Агентный ИИ меняет приоритеты: почему бизнес отказывается от дорогих GPU в пользу процессоров

Переход от генеративного искусственного интеллекта к агентному ИИ открывает перед предприятиями возможность использовать более гибкие и менее затратные способы вычислений. В то время как первые модели ИИ строились преимущественно на базе дорогих графических ускорителей (GPU) от Nvidia и AMD, новые агентные инструменты ориентированы на управление бизнес-процессами и рабочими задачами. Это позволяет им эффективно работать на менее мощном и более экономичном оборудовании.

Возвращение центральных процессоров

По мнению аналитиков, ИТ-директорам, которые по привычке считают GPU обязательным условием для любых задач ИИ, стоит пересмотреть свои подходы. Современные вычисления в области искусственного интеллекта уже вышли за рамки использования графических ускорителей. В новой архитектуре центральные процессоры (CPU) вновь становятся незаменимым фундаментом, выполняя функции координатора и критической плоскости управления для всего стека ИИ.

Помимо стандартных процессоров, на рынке набирают популярность специализированные чипы — ASIC (интегральные схемы специального назначения). Хотя эта технология существует уже много лет, её реальная полезность стала очевидной именно сейчас, когда агентный ИИ становится массовым.

Преимущества оптимизированного оборудования

Выбор в пользу CPU и специализированных ускорителей обусловлен несколькими факторами:

• Энергоэффективность: центральные процессоры потребляют значительно меньше энергии и лучше подходят для работы на периферийных устройствах.
• Стоимость владения: использование ASIC вместо GPU обходится дешевле на протяжении всего жизненного цикла платформы.
• Управление процессами: агентный ИИ больше ориентирован на менеджмент моделей и рабочих потоков, где ключевую роль играет именно CPU.

Вопрос ценообразования в облачных сервисах остается сложным, так как аренда мощностей CPU тарифицируется иначе, чем использование тяжелых GPU. При обучении нейросетей графические ускорители загружены почти на 100%, что ведет к колоссальному расходу электричества. В то же время серверы общего назначения и процессоры обычно работают с загрузкой 40–60%, что делает их эксплуатацию более предсказуемой и дешевой.

Смена парадигмы: от обучения к инференсу

В индустрии прогнозируют, что в ближайшие два-три года до 85% всех рабочих нагрузок ИИ сместится в сторону инференса — процесса работы уже обученной модели, а не её создания. Именно поэтому крупнейшие облачные провайдеры, такие как Google, Amazon и Microsoft, активно внедряют собственные центральные процессоры и энергоэффективные ASIC для выполнения этих задач.

Даже лидер рынка Nvidia, осознавая потребность в менее энергоемких решениях, добавила специализированные чипы для инференса в свою линейку оборудования и инвестирует значительные средства в покупку соответствующих технологий.

Текущий всплеск спроса на процессоры указывает на растущую сложность ИИ-инфраструктуры. Проблемой становится не только вычислительная мощность, но и скорость передачи данных и координация систем. В будущем лидерами рынка станут архитектуры, способные обеспечить максимальную производительность на каждый ватт потребляемой энергии, а не просто обладающие наибольшим количеством ядер.

Твитнуть