Amazon, Google i Microsoft nalaze se među najvećim kupcima Nvidijinih čipova. Istovremeno, tehnološki giganti ulažu milijarde dolara u razvoj sopstvenih AI akceleratora, pokušavajući da smanje zavisnost od kompanije koja je postala jedan od najvećih dobitnika globalnog buma veštačke inteligencije.
To ne znači da će Nvidia uskoro izgubiti dominantnu poziciju. Njena prednost nije samo u samim procesorima, već u čitavom tehnološkom sistemu izgrađenom oko njih – od softverskog ekosistema CUDA do infrastrukture sposobne da poveže hiljade grafičkih procesora u ogromne računarske klastere.
Ipak, računica najvećih tehnoloških kompanija prilično je jednostavna.
Ako Amazon određeni AI zadatak može da izvrši na sopstvenom Trainium procesoru umesto na Nvidijinom GPU-u, veći deo novca ostaje unutar Amazonovog ekosistema. Isto važi za Googleove TPU procesore i Microsoftovu Maia platformu.
Tako nastaje neobična situacija: najveći kupci Nvidije istovremeno postaju i njeni konkurenti.
Od fabrike do AI modela
Čip koji izađe iz fabrike još nije računarska infrastruktura sposobna da trenira najnaprednije modele veštačke inteligencije.
Potrebno ga je povezati sa velikom količinom memorije i hiljadama drugih procesora, smestiti u data centar, obezbediti mrežnu infrastrukturu, hlađenje i ogromne količine električne energije, a zatim razviti softver preko kojeg će kompanije koristiti takav sistem.
Tu je važno razumeti različite uloge kompanija u lancu AI industrije.
TSMC proizvodi fizičke čipove prema nacrtima drugih kompanija. Nvidia i AMD projektuju GPU-ove i druge akceleratore, dok Google, Amazon i Microsoft razvijaju sopstvene specijalizovane AI procesore. TSMC njihove nacrte pretvara u fizičke čipove, koji se potom ugrađuju u velike računarske sisteme.
Tek takva infrastruktura može da bude ponuđena kompanijama poput OpenAI-ja, Anthropica ili hiljadama AI startapa za treniranje i pokretanje modela.
GPU nije jedini procesor za veštačku inteligenciju
Nvidia je svoju dominantnu poziciju izgradila prvenstveno na GPU procesorima (Graphics Processing Unit), odnosno grafičkim procesorima.
GPU-ovi su prvobitno razvijani za obradu grafike, ali je njihova sposobnost da paralelno izvršavaju ogroman broj matematičkih operacija postala izuzetno pogodna za treniranje neuronskih mreža.
AI akcelerator je, međutim, širi pojam. Reč je o procesoru optimizovanom da zadatke veštačke inteligencije izvršava brže i efikasnije od klasičnog CPU-a (Central Processing Unit).
GPU može biti AI akcelerator, ali nije svaki AI akcelerator GPU.
Google je razvio TPU (Tensor Processing Unit), specijalizovan za mašinsko učenje. Amazon razvija Trainium, dok Microsoft ulaže u Maia procesore.
Cilj je isti – smanjiti troškove, povećati kontrolu nad sopstvenom infrastrukturom i smanjiti zavisnost od Nvidije.
Zašto Amazon želi sopstveni čip?
Tu se tehnološka trka pretvara u poslovnu.
Kada AWS kupi Nvidijin procesor i preko njega svojim korisnicima pruža AI usluge, deo ekonomije svakog takvog zadatka odlazi Nvidiji.
Ako isti posao može da bude izvršen na Trainium čipu, Amazon kontroliše veći deo troška, infrastrukture i potencijalne zarade.
Google i Microsoft imaju sličnu računicu.
Za TSMC je situacija drugačija. Tajvanski proizvođač ne mora nužno da predvidi koji će dizajner AI procesora pobediti. Njegov posao je proizvodnja čipova prema dizajnu naručilaca, pa promena dominantne arhitekture ne mora automatski da znači i promenu proizvođača.
Nvidia ima nešto što konkurenti ne mogu brzo da kopiraju
Nvidijina najveća odbrana zato možda nije samo hardver.
CUDA, njen softverski ekosistem za programiranje grafičkih procesora, razvija se gotovo dve decenije. Veliki broj AI alata, biblioteka i modela već je prilagođen toj platformi.
Za kompaniju koja želi da pređe na drugačiju arhitekturu to znači dodatni razvoj, prilagođavanje softvera, testiranje i troškove.
Zbog toga Nvidia ne prodaje samo čip. Ona prodaje čitav ekosistem koji je godinama postajao standard u industriji veštačke inteligencije.
Ali najveći kupci očigledno smatraju da se ulaganje u alternativu ipak isplati.
Anthropic koristi više od milion Amazonovih čipova
Anthropic je jedan od najboljih primera.
Kompanija koja razvija Claude koristi više od milion Amazonovih Trainium2 procesora za treniranje i pokretanje svojih AI modela.
Amazon je kroz dosadašnje i novo ulaganje značajno povećao finansijsku povezanost sa Anthropicem, dok se Anthropic obavezao da će tokom narednih deset godina potrošiti više od 100 milijardi dolara na AWS tehnologije i kapacitete.
Dogovor je koristan za obe strane.
Anthropic dobija ogromnu količinu računarske snage i mogućnost da svoje modele pokreće na različitim vrstama procesora, dok Amazon dobija jednog od najvećih svetskih AI igrača kao korisnika sopstvenih čipova.
Time Trainium prestaje da bude samo Amazonov interni eksperiment i postaje ozbiljna alternativa za neke od najzahtevnijih AI poslova.
Računarska snaga postaje strateški resurs
Razvoj veštačke inteligencije pokazao je da kvalitet algoritma više nije jedini presudan faktor.
Kompanija može da ima odličan model i vrhunske istraživače, ali ako nema dovoljno računarske infrastrukture, njen proizvod može da kasni za konkurencijom.
To se jasno videlo prilikom predstavljanja GPT-4.5 u februaru 2025. godine. Model je bio izuzetno zahtevan u pogledu računarskih resursa, što je dodatno pokazalo koliko pristup velikim količinama procesorske snage utiče na brzinu razvoja i dostupnost AI sistema.
Zbog toga se računarska snaga sve više može posmatrati kao strateški resurs, slično energiji ili telekomunikacionoj infrastrukturi.
Nije dovoljno napraviti bolji AI model. Potrebno je imati dovoljno procesora da se on istrenira, testira i ponudi milionima korisnika pre nego što to uradi konkurencija.
Šta to znači za Srbiju i Adria region?
Većina zemalja Adria regiona neće projektovati sopstvene AI akceleratore niti graditi fabrike poluprovodnika poput TSMC-ja.
Ali to ne znači da su isključene iz AI trke.
Za univerzitete, naučne institute i kompanije koje razvijaju proizvode zasnovane na veštačkoj inteligenciji sve važnije postaje pitanje pristupa računarskoj infrastrukturi.
Srbija je deo tog problema pokušala da reši izgradnjom javno dostupnih kapaciteta u Državnom data centru u Kragujevcu.
Nacionalna platforma za veštačku inteligenciju prvobitno je izgrađena na četiri Nvidia DGX A100 sistema sa ukupno 32 GPU-a i oko pet petaflopsa AI performansi.
Drugi superkompjuter, pušten u rad u aprilu 2026. godine, dodatno je povećao raspoložive kapacitete. Sistem čini šest Nvidia DGX H200 jedinica sa ukupno 48 GPU-a i oko 32 petaflopsa AI performansi.
Sledeći veliki korak očekuje se krajem 2026. i početkom 2027. godine.
Novi sistem, koji Srbija razvija u saradnji sa francuskom kompanijom Bull SAS, trebalo bi da ima 640 Nvidia Grace Hopper superčipova raspoređenih u 160 računarskih čvorova. Planirano je da sva tri superkompjutera početkom 2027. godine Srbiji obezbede ukupno 720 GPU-a.
AI trka neće se voditi samo oko najboljeg modela
Za mali tehnološki tim razlika između dostupne i nedostupne računarske snage može biti presudna.
Dva startapa mogu imati gotovo identičnu ideju i podjednako dobre inženjere. Ako jedan odmah dobije pristup stotinama moćnih procesora, dok drugi na infrastrukturu čeka nekoliko meseci, prvi može da završi treniranje modela i izađe na tržište dok konkurent još čeka resurse.
Zato pitanje računarske snage postaje i pitanje tehnološke politike.
Država ne mora da proizvodi sopstveni AI čip da bi učestvovala u ovom delu tehnološkog lanca. Može da gradi data centre, superkompjutere i druge sisteme koji istraživačima i domaćim kompanijama omogućavaju pristup procesorima koje projektuju i proizvode globalni tehnološki giganti.
Upravo zbog toga buduća AI trka neće biti samo borba za najbolji model.
Biće to i borba za čipove, električnu energiju, data centre, softverske ekosisteme i, na kraju, za kontrolu nad računarskom snagom na kojoj počiva čitava industrija veštačke inteligencije prenosi BloombergAdria.
