Від GPU до $4 трлн: як NVIDIA побудувала AI-імперію

Історія NVIDIA почалася у січні 1993 року, коли Дженсен Хуанг, Кріс Малаховскі та Кертіс Прієм зробили ставку на те, що спеціалізоване обладнання стане необхідним для складних обчислень. Перший комерційний чип 1995 року мало не знищив компанію, але контракт з Sega та успіх RIVA 128 у 1997 році врятували становище. Прорив стався у 1999-му з появою GeForce 256 — першого GPU, здатного виконувати паралельні обчислення, що пізніше виявилося ідеальним для навчання нейромереж.

Справжнім бар'єром для конкурентів стала платформа CUDA, запущена у 2006 році. Вона дозволила програмістам використовувати GPU для загальних обчислень, а NVIDIA вклала у її розвиток понад $1 млрд за шість років. Переломний момент настав у 2012 році, коли дослідники навчили нейромережу AlexNet на двох споживчих GPU NVIDIA, знизивши помилку розпізнавання зображень з 26% до 15%. Відтоді навколо CUDA виросла ціла екосистема бібліотек, інтегрованих із PyTorch, TensorFlow та JAX, що робить перехід на інші чипи вкрай дорогим для клієнтів.

Економічна модель компанії вражає: H100 коштує на ринку $30–40 тис., тоді як собівартість його виробництва — менш як $4 тис. Валова маржа NVIDIA сягає 71–75%, що ближче до програмного бізнесу, ніж до виробництва обладнання. За 2026 фінансовий рік виручка склала майже $216 млрд, з яких $194 млрд принесли дата-центри. Це стало можливим завдяки дефіциту чипів: TSMC, яка виробляє передові чіпи для NVIDIA, контролює понад 90% ринку, а черги на складне пакування CoWoS розтягуються на 6–18 місяців.

Окремим козирем стало придбання Mellanox у 2020 році за $6,9 млрд. Це дозволило NVIDIA запропонувати не просто GPU, а повну платформу для AI-дата-центрів: від обчислень до мережевої інфраструктури. Мережевий напрям уже генерує понад $31 млрд річної виручки, а клієнти, які побудували інфраструктуру навколо NVIDIA, не можуть легко замінити лише чипи.

Втім, ризики існують. Четверо найбільших клієнтів — Microsoft, Google, Meta та Amazon — дають половину виручки дата-центрів і активно розробляють власні чипи. Виробнича концентрація на Тайвані також є вразливим місцем. Аналітики Sequoia Capital підрахували, що для виправдання інвестицій в AI інфраструктура має генерувати $600 млрд річного доходу, тоді як зараз цей показник становить близько $100 млрд.

Головний урок бізнес-моделі NVIDIA простий: компанія продає не кремній, а час. Навчання моделі на слабкій інфраструктурі може тривати 12 місяців, тоді як на потужних GPU — лише три тижні. Ці 11 місяців переваги коштують набагато більше, ніж ціна чипа. Саме це поєднання продуктивності, екосистеми та вартості переходу перетворило виробника відеокарт на архітектора AI-економіки.