Nvidia kupiła Mellanoxa, bo w superkomputerze sam szybki procesor nie wystarcza
W 2019 r. Nvidia zgodziła się kupić Mellanox za około 6,9 mld dolarów. Nvidia była liderem akceleratorów GPU, natomiast Mellanox specjalizował się w szybkich interconnectach — technologiach łączących serwery, pamięć i procesory w centra danych oraz superkomputery. W dużym systemie AI tysiące układów muszą wymieniać dane z ogromną prędkością; jeśli sieć jest wąskim gardłem, nawet najszybszy procesor traci część wartości. Nvidia kupowała więc nie konkurenta od GPU, lecz brakującą warstwę infrastruktury. To pokazuje, że przewagę można budować przez poszerzanie kontroli nad całym systemem, nie tylko przez ulepszanie głównego produktu.
Wydajność systemu zależy od najsłabszego połączenia
GPU może wykonywać ogromną liczbę operacji równolegle, ale w dużych klastrach musi regularnie otrzymywać dane i komunikować się z innymi układami. Jeśli transfer między serwerami jest zbyt wolny, procesory czekają. Interconnect staje się wtedy częścią wydajności obliczeniowej tak samo jak sam chip. Mellanox rozwijał InfiniBand i szybkie rozwiązania Ethernet przeznaczone właśnie do takich środowisk.
Nvidia przesuwała się od komponentu do platformy
Firma zaczynała jako producent procesorów graficznych, ale rozwój AI zmienił jej rolę. Centrum danych potrzebuje GPU, oprogramowania, sieci, pamięci i systemów zarządzania. Kupno Mellanoxa pozwalało Nvidii kontrolować więcej elementów tej układanki. To strategiczny wzorzec: lider pojedynczego komponentu próbuje stać się dostawcą całej architektury.
Przejęcie zwiększa możliwości wspólnego projektowania
Gdy procesor i sieć powstają w jednej grupie, zespoły mogą optymalizować protokoły, interfejsy i oprogramowanie razem. Wspólne planowanie roadmapy może dawać efekty, których trudniej oczekiwać od dwóch niezależnych dostawców negocjujących standardowe interfejsy. Właśnie takie system-level co-design stało się ważne wraz ze wzrostem skali klastrów AI.
Mellanox miał relacje z całym rynkiem HPC
Nvidia w komunikacie transakcyjnym podkreślała, że technologie obu firm współpracowały już w setkach superkomputerów z listy TOP500 i u największych dostawców chmurowych. Kupujący nie otrzymywał więc wyłącznie patentów. Otrzymywał zespół, produkty, klientów i pozycję w krytycznej warstwie centrów danych.
Wąskie gardło może być bardziej strategiczne niż flagowy produkt
Firma naturalnie koncentruje się na elemencie, który sprzedaje najwięcej, ale w złożonym systemie przewaga konkurencyjna często przesuwa się do ograniczającego komponentu. Jeśli obliczenia rosną szybciej niż zdolność przenoszenia danych, sieć zaczyna decydować o wartości całego klastra. Mellanox był więc strategiczny właśnie dlatego, że rozwiązywał problem wynikający z sukcesu GPU.
Integracja poszerza moat, ale zwiększa odpowiedzialność
Im więcej warstw kontroluje Nvidia, tym łatwiej oferować kompletne rozwiązania, ale tym więcej musi sama rozwijać i utrzymywać. Przejęcie nie usuwa konkurencji w sieciach czy chipach. Zwiększa natomiast koszt odtworzenia pełnej oferty przez rywala, który musiałby dorównać jednocześnie procesorom, interconnectom, oprogramowaniu i ekosystemowi.
Integracja sieci z obliczeniami tworzy przewagę szczególnie wtedy, gdy skala modeli rośnie
Im większe klastry AI, tym więcej danych musi przepływać pomiędzy tysiącami akceleratorów. Nawet niewielka strata czasu na komunikację powtarzana przy miliardach operacji może ograniczać wykorzystanie drogiego sprzętu. Dlatego interconnect przestaje być dodatkiem technicznym i staje się elementem ekonomii centrum danych: lepsza sieć może oznaczać więcej wykonanej pracy z tej samej liczby GPU. Mellanox dawał Nvidii możliwość projektowania komunikacji z myślą o własnych akceleratorach i bibliotekach. To rozszerza moat z pojedynczego chipa na cały system. Konkurent musi wtedy odpowiedzieć nie jednym lepszym procesorem, ale porównywalnym zestawem sprzętu, sieci i oprogramowania działających razem. Wraz ze wzrostem modeli i klastrów znaczenie tej integracji rośnie, bo koszt niewykorzystanego czasu drogich akceleratorów staje się coraz bardziej materialny. Sieć staje się więc częścią produktu obliczeniowego, a nie tylko dodatkiem infrastrukturalnym.