Amazon, Google i Microsoft spadaju među najveće kupce Nvidijinih čipova, ali istovremeno razvijaju sopstvene AI procesore.
Cilj je jasan – smanjiti zavisnost od kompanije koja je postala jedan od najvećih dobitnika razvoja vještačke inteligencije i zadržati veći dio zarade unutar sopstvenih sistema.
To, međutim, ne znači da Nvidia preko noći gubi dominantnu poziciju. Njena prednost nije samo u čipovima, već i u softverskom ekosistemu CUDA, velikoj bazi korisnika i tehnologiji koja omogućava povezivanje hiljada procesora u ogromne računarske sisteme.
Ipak, računica za tehnološke gigante je jednostavna. Ako Amazon određeni AI zadatak može da izvrši na sopstvenom Trainium čipu umjesto na Nvidijinom GPU-u, veći dio novca ostaje unutar Amazonovog sistema.
Upravo zbog toga neki od najvećih Nvidijinih kupaca istovremeno postaju i njeni konkurenti.
Od čipa do ogromnih AI sistema
Čip koji izađe iz fabrike TSMC-a sam po sebi još nije računarska infrastruktura. Potrebno ga je povezati s memorijom i hiljadama drugih procesora, smjestiti u data centar i obezbijediti mrežu, električnu energiju i softver potreban za njegovo korištenje.
TSMC proizvodi fizičke čipove prema nacrtima drugih kompanija. Nvidia i AMD razvijaju GPU-ove i druge akceleratore, dok Google, Amazon i Microsoft razvijaju sopstvene AI procesore.
TSMC njihove dizajne pretvara u fizičke čipove, koji se potom ugrađuju u sisteme sposobne da povežu hiljade procesora.
Tek takva infrastruktura omogućava kompanijama poput OpenAI-ja i Anthropica, kao i brojnim AI startapima, da treniraju i pokreću svoje modele.
GPU više nije jedini AI procesor
Nvidia je dominantnu poziciju izgradila na GPU čipovima (Graphics Processing Unit – grafički procesor). Prvobitno su razvijeni za grafiku, ali se njihova sposobnost da paralelno izvršavaju veliki broj matematičkih operacija pokazala izuzetno pogodnom za neuronske mreže.
AI akcelerator je širi pojam. Riječ je o procesoru optimizovanom za izvršavanje zadataka vještačke inteligencije brže i efikasnije od klasičnog CPU-a (Central Processing Unit – centralni procesor).
GPU može biti AI akcelerator, ali nije svaki AI akcelerator GPU.
Google razvija TPU (Tensor Processing Unit), Amazon Trainium, dok Microsoft ima Maia procesore. Razvojem sopstvenih čipova ove kompanije pokušavaju da povećaju efikasnost, smanje zavisnost od Nvidije i zadrže veći dio zarade unutar sopstvene infrastrukture.
Ako AWS kupi Nvidijin procesor, dio vrijednosti svakog AI zadatka odlazi Nvidiji. Ako isti posao može da obavi na Trainium čipu, Amazon kontroliše veći dio troškova, ponude i zarade.
Google i Microsoft slijede sličnu strategiju.
Za TSMC je situacija drugačija. Tajvanska kompanija proizvodi čipove prema dizajnu svojih klijenata, pa promjena arhitekture procesora ne mora nužno značiti i promjenu proizvođača.
Nvidijina velika prednost nije samo čip
Nvidijina pozicija, ipak, nije zasnovana isključivo na hardveru.
CUDA, njen softverski ekosistem za programiranje grafičkih procesora, razvija se gotovo dvije decenije. Brojni AI alati i modeli već su prilagođeni tom sistemu, zbog čega prelazak na drugu arhitekturu može zahtijevati dodatni razvoj, prilagođavanje i testiranje.
Da je prelazak na alternativne procesore moguć u velikom obimu pokazuje Anthropic.
Kompanija koja razvija Claude koristi više od milion Amazonovih Trainium2 procesora za treniranje i pokretanje svojih AI modela.
Anthropic se takođe obavezao da će tokom narednih deset godina potrošiti više od 100 milijardi dolara na AWS tehnologije.
Anthropic na taj način dobija ogroman računarski kapacitet i alternativu infrastrukturi zasnovanoj isključivo na Nvidijinim procesorima, dok Amazon dobija jednog od najvećih korisnika sopstvenih AI čipova.
Računarska snaga postaje strateški resurs
Koliko je pristup procesorima važan za razvoj vještačke inteligencije pokazao je i OpenAI.
Kada je u februaru 2025. predstavljen GPT-4.5, izvršni direktor kompanije Sem Altman rekao je da OpenAI nema dovoljno grafičkih procesora, zbog čega je pristup modelu korisnicima morao da bude proširivan postepeno.
OpenAI je potom širio računarsku infrastrukturu i kroz saradnju s drugim velikim pružaocima cloud usluga.
U AI industriji, dakle, više nije dovoljno samo napraviti napredniji model. Kompanija mora da ima i dovoljno računarske snage da ga trenira, testira i omogući njegovo korištenje velikom broju korisnika.
Zbog toga pristup čipovima i data centrima postaje jedan od ključnih faktora konkurencije u AI industriji.
Šta to znači za naš region?
Većina zemalja regiona neće razvijati sopstvene AI akceleratore niti graditi fabrike poput TSMC-a. Međutim, pristup računarskoj snazi postaje sve važniji za univerzitete, istraživačke institute i kompanije koje razvijaju proizvode zasnovane na vještačkoj inteligenciji.
Srbija je dio tog problema pokušala da riješi kroz javnu infrastrukturu. U Državnom data centru u Kragujevcu nalazi se Nacionalna platforma za vještačku inteligenciju, namijenjena institucijama, istraživačima i kompanijama.
Za manje kompanije i startape pristup takvoj infrastrukturi može biti presudan. Dva tima mogu imati sličnu ideju i jednako kvalitetne inženjere, ali ako jedan odmah dobije pristup velikom broju procesora, dok drugi mjesecima čeka potrebne kapacitete, prvi može mnogo ranije završiti razvoj i izaći na tržište.
Zato računarska snaga sve više postaje i pitanje tehnološke politike. Država ne mora da proizvodi sopstvene AI čipove da bi učestvovala u razvoju ove industrije, ali pristup savremenoj računarskoj infrastrukturi može biti važan za konkurentnost domaćih kompanija i istraživača.
Kako piše Bloomberg Adria, upravo razvoj sopstvenih akceleratora Amazona, Googlea i Microsofta pokazuje kako se mijenja odnos snaga u AI industriji: kompanije koje su među najvećim kupcima Nvidije istovremeno pokušavaju da smanje zavisnost od nje.