Американский производитель полупроводников Broadcom 06.04.2026 заключил соглашение о выпуске новых версий чипов искусственного интеллекта для Google и расширил партнерство со стартапом Anthropic, сообщает CNBC. В рамках сделки Anthropic получит доступ к вычислительным мощностям объемом около 3.5 гигаватт на базе процессоров Google, при этом акции Broadcom на расширенных торгах выросли на 3%.

Раскрытие информации в документах для регуляторов подчеркивает растущий спрос на инфраструктуру для генеративных моделей*. Генеральный директор Broadcom Хок Тан ранее отмечал, что «для Anthropic мы очень хорошо начали 2026 год с одного гигаватта вычислений TPU**, а в 2027 году ожидается скачок спроса свыше трех гигаватт». Эксперты подсчитали, что Broadcom получит $21 млрд выручки от ИИ-направления благодаря Anthropic в 2026 году и $42 млрд в 2027 году.

Параллельно Broadcom сотрудничает с конкурентом Anthropic — компанией OpenAI — в сфере разработки пользовательских чипов. В настоящее время оба разработчика моделей сильно зависят от графических процессоров Nvidia, доступ к которым предоставляют облачные провайдеры Amazon, Google и Microsoft. При этом OpenAI также обязалась использовать шесть гигаватт мощностей на базе процессоров AMD, первая часть из которых будет развернута во второй половине текущего года.

*Генеративная модель — это тип алгоритмов искусственного интеллекта, способных создавать новый уникальный контент, такой как текст, изображения, программный код или аудио, на основе огромных массивов изученных данных. Именно на таких моделях работают популярные чат-боты и нейросети, например, ChatGPT от OpenAI или Claude от Anthropic, требующие колоссальных вычислительных мощностей для своего обучения и работы.

**TPU — это тензорный процессор (Tensor Processing Unit), специализированная микросхема, разработанная компанией Google исключительно для задач машинного обучения и работы с искусственным интеллектом. В отличие от универсальных центральных или графических процессоров, архитектура TPU максимально оптимизирована для быстрого и энергоэффективного выполнения специфических математических вычислений, на которых строятся нейросети.

Подпишись на MP в MAX