Tento segment ale zahrnuje víc než jen čipy – skrývá se v něm i často přehlížená oblast síťových technologií, které jsou klíčové pro propojení a efektivní využití výpočetního výkonu.

Síťové produkty Nvidie (NVDA) – NVLink, InfiniBand a Ethernet – zajišťují komunikaci mezi grafickými procesory, servery a celými datovými centry. „Nejdůležitější při stavbě superpočítače je infrastruktura – jak propojíte výpočetní motory do jednoho celku,“ říká Gilad Shainer, senior viceprezident pro síťové technologie ve společnosti.

Z pohledu tržeb jde o významnou část byznysu. Ve fiskálním roce 2024 přinesly sítě 12,9 miliardy USD z celkových 115,1 miliardy USD tržeb datových center. Ačkoliv prodej čipů (102,1 miliardy USD) dominuje, síťové technologie překonaly například segment Gaming s 11,3 miliardy USD.

V prvním čtvrtletí roku 2025 činily tržby ze sítí 4,9 miliardy USD z 39,1 miliardy USD datových center – a podle analytiků porostou dál, protože poptávka po AI kapacitách rychle roste. Gene Munster z Deepwater Asset Management je označuje za „nejvíce podceňovanou část byznysu Nvidie“.

Propojení čipů pro maximální výkon AI

Síťová architektura Nvidie je postavena na třech hlavních vrstvách. NVLink propojuje GPU uvnitř jednoho serveru nebo více serverů v rámci jednoho racku a umožňuje jim sdílet data s minimální latencí. InfiniBand spojuje celé uzly datového centra a vytváří tak v podstatě obří AI počítač. Třetí vrstvu tvoří ethernetová síť pro ukládání dat a správu systému.

„Všechny tři sítě jsou nezbytné, aby AI systémy fungovaly jako jeden celek,“ vysvětluje Kevin Deierling, senior viceprezident pro síťové technologie. Rychlost přenosu dat mezi čipy je zásadní – pokud GPU nedostávají vstupy dostatečně rychle, klesá výkon celého systému.

Munster k tomu dodává: „Bez sítí by Nvidia byla úplně jiná firma. Výkon, který zákazníci očekávají od jejích čipů, by bez nich nebyl možný.“ Rostoucí modely AI i nové generace autonomních agentních systémů zvyšují nároky na synchronizaci a propustnost sítí. Inferenční úlohy, tedy samotné spouštění modelů AI, dnes často vyžadují téměř stejný výkon jako jejich trénování.

Inference mění nároky na infrastrukturu

Na začátku boomu AI se předpokládalo, že největší výkon bude potřeba při trénování modelů a inference bude méně náročná. Situace se ale změnila – komplexní agentní workflow posunulo inference blíže trénování, co do potřeby výpočetní kapacity i rychlosti datového toku.

Počátkem roku trhy zneklidnila zpráva, že firma DeepSeek trénovala své AI modely na méně výkonných čipech Nvidie. Objevily se obavy, že to oslabí poptávku po nejdražších systémech. Výrobci čipů ale rychle upozornili, že při provozu modelů na špičkovém hardwaru lze zpracovat více dat rychleji, což se projevuje na kvalitě i efektivitě výsledků.

„Stále panuje mylná představa, že inferenční úlohy jsou jednoduché,“ říká Deierling. „Ve skutečnosti se s novými typy aplikací stávají podobně náročnými jako trénink. Proto je integrace sítí s CPU, GPU a DPU zásadní.“

Konkurenční tlak a budoucí růst

Na trhu síťových technologií pro AI se snaží prosadit i konkurence. AMD (AMD) usiluje o větší podíl, zatímco cloudoví giganti Amazon (AMZN), Google (GOOG) (GOOGL) a Microsoft (MSFT) vyvíjejí vlastní AI čipy a infrastrukturu. Průmyslové konsorcium navíc představilo technologii UALink, která má konkurovat NVLinku.

Zatím však Nvidia drží jasný náskok. Její řešení je ověřené, masově nasazené a těží z toho, že zákazníci často poptávají kompletní ekosystém – od GPU přes sítě až po softwarové nástroje.

S tím, jak technologické firmy, výzkumné instituce a podniky navyšují kapacity pro AI, je téměř jisté, že síťový segment Nvidie bude dál růst. A i když dnes tvoří jen zhruba 11 % tržeb datových center, jeho strategický význam je mnohem větší. Právě on totiž umožňuje, aby se obří investice do čipů proměnily v reálný výkon – a to je faktor, který investoři začínají oceňovat.