Kolumna: Jensen Huang nie potrzebuje nowego chipa. Potrzebuje nowego fosy.

Jensen Huang, prezes Nvidii, stoi przed problemem, którego żaden inny producent chipów nie musiał rozwiązywać w takiej skali. Przez ostatnie dwa lata jego firma zarabiała miliardy dolarów, sprzedając procesory do szkolenia modeli AI, których kontrolowały inne firmy — OpenAI, Google, Anthropic. Teraz jednak ta pozycja zaczyna się niebezpiecznie chwiać. Nie dlatego, że brakuje mu nowych chipów. Huang ma ich pod dostatkiem. Problem jest głębszy: świat zaczyna rozumieć, że monopol na hardware to nie to samo co monopol na przyszłość. I Nvidia to odkryła za późno.

Strategia Huanga z ostatnich miesięcy — promowanie otwartych modeli AI, wspieranie open-source'owych alternatyw dla ChatGPT czy Gemini — wygląda na pozorną hojność. W rzeczywistości to desperacki manewr defensywny. Nvidia nie buduje nowego moatu dla siebie. Raczej próbuje opóźnić budowę moatów konkurentom. Różnica jest kluczowa dla zrozumienia, dokąd zmierza branża AI w najbliższych latach.

Czemu hardware przestał być wystarczający

Przez dekadę Nvidia rządła rynkiem procesorów graficznych bez poważnej konkurencji. Gdy przyszła era deep learningu, jej GPU były jedynym sensownym wyborem dla naukowców i korporacji. Ta pozycja przyniosła firmie niewyobrażalny przychód — w ostatnim roku fiskalnym przekroczył 60 miliardów dolarów. Ale sukces zawsze niesie w sobie ziarno własnego upadku.

Gdy OpenAI wypuściła ChatGPT, a następnie GPT-4, stało się jasne, że rzeczywista wartość tkwi nie w chipach, lecz w modelach. Nvidia sprzedawała młotki, ale wszyscy zarabiali na złocie — na danych, algorytmach, interfejsach użytkownika. Google dysponuje ogromnym zasobem danych treningowych i swoimi TPU-ami. Meta ma podobne możliwości. Nawet startupowe Anthropic i xAI Elona Muska szybko zdobywają kapitał i chipów tyle, ile potrzebują. Nvidia pozostaje dostawcą, a dostawcy zawsze zarabiają mniej niż właściciele rzeczywistej wartości.

Kluczowy moment przyszedł, gdy firmy zaczęły inwestować w własne procesory do AI. Google ma TPU, Amazon ma Trainium i Inferentia, Microsoft pracuje nad Maia, Meta nad własnym sprzętem. To nie są zagrażające Nvidii rozwiązania — przynajmniej nie jeszcze — ale wysyłają jasny sygnał: każdy gracz o wystarczającym kapitale będzie próbować wyjść spod kontroli Huanga. Nvidia może sprzedawać GPU za 40 tysięcy dolarów za sztukę, ale jeśli konkurent zbuduje własny chip, który będzie 30 procent tańszy i 20 procent wolniejszy, dla wielu firm to będzie doskonały deal. Wolność od Nvidii jest warta więcej niż marginalna wydajność.

Otwarte modele jako broń strategiczna

Tutaj pojawia się geniusz — i zarazem desperacja — strategii Huanga. Nvidia zaczęła intensywnie promować otwarte modele AI, wspierać projekty takie jak Llama od Mety czy Mistral. Powierzchownie wygląda to jak wspaniałomyślna decyzja giganta technologicznego. W rzeczywistości to obliczenie biznesowe.

Otwarte modele wymagają ogromnej mocy obliczeniowej do trenowania i dostrajania. Jeśli Nvidia zapewni, że ekosystem będzie zdominowany przez otwarte, darmowe modele, które każdy może uruchamiać na swoim sprzęcie, to wszyscy będą potrzebować dużo chipów. Konkurencja między OpenAI a Googlem sprzyja Nvidii, bo każda z nich buduje własne superkomputery. Ale konkurencja między setkami startupów i małych firm, które pobierają Llamę i trenują ją na własnym sprzęcie? To dla Nvidii złota żyła. Każdy taki startup będzie kupować GPU, bo to będzie najtańsza opcja.

Dodatkowo, promując otwarte modele, Nvidia osłabia pozycję prywatnych firm AI, które budują zamknięte systemy. OpenAI musi konkurować nie tylko z Googlem, ale z darmową Llamą. To zmusza OpenAI do inwestowania jeszcze więcej w własne chipy, co z kolei sprawia, że Nvidia sprzedaje im mniej. Ale to ryzyko jest mniejsze niż alternatywa — świat, w którym OpenAI, Google i Meta mają w pełni niezależne ekosystemy chipów.

Polska perspektywa: co to oznacza dla lokalnych graczy

Dla polskich firm zajmujących się AI strategia Huanga ma konkretne konsekwencje. Startup, który chce budować model językowy lub system rekomendacyjny oparty na AI, stoi przed wyborem: płacić OpenAI za API, czy inwestować w GPU Nvidii i trenować własny model na bazie Llamy lub innego otwartego rozwiązania.

Druga opcja wydaje się tańsza, ale wymaga kapitału na hardware. Tu pojawia się kolejny warstwowy geniusz strategii Nvidii. Firma oferuje CUDA — ekosystem programistyczny, który jest de facto standardem w branży. Każdy polski developer, który uczy się AI, uczy się CUDA. Każdy, kto chce zbudować coś poważnego, używa CUDA. To tworzy lock-in nie na poziomie hardware'u — bo tam konkurencja rośnie — ale na poziomie oprogramowania i umiejętności. Nawet jeśli konkurent Nvidii zbuduje lepszy chip, trzeba będzie przepisać kod.

Polskie uniwersytety, instytuty badawcze i firmy technologiczne są głębokim CUDA-ecosystem. To oznacza, że niezależnie od tego, jak zmieni się krajobraz chipów, Nvidia pozostanie relevantna. To jest prawdziwy moat — nie hardware, ale całe ekosystemy ludzi i kodu.

Gra na dwa fronty: wspieranie open-source'u i zamykanie drzwi

Ciekawym paradoksem strategii Nvidii jest to, że firma jednocześnie wspiera otwarte modele i inwestuje w zamknięte technologie. Nvidia oferuje CUDA dla każdego, ale jednocześnie buduje proprietarne biblioteki optymalizacyjne dostępne tylko dla jej GPU. Wspiera Llamę, ale też inwestuje w startup'y, które budują zamknięte modele. To nie jest niespójność — to dokładne oszacowanie ryzyka.

Huang wie, że nie może już kontrolować całej wartości łańcucha. Ale może kontrolować wąskie gardła. Jeśli każdy będzie trenować modele, każdy będzie potrzebować GPU. Jeśli każdy GPU będzie wymagać CUDA, każdy będzie potrzebować Nvidii. Gra przesunęła się z poziomu „kto ma najlepszy chip" na poziom „kto ma najlepszy ekosystem". I tutaj Nvidia ma ogromną przewagę — 15 lat startów technicznych, miliony godzin kodu, cały świat programistów przeszkolonych na jej rozwiązaniach.

To nie oznacza, że konkurencja nie będzie rosnąć. AMD, Intel, a szczególnie własne chipsy dużych firm będą coraz lepsze. Ale zanim staną się lepsze, będą droższe w implementacji. A Huang liczy na to, że do czasu, gdy konkurencja będzie gotowa, cały świat będzie tak głęboką częścią ekosystemu Nvidii, że przejście będzie zbyt kosztowne.

Czemu open-source to gra defensywna, nie ofensywna

Wiele artykułów opisuje strategie Nvidii w promowaniu otwartych modeli jako przejaw hojności korporacyjnej lub długoterminowego myślenia o ekosystemie. To błęd. Strategia ta jest w pełni defensywna i wynika z konkretnego zagrożenia.

Zagrożeniem jest scenariusz, w którym kilka gigantów technologicznych (OpenAI, Google, Meta, Microsoft) buduje całkowicie niezależne ekosystemy. W takim świecie Nvidia byłaby jednym z dostawców, a nie królem. Promując otwarte modele, Huang rozprasza inwestycje konkurencji. Zamiast aby OpenAI miał jeden superkomputerowy klaster do trenowania GPT-5, musi mieć klaster dla GPT-5 i jednocześnie konkurować z darmową Llamą. To zmusza do większych wydatków kapitałowych, ale robi to nieefektywnie z perspektywy Nvidii.

Najlepszy scenariusz dla Huanga to świat, w którym setki firm trenuje setki małych modeli na GPU Nvidii. Każdy model zużywa mniej chipów niż GPT-4, ale razem zużywają ich więcej. Dodatkowo, rozproszona konkurencja oznacza, że żaden gracz nie będzie miał wystarczającego kapitału, aby zbudować alternatywę dla CUDA. To jest gra na czas — Huang musi utrzymać dominację na tyle długo, aby lock-in na poziomie oprogramowania stał się nie do przełamania.

Rzeczywisty moat: ekosystem, nie krzem

Jeśli spojrzeć na historię technologii, zawsze zwycięzca to nie producent najlepszego hardware'u, ale ten, kto kontroluje ekosystem wokół niego. Intel wygrał z AMD nie dlatego, że miał zawsze lepsze procesory, ale dlatego, że miał BIOS, Windows, całą infrastrukturę oprogramowania. Apple wygrał z Samsungiem nie dlatego, że ma najlepsze ekrany, ale dlatego, że ma iOS i App Store. Nvidia wygrywa z AMD nie dlatego, że ma zawsze najlepsze GPU — czasem AMD ma lepsze parametry — ale dlatego, że ma CUDA, TensorRT, całą bibliotekę narzędzi, które są standardem branżowym.

Huang to rozumie. Dlatego strategia otwartych modeli ma sens. Nie ma sensu walczyć o to, kto ma najlepszy chip, bo ta bitwa będzie zawsze remisowa — konkurencja jest zbyt silna. Sensowne jest walczenie o to, kto ma najlepszy ekosystem. I tutaj Nvidia ma taką przewagę, że konkurencja może nie być w stanie jej przełamać przez kolejne 10 lat.

Dla polskich firm to oznacza, że niezależnie od tego, jakie decyzje techniczne podejmą, będą zmuszane do pracy w ramach ekosystemu Nvidii. To nie zawsze złe — ekosystem jest naprawdę dobry. Ale to oznacza, że Huang już wygrał, nawet jeśli tego nie wie.

Przesunięcie władzy: od hardware'u do oprogramowania

Najbardziej fundamentalnym przesunięciem w strategii Huanga jest uznanie, że przyszłość nie należy do producenta chipów, ale do producenta oprogramowania i ekosystemów. Nvidia nie buduje już moatu wokół hardware'u — to było wczoraj. Buduje moat wokół CUDA, NVIDIA AI Enterprise, całej infrastruktury, która sprawia, że przejście na coś innego jest zbyt kosztowne.

To ma również implikacje dla konkurencji. OpenAI, Google, Meta — wszystkie te firmy inwestują w własne chipsy, ale żaden z nich nie ma takiego ekosystemu oprogramowania jak Nvidia. Mogą zbudować lepszy chip, ale nie mogą zbudować lepszego CUDA w ciągu pięciu lat. To jest zbyt duża inwestycja. Dlatego Huang może sobie pozwolić na wspieranie otwartych modeli — wie, że niezależnie od tego, jakie modele będą trenowane, będą trenowane na jego sprzęcie i jego oprogramowaniu.

To jest geniusz strategii. Nie chodzi już o to, czy Nvidia sprzedaje więcej chipów niż AMD. Chodzi o to, czy cały świat jest tak głęboką częścią ekosystemu Nvidii, że alternatywy są nieistotne. I jeśli chodzi o CUDA, odpowiedź jest jasna: tak, świat jest już tak głęboką częścią tego ekosystemu.