«Гигант - Компьютерные системы»: дефицит GPU замедлит внедрение ИИ

Российский производитель оборудования «Гигант - Компьютерные системы» прогнозирует, что в 2027 году дефицит GPU-ускорителей, рост их стоимости и увеличение сроков поставки могут стать серьезным ограничением для корпоративных ИИ-проектов. Компании переходят от экспериментов с искусственным интеллектом к его промышленному использованию, что повышает спрос на высокопроизводительные вычислительные мощности. При этом стоимость оборудования меняется быстрее, чем многие заказчики успевают согласовать закупки.

По данным «Коммерсанта», средняя месячная стоимость выделенной инфраструктуры с GPU-ускорителями для задач искусственного интеллекта и машинного обучения за первые пять месяцев 2026 года выросла на 64% по сравнению с аналогичным периодом прошлого года и достигла 2,3 млн рублей. Годом ранее показатель составлял около 1,4 млн рублей. Уже 33% заказов на GPU-серверы приходится на задачи ИИ и машинного обучения. Существенный спрос также формируют проекты в области рендеринга, разработки и обработки данных.

В «Гигант - Компьютерные системы» отмечают, что ситуация связана с изменением характера корпоративных ИИ-проектов. Если раньше компаниям зачастую хватало ограниченных вычислительных ресурсов для проверки гипотез и тестирования моделей, то теперь банки, промышленные предприятия, телеком, ритейл и разработчики цифровых сервисов переходят к постоянной эксплуатации ИИ. Для обработки больших массивов данных, компьютерного зрения, инженерных расчетов, цифровых двойников и дообучения моделей требуются высокопроизводительные серверы со значительным объемом видеопамяти.

При этом предложение GPU-ускорителей не успевает за растущим мировым спросом. Производство таких компонентов сосредоточено у ограниченного числа компаний и зависит от сложных технологических процессов, доступности памяти и глобальных цепочек поставок. В результате сроки поставки увеличиваются, а стоимость отдельных ускорителей может существенно вырасти за период согласования закупки.

Особенность GPU-серверов заключается в структуре их стоимости. Если в традиционном сервере затраты распределены между процессором, оперативной памятью, накопителями и другими компонентами, то в конфигурациях для ИИ значительную часть бюджета формируют графические ускорители. При использовании четырех или восьми GPU даже относительно небольшое изменение стоимости одной карты существенно увеличивает общую смету проекта.

«Но если сценарий уже определен, нагрузка посчитана, а инфраструктурные требования понятны, затягивать с решением становится рискованно. Рынок GPU-серверов сейчас живет в условиях дефицита: ускорители дорожают, сроки поставки меняются, а доступные конфигурации разбирают быстрее, чем компании проходят внутренние согласования», - отметила Мария Соловьева, руководитель направления серверной инфраструктуры и систем хранения данных компании «Гигант - Компьютерные системы».

Дополнительные сложности возникают при проектировании инфраструктуры. GPU-серверы предъявляют повышенные требования к электропитанию, охлаждению, пропускной способности сети и размещению в ЦОД. Поэтому при планировании необходимо учитывать не только стоимость ускорителей, но и объем видеопамяти, скорость обмена данными между GPU, доступность запасных компонентов, условия обслуживания и возможности дальнейшего масштабирования.

Рост стоимости вычислительных ресурсов также заставляет бизнес пересматривать подходы к размещению ИИ-нагрузок. Для пилотных проектов аренда GPU-мощностей или использование облачных сервисов позволяет избежать крупных первоначальных вложений. Однако при постоянной эксплуатации моделей расходы на аренду становятся значительной статьей бюджета, а доступность необходимых конфигураций зависит от возможностей провайдера.

Собственная инфраструктура может оказаться предпочтительнее для предприятий, работающих с чувствительными данными, объектами критической информационной инфраструктуры и внутренними корпоративными системами. В таких случаях компании важно самостоятельно контролировать размещение данных, доступ к вычислительным ресурсам, резервирование и эксплуатацию оборудования. При этом строительство собственного вычислительного контура требует предварительного расчета нагрузки, затрат на содержание и перспектив развития ИИ-проектов.

По оценке «Гигант - Компьютерные системы», в ближайшие годы доступность GPU-инфраструктуры будет все заметнее влиять на темпы внедрения искусственного интеллекта в российском бизнесе. Компаниям потребуется заранее определять архитектуру будущих систем, рассчитывать вычислительные нагрузки и планировать закупки с учетом возможного изменения цен и сроков поставок.

В условиях растущего спроса преимущество получат заказчики, которые смогут заранее определить требования к вычислительным мощностям и выбрать экономически обоснованную модель их использования. Для проектов, уже готовых к промышленной эксплуатации, промедление с закупкой оборудования может привести к дополнительным расходам и переносу сроков запуска ИИ-сервисов.