные возможности значительно возрастут. А любое изменение может напрямую определить жизнь или смерть.

Подумай, что будет с тысячами ведущих инженеров, если мы сменим платформу? Разве их десятилетний опыт можно просто обнулить и начать учиться заново? Насколько это обойдется в обучение? А что делать с миллионами строк кода? Это не просто «копировать и вставить». Это похоже на то, как если бы ты хотел перенести южный личи на север. Нельзя просто выкопать и перенести, нужно провести множество исследований, тестов, потратить много времени. Искусственный интеллект - это именно так, в конечном итоге, получится ли что-то, еще неизвестно.

Кроме того, смена платформы означает необходимость одновременно поддерживать две совершенно разные платформы. Затраты на это, скорее всего, удвоятся. Самая серьезная проблема и главный риск заключается в слишком высоких альтернативных затратах. В области ИИ каждая секунда на счету. Если из-за смены платформы произойдет отставание в разработке или модель будет выпущена на несколько месяцев позже, то вполне возможно, что компания превратится из лидера отрасли в ее последователя.

Скрытый список затрат при смене платформы OpenAI

Человеческие затраты: переобучение тысячи инженеров, обнуление опыта, временные затраты составляют несколько лет

Миграция кода: миллионы строк кода CUDA необходимо переписать, тестирование и верификация отнимают много времени и сил.

Двухплатформенное обслуживание: Во время миграции одновременно работают две системы, стоимость удваивается.

Возможности затрат: отставание в разработке по сравнению с конкурентами может привести к тому, что компания из лидера превратится в последователя.

Риск издержек: Неудача в миграции может привести к снижению производительности модели, а коммерческие последствия трудно оценить.

Итак, после сложения всех различных прямых и косвенных затрат мы достигли результата «закрепления поставщика». Проще говоря, я прочно связываю с вами всё, от программного обеспечения до аппаратного. В долгосрочной перспективе это будет оптимальным решением для AI-компаний, поскольку в течение будущего контрактного периода им не придется беспокоиться об аппаратном обеспечении. Теперь, оглядываясь на тот заказ AMD на «на 30% более высокую производительность и вдвое дешевле», это всё еще кажется привлекательным? Ответ отрицательный. Сэкономленные на аппаратном обеспечении миллионы долларов ничтожны по сравнению с возможными затратами на миграцию, которые могут достигать десятков миллиардов долларов, и потенциальными стратегическими рисками.

CUDA экосистема Windows эры ИИ

! Экосистема NVIDIA CUDA

（источник：X）

До этого момента вы, наверное, заметили, что настоящая привязка клиентов к NVIDIA заключается не в ее аппаратном обеспечении. А в невидимой и неосязаемой «клетке». Это то, что называется «защитной стеной NVIDIA» — CUDA. Полное название CUDA — Compute Unified Device Architecture (Единая архитектура вычислительных устройств). Проще говоря, это набор инструментов программирования, который помогает программистам лучше использовать GPU от NVIDIA.

Если говорить, что GPU от NVIDIA – это «компьютерный хост» эпохи ИИ, то CUDA – это «операционная система Windows» эпохи ИИ. Подумайте, почему на протяжении десятилетий технически более совершенный и бесплатный Linux так и не смог поколебать господствующее положение Windows на рынке персональных компьютеров? Ответ не в самой системе, а в экосистеме.

Потому что огромная экосистема приложений на Windows слишком мощная. От Office Microsoft до Adobe и различных специализированных программ, все это неразрывно связано с целой экосистемой. Представьте себе компанию, которая нуждается во множестве профессиональных программ. Какой выбор она сделает между покупкой лицензии Windows и затратами на переобучение сотрудников? Ответ очевиден.

CUDA — это именно так, у него есть невероятно большая экосистема приложений. Для многих компаний и частных лиц это обязательный выбор. По статистике, на данный момент в мире более 4,5 миллиона разработчиков используют CUDA для разработки. А в 2020 году это число составляло всего 1,8 миллиона. Ежемесячное количество загрузок пакета инструментов CUDA достигает сотен тысяч.

20 лет азартных игр: от никому не нужного до незаменимого

В 2006 году, после появления CUDA, никто не обратил на это внимания, ни Силиконовая долина, ни Уолл-стрит не поддерживали это. К 2008 году, под воздействием финансового кризиса, акции NVIDIA упали более чем на 80%, рыночная капитализация составила около 4 миллиардов долларов. Даже внутри NVIDIA существовали разногласия по поводу будущего CUDA. В то же время затраты на разработку CUDA были значительными. Первый GPU от NVIDIA, поддерживающий CUDA, был G80. Для разработки этого чипа NVIDIA потребовалось целых 4 года, стоимость составила 475 миллионов долларов, что составило треть от общего бюджета на исследования и разработки за эти 4 года.

В то время действительно шла речь о жизни и смерти. Что делать? Хуан Жэньсюн придумал способ: вложить деньги. Основное внимание уделялось финансированию школ и научных учреждений. Он через пожертвования и передачу оборудования позволил CUDA попасть в университеты, чтобы сначала подготовить пользователей в области образования и исследований. Кроме того, по всему миру были созданы различные исследовательские и учебные центры CUDA, а также открыты учебные курсы. В то время ежегодные расходы на исследование и разработку CUDA составляли более 500 миллионов долларов.

Несмотря на то, что было потрачено много сил, ресурсов и финансов, CUDA долгое время не пользовалась популярностью. В начале 2013 года многие инвестиционные аналитики считали, что только отказавшись от CUDA и вернувшись к основному бизнесу ПК-игр, акции NVIDIA смогут вырасти. Некоторые даже ставили под сомнение, сможет ли генеральный директор Хуан Ренсюнь продолжать свою работу. Теперь можно сказать, что NVIDIA сделала ставку на CUDA. Более того, она оказалась успешной.

Почему CUDA изначально не вызывала интерес, а теперь стала востребованной? Потому что выпускники, изучавшие CUDA, устраиваются на работу в технологические компании, а ресурсы сообщества и библиотека кода CUDA становятся все более обширными. К 2015 году в мире уже 800 университетов предлагали курсы по CUDA. С течением времени области применения CUDA расширились от университетов до медицины, бизнеса и многих других сфер. Что касается «сотрудничества» с областью искусственного интеллекта, можно сказать, что это просто «совпадение».

В 2012 году на глобальном соревновании по распознаванию изображений AI, организованном Стэнфордским университетом, команда из трех человек из Торонто представила нейронную сеть AI под названием AlexNet и выиграла чемпионат. При этом точность была на 41% выше, чем у второго места. Как им это удалось? Команда сообщила, что использовала 2 видеокарты NVIDIA GTX 580, и они были единственной командой на всем соревновании, которая использовала CUDA для обучения нейронной сети.

В то время Google также обратил внимание на эту команду. Они обнаружили, что AlexNet использовал всего два графических процессора, и результаты были практически равны тем, которые Google получил, используя 16000 ЦП. Вскоре вся индустрия осознала, что графические процессоры являются лучшим оборудованием для поддержки ИИ. А NVIDIA, вероятно, станет ключом к развитию ИИ.

Борьба соперников: AMD открытый код, Intel сегментация, Google собственная разработка

Как только вы поймете CUDA, взглянув на конкурентов NVIDIA, вы заметите, что каждый их шаг жестко ограничивается NVIDIA. Например, AMD выбрала путь с открытым исходным кодом. Она разработала платформу с открытым исходным кодом под названием ROCm, целью которой является замена CUDA. Однако она похожа на «Linux эпохи ИИ»: бесплатная, с открытым исходным кодом, обладающая техническим потенциалом и более дешевой. Но для пользователей стоимость миграции слишком высока.

Например, Intel выбрала сегментацию рынка. Intel умна, она прямо признает, что NVIDIA далеко впереди на высоком рынке ИИ. Поэтому Intel позиционирует свою серию чипов Gaudi на уровне корпоративного вывода и обучение малых и средних моделей в этих сегментах рынка. Но это также означает, что Intel отказалась от самой прибыльной части рынка чипов ИИ.

Например, Google выбрал жесткий подход. Investopedia сообщала, что валовая прибыль Nvidia от продаж GPU составляет около 80%, в отрасли это называют «налогом Nvidia». Чтобы не платить высокую надбавку, Google с 2015 года начала разработку собственных технологий и внутри компании использует вычислительную экосистему под названием TPU. В отличие от этого, TPU глубоко интегрирован с внутренней платформой Google и не влияет на позицию Nvidia.

Поэтому ты видишь, что эти гиганты-соперники не просто соревнуются в производительности, а борются за стратегию. Все пытаются обойти CUDA, обойти NVIDIA. Но, по крайней мере, на данный момент никто не может поколебать. Все соперники обходит гору, и это само по себе является самым высоким уважением к этой труднопреодолимой горе.

Урок для предпринимателей: неповторимость защитного рва

NVIDIA прошла путь от никем не замечаемой компании до объекта всеобщего внимания. Этот путь действительно впечатляет. В интернете некоторые выражают беспокойство: NVIDIA так сильно поднялась, это слишком преувеличено, не будет ли это пузырем? Не станет ли она вторым Cisco? В период интернет-пузыря 2000 года Cisco была поставщиком сетевого оборудования, и в своем пике ее оценка превышала 150-кратное значение будущего коэффициента цена/прибыль. Но после разрушения пузыря ее стоимость рухнула.

На самом деле у них есть принципиальные различия. Cisco сталкивается с «одноразовым» строительным рынком. Когда ранний интернет завершил «укладку труб», рост Cisco естественным образом остановился. А NVIDIA сталкивается с постоянно растущим рынком. По крайней мере, на данный момент кажется, что ИИ все еще растет, и поэтому эта «гонка вооружений» пока не имеет конца. Более важно то, что клиентами NVIDIA являются такие мировые гиганты, как Microsoft, Google, Meta и другие, у которых нет проблем с деньгами. Для них покупка чипов NVIDIA — это не выбор, а необходимость для выживания в эпоху ИИ.

Конечно, никто не может предсказать, что произойдет в будущем. Возможно, в какой-то день внезапно появится новый алгоритм, который сделает GPU неважными, изменив все правила игры. Но, по крайней мере, сейчас мы можем извлечь очень важный урок из опыта Nvidia. Каков ваш защитный барьер? Дело не в том, чтобы терзаться вопросом: «Мой продукт лучше, быстрее и дешевле, чем у конкурентов?» А в том, чтобы задать вопрос: «Есть ли у моего продукта экосистема, от которой клиент не сможет отказаться?»

На самом деле рыночная капитализация в 5 триллионов долларов компании Nvidia является самым громким ответом на этот вопрос. Она доказывает, что в деловом мире самая простая и самая важная основная логика. Самая глубокая защитная стена не создается ценой и производительностью, а тем, что делает вас незаменимым.