Nvidia lampas sa chip: open source, mga pabrika ng AI at bentaheng imprastraktura
Imprastraktura ang ibinebenta ng Nvidia, hindi lang chip
Pagsusuri | Nobyembre 13, 2026. Nvidia ang nangingibabaw na tagapagtustos ng high-end chip para sanayin at patakbuhin ang mga modelong AI sa data center. Tinataya ng industriya na nasa 80% ang pandaigdigang bahagi nito. Lumalampas ang halaga nito sa processor tungo sa software, kasangkapan ng developer, cloud at gawaing inhinyeriya. Mas malaking gawain ang palitan ang gumaganang plataporma kaysa magdisenyo ng katunggaling processor. Sinusukat ng market share ang tiyak na merkado, hindi ang bilang ng lahat ng kumpanyang AI o eksklusibong pagdepende.
Binabago ng paglipat mula sa pagkuha ng nakaimbak na impormasyon tungo sa agarang paglikha ng sagot ayon sa konteksto ang papel ng komputasyon sa ekonomiya. Kumukuwenta ang AI para gumawa ng output, hindi basta naghahatid ng nakarekord na file. Dito nagmumula ang pabrika ng AI: bahagi ng paggawa ng serbisyong digital ang imprastraktura. Ang pagsubok sa negosyo ay kung sapat ang pakinabang ng output para kumita nang higit sa gastos ng paghahatid nito.
Bahagi ng makina ang open source, pero hindi lubusang bukas ang CUDA
Pinapayagan ng open source ang pagsusuri, pagbabago at pagbabahagi ng software ayon sa lisensiya, kaya posible ang pagtutulungan ng mga kumpanya at bansa. Halimbawa ang PyTorch: sa paglipat nito sa Linux Foundation ay nagsama ang AMD, AWS, Google Cloud, Meta, Microsoft Azure at Nvidia. Hindi pag-aari o tagumpay ng iisang chip company ang bukas na software ng AI.
Nakikilahok ang Nvidia habang pinananatili ang mga proprietary na bahagi. BSD ang lisensiya ng CUTLASS at dobleng MIT/GPL ang Linux GPU kernel modules. Pero hindi ginagawang bukas ng kernel modules ang buong driver, firmware o CUDA Toolkit. May sariling lisensiya at limitasyon ang Toolkit. Magkaiba ang libreng download, open source at bukas na weights; dapat suriin ang bawat bahagi.
May tatlong kaugnay na layunin ang bukas na modelo: pag-unawa sa susunod na arkitektura, pagpapalawak ng AI lampas sa ilang proprietary na supplier, at pagsuporta sa biology, physics at robotics bukod sa wika. Halimbawa ang Nemotron 3 Super. Inilalarawan ito ng Nvidia bilang hybrid Mamba-Transformer mixture-of-experts na may 120 bilyong kabuuang parameter at 12 bilyong aktibo, kasama ang inilabas na checkpoint, dataset at pamamaraan. Tiyak na anyo ito ng pagiging bukas, hindi kawalan ng limitasyon ng lahat ng produkto.
Ang bentahe ay ang daan mula ideya hanggang gumaganang sistema
Nagbibigay ang CUDA ng programming platform, compiler, library at tools para sa GPU-accelerated na aplikasyon. Puwedeng gumamit ang mananaliksik ng mataas na antas na framework nang hindi direktang isinusulat sa CUDA ang bawat operasyon. Pero nakaaapekto pa rin ang pagpapatupad sa ilalim nito sa memorya, pagkukuwenta at komunikasyon ng mga device.
Pangunahing bentahe ang umiiral na base ng CUDA. Binabawasan ng suportadong software, sanay na inhinyero, debugging tools at pamilyar na deployment ang kawalang-katiyakan sa aktuwal na paggamit ng modelo. Gumaganang kombinasyon ang kalaban, hindi lang numerong nasa chip specifications. Maaaring kailanganin sa pagpapalit ang pag-angkop ng software, pagpapatunay ng resulta at muling pagbuo ng kaalaman sa operasyon. Totoo ang hirap pero iba-iba ang gastos ayon sa gawain; hindi permanenteng pagkakakulong.
OpenAI at cloud: malaking pagdepende, hindi pandaigdigang monopolyo
Serbisyo ng OpenAI ang ChatGPT, hindi hiwalay na bumibili ng chip sa paghahambing na ito. Sa anunsiyo noong Setyembre 2025, tinawag ng OpenAI ang Nvidia na pinipiling estratehikong katuwang sa compute at network at naghayag ng liham ng layunin para sa hindi bababa sa 10 gigawatt na sistema. Inilahad din ang balak ng Nvidia na mamuhunan nang unti-unti hanggang US$100 bilyon. Mga planong may petsa ito, hindi patunay na umaandar na ang buong kapasidad o bayad na ang lahat.
Nagbibigay ang cloud ng access sa Nvidia hardware nang hindi bumibili ng sariling server. Nakadokumento sa AWS ang EC2 P5 na H100 GPU at P5e/P5en na H200 para sa training, inference at high-performance computing. Nagdaragdag ang provider ng network at pamamahala ng kapasidad sa hardware. Mas malawak ito kaysa bentahan ng chip.
Nangingibabaw ang Nvidia sa malawak na merkado pero may mahalagang gawain na ang mga alternatibo. Sinanay ng Google ang Gemini 2.0 sa sariling Trillium TPU. Iniulat ng AWS ang gawaing Anthropic sa Trainium2 ng Project Rainier. Totoong alternatibo ang mga ito, hindi patunay na bawat katunggali ay mas mura, mabilis o kapantay ang access sa lahat ng gawain. Ang praktikal na kalagayan ay malaking pagdepende kasama ang piling pagpapalit, hindi eksklusibong pagdepende ng lahat.
Lampas sa chat: kalusugan, robotics at komputasyon malapit sa sensor
Saklaw ng dokumentadong plataporma ang medical imaging, genomics, pananaliksik sa gamot at robotics. Inilalarawan ng mga materyal ng Nvidia ang MONAI para sa imaging AI at Parabricks para sa genomics; para sa industrial, robotic at medical edge ang IGX. Kakayahan at nilalayong gamit ang mga ito, hindi patunay ng lunas, klinikal na pag-apruba o paggamit sa bawat ospital.
Mahalaga ang pagkakaiba ng data center at edge. Malaking pinagsasaluhang yaman ang sentral na sistema, samantalang malapit sa camera, makina o sensor nagpoproseso ang edge. Maaaring maging mahalaga ang lokal na tugon at piling pagpapadala ng datos. Pero magkaiba ang pangangailangan sa kuryente, pagiging maaasahan at kaligtasan ng bawat kapaligiran. Hindi ibig sabihin ng isang arkitektura sa maraming larangan na ang parehong device ay bagay saanman.
Nakarating na sa kalawakan ang Nvidia; ibang pahayag ang orbital AI factory
May tiyak na dokumentadong halimbawa. Inilista ng presentasyon ng Jet Propulsion Laboratory noong Hunyo 2023 ang apat na Nvidia Tesla T4 GPU sa HPE Spaceborne Computer-2 sa International Space Station. Sinuri rin ng programa ang ibang processor. Pinatutunayan nito ang paggamit sa orbital computing experiment, hindi sa lahat ng satellite o pagiging kauna-unahang GPU sa kalawakan.
Ipinapaliwanag ng salaysay ng NASA ang radiation at software ng HPE na nagmamanman at nagpapabagal ng sistema kung kailangan. Suliraning inhinyeriya ito, hindi basta pag-angat ng server sa atmospera. Mahalaga ang radiation, redundancy, kuryente at paglabas ng init. Iba ang pagproseso ng larawan malapit sa satellite sensor sa malaking orbital AI factory. Ang huli ay tanawing panghinaharap, hindi tapos na cooling problem o kumpirmadong iskedyul.
Halaga: paghiwalayin ang presyo sa merkado at pagtataya
Inilagay ng sinuring datos ang halaga ng mga share ng Nvidia sa humigit-kumulang US$4.01 trilyon malapit sa pagsara ng merkado sa US noong Nobyembre 12, 2026. May petsa at bilog na tantiya ito, hindi live na presyo ng US trading noong Nobyembre 13. Share value ang market capitalization, hindi taunang kita, perang nasa bangko o kabuuang pakinabang ng AI sa lipunan.
Ang hinaharap na US$10 trilyong halaga o US$3 trilyong taunang revenue ay ambisyosong sitwasyon, hindi nakamit na resulta. Nakasalalay ang argumento sa bagong demand na likha ng AI factories, hindi lang pagkuha ng umiiral na bahagi. Ang tubo ay nakadepende sa pagbayad ng customer para sa kapaki-pakinabang na output, gastos ng imprastraktura at pag-unlad teknikal. Mga posibilidad ito, hindi target na ineendorso o ginagarantiyahan ng pagsusuri.
Buong pabrika ang susunod na limitasyon
Lumawak ang yunit ng compute mula GPU tungo sa computer, cluster at buong AI factory. Ipinapakita ng plano ng OpenAI at paglalarawan ng AWS sa GPU cluster ang halaga ng network at deployment kasabay ng processor. Dapat sabay suriin ang kuryente, cooling, software reliability at utilization. Hindi katumbas ng pagbili ng accelerator ang pagpapatakbo ng produktibong serbisyo. Direksiyong pangmatagalan ang planetary-scale computing, hindi tapos na kakayahan.
Pinalalawak ng open source ang pakikilahok at kakayahang umangkop, pero hindi ito nagbibigay ng kuryente, nag-aalis ng hardware cost o nagsisiguro ng pagbawi ng gastos. Maaari ring magbigay ng kapaki-pakinabang na performance ang proprietary hardware at software nang hindi ginagawang permanente ang pagdepende. Patuloy na kompetisyon ang balanse ng shared tools at komersiyal na platform, hindi nakapirming batas ng industriya.
Konklusyon: mahirap palitan ay hindi imposibleng palitan
Nasa kombinasyon ang halaga ng Nvidia: accelerated computing, hinog na software, tiwala ng developer, cloud access at gamit mula laboratoryo hanggang orbital experiment. Mas maraming tao ang nakakabuo dahil sa bukas na gawain nito, habang mahalaga pa rin ang proprietary layers. Hindi pagkopya ng GPU ang tamang tanong, kundi paghahatid ng buo at maaasahang sistemang kailangan ng partikular na customer.
Mahirap palitan ang Nvidia sa maraming sitwasyon, pero hindi sa lahat. Sinasalungat na ng Google TPU at AWS Trainium ang absolutong pahayag. Nakasalalay ang hinaharap sa paglikha ng kapaki-pakinabang na trabaho mula sa engineering at ecosystem sa katanggap-tanggap na gastos. Inaasahan ang sinasalamin ng mataas na halaga, hindi garantiya. Editoryal na pagsusuri ito, hindi payo sa pamumuhunan.