OpenAI wdraża Nvidia Vera Rubin NVL72. Nvidia przechodzi od chipów do kompletnych systemów AI

To istotna lista, ponieważ obejmuje zarówno wyspecjalizowanego dostawcę infrastruktury AI, jak i największe platformy chmurowe. Sugeruje to, że Rubin jest sprawdzany w różnych środowiskach operacyjnych, a nie tylko podczas demonstracji przygotowanych przez samego producenta.

OpenAI jest częścią szerszego planu rozbudowy infrastruktury. Firma i Nvidia ogłosiły porozumienie dotyczące co najmniej 10 gigawatów centrów danych z systemami Nvidii. Pierwszy gigawat ma zostać uruchomiony w drugiej połowie 2026 r. z wykorzystaniem platformy Vera Rubin.

Dlaczego wdrożenie OpenAI jest ważnym sprawdzianem?

OpenAI może być jednym z najbardziej wymagających rzeczywistych testów Rubina. Czołowe laboratorium AI potrzebuje ogromnej mocy obliczeniowej, bardzo wydajnej komunikacji między układami, wysokiej niezawodności oraz możliwości szybkiej rozbudowy infrastruktury.

Jeśli wdrożenie OpenAI będzie działać produkcyjnie, dostarczy Nvidii dowodów w trzech obszarach:

1. Znaczenie dla rzeczywistych obciążeń: Rubin będzie używany w faktycznym programie rozwoju zaawansowanych modeli, a nie wyłącznie w benchmarku lub pokazie technologicznym.
2. Gotowość całego systemu: Nvidia pokaże, że jej rackowa architektura może przejść proces kwalifikacji u klienta i trafić do produkcyjnego użycia.
3. Potencjał sprzedażowy: Udane wdrożenia mogą zachęcić kolejne laboratoria i dostawców chmury do kupowania kompletnych systemów Rubin, wzmacniając popyt na całą platformę.

Trzeba jednak zachować ostrożność. Sama informacja o wdrożeniu nie mówi, ile racków faktycznie zainstalowano, jakie wyniki szkolenia modeli osiągnięto ani kiedy Nvidia rozpozna przychody. To właśnie te szczegóły zdecydują, czy mamy do czynienia z przełomem komercyjnym, czy raczej z wczesnym etapem walidacji.

Ile kosztuje rack Vera Rubin NVL72?

W dostępnych materiałach nie ma oficjalnego cennika Nvidii. Opublikowane szacunki różnią się w zależności od konfiguracji i momentu przygotowania wyceny:

• doniesienia mówiły o około 7–8 mln dolarów za rack,
• szacunek Bernsteina przywoływany w późniejszych publikacjach wskazywał około 9,1 mln dolarów,
• Morgan Stanley oszacował koszt jednego racka VR200 NVL72 na około 7,8 mln dolarów.

Nie są to potwierdzone ceny sprzedaży Nvidii, lecz szacunki kosztu systemu lub wydatku nabywcy. Rozbieżności pokazują też, dlaczego ekonomiki racka nie można oceniać wyłącznie przez liczbę GPU. Na końcowy rachunek wpływają pamięć, pamięć masowa, serwery, sieć, chłodzenie i pozostałe elementy infrastruktury.

Koszt samego racka to dopiero początek. Jeden z szacunków Bernsteina, cytowany przez Investing.com, oceniał budowę 1 GW mocy centrum danych opartego na architekturze Vera Rubin na około 47 mld dolarów. To szacunek nakładów infrastrukturalnych, a nie bezpośrednia prognoza przychodów Nvidii ani uniwersalny koszt każdej inwestycji.

Co marże CoreWeave mówią o ekonomice chmury?

CoreWeave dostarcza wczesnego sygnału dotyczącego komercyjnej strony całego przedsięwzięcia. Firma poinformowała, że nowo podpisane w II kwartale umowy powinny zapewniać marże o 5–10 punktów procentowych wyższe niż kontrakty zawierane we wcześniejszych kwartałach. W lipcu podniosła również ceny w całej ofercie.

Nie oznacza to, że każde wdrożenie Rubin będzie bardziej rentowne. Na marże CoreWeave wpływają między innymi ceny kontraktowe, stopień wykorzystania infrastruktury, finansowanie, koszty energii i chłodzenia, wydatki operacyjne oraz konkretna konfiguracja sprzętu.

Informacja ta podważa jednak prosty scenariusz, w którym nowsze systemy AI automatycznie obniżają rentowność dostawców chmury, bo wymagają większych nakładów. Kluczowe pytanie brzmi, czy wyższa wydajność i ceny płacone przez klientów zrekompensują większą inwestycję początkową. Jeśli klienci będą płacić za szybszą lub bardziej efektywną moc obliczeniową, a dostawcy utrzymają jej wysokie wykorzystanie, systemy rackowe mogą poprawiać ekonomię biznesu mimo wyższej ceny zakupu.

Rola CoreWeave w walidacji systemu

CoreWeave był pierwszym dostawcą chmury AI, który uruchomił i w pełni zweryfikował Vera Rubin NVL72. Testy objęły cały rack — zasilanie, chłodzenie, sieć oraz obliczenia.

To ważne rozróżnienie. Włączenie pojedynczych chipów nie jest tym samym co uruchomienie kompletnej, chłodzonej cieczą szafy z działającą siecią i warstwą oprogramowania. Praca CoreWeave dostarczyła wczesnego dowodu, że platforma może działać w skali produkcyjnej, i ograniczyła ryzyko integracyjne przy kolejnych wdrożeniach.

CoreWeave opublikował także porównanie oparte na działającym sprzęcie. Firma twierdzi, że Vera Rubin NVL72 wygenerował 10 razy więcej tokenów na sekundę na megawat w porównaniu z Nvidia GB200 NVL72 w porównywalnym zadaniu DeepSeek-R1. To benchmark przedstawiony przez samą spółkę i przeprowadzony w określonych warunkach, a nie uniwersalna gwarancja wydajności dla każdego obciążenia.

Nvidia sprzedaje coraz więcej niż same akceleratory

Wprowadzanie Rubina pokazuje, że Nvidia przesuwa się w stronę dostarczania kompletnych systemów infrastruktury AI. Firma opisuje łańcuch dostaw obejmujący ponad 350 zakładów w 30 krajach, określając go jako największy dotąd łańcuch dostaw dla infrastruktury rackowej.

Skala geograficzna ma znaczenie, ponieważ ograniczeniem nie jest już wyłącznie liczba wyprodukowanych GPU. Działający rack wymaga zsynchronizowanych dostaw GPU, CPU, zaawansowanej pamięci, serwerów, urządzeń sieciowych, systemów chłodzenia cieczą, infrastruktury zasilającej oraz ekip zdolnych do instalacji i uruchomienia całości.

Coraz większa rola Nvidii w koordynowaniu — a być może także bezpośrednim dostarczaniu — kompletnych systemów może zwiększyć kontrolę firmy nad całym stosem infrastruktury AI. Jednocześnie rośnie ryzyko wykonawcze. Opóźnienie ważnego komponentu może przesunąć dostawę całego racka, a opóźnienie racka może wpłynąć na harmonogram centrum danych klienta i termin rozpoznania przychodów przez Nvidię.

Proponowane konfiguracje dwu-, cztero- i ośmiorackowe zawierałyby odpowiednio 144, 288 i 576 GPU, jeśli każda z nich korzystałaby z tego samego modułu bazowego z 72 GPU. To proste przeskalowanie liczby układów; dostępne źródła nie potwierdzają niezależnie, że wszystkie trzy warianty są formalnymi SKU Nvidii ani że mają ustalone terminy dostaw. Najważniejszy jest kierunek: Nvidia projektuje powtarzalne klocki rackowe, które można łączyć w większe „fabryki AI”.

Co obserwować w raporcie Nvidii 26 sierpnia?

Nvidia prognozowała przychody w II kwartale roku fiskalnego na poziomie 91 mld dolarów, z odchyleniem plus/minus 2%, przy założeniu braku przychodów z obliczeń centrów danych w Chinach. Spółka wskazała również marżę brutto na poziomie około 74,9% według GAAP i 75,0% w ujęciu non-GAAP.

Raport z 26 sierpnia warto traktować jako test komercyjnego tempa Rubina, a nie wyłącznie podsumowanie minionego kwartału. Inwestorzy powinni zwrócić uwagę na cztery kwestie:

1. Czy Rubin przechodzi od walidacji do produkcji masowej?

Najważniejsze będą konkretne informacje o wysyłkach produkcyjnych, wdrożeniach u klientów, dostępności komponentów i terminie, w którym przychody z Rubina zaczną mieć istotny wpływ na wyniki. Nvidia informowała, że dostawy produkcyjne mają ruszyć jesienią, podczas gdy inne doniesienia mówiły już o pełnej produkcji i wysyłkach do klientów.

2. Czy Nvidia obroni marże?

Systemy rackowe zawierają więcej drogich i skomplikowanych komponentów niż samodzielne akceleratory. Komentarz dotyczący marży pokaże, czy Nvidia jest w stanie przerzucać te koszty na klientów i utrzymać siłę cenową blisko wcześniejszych prognoz.

3. Czy pamięć i inne komponenty ograniczają podaż?

Nvidia ostrzegała przed ograniczeniami podaży i zwiększała wydatki na zabezpieczenie dostaw w obliczu szerszych problemów na rynku pamięci. Warto szukać informacji o dostępności pamięci, kosztach komponentów i tym, czy ograniczenia mogą spowolnić wdrażanie Rubina.

4. Czy prognozy potwierdzą trwały popyt?

Sam wynik w wysokości 91 mld dolarów będzie ważny, ale jeszcze ważniejsze mogą okazać się prognozy na kolejny kwartał i komentarze dotyczące zobowiązań klientów. Mocna historia Rubina wymaga dowodów na powtarzalny popyt, a nie tylko udanego pierwszego wdrożenia.

Wnioski

Wdrożenie Vera Rubin przez OpenAI jest istotne, ponieważ łączy kolejną platformę Nvidii z najbardziej wymagającymi zadaniami związanymi z rozwojem frontier AI. Obecność systemów Rubin w CoreWeave, Google Cloud, Microsoft Azure, Oracle Cloud Infrastructure i Nebius sugeruje, że architektura wychodzi poza etap samej zapowiedzi produktu.

Teza inwestycyjna nadal zależy jednak od wykonania. Ceny racków są szacunkami, a nie oficjalnym cennikiem. Poprawa marż raportowana przez CoreWeave dotyczy konkretnej firmy i jej kontraktów. Wczesna walidacja nie dowodzi jeszcze dostaw na dużą skalę.

Raport Nvidii z 26 sierpnia pomoże odpowiedzieć na pytanie, czy Vera Rubin staje się skalowalnym i rentownym biznesem systemowym, czy na razie pozostaje imponującą, ale wciąż wczesną zmianą w infrastrukturze AI.