Важным преимуществом Nvidia являются не только ускорители на базе GPU, но и программная платформа CUDA, включающая готовый код для распространённых ИИ-задач, инструменты для поиска ошибок и приложения, позволяющие тысячам чипов согласованно работать при обучении моделей, пишет Business Insider. Но ИИ может нивелировать это преимущество.

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Сравнительный тест камер флагманских смартфонов (2026): итоги

Топ-10 смартфонов до 10 тысяч рублей (2026 год)

Снято в Голливуде? Почему Стэнли Кубрик физически не смог бы подделать лунную походку

Обзор беззеркальной камеры Sony Alpha 7 V: эволюция с человеческим лицом

Компьютер месяца — август 2026 года

Источник изображения: Steve A Johnson/unsplash.com

Всё, что было построено на платформе CUDA, — миллионы строк кода и внутренних рабочих процессов, разработанных компаниями, — создало мощный эффект привязки, который делает переход на альтернативы дорогостоящим и сложным. Например, согласно внутренним документам Amazon, CUDA является основным препятствием для внедрения ИИ-чипов Trainium и Inferentia.

Однако, как утверждают некоторые эксперты, ИИ позволит автоматизировать одну из самых сложных задач в отрасли: создание программного обеспечения, которое обеспечивает работу самого ИИ. Джереми Никсон (Jeremy Nixon), бывший исследователь Google Brain и основатель стартапа Infinity, занимающегося разработкой ПО для ИИ, рассказал в интервью Business Insider, что его компания использовала ИИ-агентов для создания программного обеспечения, подобного CUDA, для стартапа D-Matrix. И весь процесс занял всего 10 часов — доказательство того, что один из самых серьёзных барьеров для отказа от чипов Nvidia вполне преодолим.

OpenAI и Anthropic также продемонстрировали ИИ-модели, способные генерировать системное программное обеспечение. А основатель DeepSeek Лян Вэньфэн (Liang Wenfeng) недавно сообщил, что ИИ-агенты, наряду с собственным языком программирования его стартапа TileLang, значительно упростили создание ПО для ИИ.

В свою очередь Nvidia заявила, что разработчики всё чаще используют библиотеки кода CUDA для создания ИИ-приложений и что она сама также использует программных ИИ-агентов для более быстрой разработки CUDA и её проверки в большем масштабе. По словам компании, по мере внедрения ИИ-моделей ценность её интегрированных аппаратных и программных продуктов увеличивается: «По мере того как ИИ смещается в сторону инференса и агентных рабочих нагрузок, потребность в глубокой, комплексной оптимизации только растёт».

Не все считают, что программные агенты подрывают преимущество CUDA. Бин Сюй (Bing Xu), основатель стартапа INT21, занимающегося разработкой ПО для ИИ, заявил, что CUDA обладает самой развитой экосистемой инструментов верификации и других функций, которые помогают агентам программирования работать более эффективно. По его словам, эта экосистема станет следующим защитным барьером для CUDA по мере развития агентов. «Агенты могут генерировать много кода за короткое время, но верификация — это самое узкое место», — говорит Сюй. Он добавил, что, хотя ИИ может помочь конкурентам догнать CUDA, Nvidia извлекает выгоду из тех же технологических процессов. Чипмейкер не спит и не стоит на месте, заявил Сюй.

При этом генеральный директор Modular Крис Латтнер (Chris Lattner) отметил, что написание кода — это лишь малая часть разработки программного обеспечения по сравнению с более сложными задачами, такими как его оптимизация для промышленного использования.

Американская компания Nvidia стала доминирующим игроком в сегменте ускорителей ИИ не моментально. Этому способствовала многолетняя работа по продвижению своей инфраструктуры, включая средства для разработчиков CUDA. Китайская Alibaba Group готова пойти аналогичным путём, а потому откроет свободный доступ к фирменным средствам разработки.

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Сравнительный тест камер флагманских смартфонов (2026): итоги

Компьютер месяца — август 2026 года

Обзор беззеркальной камеры Sony Alpha 7 V: эволюция с человеческим лицом

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Топ-10 смартфонов до 10 тысяч рублей (2026 год)

Снято в Голливуде? Почему Стэнли Кубрик физически не смог бы подделать лунную походку

Источник изображения: Nvidia

О намерениях сделать исходный код своего программного инструментария открытым и общедоступным профильное подразделение T-Head заявило на Всемирной конференции по ИИ в Шанхае (WAIC) буквально вчера, как отмечает South China Morning Post. Чипы семейства Zhenwu используют программные библиотеки SAIL для разработки программного обеспечения, необходимого в сфере ИИ. Этот инструментарий отныне будет доступен международным разработчикам ПО без оплаты и ограничений. Конкурирующие Huawei Technologies и Moore Threads Technology подобный подход к распространению своего ПО тоже поддерживают. Первая соответствующие шаги предприняла ещё в прошлом году, открыв доступ к платформе CANN, которая позволяет разрабатывать ПО для фирменных ускорителей Huawei Ascend.

По словам представителей T-Head, открытие доступа к инструментарию SAIL направлено на облегчение использования фирменных ускорителей Alibaba международными разработчиками. Адаптировать эти средства разработки к популярному программному окружению можно менее чем за семь дней, как отмечают в T-Head. Для миграции на SAIL требуются минимальные изменения на уровне программного кода. По состоянию на апрель этого года, Alibaba удалось поставить 560 000 ускорителей Zhenwu более чем 400 корпоративным клиентам из более чем 20 отраслей экономики. Alibaba также продвигает и собственные клиентские устройства, на WAIC компания представила свои первые наушники с поддержкой ИИ. Попутно Alibaba создаются программные решения, направленные на более широкое распространение технологий искусственного интеллекта.

Небольшой лондонский стартап Spectral Compute разработал компилятор CUDA, который при запуске на оборудовании AMD превосходит инструменты, разработанные самой AMD. Компания сделала ставку на то, что по-настоящему доминирующим решением в области высокопроизводительных вычислений (HPC) и искусственного интеллекта является комплекс CUDA, а не оборудование Nvidia.

Сравнительный тест камер флагманских смартфонов (2026): итоги

Компьютер месяца — август 2026 года

Обзор беззеркальной камеры Sony Alpha 7 V: эволюция с человеческим лицом

Топ-10 смартфонов до 10 тысяч рублей (2026 год)

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Снято в Голливуде? Почему Стэнли Кубрик физически не смог бы подделать лунную походку

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Источник изображения: Mariia Shalabaieva / unsplash.com

Spectral Compute разработала компилятор SCALE, выступающий заменой компилятору Nvidia NVCC и позволяющий запускать существующий код CUDA на другом оборудовании, включая ускорители AMD — никаких изменений в исходный код вносить не требуется. В отличие от инструментов, которые транслируют CUDA на другие языки или работают с уже скомпилированными файлами, SCALE выступает как полноценный компилятор, и он компилирует код CUDA непосредственно под целевое оборудование. Принцип его работы аналогичен механизмам работы компиляторов для центральных процессоров: код выполняется на различных архитектурах, а разница в производительности обусловливается лишь аппаратной частью, а не компилятором.

Разработчик исходит из того, что CUDA сохранит свои позиции в будущем — сейчас на долю этой технологии приходятся около 80 % кода в сфере HPC. Решения от Spectral Compute опередили существующие аналоги. AMD HIPIFY преобразует код CUDA в C++ для платформы ROCm, но не задействует в полной мере низкоуровневые возможности. Intel SYCLomatic переводит около 90 % кода, но 10 % приходится дорабатывать вручную. Метод Spectral Compute позволяет избежать подобных компромиссов: перекомпиляция исходного кода и сверка результатов с NVCC позволяют сохранить точность вычислений и повысить производительность. На графических процессорах AMD средства SCALE могут превосходить HIPIFY до шестикратных значений.

Пока компания занимается в первую очередь оборудованием AMD, но работает и над поддержкой других архитектур ускорителей для задач ИИ, включая оборудование самой Nvidia — и для него сохраняется возможность повысить производительность за счёт более эффективной компиляции. Spectral также работает над расширением поддержки таких библиотек CUDA как cuDNN, cuTENSOR и cuDF, планируя обеспечить совместимость с PyTorch для лучшей интеграции в типичные рабочие процессы в области ИИ. К прямой конкуренции с Nvidia в Spectral не стремятся — в июне компания присоединилась к программе Nvidia Inception. Она готова сотрудничать со всеми игроками в отрасли, поддерживая хорошие отношения и с Nvidia, и с AMD. В компании работают около 30 сотрудников. Коммерческим компаниям компилятор продаётся, а академическим и некоммерческим организациям предоставляется бесплатно. Spectral стремится сохранить CUDA в качестве стандарта, но устранить зависимость отрасли от одного производителя оборудования.

Google работает над улучшением производительности своих ИИ-чипов при работе с PyTorch. Этот проект с открытым исходным кодом является одним из наиболее широко используемых инструментов для разработчиков моделей ИИ. Для ускорения разработки Google сотрудничает с Meta✴✴, создателем и администратором PyTorch. Партнёрство подразумевает доступ Meta✴✴ к большему количеству ИИ-ускорителей. Этот шаг может пошатнуть многолетнее доминирование Nvidia на рынке ИИ-вычислений.

Компьютер месяца — август 2026 года

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Снято в Голливуде? Почему Стэнли Кубрик физически не смог бы подделать лунную походку

Сравнительный тест камер флагманских смартфонов (2026): итоги

Обзор беззеркальной камеры Sony Alpha 7 V: эволюция с человеческим лицом

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Топ-10 смартфонов до 10 тысяч рублей (2026 год)

Источник изображения: unsplash.com

Эта инициатива является частью агрессивного плана Google по превращению своих тензорных процессоров (Tensor Processing Unit, TPU) в жизнеспособную альтернативу лидирующим на рынке графическим процессорам Nvidia. Продажи TPU стали важнейшим двигателем роста доходов Google от облачных сервисов. Однако для стимулирования внедрения ИИ-ускорителей Google одного оборудования недостаточно.

Новая инициатива компании, известная как TorchTPU, направлена ​​на устранение ключевого барьера, замедляющего внедрение чипов TPU, путём обеспечения их полной совместимости и удобства для разработчиков PyTorch. Google также рассматривает возможность открытия некоторых частей исходного кода своего ПО для ускорения его внедрения. По сравнению с предыдущими попытками поддержки PyTorch на TPU, Google уделяет больше организационного внимания, ресурсов и стратегического значения TorchTPU, поскольку компании, которые хотят использовать эти чипы, рассматривают именно программный стек как узкое место технологии.

PyTorch, проект с открытым исходным кодом, активно поддерживаемый Meta✴✴, является одним из наиболее широко используемых инструментов для разработчиков, создающих модели ИИ. В Кремниевой долине очень немногие разработчики пишут каждую строку кода, которую будут фактически выполнять чипы от Nvidia, AMD или Google. Разработчики полагаются на такие инструменты, как PyTorch, представляющий собой набор предварительно написанных библиотек кода и фреймворков.

Источник изображения: pytorch.org

Доминирование Nvidia обеспечивается не только её ускорителями ИИ, но и программной экосистемой CUDA, которая глубоко интегрирована в PyTorch и стала методом по умолчанию для обучения и запуска крупных моделей ИИ. Инженеры Nvidia приложили максимум усилий, чтобы программное обеспечение, разработанное с помощью PyTorch, работало максимально быстро и эффективно на чипах компании.

Бо́льшая часть программного обеспечения Google для ИИ построена на основе платформы Jax, что отталкивает клиентов, применяющих для разработки PyTorch. Поэтому сейчас для Google стало особенно важным обеспечить максимальную поддержку PyTorch на своих ускорителях ИИ. В случае успеха TorchTPU может значительно снизить затраты на переход для компаний, желающих найти альтернативу графическим процессорам Nvidia.

Чтобы ускорить разработку, Google тесно сотрудничает с Meta✴✴, создателем и администратором PyTorch. Это партнёрство может предоставить Meta✴✴ доступ к большему количеству ИИ-чипов Google. Meta✴✴ прямо заинтересована в разработке TorchTPU — это позволит компании снизить затраты на вывод данных и диверсифицировать инфраструктуру ИИ, отказавшись от использования графических процессоров Nvidia.

В качестве первого шага Meta✴✴ предложила использовать управляемые Google сервисы, в рамках которых клиенты, такие как Meta✴✴, получили бы доступ к ИИ-ускорителям Google, а Google обеспечивала их операционную поддержку. В этом году Google уже начала продавать TPU напрямую в центры обработки данных своих клиентов. Компания нуждается в такой инфраструктуре как для запуска собственных продуктов ИИ, включая чат-бот Gemini и поиск на основе ИИ, так и для предоставления доступа клиентам Google Cloud.

Источник изображения: Google

«Мы наблюдаем огромный, ускоряющийся спрос как на нашу инфраструктуру TPU, так и на инфраструктуру GPU, — заявил представитель Google. — Наша цель — обеспечить разработчикам гибкость и масштабируемость, необходимые независимо от выбранного ими оборудования».

Nvidia начала поэтапно сокращать программную поддержку графических процессоров Maxwell, Pascal и Volta. Одновременно с выпуском библиотеки для ускоренных вычислений CUDA 12.8, компания объявила, что эти архитектуры теперь «заморожены», хотя и остаются пока полностью функциональными. Это означает, что в дальнейшем для этих архитектур в библиотеке CUDA не будет добавлено никаких новых функций.

Обзор беззеркальной камеры Sony Alpha 7 V: эволюция с человеческим лицом

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Сравнительный тест камер флагманских смартфонов (2026): итоги

Снято в Голливуде? Почему Стэнли Кубрик физически не смог бы подделать лунную походку

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Топ-10 смартфонов до 10 тысяч рублей (2026 год)

Компьютер месяца — август 2026 года

Источник изображений: Nvidia

Пока неясно, когда будет прекращена поддержка драйверов игровых GPU на упомянутых архитектурах. Представленные в свежей библиотеке CUDA обновлённые программные инструменты содержат интегрированные драйверы с номером версии 571.96, в то время как текущие актуальные драйверы имеют версию 566.36. При этом версия прикладного программного обеспечение не выросла, к тому же само приложение, похоже, неправильно идентифицирует этот выпуск драйвера, помечая его как «драйвер запуска 4070 Ti SUPER» (4070 Ti SUPER launch driver).

Специалисты ресурса VideoCardz изучили обновлённые драйверы. Они сообщают, что поддержка Maxwell и Pascal в этой версии драйверов сохранена и вероятность её прекращения на данный момент, по-видимому, невелика.

Чипы поколения Maxwell использовались в линейке видеокарт GeForce GTX 700/900, а архитектура Pascal лежит в основе графических ускорителей Nvidia GeForce GTX 10-й серии. Чипы Volta использовались лишь в одной потребительской модели — TITAN Volta. Ранее Nvidia уже прекратила поддержку устаревшей архитектуры Kepler, следующими могут стать видеокарты эпохи «до-RTX».