Подготовка почвы для новой парадигмы вычислений
Конференц-центр Mandalay Bay в Лас-Вегасе стал местом проведения одной из самых ожидаемых презентаций выставки CES 2026: 5 января генеральный директор NVIDIA Дженсен Хуанг вышел на сцену с докладом, который, по его обещанию, должен был стать предельно насыщенным обзором стратегии компании. Верный своему стилю, Хуанг представил программную речь, охватившую весь спектр современного развития ИИ — от философских основ трансформации компьютерной индустрии до презентации суперкомпьютерной платформы следующего поколения под кодовым названием Vera Rubin.
Хуанг не стал медлить и сразу обозначил масштаб происходящих перемен. По его словам, вся пятиуровневая структура компьютерной индустрии сейчас проходит через процесс коренного переосмысления. Программное обеспечение больше не «программируется» в традиционном понимании — оно обучается. Вычисления мигрировали с центральных процессоров (CPU) на графические (GPU). Приложения, которые раньше работали как предварительно скомпилированный код на локальных устройствах, теперь понимают контекст и генерируют результат с нуля при каждом взаимодействии. Это не постепенные улучшения, это фундаментальная архитектурная трансформация.
Финансовые масштабы этой трансформации ошеломляют. Хуанг указал на то, что вычислительная инфраструктура стоимостью около десяти триллионов долларов, созданная за последнее десятилетие, сейчас подвергается модернизации, а ежегодный приток венчурных инвестиций в сферу ИИ составляет сотни миллиардов долларов. Источник этого капитала, по его словам, не является загадкой: он представляет собой фундаментальное перераспределение бюджетов на исследования и разработки (R&D) — переход от классических методов вычислений к подходам на базе искусственного интеллекта в отраслях, составляющих основу мировой экономики объемом в сто триллионов долларов.
Конвергенция законов масштабирования, рассуждения и агентских систем
Значительная часть презентации Хуанга была посвящена технической преемственности, которая привела нас к текущему моменту. Он назвал появление архитектуры Transformers в 2017 году фундаментальной вехой, а запуск ChatGPT в 2022 году — переломным моментом, открывшим миру возможности ИИ. Однако по-настоящему революционным этапом Хуанг считает появление моделей рассуждения (reasoning models), начиная с модели o1 от OpenAI.
Концепция масштабирования во время инференса (test-time scaling), которую Хуанг просто и доступно назвал «мышлением», представляет собой фундаментальное расширение принципов работы ИИ-систем. Помимо этапа предварительного обучения (pre-training) для получения знаний и этапа дообучения (post-training) с учителем для развития навыков, модели теперь могут заниматься рассуждениями в реальном времени, увеличивая объем вычислений в момент формирования ответа для получения более сложных и точных результатов. Каждый из этих этапов требует колоссальных вычислительных ресурсов, и Хуанг четко дал понять: законы масштабирования продолжают действовать — более крупные модели, обученные на большем количестве данных, продолжают демонстрировать рост способностей.
Центральной темой стали агентские системы (agentic systems). Эти модели обладают способностью рассуждать, проводить исследования, использовать инструменты, планировать будущие действия и симулировать результаты. Хуанг привел в пример Cursor — ИИ-ассистент для написания кода, который произвел революцию в практике разработки ПО внутри самой NVIDIA. Агентская архитектура, в которой несколько специализированных моделей координируются «умной маршрутизацией» и имеют доступ к внешним инструментам, была охарактеризована Хуангом как базовый каркас для приложений будущего.
Особый акцент был сделан на экосистеме открытых моделей. Хуанг отметил появление DeepSeek R1 как первой открытой модели рассуждения, подчеркнув, что она дала мощный толчок глобальному движению по разработке открытого ИИ. Признавая, что открытые модели пока отстают от передовых проприетарных решений примерно на шесть месяцев, Хуанг поприветствовал взрывной рост их загрузок и демократизацию технологий, которую это дает стартапам, ученым и целым странам.
Вклад NVIDIA в развитие открытых моделей
Хуанг уделил значительное внимание собственному вкладу NVIDIA в открытую экосистему, отметив, что компания использует суперкомпьютеры DGX стоимостью в миллиарды долларов для разработки своих моделей. Спектр этих работ охватывает множество областей:
- LaProtein и OpenFold 3 — для синтеза и понимания структуры белков;
- Evo 2 — для генерации мультибелковых соединений;
- Earth 2 — для прогнозирования погоды на основе физики;
- Nemotron 3 — инновационная гибридная архитектура (Transformer-SSM), оптимизированная для длительных рассуждений.
На презентации была представлена Cosmos — открытая «базовая модель мира» от NVIDIA, созданная для понимания того, как функционирует физическая среда. В отличие от языковых моделей, обучаемых на тексте, Cosmos учится на огромных массивах видео, данных о вождении, робототехнике и 3D-симуляциях. Это позволяет создать единое представление о мире, которое связывает язык, изображения, 3D-пространство и действия.
Подход NVIDIA к открытости выходит за рамки весов моделей и включает в себя тренировочные данные и целые библиотеки. Библиотеки NeMo обеспечивают управление жизненным циклом ИИ-систем: от обработки данных до обучения, оценки, настройки фильтров безопасности (guardrailing) и развертывания.
Физический ИИ: Интеллект встречается с реальным миром
Пожалуй, самым футуристическим сегментом выступления стал физический ИИ — задача создания интеллекта, способного понимать физический мир и взаимодействовать с ним. Хуанг раскрыл, что NVIDIA работает над этой проблемой уже восемь лет.
Основная сложность заключается в том, чтобы научить машины вещам, которые естественны для человеческих детей: постоянству объекта (пониманию, что предмет не исчезает, если на него не смотреть), причинно-следственным связям, трению, гравитации и инерции. ИИ должен «осознавать», что толчок приводит к движению, а тяжелому грузовику требуется значительное усилие для остановки.
Для развития физического ИИ Хуанг представил трехкомпьютерную архитектуру:
- Первый компьютер отвечает за обучение ИИ.
- Второй (роботизированный) выполняет инференс (работу ИИ) непосредственно в автомобилях, роботах или на периферии.
- Третий — выделен специально для симуляции. Без возможности моделировать реакцию физического мира на действия ИИ невозможно оценить корректность работы системы.
Проблема данных для физического ИИ отличается от языковых моделей. Если текстов в интернете в избытке, то данных о физическом взаимодействии в различных сценариях крайне мало. Решение NVIDIA заключается в генерации синтетических данных, основанных на законах физики. Cosmos может брать данные из обычных симуляторов трафика и превращать их в физически достоверное панорамное видео, обеспечивая богатый тренировочный сигнал для обучения.
В завершение Хуанг анонсировал Alpha Mio — первый в мире «мыслящий и рассуждающий ИИ для автономных транспортных средств», обученный по принципу «end-to-end» (от видеовхода до команд управления механизмами). Это позволяет системе виртуально «проезжать» миллиарды и триллионы миль в симуляции, что критически важно для развития беспилотного транспорта.
Vera Rubin: Новые горизонты ИИ-инфраструктуры
Главной аппаратной новинкой презентации стала Vera Rubin — супервычислительная платформа NVIDIA следующего поколения для задач ИИ. Названная в честь астронома Веры Рубин, которая обнаружила доказательства существования темной материи, изучая кривые вращения галактик, эта система стала ответом NVIDIA на то, что Хуанг охарактеризовал как экзистенциальный вызов для всей индустрии.
Потребности ИИ в вычислительных мощностях растут темпами, за которыми не успевает традиционное масштабирование. Сложность моделей ежегодно увеличивается на порядок. Масштабирование во время инференса означает, что процесс выдачи результата теперь включает в себя длительные рассуждения, а не разовые ответы, при этом объем генерации токенов увеличивается примерно в пять раз в год. Одновременно с этим конкуренция заставляет снижать стоимость токенов примерно в десять раз ежегодно.
Технические характеристики Vera Rubin отражают эту реальность:
- Производительность: Платформа обеспечивает 100 петафлопс ИИ-производительности, что в пять раз превышает показатели предшественника.
- Архитектура: Система состоит из шести инновационных чипов, что потребовало полной переработки каждого компонента и переписывания всего программного стека.
- Масштаб: Одна стойка Vera Rubin MDL 72 содержит 220 триллионов транзисторов и весит почти две тонны.
- Максимальная конфигурация: Полноценная система, включающая 1 152 графических процессора (GPU) в 16 стойках, представляет собой то, что NVIDIA называет «гигантским скачком к новым рубежам ИИ».
Инженерные достижения прослеживаются во всей системе. Технология ConnectX9 обеспечивает пропускную способность 1,6 терабит в секунду для каждого GPU. Процессоры BlueField 4 DPU берут на себя задачи хранения данных и безопасности, позволяя вычислительным мощностям полностью сосредоточиться на ИИ-нагрузках. Коммутатор NVLink передает больше данных, чем весь мировой интернет, объединяя до 72 графических процессоров Rubin в единую систему.
Хуанг подчеркнул, что ради Vera Rubin компании пришлось отказаться от внутреннего правила «не менять более одного-двух чипов за поколение». Темпы развития ИИ просто невозможно поддерживать, если разработка оборудования будет идти со скоростью, привычной для традиционной полупроводниковой индустрии.
Что касается статуса производства, Хуанг высказался недвусмысленно: Vera Rubin уже находится в серийном производстве. Системы GB200 начали поставляться полтора года назад, GB300 находятся в полномасштабном производстве, а для того чтобы Vera Rubin попала к заказчикам уже в этом году, производство должно было начаться еще до официального анонса.
Вот перевод заключительной части статьи, посвященной квантовым вычислениям, выводам для индустрии и перспективам физического интеллекта:
Квантовые вычисления
В своем выступлении на CES 2026 Дженсен Хуанг не касался напрямую темы квантовых вычислений или квантовых технологий. Презентация была полностью сосредоточена на классических системах ИИ и вычислениях с ускорением на ГП (графических процессорах). Обсуждалось их применение в языковых моделях, физическом ИИ и автономных системах.
Тем не менее, некоторые аспекты презентации имеют косвенное отношение к индустрии квантовых вычислений. Акцент на симуляциях сфокусирован на платформе NVIDIA Omniverse для создания физически обоснованных цифровых двойников. Эта платформа затрагивает область, где в будущем ожидается преимущество квантовых компьютеров при решении определенных классов задач. Также обсуждалось применение ИИ для фолдинга белков и молекулярного анализа (модели LaProtein и OpenFold 3). Квантовое моделирование со временем может обеспечить дополнительные или превосходящие возможности в этих приложениях.
Примечательна и общая траектория развития инфраструктуры, очерченная Хуангом. Она включает создание гигантских центров обработки данных, потребляющих гигаватты энергии, и стремление к постоянному увеличению количества параметров и объемов обучающих данных. Эта траектория подчеркивает как достижения, так и ограничения классических подходов. Хотя дорожная карта NVIDIA предполагает дальнейшее экспоненциальное улучшение возможностей ГП, фундаментальные проблемы масштабирования, которые признал Хуанг, могут в конечном итоге создать ниши для квантовых подходов в специфических областях, где классические методы достигнут практических пределов.
Для компаний в сфере квантовых вычислений презентация подчеркивает как конкурентную среду, так и потенциальные пути интеграции. Доминирование NVIDIA в ИИ-инфраструктуре создает контекст, в котором квантовым системам, вероятно, придется демонстрировать явные преимущества в конкретных приложениях, а не претендовать на универсальность. Акцент на гибридных архитектурах и мультимодальных системах предполагает сценарии будущего, в которых квантовые процессоры могут служить специализированными ускорителями в рамках более широких ИИ-процессов под управлением классических систем.
Ключевые выводы для отраслевых обозревателей
- Агрессивные темпы обновления: Дорожная карта NVIDIA подтверждает ежегодное совершенствование инфраструктуры ИИ. Платформа Vera Rubin демонстрирует десятикратное улучшение по сравнению с Blackwell в производительности фабрик и экономической эффективности генерации токенов. Отказ от традиционных циклов разработки полупроводников в пользу ежегодных крупных обновлений задает темп всему рынку.
- Стратегия открытых моделей: NVIDIA позиционирует себя не просто как поставщик «железа», но и как катализатор демократизации ИИ. Предоставляя модели передового уровня, обучающие данные и инструменты управления жизненным циклом ИИ, компания строит экосистему, стимулирующую использование её платформ в самом широком спектре приложений.
- Ставка на физический ИИ: Помимо языковых моделей, физический ИИ становится главным фронтиром для NVIDIA. Архитектура из трех компьютеров (обучение, инференс и симуляция) создает основу для понимания того, как будут развиваться воплощенные (embodied) ИИ-системы, и делает Omniverse ключевой инфраструктурой для робототехники и промышленной автоматизации.
- Промышленное внедрение: Партнерство с Siemens сигнализирует о переходе физического ИИ из стадии исследований в стадию промышленного развертывания. Интеграция библиотек CUDA-X и Omniverse в инструменты проектирования и симуляции Siemens — это прямой путь к трансформации производства и крупномасштабных промышленных операций.
Взгляд в будущее: Гонка за физическим интеллектом
Выступление Дженсена Хуанга на CES 2026 нарисовало картину индустрии, в которой трансформация происходит настолько быстро, что традиционные сроки разработки устарели. Одновременное развитие базовых моделей, способностей к рассуждению, агентских архитектур и физического ИИ создает колоссальное давление на вычислительную инфраструктуру — вызов, на который NVIDIA отвечает ежегодной сменой поколений платформ.
Подтекст всей презентации был ясен: конкурентное преимущество в ИИ требует не просто доступа к моделям, но и доступа к мощностям, достаточным для того, чтобы первым достигать новых рубежей. Скорость обучения определяет время вывода продукта на рынок. Пропускная способность фабрик определяет потенциальный доход. Эффективность генерации токенов определяет экономическую целесообразность. В такой среде компании, не имеющие доступа к ультрасовременной инфраструктуре, рискуют безнадежно отстать.
Для обозревателей последствия выходят за рамки технических характеристик «железа». Видение NVIDIA позиционирует ИИ не как прикладной программный уровень, а как фундаментальную трансформацию принципов работы компьютеров, создания приложений и взаимодействия цифровых систем с физическим миром. Компания, построившая репутацию на графике, теперь открыто формулирует свою миссию как обеспечение следующей промышленной революции.
Станут ли достижимыми агрессивные сроки, намеченные Хуангом, и сможет ли классическая вычислительная техника бесконечно поддерживать текущую траекторию — вопросы остаются открытыми. Но направление движения неоспоримо: вычисления, интеллект и взаимодействие с физическим миром конвергируют (сливаются), и инфраструктура для поддержки этого слияния строится в беспрецедентных масштабах и темпах.