OpenAI, за даними джерел, придбала десятки тисяч Mac-комп'ютерів для навчання моделей методом reinforcement learning (RL) — тобто для інфраструктури, яка традиційно будувалася на GPU-кластерах Nvidia. Anthropic обрала протилежний підхід: замість капітальних витрат на власне обладнання компанія орендує подібні Mac-потужності. Різниця в підходах двох найбільших лабораторій виглядає дрібницею на перший погляд, але вона показує, наскільки по-різному топ-гравці зараз рахують економіку compute.

Ще цікавіший бічний ефект цієї історії — реакція Nvidia. За даними Techmeme, компанія починає розглядати Apple як серйозного конкурента саме в сегменті локального AI-компʼютингу, а не лише як виробника споживчих гаджетів. Для індустрії, де Nvidia роками мала практично монопольне становище на тренувальному та інференс-обладнанні, це нова лінія напруги.

Для AI-білдерів тут є практичний сигнал: якщо в закупівельних стратегіях лабораторій зʼявляється розвилка «купувати Mac чи орендувати», варто розуміти, чому взагалі Apple silicon став релевантним варіантом для RL-навантажень — і що це може означати для доступності та ціни compute найближчим часом.

Чому саме Mac для reinforcement learning?

RL-навантаження відрізняються від класичного pretraining: моделі виконують багато коротких ітерацій, генерують дії, отримують сигнал винагороди й одразу коригують поведінку. Це важче масштабується на величезні GPU-кластери з такою ж ефективністю, як щільне матричне тренування, і водночас вимагає багато паралельних, відносно автономних «інстансів» середовища.

Чипи Apple Silicon (M-серія) мають архітектуру з єдиною уніфікованою памʼяттю CPU і GPU, що знижує накладні витрати на передачу даних між ними — саме такий патерн доступу до памʼяті типовий для інференс-важких RL-циклів. Ймовірно, саме це та зіставна енергоефективність зробили Mac економічно привабливою альтернативою GPU-серверам для конкретно цього типу навантаження, а не для тренування великих мовних моделей з нуля.

Чому Anthropic обирає оренду, а не купівлю?

Anthropic йде шляхом оренди подібних Mac-потужностей замість прямої закупівлі — це класичний вибір між капітальними та операційними витратами. Оренда не заморожує капітал в обладнанні, яке може застаріти або виявитися надлишковим, якщо пріоритети RL-досліджень зміняться. Натомість масштабна купівля, яку, за даними джерел, здійснила OpenAI, дає повний контроль над інфраструктурою й, імовірно, довгостроково нижчу вартість одиниці compute — якщо навантаження залишається стабільно високим.

Обидві стратегії раціональні — вони просто відображають різні ставки на те, наскільки передбачуваним буде попит лабораторії на RL-компʼютинг у найближчі роки.

Чи справді Apple стає конкурентом Nvidia?

Йдеться не про заміну GPU-кластерів Nvidia на серверах гіперскейлерів, а про окрему нішу — локальний AI-компʼютинг, де раніше домінували спеціалізовані інференс-чипи та невеликі GPU-конфігурації. Те, що Nvidia взагалі почала публічно вирізняти Apple як конкурента в цьому сегменті, — сигнал, що обсяги закупівель Mac лабораторіями штучного інтелекту вже достатньо великі, щоб впливати на ринкову карту постачальників компʼютингу.

Висновок AiiN: що це означає для ринку compute

Наша теза: поява Mac як окремої категорії AI-інфраструктури — це перший помітний тріщина в монополії Nvidia на дизайн-рішення для тренування моделей, навіть якщо йдеться поки лише про вузьку задачу RL. Якщо цей патерн закупівель підтвердиться в масштабах галузі, варто очікувати, що Apple почне отримувати більше уваги як B2B-постачальник компʼютингу, а не лише як виробник пристроїв для кінцевих користувачів. Для команд, які планують власні RL-пайплайни, головний практичний висновок — варто окремо рахувати економіку RL-навантажень і не автоматично екстраполювати на них ціни й конфігурації, розраховані під GPU-тренування великих моделей.

Що таке reinforcement learning у контексті навчання моделей?

Reinforcement learning (RL) — це метод навчання, за якого модель отримує «винагороду» за успішні дії та коригує поведінку на основі цього сигналу, а не лише на основі статичного набору даних. У сучасних лабораторіях RL активно застосовують для тонкого налаштування мовних моделей після базового pretraining.

Чи означає це, що Nvidia втрачає позиції на ринку AI-чипів?

Ні, за даними джерел ідеться про конкуренцію в окремій ніші локального AI-компʼютингу для RL-навантажень, а не про витіснення Nvidia з ринку тренувальних GPU-кластерів, де компанія лишається домінантним постачальником.

Чи варто іншим компаніям копіювати підхід OpenAI або Anthropic?

Вибір між купівлею та орендою обладнання залежить від передбачуваності навантаження: стабільний довгостроковий попит на RL-компʼютинг виправдовує капітальні витрати на власне обладнання, а нестабільний або експериментальний — оренду, яка знижує ризик надлишкових інвестицій.