Czołowe firmy i producenci układów AI: alternatywy dla NVIDIA, które naprawdę trafiają do klientów

Kartę deweloperską Tenstorrent Blackhole możesz zamówić w tym tygodniu. Kosztuje 999 $, jest dostępna w magazynie i wysyłana w około dwa tygodnie. Meta MTIA nie kupisz ani nie wynajmiesz żadnym publicznym kanałem; Meta opisuje MTIA jako krzem, który wdraża na potrzeby własnych obciążeń.

Obie firmy zalicza się do czołowych producentów układów AI. Ten artykuł jest właśnie o dystansie między tymi dwiema sytuacjami.

Dalej idziemy dostawca po dostawcy: co możesz dostać, jakim kanałem i ile kosztuje oprogramowanie, gdy sprzęt już masz.

TL;DR

• Szeroko dostępne do wynajęcia: AMD Instinct wciąż ma najszerszą obecność w chmurach publicznych poza NVIDIA, ale linia produktowa poszła naprzód. AMD wprowadziło serię MI400 w lipcu 2026 roku, podczas gdy systemy MI300X, MI325X i serii MI350 pozostają tymi, które najpewniej znajdziesz do wynajęcia.
• Jedna chmura: TPU od Google zostają w Google Cloud, a TPU7x Ironwood jest ogólnie dostępne od marca 2026 roku. AWS Trainium i Inferentia zostają w AWS.
• API plus dedykowana infrastruktura: Groq, Cerebras i SambaNova oferują hostowaną inferencję, ale określenie tylko API już nie jest trafne. Każdy ma teraz również ścieżkę dedykowaną lub on-premises.
• Sprzęt, który możesz nabyć: Tenstorrent sprzedaje karty Blackhole bezpośrednio. Qualcomm przedstawia swoje akceleratory centrów danych Dragonfly przez korporacyjną ścieżkę kontaktu z działem sprzedaży, a nie wyłącznie jako zapowiedzi mapy drogowej.
• Ograniczone lub wewnętrzne: Intel Gaudi 3 pozostaje dostępny przez wybrane wdrożenia IBM Cloud, a Crescent Island ma wejść w fazę próbek u klientów w drugiej połowie 2026 roku. Etched twierdzi, że pierwsze szafy trafią do klientów kontraktowych latem 2026 roku. Meta MTIA i Microsoft Maia pozostają wewnętrzne lub zintegrowane z Azure, a nie publiczne akceleratory samoobsługowe.

Czego ten artykuł nie obejmuje

Trzy rzeczy celowo pozostają poza kadrem, a każdy status dostawcy poniżej odzwierciedla sierpień 2026 roku.

• Ceny. Pytanie brzmi tu, czy zdobędziesz sprzęt, a nie ile kosztuje godzina na nim.
• Prognozy. Żadnych typowań, kto wygra.
• Karty konsumenckie i desktopowe. Tematem są akceleratory centrów danych i chmury.

Pięć sposobów na zdobycie mocy obliczeniowej na akceleratorze AI

Akceleratory w tym artykule obejmuje pięć ścieżek dostępu: wynajem w wielu chmurach, wynajem przez jedną chmurę, dostęp przez hostowane API, sprzęt dedykowany lub możliwy do kupienia bezpośrednio oraz ograniczony dostęp korporacyjny dla produktów, które nie są szeroko samoobsługowe. Niektóre firmy obejmują dziś więcej niż jedną z tych ścieżek. Osobna grupa pozostaje wyłącznie wewnętrzna, bez publicznej możliwości wynajęcia czy kupienia krzemu.

Dostęp to status, nie stała właściwość firmy. Zmienia się wraz z premierami nowych generacji, gdy chmury dodają lub wycofują sprzęt i gdy dostawcy otwierają lub zamykają kanały zakupowe. Nie mówi też nic o jakości ani skali. Opisuje, jak zdobyć moc obliczeniową, a to właśnie kanał decyduje, czy dana nazwa jest czymś, na czym możesz oprzeć decyzję.

NVIDIA ma zdecydowaną większość przychodów z akceleratorów AI dla centrów danych, jest w praktycznie każdej chmurze, a CUDA to powierzchnia, do której porównuje się wszystko inne. Pozostałe firmy od akceleratorów AI są tu ciekawe właśnie przez to, jak różnie się do nich dociera.

AMD Instinct to ten, który wynajmiesz niemal wszędzie

Spośród alternatyw dla NVIDIA opisanych tutaj to AMD Instinct ma najszerszy zasięg wśród dostawców: MI300X i MI325X są dostępne u wielu dostawców chmury i neochmury, zamiast być przywiązane do jednego hiperskalera. AMD wprowadziło serię MI400 w lipcu 2026 roku, na czele z MI455X, ale starsze generacje wciąż mają znaczenie, bo to je częściej spotkasz w istniejących ofertach wynajmu. ROCm pozostaje najkrótszym przeniesieniem oprogramowania w tym artykule dla większości istniejących obciążeń PyTorch.

Ograniczeniem nie jest sprzęt. MI300X niesie 192 GB HBM3 przy 5,3 TB/s w 304 jednostkach obliczeniowych CDNA3 w module 750 W. MI325X podnosi to do 256 GB HBM3E przy 6 TB/s i 1000 W, a ta pojemność wypadła niżej niż 288 GB, które AMD zapowiadało początkowo.

Rdzenie CUDA to jednostka, którą liczy NVIDIA, podczas gdy AMD liczy jednostki obliczeniowe, a jednego na drugie się nie przelicza, dlatego pamięć i przepustowość porównuje się między dostawcami użyteczniej.

Sytuacja po stronie oprogramowania się zmieniła, a reputacja za tym nie nadąża. Wsparcie ROCm dla PyTorch trafiło do oficjalnego repozytorium PyTorch, zamiast żyć w społecznościowym forku, a bieżące wydania ROCm nadążają za bieżącymi frameworkami. ROCm 7.14.0 obsługuje PyTorch 2.12, obok aktualnych integracji AMD z szerszym ekosystemem oprogramowania AI.

Moje odczytanie jest takie, że tarcie, które ludzie wciąż opisują, to nie przepustowość ani wsparcie frameworków. To archeologia. Kiedy konfiguracja na CUDA sypie się o trzeciej nad ranem, ktoś już trafił na ten komunikat błędu i zapisał obejście. Na ROCm wyników wyszukiwania jest mniej, więc czas idzie na szukanie zamiast na naprawę. Ten koszt nigdy nie pojawia się w benchmarku.

Prace AMD nad akceleratorami sięgają też poza centrum danych, co ma znaczenie, jeśli chcesz taniego sprzętu do nauki tego stosu.

Demo klastra mini PC od AMD działa na krzemie konsumenckim tej samej firmy.

Google TPU i AWS Trainium wynajmiesz dokładnie w jednej chmurze każdy

TPU7x od Google i Trainium od AWS są ogólnie dostępne i oba zamknięte u jednego dostawcy. TPU działa w Google Cloud. Trainium i Inferentia działają w AWS. Żaden nie daje przenośności między dostawcami jak AMD czy NVIDIA, a to ograniczenie może ważyć więcej niż jakakolwiek pojedyncza specyfikacja.

TPU7x to pierwsze wydanie w rodzinie Ironwood siódmej generacji Google i stało się ogólnie dostępne 31 marca 2026 roku. Google pozycjonuje go do trenowania i inferencji na dużą skalę. Trillium v6e pozostaje dostępne, a Ironwood pozostaje bieżącą ogólnie dostępną generacją TPU u Google. Google zapowiedziało też TPU 8t i TPU 8i ósmej generacji, ale oba wciąż figurują jako wkrótce.

Najbardziej użyteczny fakt o TPU nie znajduje się w specyfikacji. Istnieje darmowy wjazd: Colab i Kaggle oferują środowiska TPU, a TPU Research Cloud przyznaje czas badaczom. Ten darmowy wjazd daje ci sposób na przetestowanie ścieżki programowej TPU przed zaangażowaniem budżetu chmurowego, choć nie należy zakładać, że darmowe usługi udostępnią akurat najnowszy sprzęt Ironwood.

AWS dociera do własnego krzemu przez instancje Trainium i UltraServers oraz instancje Inf2 dla Inferentia2. UltraServers z Trainium3 stały się ogólnie dostępne w grudniu 2025 roku i skalują się do 144 układów, wobec 64 w poprzednich UltraServers Trn2. Wszystko idzie przez Neuron SDK. AWS przedstawia koszt przenoszenia bardziej optymistycznie niż większość dostawców.

Strona AWS Trainium podaje, że vLLM, HuggingFace Transformers i TorchTitan działają na Trainium natywnie, bez własnego kodu i bez wysiłku przenoszenia. To deklaracja dostawcy o własnym produkcie, a nie niezależnie zweryfikowany wynik.

Oba mieszczą się w wymianie, którą warto zrobić świadomie. Zyskujesz drugiego dostawcę krzemu i tracisz możliwość przeniesienia tego obciążenia do innej chmury bez powtarzania pracy, co zespół już związany z jednym dostawcą kosztuje niemal nic, a zespół zbudowany wokół unikania związania kosztuje wszystko.

To, co musi zmieścić się w pamięci ogranicza wybór w pierwszej kolejności: 144 GB na układ Trainium3 to inny problem planowania niż 192 GB w Ironwood, kto by tego nie sprzedawał.

Groq, Cerebras i SambaNova wychodzą poza hostowane API

Groq, Cerebras i SambaNova oferują hostowaną inferencję, ale API to już nie cała historia dostępu. Groq łączy GroqCloud z dedykowaną infrastrukturą GroqMetal. Cerebras oferuje dostęp w chmurze obok systemów CS-3, które mogą działać on-premises. SambaNova oferuje SambaCloud obok SambaRack i SambaStack. Różnica sprowadza się teraz do tego, ile kontroli nad infrastrukturą potrzebujesz i jak daleko chcesz wejść w korporacyjny proces zakupowy.

Groq's LPU packs 230MB of on-die SRAM with 80 TB/s of internal bandwidth, a design that trades memory capacity for latency, and GroqCloud exposes it as an OpenAI-compatible endpoint. The ownership story attached to it carries dates worth keeping. On 24 December 2025, Groq entered a non-exclusive inference technology licensing agreement with NVIDIA, and said founder Jonathan Ross and president Sunny Madra would join NVIDIA. Groq continues to operate independently. Simon Edwards, previously its chief financial officer, stepped up to lead it at the time of the deal; check the company for current leadership before citing it.

Własne ogłoszenie Groq mówi, że GroqCloud będzie działać dalej bez przerwy.

Na GTC w marcu 2026 roku NVIDIA zaprezentowała NVIDIA Groq 3 LPU wewnątrz swojej platformy Vera Rubin.

Ogłoszenie Vera Rubin od NVIDIA opisuje szafę LPX z 256 procesorami LPU, dostępną w drugiej połowie 2026 roku.

Cerebras obiera przeciwne podejście fizyczne: jeden element w skali wafla z 900 000 rdzeni i 44 GB SRAM na układzie, o deklarowanych 125 PFLOPs.

Strona inferencji Cerebrasa oferuje 5 $ darmowego kredytu i opisuje migrację jako zaledwie dwie zmiany w kodzie. Jedno rozróżnienie wciąż ma znaczenie przy planowaniu: samoobsługowe API to łatwa ścieżka inferencji, podczas gdy trenowanie, dostrajanie, dedykowana pojemność i wdrożenia CS-3 on-premises leżą dalej na ścieżce korporacyjnej.

Obecna historia sprzętowa SambaNovy kręci się wokół SambaRack SN50, zbudowanego na 16 RDU SN50 piątej generacji na szafę. SambaCloud pozostaje ścieżką hostowaną, a SambaRack i SambaStack dostarczają dedykowaną infrastrukturę, która może działać on-premises lub w środowiskach hostowanych.

Dostęp hostowany wciąż jest najłatwiejszym punktem wejścia dla całej trójki, ale nie opisuje już całego produktu.

Tenstorrent sprzedaje sprzęt, który możesz mieć na własność

Tenstorrent to jedyny dostawca w tym artykule, którego akcelerator kupisz wprost jako osoba prywatna, w cenie, która nie jest decyzją inwestycyjną.

Strona sprzętowa Tenstorrent podaje Blackhole p100a za 999 $ oraz p150a i p150b za 1399 $, dostępne w magazynie i wysyłane w około dwa tygodnie. Stos jest w pełni otwartoźródłowy.

Karty niosą 120 rdzeni Tensix i 16 rdzeni RISC-V, z 28 GB GDDR6 na p100a i 32 GB na parze p150, pobierając do 300 W. p150a i p150b dodają porty Ethernet QSFP-DD, których p100a nie ma, i to je kupujesz, jeśli zamierzasz łączyć karty ze sobą. HPCwire donosił, że Galaxy Blackhole w skali szafy stał się ogólnie dostępny 28 kwietnia 2026 roku od 110 000 $, a starsza linia Wormhole pozostaje w sprzedaży, łącznie ze stacją roboczą TT-LoudBox za 12 000 $.

To zastrzeżenie waży przy decyzji tyle co cena i wskazuje właśnie na tę starszą kartę. Większość dokumentacji, poradników i zweryfikowanego wsparcia modeli od Tenstorrent wciąż celuje w Wormhole. Wsparcie programowe Blackhole jest wcześniej w swoim cyklu. Konkretnie: to pasuje komuś, kto jest gotów wykonać prawdziwą pracę przenoszenia i czytać źródła, gdy dokumentacja się kończy. Nie pasuje komuś, kto chce, by istniejący kod PyTorch działał bez zmian, a to całkiem rozsądne oczekiwanie.

Qualcomm, Intel i Etched mają węższe ścieżki dostępu

Ta trójka stoi za węższymi ścieżkami dostępu, z niepowiązanych ze sobą powodów. Qualcomm buduje wielogeneracyjną mapę drogową akceleratorów dla centrów danych wokół wdrożeń korporacyjnych. Intel Gaudi 3 pozostaje dostępny przez wybrane wdrożenia IBM Cloud, podczas gdy Crescent Island zmierza ku próbkom u klientów. Etched twierdzi, że pierwsze szafy Sohu wyjadą latem 2026 roku na podstawie umów korporacyjnych, a nie przez samoobsługową usługę chmurową.

Mapa drogowa Qualcomma dla centrów danych obejmuje teraz Dragonfly AI200, AI250 i nowo zapowiedziany AI300, z roczną kadencją akceleratorów nastawionych na inferencję. To wciąż ścieżka nastawiona na firmy, a nie taki samoobsługowy wynajem akceleratora, jaki dziś dodasz do konta chmurowego.

Intel to pouczający przypadek, bo Gaudi 3 nigdy nie zdobył szerokiej obecności w chmurze, ale też nie zniknął. IBM Cloud wciąż oferuje profile serwerów wirtualnych przyspieszanych przez Gaudi 3 w wybranej dostępności, w tym wdrożenia w Dallas, Waszyngtonie i Frankfurcie. Kolejnym krokiem Intela jest Crescent Island, GPU nastawiony na inferencję, którego próbki u klientów spodziewane są w drugiej połowie 2026 roku. Gaudi 3 jest dziś opcją wąską, a nie zamkniętą.

Etched buduje Sohu, ASIC wyspecjalizowany w inferencji transformerów. Firma zebrała 800 milionów dolarów, ma działający krzem A0, raportuje ponad miliard dolarów w podpisanych umowach z klientami, a pierwsze szafy mają wyjechać latem 2026 roku. Deklaracje wydajności są jej własne i nie zostały niezależnie zmierzone, więc liczby przepustowości nie są tu użyteczną częścią. Użyteczną częścią jest stos programowy. Etched buduje układ, szafę i środowisko programowe jako jedną wyspecjalizowaną platformę, więc nie zakładaj, że stos serwujący z epoki CUDA przeniesie się bez zmian. Może to zadziałać u klienta kontraktowego prowadzącego inferencję transformerów w ogromnej skali, ale to znacznie większe zobowiązanie dla zespołu, który zależy od przenośności między akceleratorami.

Krzem wyłącznie wewnętrzny i firmy budujące układy dla innych

Dwie sytuacje z zewnątrz wyglądają jak firma od układów AI, a zachowują się zupełnie inaczej. Meta i Microsoft projektują akceleratory, które same eksploatują i nikomu nie sprzedają. Broadcom i Marvell projektują i wykonują krzem pod architektury innych firm. Żadna z tych grup nie ma produktu, który deweloper mógłby wynająć, z powodów niemających ze sobą nic wspólnego.

MTIA od Meta to najczystszy przypadek pierwszego rodzaju.

Własny wpis inżynieryjny Meta opisuje wdrożenie setek tysięcy układów MTIA do obciążeń inferencyjnych zarówno w treściach organicznych, jak i w reklamach w jej aplikacjach, przy czym MTIA 300 jest już na produkcji do trenowania rankingu i rekomendacji, a MTIA 400, 450 i 500 zaplanowano w kadencji około sześciu miesięcy. To ogromna ilość krzemu, z którego nigdy nie wynajmiesz ani godziny.

Przypadek Microsoftu jest bardziej miękki na brzegach. Maia 200, przedstawiona w styczniu 2026 roku, to obecny własny akcelerator inferencji Microsoftu, już wdrożony w jego centrach danych, a Maia SDK jest dostępne w wersji zapoznawczej. Microsoft nie dokumentuje obecnie publicznej samoobsługowej instancji Maia, więc w tym porównaniu wciąż należy do strony wewnętrznej lub zintegrowanej z Azure.

Broadcom i Marvell to znów coś innego i warto to wyjaśnić, bo ich nazwy pojawiają się bez przerwy obok NVIDIA. Dobrym przykładem jest TPU od Google. Google jest właścicielem produktu i architektury TPU, a Broadcom wnosi pracę projektową i wykonawczą przy krzemie na zamówienie, co może obejmować połączenia, obudowywanie i drogę od architektury do krzemu możliwego do wyprodukowania. Broadcom nie sprzedaje TPU ani innego akceleratora ogólnego przeznaczenia bezpośrednio deweloperom. Przychody jego segmentu AI, podane w wynikach za pierwszy kwartał roku obrotowego 2026, sięgnęły 8,4 miliarda dolarów, o 106 procent więcej rok do roku, co tłumaczy, dlaczego ta nazwa jest wszędzie. To wciąż nie jest układ, który możesz wynająć.

I tu właśnie słowo producenci zaczyna dźwigać ciężar, którego nie udźwignie. Broadcom i Marvell nie produkują układów, podobnie jak większość wymienionych wyżej producentów układów AI: niemal wszyscy są fabless, czyli projektują krzem, a wytwarzanie w całości zlecają komuś innemu.

Dopasowanie ścieżki dostępu do twojego obciążenia

Trenowanie na dużą skalę szybko zawęża praktyczne wybory: szeroko dostępne AMD Instinct, TPU lub Trainium w jednej chmurze, albo korporacyjne wdrożenie Cerebrasa. Inferencja produkcyjna otwiera więcej ścieżek, bo Groq, Cerebras i SambaNova dostarczają usługi hostowane, a przy tym jakąś formę infrastruktury dedykowanej. Eksperymentowanie jest znowu szersze, od darmowego dostępu do TPU po kartę Tenstorrent, którą włożysz do własnej maszyny.

Te granice są bardziej miękkie, niż tabela zdoła pokazać. Pytanie brzmi nie tylko, co krzem potrafi, ale gdzie możesz do niego sięgnąć, ile z twojego obecnego stosu programowego przeżyje przenosiny i czy powstałe obciążenie da się później przenieść gdzie indziej. Cerebras potrafi trenować i wnioskować na infrastrukturze korporacyjnej, podczas gdy Trainium pozostaje przywiązany do AWS.

Nic z tego nie ruszy NVIDIA z miejsca. Dla większości zespołów żywe pytanie brzmi nie czy odchodzić od CUDA, ale czy warto utrzymywać obok drugi stos.

Pod którą kartę dobierać to decyzja, która zostaje, jeśli zostajesz tam, gdzie jesteś, a to zupełnie inne ćwiczenie niż to.

Kanał decyduje bardziej niż układ. Karta na twoim biurku i ta sama klasa krzemu za czyimś API to nie to samo narzędzie, nawet gdy przepustowość wypadnie podobnie, bo jedno pozwala ci próbować rzeczy, o których jeszcze nie pomyślałeś, a drugie nalicza ci za token to, o co już umiesz zapytać.

Często zadawane pytania

Czy naprawdę można wynająć Google TPU?

Tak. TPU7x, obecnie ogólnie dostępne TPU Ironwood od Google, jest w Google Cloud i tylko tam. Starsze generacje TPU też są dostępne, a Colab, Kaggle i TPU Research Cloud dają darmowy dostęp do TPU dla części obciążeń. JAX pozostaje ścieżką natywną, a PyTorch działa przez PyTorch/XLA.

Która alternatywa dla NVIDIA uruchomi istniejący kod PyTorch najmniejszym nakładem pracy?

W większości przypadków AMD Instinct: ROCm to oficjalnie wspierany backend PyTorch, więc ścieżka w kodzie już istnieje. TPU od Google uruchamia PyTorch przez most PyTorch/XLA, czyli warstwę tłumaczącą. AWS twierdzi, że vLLM, HuggingFace Transformers i TorchTitan działają na Trainium bez wysiłku przenoszenia, co jest deklaracją samego dostawcy. Na drugim krańcu Sohu od Etched korzysta z własnego wyspecjalizowanego stosu programowego, więc spodziewaj się znacznie więcej pracy przenoszenia niż przy ROCm czy PyTorch/XLA.

Dlaczego Broadcom i Qualcomm nazywa się konkurentami NVIDIA, skoro ich układów nie da się wynająć?

Z różnych powodów. Broadcom pracuje nad krzemem na zamówienie dla firm budujących własne akceleratory, zamiast sprzedawać standardowy akcelerator wprost deweloperom. Qualcomm projektuje własne akceleratory Dragonfly, a AI200, AI250 i AI300 są już na jego mapie drogowej dla centrów danych, ale dostęp jest nastawiony na firmy, a nie na zwykły samoobsługowy wynajem w chmurze. Obie konkurują w infrastrukturze AI, nie dając deweloperom takiego samego publicznego modelu dostępu jak NVIDIA czy AMD.

Czy można kupić akcelerator AI na własność zamiast go wynajmować?

Tak. Tenstorrent sprzedaje karty deweloperskie Blackhole bezpośrednio, od 999 $ za p100a do 1399 $ za p150a i p150b, dostępne w magazynie i wysyłane w około dwa tygodnie, z w pełni otwartoźródłowym stosem programowym. Zastrzeżenie waży tyle co cena: większość dokumentacji i zweryfikowanego wsparcia modeli wciąż celuje w starszą kartę Wormhole, więc zarezerwuj czas na przenoszenie, zamiast liczyć, że istniejący kod ruszy bez zmian.