Суперкомпьютер для исследований искусственного интеллекта
Компания DDN, которая с 1998 года создаёт системы хранения данных для суперкомпьютеров, за два года нарастила выручку со $100 до $500 млн и ожидает удвоения до $1 млрд в 2026-м, потому что без быстрого доступа к данным дорогие GPU простаивают.
DDN решает узкое место, которое тормозит обучение больших моделей: данные не успевают подгружаться к графическим процессорам, и серверы стоимостью около $500 000 за штуку бездействуют, по заявлению компании, две трети рабочего времени.
Суперкомпьютеры для обучения ИИ считают с колоссальной скоростью, но упираются в «пробки» при подаче данных. DDN, основанная Алексом Бузари и Полом Блоком, закрывает этот разрыв программным обеспечением, которое разбивает файлы и распределяет их одновременно по тысячам накопителей. В январе 2025 года инвестиционная компания Blackstone вложила $300 млн, оценив DDN в $5 млрд. Историю компании подробно разобрал Forbes.
Почему GPU простаивают без быстрых хранилищ?
GPU (графический процессор, микрочип, выполняющий массу параллельных вычислений) способен обрабатывать данные со скоростью более квинтиллиона операций в секунду, если работает в составе суперкомпьютера. Но ему нужен постоянный поток данных.
Когда Nvidia в 2016 году начала собирать собственные суперкомпьютеры из кластеров GPU, инженеры столкнулись с той же бедой, что и учёные, использовавшие традиционные суперкомпьютеры IBM или Cray: чипы работали молниеносно, а хранилища за ними не поспевали.
«В день запуска суперкомпьютера система хранения дала сбой. Просто не выдержала нагрузки. Мы связались с DDN, и с ними всё сразу заработало, как надо. С тех пор они стали нашим партнёром» : Марк Гамильтон, вице-президент Nvidia
DDN решает проблему программно: разбивает огромные файлы на части и раздаёт их тысячам накопителей параллельно. Бузари описывает принцип так: на информационных магистралях машины движутся по всем полосам равномерно, без заторов.
Как выручка выросла со $100 до $500 млн?
До бума ИИ DDN обслуживала несколько сотен научных лабораторий и зарабатывала около $300 млн в год. Темпы роста замедлялись. Перелом наступил с волной генеративного ИИ.
Динамика выручки по данным Forbes:
- 2024 год: около $400 млн
- 2025 год: около $500 млн
- 2026 год (прогноз): $1 млрд, благодаря контрактам с xAI Илона Маска и государственными корпорациями разных стран
В январе 2025 года Blackstone купила долю за $300 млн, оценив компанию в $5 млрд. Бузари и Блоку принадлежит по 40% акций, то есть доля каждого оценивается в $2 млрд. Но доступ к портфелю клиентов и дата-центров Blackstone, чьи активы оцениваются в $325 млрд, для DDN может стоить дороже самих денег.
Весь сектор хранения данных растёт аномально
DDN не единственный бенефициар. По данным Forbes:
- Акции SanDisk (производитель карт памяти) выросли за 12 месяцев на 3100%, рыночная капитализация достигла $210 млрд
- Micron за год увеличила выручку в четыре раза, до $41,5 млрд во втором квартале 2026 года, акции подорожали более чем на 615%
Конкуренты DDN: публичные Dell, Everpure и NetApp продают системы хранения, но, по оценке Forbes, запаздывают в гонке ИИ. Стартапы Weka и Hammerspace тоже отбирают долю рынка.
Что это значит для тех, кто работает с ИИ в России?
Проблема, которую решает DDN, актуальна для любого, кто обучает или дообучает (fine-tuning, обучение модели на ваших примерах под узкую задачу) большие модели. GPU дорогие, а если хранилище не справляется, деньги горят впустую.
- Авторам Дзена и копирайтерам: история DDN объясняет, почему обучение нейросетей стоит так дорого и почему генерация текста пока не подешевела. Когда в следующий раз подписка на ИИ-сервис вырастет в цене, вы будете знать одну из причин
- Маркетологам и предпринимателям: если вы планируете дообучение модели на своих данных, узкое место может оказаться не в GPU, а в скорости подачи данных к ним. Уточняйте у провайдера, какое хранилище стоит в кластере
- Разработчикам и исследователям в РФ: в российских вузах и лабораториях, включая проекты ВШЭ с суперкомпьютерами для магистратуры по ИИ, инфраструктура хранения остаётся слабым звеном. Тем, кто строит вычислительные кластеры, стоит изучить архитектуру параллельного распределения данных, которую использует DDN, даже если сама компания на российском рынке недоступна
Допустим, вы арендуете четыре GPU A100 для дообучения языковой модели на корпусе из 500 ГБ текстов. Если хранилище отдаёт данные медленно, GPU будет ждать следующую порцию обучающих данных (training data, набор примеров, на которых учится модель). При пиковой загрузке вы используете GPU на треть. При правильной настройке параллельного чтения с нескольких SSD, аналог того, что DDN делает в масштабе, загрузка может вырасти до 80-90%, а время обучения сократится пропорционально. Конкретный выигрыш зависит от задачи, но принцип один: данные должны лететь к чипу без пауз.
Новички при работе с GPU-кластерами чаще всего спотыкаются на трёх вещах:
- Экономят на хранилище и переплачивают за GPU. Арендуют мощные карты, но данные лежат на медленном диске. Результат: GPU загружен на 20-30%.
- Игнорируют пропускную способность сети. Даже если SSD быстрые, сетевое соединение между хранилищем и GPU может стать бутылочным горлышком.
- Не измеряют утилизацию GPU. Без мониторинга вы не знаете, что чип простаивает. Проверяйте
nvidia-smiрегулярно, прежде чем покупать дополнительную мощность.
DDN показывает закономерность, которую я наблюдаю последние два года: деньги в ИИ-инфраструктуре всё чаще зарабатывают не на самих чипах, а на том, что делает чипы полезнее. Это «кирки и лопаты» нового уровня: не GPU, а обвязка вокруг них.
Для российского рынка урок прямой. Проекты вроде ВШЭ с суперкомпьютером для магистратуры по ИИ упираются именно в инфраструктуру хранения. Альтернатив DDN на отечественном рынке фактически нет, и это одновременно проблема и возможность для тех, кто готов строить аналогичные решения.
Честная оговорка: прогноз DDN по выручке в $1 млрд на 2026 год основан на текущих контрактах. Если спрос на ИИ-инфраструктуру замедлится, а такие прецеденты в IT-индустрии были не раз, цифра может оказаться оптимистичной.
Рост DDN с $300 млн до ожидаемого $1 млрд за три года подтверждает простое правило: самый быстрый процессор бесполезен, если данные к нему ползут. Тем, кто в России строит или арендует GPU-кластеры для обучения моделей, стоит считать не только стоимость видеокарт, но и скорость, с которой хранилище кормит их данными.
Попробуйте инструменты dzen.guru
Разбираетесь в ИИ-инфраструктуре или хотите понять, как нейросети помогают авторам? Подпишитесь на рассылку dzen.guru, чтобы получать разборы технологий, которые влияют на вашу работу.
Подписаться
Основатель dzen.guru. Эксперт по монетизации и продвижению на Дзен. Автор курса «Старт на Дзен 2026».
Читайте также
Сбер отменил комиссии за переводы между своими счетами
Компания «Сбер» с июня 2025 года убрала комиссии за переводы между собственными счетами клиентов, и теперь пользователи могут отправлять любые суммы внутри…
Google убирает кнопку поиска с главной страницы: вход через Gemini становится приоритетом
Google начала тестировать версию главной страницы без привычной кнопки «Поиск в Google» под строкой запроса, и пока эксперимент затрагивает только…
США отказались от саудовской нефти
Соединённые Штаты в июле 2025 года впервые с 1985 года не импортировали ни одного барреля саудовской нефти, а главным бенефициаром перестройки поставок…
Комментарии