Nvidia skokowo podnosi ceny, podwyżki „związane z AI”. Wysadzi już i tak koszmarnie kosztowną branżę?
Nvidia poinformowała swoich największych klientów o podwyżkach cen serwerów zawierających flagowe układy produkcji tej firmy dedykowane do obsługi AI. W wielu przypadkach wzrosty cen będą skokowe i przekroczą 15%. Podwyżki wejdą w życie od początku 2027 roku – a dokładniej, od zamówień, których dostawę przewiduje się na początek przyszłego roku – i dotyczyć będą m.in. serwerów z chipami Grace Blackwell oraz Vera Rubin – najnowszymi i najwydajniejszymi układami firmy, zaprojektowanymi specjalnie z myślą o radzeniu sobie z wyzwaniami związanymi z treningiem oraz inferencją modeli sztucznej inteligencji.
Decyzja o podwyżkach, i to relatywnie sporych, tłumaczona jest gwałtownym wzrostem kosztów pamięci HBM3e, dostarczanej przede wszystkim przez producentów koreańskich – Samsung i SK Hynix. W efekcie w górę szybują ceny zarówno najnowszych układów, jak wspomniane Grace Blackwell (B200), jak i bardziej powszechnych Hopper (H100, H200). Jednostkowe GPU H100 kosztuje obecnie 25–40 tysięcy dolarów, zaś kompletne systemy HGX z ośmioma procesorami oscylują w granicach 250-320 tys. dolarów, przy czym kontraktowe ceny wzrosły między październikiem 2025 roku a marcem 2026 o blisko 40%.
Trudno stwierdzić, na ile uzasadnienia powołujące się na „koszty” są ścisłe – biorąc pod uwagę, że zarówno te dwie firmy, jak i sama Nvidia notują rekordowe zyski – a na ile podnoszą one ceny, bo po prostu mogą. Nvidia może sobie na to pozwolić, bo utrzymuje około 80% udziału w segmencie akceleratorów do sztucznej inteligencji, co praktycznie czyni ją quasi-monopolistą. Jednocześnie łańcuch dostaw pamięci wysokoprzepustowej znajduje się pod tak silną presją, że czas oczekiwania na realizację zamówień wydłużył się do 3–7 miesięcy.
Nvidia korzysta, póki może?
To wszystko, co oczywiste, nie pozostaje bez reakcji rynku. Szereg firm pracuje bowiem nad rozpoczęciem produkcji własnych chipów. Google rozwija architekturę TPU Ironwood, Amazon przyspiesza prace nad Trainium 4, Microsoft wdraża układy Maia 200, zaś Meta rozbudowuje rodzinę MTIA. Na efekty tych prac trzeba jednak poczekać. Wedle prognoz, udział producenta z Santa Clara w rynku inferencji może spaść z obecnych 90% do 20–30% – ale dopiero w 2028 roku. I przy założeniu, że Nvidia nie wprowadzi w międzyczasie nowego modelu, który – podobnie jak Blackwell – ponownie nie zdeklasuje konkurentów osiągami.
Skutkiem tych będzie najprawdopodobniej to, że trening AI – i już i tak wręcz koszmarnie kosztowny – stanie się jeszcze droższy. Koszt treningu modeli klasy GPT-5 lub Gemini Ultra oscyluje obecnie między 200 a 500 mln dol, z projekcjami sięgającymi 1–3 miliardów dla generacji modeli spodziewanej pod koniec 2027 roku. OpenAI spodziewa się wydać 85 mld dol. w 2028 roku wyłącznie na infrastrukturę obliczeniową, tracąc 1,35 dolara na każdy zarobiony. Z kolei Anthropic, generując miesięcznie ponad 5 mld dol. przychodu, ponosi wydatki rzędu 10 mld na pokrycie kosztów inferencji i treningu.
