Nvidia rozważa mniej pamięci w Rubin Ultra, a w systemie Vera Rubin już ją ogranicza

Rubin Ultra: cztery konfiguracje HBM w fazie testów

Od trzeciego kwartału 2026 roku Nvidia rozszerzyła analizę konfiguracji pamięci Rubin Ultra. Pierwotnie zakładano zastosowanie jednej wersji z 12-warstwową pamięcią HBM4e (12-Hi HBM4e). Obecnie równolegle rozważane są cztery warianty :

• 12-Hi HBM4e — pierwotna konfiguracja,
• 8-Hi HBM4e,
• 12-Hi HBM4,
• 8-Hi HBM4.

Ostateczna specyfikacja nie została jeszcze ustalona . Według TrendForce powodem jest zarówno oczekiwany niedobór DRAM w 2027 roku, który może ograniczyć moce produkcyjne przeznaczone na HBM, jak i niepewność dotycząca terminów kwalifikacji HBM4e u trzech głównych producentów pamięci .

W praktyce oznacza to wybór między maksymalną wydajnością a możliwością dostarczenia odpowiedniej liczby układów. Jeśli najbardziej zaawansowane stosy 12-Hi HBM4e będą trudne do wyprodukowania lub zatwierdzenia na czas, Nvidia może wykorzystać warianty 8-Hi albo starszą generację HBM4.

Vera Rubin NVL72: mniej pamięci SOCAMM

W przypadku platformy Vera Rubin zmiana jest bardziej konkretna. Według doniesień Nvidia miała zmniejszyć pojemność modułów SOCAMM w systemie rackowym Vera Rubin NVL72 ze 192 GB do 96 GB na moduł .

Analizy przywołane przez TrendForce i GF Securities wskazują, że w efekcie łączna pojemność pamięci procesorów Vera w jednym racku mogłaby spaść z około 55 TB do 28 TB. Pojemność pamięci HBM4 przypisanej do GPU miałaby pozostać bez zmian i wynosić 20,7 TB na rack .

Celem takiej zmiany ma być ograniczenie kosztów i złagodzenie problemów z dostępnością pamięci. Według przywoływanych szacunków HBM i SOCAMM odpowiadają już za około 29 proc. całkowitego kosztu materiałowego systemu Vera Rubin .

Cięcie specyfikacji czy różne wersje dla klientów?

Niektóre źródła zwracają uwagę, że opisywane zmiany nie muszą oznaczać obniżenia jednej, wcześniej ustalonej specyfikacji. Nvidia może przygotowywać kilka wariantów SKU — czyli wersji produktu o różnych poziomach pamięci, przeznaczonych do odmiennych zastosowań i obciążeń .

Taki model pozwoliłby firmie oferować zarówno konfiguracje o najwyższej wydajności, jak i tańsze lub łatwiejsze do wyprodukowania wersje. Z punktu widzenia klientów różnica będzie jednak istotna: ilość pamięci wpływa na to, jak duże modele AI i zbiory danych mogą być obsługiwane bez przenoszenia części obliczeń do wolniejszej pamięci.

Oficjalna odpowiedź Nvidii

Nvidia odrzuca sugestie, że Vera Rubin lub Rubin Ultra zostały ograniczone z powodu niedoboru HBM. W opublikowanym 7 sierpnia 2026 roku wpisie firma stwierdziła, że omawiane konfiguracje to różne SKU i dostrajanie produktów do potrzeb konkretnych klientów, a nie obniżenie parametrów wymuszone problemami z dostawami .

Firma podkreśla także, że regularnie dostosowuje układy obliczeniowe, sieciowe i pamięciowe, aby osiągnąć najlepszy kompromis między wydajnością a efektywnością dla poszczególnych klientów .

Dyrektor generalny Nvidii Jensen Huang mówił w czerwcu 2026 roku, że Samsung, SK Hynix i Micron uzyskały certyfikację do dostaw HBM4. Potwierdził również, że Vera Rubin jest w pełnej produkcji, a serwery Rubin, Rubin Ultra i Kyber pozostają zgodne z harmonogramem . W lipcu Huang odrzucał doniesienia o opóźnieniach, twierdząc, że produkcja Vera Rubin przebiega w „ogromnych” wolumenach .

W ten sposób powstała wyraźna różnica między interpretacją analityków a stanowiskiem producenta. TrendForce widzi w rozszerzeniu testów plan awaryjny związany z podażą pamięci. Nvidia przedstawia go jako standardowe przygotowanie kilku wersji produktu.

Dlaczego pamięć coraz mocniej wpływa na plany Nvidii?

HBM4 ma być wyprzedane w 2026 roku

Według przywoływanych analiz zapasy HBM4 są zakontraktowane na cały 2026 rok, a napięta sytuacja na rynku DRAM ma utrzymać się również w 2027 roku . To zwiększa presję cenową i utrudnia planowanie dostaw dla wszystkich platform Nvidii nowej generacji — od Vera Rubin po Rubin Ultra.

Pamięć stała się głównym kosztem systemu

Przy udziale sięgającym około 29 proc. kosztu materiałowego Vera Rubin NVL72 pamięć nie jest już tylko dodatkiem do procesora i GPU. HBM oraz SOCAMM stają się jednym z najważniejszych elementów kosztowych całego systemu . Każda zmiana liczby warstw w stosie HBM albo pojemności modułów może więc wpływać nie tylko na wydajność, lecz także na cenę i skalę produkcji.

Nvidia zabezpiecza dostawy na ogromną skalę

Aby zapewnić sobie dostęp do pamięci, Nvidia i SK Group ogłosiły inicjatywę o wartości ponad 500 mld dolarów, obejmującą długoterminową współpracę z SK Hynix przy dostawach HBM4 dla generacji Vera Rubin . Kilka dni później Samsung Electronics i Broadcom zawarły osobną współpracę o wartości 200 mld dolarów .

Łączna skala tych deklarowanych porozumień — około 700 mld dolarów — pokazuje, że dostęp do pamięci stał się strategicznym priorytetem całego ekosystemu układów AI. Nie chodzi już wyłącznie o to, kto zaprojektuje najszybszy akcelerator, lecz także o to, kto zdoła zapewnić mu wystarczającą liczbę odpowiednich modułów pamięci.

Więcej wariantów zamiast jednego flagowego modelu

Nvidia wydaje się przygotowywać szerszą ofertę SKU, różniącą się wysokością stosów HBM i całkowitą pojemnością pamięci . Taka elastyczność może pozwolić firmie utrzymać dostawy nawet wtedy, gdy najbardziej zaawansowane moduły HBM4e okażą się ograniczone.

To kompromis: słabszy wariant może oferować niższą wydajność lub mniejszy zakres obsługiwanych danych, ale jednocześnie zwiększa szansę na produkcję w dużej skali. W przypadku infrastruktury AI dla klientów liczy się bowiem nie tylko rekordowy wynik pojedynczego układu, lecz także możliwość otrzymania tysięcy działających systemów.

Wnioski

Doniesienia wskazują na rzeczywistą presję ze strony cen i dostępności pamięci. Nvidia ma analizować mniej pojemne konfiguracje HBM dla Rubin Ultra, a w systemie Vera Rubin NVL72 miała zmniejszyć pojemność pamięci SOCAMM. Firma oficjalnie zaprzecza jednak, że są to wymuszone niedoborem obniżki, i określa je jako warianty dopasowane do różnych klientów.

Ostateczna specyfikacja Rubin Ultra nie została ogłoszona. Kierunek jest jednak jasny: w erze Rubin o możliwościach sprzętu AI decydować będzie nie tylko architektura GPU, ale także dostępność, cena i certyfikacja pamięci, która zasila cały system.