Goldman Sachs сообщает, что затраты на память увеличивают расходы на суперчип Nvidia Vera Rubin

Goldman Sachs оценил, что компоненты памяти теперь составляют примерно 62% от общих материальных затрат на предстоящий суперчип Vera Rubin от Nvidia, что является заметным увеличением по сравнению с 53% в системах предыдущего поколения GB300. Этот сдвиг подчеркивает растущее значение памяти в общей структуре затрат на современные AI-чипы.

Оценочная стоимость материалов для полной системы Vera Rubin NVL72 составляет около 7,8 миллиона долларов, при этом затраты на память приближаются к 2 миллионам долларов. Это представляет собой ошеломляющее увеличение расходов на память более чем на 435% по сравнению с прошлым годом.

Причины роста затрат на память

Платформа Vera Rubin использует два типа передового кремния. На стороне GPU чипы Rubin от Nvidia включают до 288 ГБ HBM4, последнего поколения высокоскоростной памяти, которая может обеспечить 22 ТБ/с пропускной способности. GPU построен на дизайне с 336 миллиардами транзисторов с использованием 3-нм процесса TSMC. CPU оснащен кастомным процессором Vera с 88 ядрами Olympus и до 1,5 ТБ памяти LPDDR5X, соединенной через память-согласованный NVLink-C2C с пропускной способностью 1,2 ТБ/с.

Влияние на цепочку поставок

Этот анализ Goldman Sachs подчеркивает более широкую тенденцию, влияющую на цепочку поставок. Поскольку память составляет такую значительную часть материальных затрат системы, судьбы производителей памяти все больше связаны с ростом инфраструктуры AI. Крупные производители, такие как Samsung, SK Hynix и Micron, которые поставляют чипы HBM и LPDDR, находятся в выгодном положении, но сталкиваются с проблемами масштабирования производства из-за сложных требований к упаковке для HBM4.

Nvidia исследует различные оптимизации для смягчения давления на затраты, включая корректировки емкости памяти и архитектурные изменения для повышения эффективности использования памяти. Платформа Vera Rubin будет анонсирована в 2025 году, а начало производства ожидается в 2026 году, с акцентом на высокопроизводительные AI-рабочие нагрузки.