Egy megawattnyi AI-gyárkapacitás felépítése nagyjából 60 millió dollárba kerül – és a befektetők csak akkor vállalják ezt a tőkekockázatot, ha világosan látják a várható megtérülést. Az NVIDIA szerint ennek a megtérülésnek három alapvető pillére van: a gyár kereseti kapacitása, az AI-hardver hasznos élettartama, valamint a generált tokenek iránti kereslet. A három tényező egymástól elválaszthatatlan, és egyik sem képes kompenzálni a másik gyengeségét – ez az az egyenlet, amelyre az NVIDIA a saját AI-gyár platformját felépítette.
Termelékenység: a legtöbb token minden egyes megawattból
Az AI-gyárak elsődleges szűk keresztmetszete az energiafogyasztás. Emiatt a kereseti kapacitást leginkább a megawattonkénti tokenszám határozza meg: minél több tokent lehet előállítani azonos teljesítményen, annál több bevétel keletkezik, és annál magasabb a haszonkulcs. A SemiAnalysis AgentX elemzése szerint az NVIDIA Vera Rubin NVL72 rendszer a DeepSeek V4 Pro modellen mérve több mint 30-szorosát nyújtja a megawattonkénti áteresztőképességnek az NVIDIA GB300 NVL72-höz képest, miközben a millió tokenre jutó költség akár 45-szörös különbséget is mutat a korábbi rendszer javára.
Ez a drámai teljesítményugrás nem egyetlen komponensből fakad, hanem a teljes fejlesztési verem – modellek, szoftver, számítási egységek, hálózat és memória – összehangolt, közös tervezéséből. Felmerülhet a kérdés: ha minden generáció ennyivel olcsóbbá teszi a tokenelőállítást, nem csökken-e a számítási igény? Az NVIDIA válasza egyértelmű: nem, hanem nő. Az olcsóbb tokenek újabb felhasználási eseteket tesznek gazdaságossá, és ezek az esetek összességében több tokent fogyasztanak, mint amennyit az hatékonyságnövekedés megtakarít.
NVIDIA AI-gyár tartóssága: a régi hardver is keres
Nem minden feladathoz kell a legújabb rendszer. A munkaterhelések összetettsége és jellege határozza meg, hogy melyik generáció a legmegfelelőbb – ez magyarázza, hogy miért marad gazdaságilag aktív az előző generáció akkor is, amikor megérkezik az újabb. Az NVIDIA A100 GPU 2020-ban jelent meg, és hat évvel később még mindig kereskedelmi üzemben van. A CoreWeave például a 2020-ban bevezetett egységekre 2029-ig meghosszabbította a foglalásait.
Egy 2026 szeptemberében megjelent Sprout-elemzés – The Productive Life of a Data Center GPU – nyomon követte, hogyan tolódott ki az amortizációs időszak a nagy szereplőknél. Kiderült, hogy minden jelentős üzemeltető meghosszabbította a szervereinek tervezett élettartamát. A Microsoft NVIDIA V100-as flottája például 8,4 évig működött, miközben a könyvelési élettartam csupán hat év volt. A Barkr piaci adatai alapján egy nyolc GPU-s H100-as rendszer öt-hat évig hasznos, a GB300 NVL72 esetében ez kilenc-tíz évet jelent. A Silicon Data adatai szerint egy hat éves A100 GPU még mindig az eredeti árának negyedét éri el a másodlagos piacon, jóllehet az ötéves amortizációs ütemterv szerint már több mint egy éve nullán kellene állnia. Az Ornn Data azt találta, hogy a piaci szereplők ötéves szerződésen egy A100-ért az egy hónapos bérlet díjának 80%-át fizetik.
A tartósságot szoftveroldalról a CUDA platform biztosítja: ez generációkon átívelően fut, így az üzemeltetők meglévő hardvereszközei nem válnak használhatatlanná, amikor új architektúra érkezik. A folyamatos szoftver- és kerneloptimalizáció pedig tovább javítja a már telepített hardver teljesítményét évekkel az üzembe helyezés után is. Az NVIDIA AI-biztonsági platformja szintén erre az infrastruktúrára épül, illeszkedve a CUDA-ökoszisztémába.
Rugalmasság: minden AI-típus, minden fázis, minden helyszín
Egy kizárólag egyféle feladatra épített gyár azt feltételezi, hogy az a feladat tartósan megmarad. Egy rugalmas gyár ellenben akkor is bevételt termel, ha a piaci igények megváltoznak. Az NVIDIA AI-gyárak nyílt és zárt modelleket egyaránt futtatnak, a nyelvi, látási, biológiai, fizikai és robotikai területeket lefedve. Lefuttatják az AI teljes életciklusát az adatfeldolgozástól az előtanításon, utótanításon és következtetésen át. Működnek hiperszkalált felhőkörnyezetekben, szuverén programokban, vállalati adatközpontokban és peremhálózati helyszíneken egyaránt.
A rugalmasságot a CUDA platform és a több mint 1000 kész CUDA-X könyvtár adja, amelyek a mélyneurális hálóktól a számítási litográfián, a kvantumszimuláción és a vektorkeresésen át az éghajlatmodellezésig minden területet lefednek – és több mint 10 millió fejlesztő épít rájuk. Ez az, ami az NVIDIA GPU-kat általános célú gyorsítóvá teszi az egyetlen feladatra optimalizált egyedi ASIC-ekkel szemben. A Tensor Core-ok és a Transformer Engine AI-optimalizált hardvert helyeznek egy programozható architektúrán belülre, így a specializáció és a rugalmasság egyszerre valósul meg.
Ahogy a Lenovo AI Express platformjánál is megfigyelhető, a NVIDIA-alapú infrastruktúra gyorsan és sokféle kontextusban bevethető. A valós éles példák jól érzékeltetik ezt a sokoldalúságot:
- Lilly: 1016 GPU-s, helyszíni klaszteren fehérje-, kis molekulás és genomikai modelleket futtat, saját csapatainak chatbotokat és agentic munkafolyamatokat biztosít.
- Pinterest: Látásnyelvi modell utótanítása és üzembe helyezése 14 000 GPU-n, amelyek NVIDIA Blackwell, Hopper és korábbi architektúrákat is magukba foglalnak.
- Revolut: Milliárdos tranzakciós rekordok feldolgozása NVIDIA cuDF-fel, majd alapmodell tanítása és üzemeltetése AI-felhőn.
- Runway: Világmodell tanítása NVIDIA Hopper rendszeren, kiszolgálása NVIDIA Blackwell platformon, felhőinfrastruktúrán keresztül.
- Texas A&M University: Molekulaszimulációk és AI-alapú gyógyszerkutatás szuperszámítógépen, 26 projekt és 7 intézmény részvételével, 95–98%-os kihasználtsággal.
Az AI-n kívüli felhasználás is figyelemre méltó: a Cosm nagy felbontású videólejátszáshoz és valós idejű grafikához alkalmaz NVIDIA-alapú elosztott adatközpontot; a Dassault Systèmes virtuális ikrek szimulációját futtatja repülőgép-tanúsításhoz és járműtervezéshez; az Unilever termékvizualizációit digitális ikreken alapuló képalkotással készíti el, így a gyártási költségeket felére csökkentette. A párhuzamos matematikai műveletek – amelyekre az összes felsorolt feladat visszavezethető – ugyanis ugyanazok, akár tokeneket generálunk, akár fényszimulációt vagy fehérjehajtogatást végzünk.
Az agentic AI biztonsági kérdései szintén erre a rugalmas, generációkon átívelő platformra támaszkodva kezelhetők, ami tovább erősíti az architektúra hosszú távú értékét.
Gyakori kérdések
Mennyibe kerül egy megawattnyi AI-gyárkapacitás felépítése?
Az NVIDIA becslése szerint egy megawattnyi AI-gyárkapacitás kiépítésének költsége nagyjából 60 millió dollár. A nagyobb projektek akár gigawattos méreteket is elérhetnek.
Meddig üzemelnek ténylegesen az NVIDIA GPU-k kereskedelmi környezetben?
A piaci adatok azt mutatják, hogy a hardverek jóval túlélik a tervezett amortizációs időszakot. A CoreWeave a 2020-ban piacra kerülő A100-asokra 2029-ig hosszabbított foglalásokat; a Barkr elemzése szerint a GB300 NVL72 hasznos élettartama elérheti a kilenc-tíz évet is.
Mitől válik egy AI-gyár „rugalmassá” (fungible)?
A rugalmasság azt jelenti, hogy ugyanaz az infrastruktúra sokféle feladatot képes ellátni: nyílt és zárt AI-modelleket, az adatfeldolgozástól az következtetésig minden fázist, valamint nem AI-jellegű számítási feladatokat is – mint például szimuláció, grafika vagy tudományos számítás. Ezt a CUDA platform és a több mint 1000 CUDA-X könyvtár teszi lehetővé.
Miért nem csökkenti az olcsóbb tokenelőállítás a számítási keresletet?
Az NVIDIA érvelése szerint az alacsonyabb tokenköltség új felhasználási eseteket tesz gazdaságossá, amelyek összességében több tokent fogyasztanak, mint amennyit a hatékonyságnövekedés megtakarít – így a kereslet összességében bővül, nem szűkül.
Forrás: NVIDIA Blog
