На главной сцене Computex в Тайпее Дженсон Хуанг показал RTX Spark — первый собственный ARM-процессор Nvidia для Windows-ноутбуков. Чип несёт до 20 CPU-ядер, GPU на базе Blackwell с 6144 CUDA-ядрами и до 128 ГБ унифицированной памяти. Ноутбуки на RTX Spark от Microsoft, Dell, HP, ASUS, Lenovo и MSI выйдут осенью 2026.
1 июня на Computex в Тайбэе Nvidia представила RTX Spark — первый в истории компании полноценный системный чип (SoC) для ноутбуков на Windows. Дженсен Хуанг заявил, что Nvidia вместе с Microsoft намерена «заново изобрести ПК». Чип построен на архитектуре Arm и объединяет CPU, GPU Blackwell, нейронный процессор и модуль оперативной памяти в одном корпусе — ровно по образцу того, что Apple сделала с M1 в 2020 году, только теперь для Windows и с полной поддержкой CUDA.
Акции AMD, Intel и Qualcomm немедленно упали после объявления — рынок воспринял новость как прямую угрозу каждому из них. Это принципиальный стратегический шаг: до сих пор Nvidia доминировала в дата-центрах, но ПК-рынок оставался за Intel и AMD (CPU) и Qualcomm (Arm-ноутбуки). Теперь Nvidia претендует на всю цепочку — от облака до ноутбука на столе. Первые ноутбуки на RTX Spark ожидаются уже в 2026 году от ведущих OEM-партнёров.
Стало известно о новом игроке в сегменте ИИ-ускорителей. Positron AI вышла на территорию дата-центров Nvidia, заключив сделку с Oracle и представив собственный чип Asimov. Стартап позиционирует Asimov как специализированный чип для инференса языковых моделей то же позиционирование, что у Cerebras, Groq и Tenstorrent.
Появление Positron вписывается в устойчивую тенденцию: каждый крупный облачный провайдер стремится снизить зависимость от Nvidia, создавая или финансируя альтернативные решения. Oracle заказывает Asimov, Google строит TPU, Amazon развивает Trainium и Inferentia, Microsoft вкладывает в Maia. Nvidia это понимает и поэтому её стратегия давно вышла за пределы чипов: CUDA-экосистема, NIM-контейнеры, партнёрства с облачными провайдерами создают слой зависимости, который сложнее заменить, чем железо. Насколько Asimov окажется конкурентоспособен по соотношению производительности, энергопотребления и цены покажут независимые тесты.
SambaNova объявила о следующей фазе сотрудничества с Intel: гибридном аппаратном решении, которое объединяет GPU для предварительной обработки запросов, процессоры Intel Xeon 6 в роли хост-CPU и процессоры SambaNova RDU для финального вывода данных. Система создана специально под агентные ИИ-нагрузки сценарии, где модель должна не просто отвечать на вопросы, а выполнять многошаговые задачи: писать и исполнять код, управлять внешними инструментами, планировать последовательности действий.
Коммерческие поставки запланированы на вторую половину 2026 года для корпоративных клиентов, облачных провайдеров и национальных ИИ-программ. Это прямой ответ на архитектурную монополию Nvidia: вся цепочка инференса: от первого токена до последнего впервые разбита между разными типами чипов от разных производителей. Для Intel важность сделки двойная: это и доказательство боеспособности Xeon 6 в ИИ-задачах, и ещё один аргумент в пользу того, что стратегия Лип-Бу Тана на привлечение внешних партнёров работает.
TSMC опубликовала финансовые результаты за первый квартал 2026 года. Выручка достигла $35,9 млрд — рост на 35% год к году. Чистая прибыль увеличилась на 58% и также обновила исторический максимум. Рентабельность по чистой прибыли составила рекордные 50,5%. Компания повысила прогноз по выручке на весь 2026 год: теперь ожидается рост более чем на 30% в долларах. Это восьмой квартал подряд двузначного роста прибыли.
Двигатель результатов — один и тот же: искусственный интеллект. Сегмент высокопроизводительных вычислений, включающий ИИ-ускорители и 5G-чипы, уже составляет 61% всей выручки TSMC. Чипы на узле 3 нм принесли четверть всей выручки компании — три года назад эта цифра составляла лишь 6%. Генеральный директор Вэй Чжэцзя охарактеризовал спрос на ИИ-чипы как «чрезвычайно устойчивый» и заявил, что мощности компании по-прежнему распроданы. Капитальные расходы на 2026 год выйдут к верхней границе прогнозного диапазона в $52–56 млрд. Акции TSMC с начала года выросли примерно на 35%, рыночная капитализация — около $1,7 трлн.
OpenAI согласовала трёхлетний контракт на использование серверных мощностей от Cerebras Systems на сумму свыше $20 млрд. Это примерно вдвое больше, чем сообщалось ранее. В рамках сделки OpenAI также может получить опционы на миноритарную долю в Cerebras. Компания создаёт чипы WSE (Wafer Scale Engine) — самые крупные в мире полупроводниковые устройства, спроектированные специально под задачи инференса языковых моделей.
Сделка вписывается в стратегию OpenAI по диверсификации вычислительной базы. Компания остаётся крупнейшим потребителем GPU Nvidia, однако одновременно инвестирует в альтернативы: собственные чипы совместно с Broadcom, мощности Google TPU через Anthropic, теперь — Cerebras. Причина очевидна: от одного поставщика зависеть опасно, особенно когда тот сам испытывает ограничения производственных мощностей. Для Cerebras, ранее нацеленной на IPO, это крупнейший контракт в истории и фактическое подтверждение жизнеспособности альтернативы Nvidia для ИИ-инференса.
8 апреля CNBC опубликовала расследование, обращающее внимание на следующий системный риск для ИИ-индустрии: продвинутая упаковка чипов. Nvidia зарезервировала большую часть мощностей TSMC по технологии CoWoS (Chip on Wafer on Substrate) — именно этот процесс объединяет процессоры и высокоскоростную память HBM в единый модуль. Без этого этапа мощные ИИ-ускорители просто не работают. По данным CNBC, CoWoS у TSMC растёт со скоростью 80% в год, но спрос обгоняет предложение.
Парадоксальная ситуация: даже чипы, произведённые в США на заводе TSMC в Аризоне, сейчас отправляются обратно на Тайвань для упаковки — локальных мощностей в Штатах просто нет. TSMC строит два упаковочных предприятия в Аризоне, Intel наращивает компетенции в этом направлении и ведёт переговоры с Nvidia о возможности выполнять упаковку для её чипов. Именно упаковка, а не производство кремния, может оказаться главным ограничением роста ИИ в ближайшие годы.
На конференции GTC 2026 в марте глава Nvidia Дженсен Хуанг объявил, что AGI (искусственный общий интеллект) по ряду определений уже достигнут. Заявление немедленно вызвало полемику: критики указали, что Хуанг использует трактовку, при которой AGI означает превосходство ИИ-систем над среднестатистическим человеком по большинству задач — именно такое определение удобно подтверждается текущими результатами бенчмарков.
Параллельно Arm анонсировала первый в истории компании собственный процессор для дата-центров — AGI CPU, разработанный специально под ИИ-агентов. К консорциуму поддержки нового чипа присоединились Meta*, Google и Nvidia. На этом фоне акции Arm взлетели более чем на 16% за одну торговую сессию — рынок воспринял анонс как прямую заявку на долю в серверном сегменте, который традиционно принадлежит x86.
*Компания Meta Platforms Inc. признана экстремистской организацией и запрещена на территории РФ, также как и её продукты Facebook и Instagram.
В начале апреля стало известно, что Nvidia приобрела стратегическую долю в производственных мощностях Intel, вложив около пяти миллиардов долларов. Пакет составляет порядка 4–5% компании. Это не просто финансовая инвестиция — сделка означает, что Nvidia тестирует на 18A будущие архитектуры своих графических процессоров. Акции Intel отреагировали ростом более чем на 7% за один день.
Для рынка это мощный сигнал доверия. Nvidia — крупнейший в мире потребитель передовых литографических мощностей — до сих пор работала исключительно с TSMC. Теперь появился реальный прецедент диверсификации. Масштабного производства чипов Nvidia на 18A пока нет, но само присутствие компании в качестве инвестора меняет переговорные позиции Intel с другими потенциальными заказчиками фундаментально.
Что если бы вычислительная мощность, которую ещё несколько лет назад можно было встретить разве что в специализированных исследовательских центрах, уместилась в корпус размером с увеличенный Mac mini и встала на ваш рабочий стол? Именно с таким вопросом NVIDIA вышла на сцену CES 2025 — и ответ оказался не риторическим.
При слове «суперкомпьютер» воображение рисует привычную картину: просторный машинный зал, стойки с оборудованием от пола до потолка, ряды вентиляторов, непрерывный гул. Такие системы строят для моделирования климата, разработки ядерного оружия, расчёта сложных физических процессов и — в последние годы всё чаще — для обучения и запуска крупных моделей искусственного интеллекта. Доступ к подобным мощностям традиционно означал либо работу в государственном исследовательском институте, либо аренду облачной инфраструктуры у технологических гигантов.\
В NVIDIA задались простым вопросом: а что если сделать это компактным? Project Digits — именно так устройство называлось на момент анонса — стал ответом на этот вопрос. Суперкомпьютер, который помещается в небольшой корпус и может стоять прямо на рабочем столе. Впрочем, к моменту выхода в продажу устройство сменило имя: с осени 2025 года оно называется NVIDIA DGX Spark.
Нужно сразу сказать прямо: для рядового пользователя DGX Spark бесполезен. Это не игровая машина, не мощная рабочая станция для монтажа видео и не замена привычному домашнему компьютеру. Устройство создавалось для вполне конкретной аудитории: разработчиков в сфере искусственного интеллекта, исследователей и студентов, которым нужно создавать, дообучать и запускать крупные языковые модели локально — без постоянного обращения к облачной инфраструктуре.
По замыслу NVIDIA, DGX Spark — это инструмент для прототипирования. Разработчик создаёт и тестирует модель на настольном устройстве, а когда она готова к промышленному применению, разворачивает её в облаке или в корпоративном дата-центре. Причём — и это принципиально — на той же самой программной архитектуре. Никакой переписки кода, никакой адаптации под другую платформу.
Кроме того, устройство открывает интересную возможность для тех, кто ценит конфиденциальность: на нём можно запустить собственную языковую модель, обучить её на персональных данных и работать с ней локально, не передавая ничего в интернет. Это значительно отличается от привычной схемы, при которой любой запрос к ChatGPT или аналогичному сервису обрабатывается на удалённых серверах.
Операционная система — не привычная Windows, а DGX OS: специализированный дистрибутив на базе Ubuntu 24.04, настроенный под задачи искусственного интеллекта. В комплекте идут CUDA, cuDNN, TensorRT, Docker и целый набор готовых сценариев применения — от RAG-систем до мультиагентных рабочих процессов. Всё это позволяет приступить к работе практически сразу после включения.
Внешне DGX Spark выглядит как типичный мини-компьютер — золотистый металлический корпус размером 150 × 150 × 50,5 мм, стилистически напоминающий уменьшенную копию легендарного DGX-1. Именно такой суперкомпьютер Дженсен Хуанг лично доставил Илону Маску в офис OpenAI в 2016 году — системы, которую принято считать отправной точкой всего нынешнего бума генеративного ИИ. Намёк на эту историю в дизайне DGX Spark вряд ли случаен.
128 гигабайт оперативной памяти и накопитель NVMe объёмом до 4 ТБ — внушительно, но вполне ожидаемо для устройства подобного класса: обученные языковые модели занимают значительное место. Самое интересное — в главном чипе. Сердце DGX Spark — GB10 Grace Blackwell Superchip, система на кристалле (SoC), разработанная совместно с компанией MediaTek.
Прежде чем двигаться дальше, стоит пояснить саму концепцию SoC для тех, кто с ней не знаком. Традиционный компьютер состоит из множества отдельных компонентов, расположенных на разных платах и соединённых между собой: центральный процессор, графический процессор, оперативная память, контроллеры. В случае системы на кристалле все эти элементы интегрированы на одном чипе. Это позволяет существенно сократить занимаемое пространство и снизить задержки при передаче данных между компонентами.
GB10 объединяет графический процессор на архитектуре Blackwell — с новейшими ядрами CUDA и тензорными ядрами пятого поколения — и центральный процессор Grace с двадцатью энергоэффективными ядрами на базе архитектуры Arm (10 высокопроизводительных ядер Cortex-X925 и 10 энергоэффективных Cortex-A725). Соединяет их технология NVLink-C2C, обеспечивающая пропускную способность в пять раз выше, чем интерфейс PCIe Gen 5. Унифицированная архитектура памяти означает, что процессор и графический сопроцессор совместно используют единый пул из 128 ГБ — без накладных расходов на копирование данных между раздельными банками.
Благодаря этому DGX Spark способен локально запускать языковые модели с числом параметров до 200 миллиардов. Для сравнения: GPT-3 — модель, с которой во многом началась нынешняя эпоха генеративного ИИ — содержит 175 миллиардов параметров. Если же соединить два устройства через специальный адаптер ConnectX с пропускной способностью 200 Гбит/с, объединённая система справляется с моделями до 405 миллиардов параметров — размер флагманской Llama 3.1 от Meta.
Заявленная производительность в 1 петафлопс — квадриллион операций в секунду — звучит впечатляюще. Для сравнения: Sony PlayStation 5 Pro выдаёт около 33 терафлопс, то есть примерно в тридцать раз меньше. Однако у этой цифры есть существенная оговорка, о которой важно говорить честно.
Заявленный петафлопс относится к вычислениям с точностью FP4 — то есть к операциям с четырёхбитными числами с плавающей точкой. Для сравнения: стандартные научные расчёты ведутся с точностью FP32 (32-битные числа), а большинство современных нейросетей при обучении используют как минимум FP16. FP4 — это очень низкая точность. При ней каждое число кодируется четырьмя битами вместо шестнадцати или тридцати двух, что позволяет резко ускорить вычисления, но ценой потери точности представления числовых значений.
Кроме того, реальный показатель достигается с использованием технологии структурного прореживания (structured sparsity): она удваивает эффективную скорость вычислений, пропуская нулевые значения. Но работает это только при условии, что конкретная задача оптимизирована под этот режим — что в реальных приложениях выполняется далеко не всегда. Независимые тесты показывают реальную производительность на уровне около 100 терафлопс в формате BF16 и около 207 терафлопс в FP8 — цифры уважительные, но далёкие от рекламного петафлопса.
После выхода устройства в продажу эта тема вызвала оживлённую дискуссию в профессиональном сообществе. Критики указывали, что заявленная мощность — маркетинговая цифра, а не реальный показатель производительности для большинства задач. Один из обозревателей зафиксировал, что при работе с моделью Llama-3.1-8B устройство выдаёт около 36 токенов в секунду — ровно столько же, сколько Mac mini с процессором M4 Pro, который стоит примерно в три раза дешевле.
И всё же было бы несправедливо сводить дискуссию к простому «обману покупателей». NVIDIA действительно провела масштабную исследовательскую работу, чтобы сохранить практически приемлемую точность при переходе на FP4. На конференции HotChips в августе 2024 года компания продемонстрировала первый генератор изображений, работающий на модели с точностью FP4: результат визуально практически неотличим от FP16. Это говорит о том, что для задач инференса в нейронных сетях четырёхбитное представление чисел вполне имеет право на существование — особенно в сочетании с грамотными методами квантизации.
Немаловажно и то, что DGX Spark обладает уникальным преимуществом, которое не отражается ни в каких бенчмарках: нативная поддержка CUDA. Конкурирующие решения на базе AMD Ryzen AI Max или чипов Apple Silicon предлагают сопоставимую или даже превосходящую производительность по соотношению цена/качество — но все они лишены доступа к экосистеме CUDA, которая по-прежнему остаётся де-факто стандартом в разработке ИИ.
Путь от анонса до прилавка оказался долгим. На CES 2025 устройство обещали выпустить в мае того же года по цене 3 000 долларов. В марте 2025 года NVIDIA переименовала Project Digits в DGX Spark. Первые поставки начались лишь осенью 2025 года — и уже по цене 3 999 долларов за версию Founders Edition. К февралю 2026 года цена выросла ещё раз — до 4 699 долларов, что NVIDIA объяснила дефицитом 128-гигабайтных модулей памяти LPDDR5x.
Параллельно к выпуску устройств подключились партнёры: Acer, ASUS, Dell, Gigabyte, HP, Lenovo и MSI выпустили собственные версии на базе того же чипа GB10 — как правило, с меньшим объёмом накопителя и по более низкой цене. Рынок обозначил своё отношение к категории довольно отчётливо: сопоставимые по возможностям системы на Ryzen AI Max+ стоят существенно дешевле, хотя и проигрывают в поддержке программного стека NVIDIA.
Реальные пользователи и независимые обозреватели дали устройству в целом осторожно положительную оценку. Отмечается исключительное удобство работы с готовым программным стеком — DGX OS поставляется с предустановленными инструментами, и первую рабочую нейросетевую задачу можно запустить буквально через несколько минут после распаковки. 128 ГБ единой памяти, разделяемой между процессором и графическим ускорителем, действительно позволяют запускать модели, недоступные на большинстве потребительских устройств. Встроенный сетевой интерфейс ConnectX-7 с пропускной способностью 200 Гбит/с — компонент, который в отдельной поставке стоит от 1 700 долларов — также выгодно отличает DGX Spark от конкурентов.
Вместе с тем критики указывают на тепловые ограничения: компактный металлический корпус объёмом 1,13 литра при длительных нагрузках заметно греется, и часть пользователей фиксировала самопроизвольные перезагрузки. Устройство потребляет значительно меньше заявленного TDP, что свидетельствует о термическом или программном ограничении производительности. Ситуацию должны исправить обновления прошивки — одно из них уже снизило потребление в режиме ожидания более чем на треть.
На пресс-конференции в январе 2025 года Дженсен Хуанг обронил фразу о том, что у компании есть «собственные планы» относительно дальнейшего использования разработанного процессора. На фоне устойчивых слухов о том, что NVIDIA активно работает над собственным потребительским центральным процессором, это заявление прозвучало не как дежурная ремарка, а как намеренный сигнал рынку.
Если компания действительно выйдет на рынок потребительских процессоров — рынок, который десятилетиями делят Intel и AMD, — последствия для индустрии сложно переоценить. GB10 уже доказал, что архитектура Arm в связке с графическим ускорителем Blackwell и унифицированной памятью работает. Остаётся вопрос: захочет ли NVIDIA идти дальше? Пока что это лишь намёки. Но в истории технологий именно так всё и начинается.
DGX Spark — устройство для узкой аудитории. При нынешней цене в несколько тысяч долларов, работе исключительно под управлением Linux и ориентации на профессиональные задачи ИИ оно явно адресовано не широкому потребителю. Разработчики и исследователи получили то, о чём давно мечтали: возможность работать с крупными языковыми моделями локально, без облачной зависимости и без необходимости делиться данными с внешними серверами.
Но, пожалуй, главное в этой истории — не само устройство. Главное — прецедент. Впервые в истории суперкомпьютерные вычисления в сфере искусственного интеллекта оказались в форм-факторе настольного компьютера с ценой, соответствующей профессиональной рабочей станции. Это тот самый момент, когда технология, существовавшая исключительно в серверных залах, делает шаг навстречу обычному рабочему пространству. Пусть пока — только для профессионалов. Но закономерность здесь такая же, как и всегда: сначала появляется дорогой инструмент для специалистов, а затем — через несколько лет — доступная версия для всех остальных.
