Nvidia setter 6,5 milliarder dollar på fotonikk for AI-datasentre

Nvidia kjøper seg inn i neste flaskehals

Nvidia bruker minst 6,5 milliarder dollar på selskaper som utvikler fotonikk for AI-infrastruktur. Det melder CNBC, som har kartlagt investeringer og avtaler selskapet har gjort siden mars.

Poenget er enkelt: AI-datasentre er i ferd med å møte en ny grense. Det holder ikke å kjøpe flere GPU-er hvis data ikke flyttes raskt nok mellom brikker, minne, nettverk, servere og hele datasentre. I dag går mye av trafikken via elektriske signaler og kobber. Det virker, men bruker mye energi og blir stadig vanskeligere å skalere når modellene blir større og bruken går opp.

Fotonikk bruker lys til å flytte data. For Nvidia handler dette ikke om en pen forskningsidé. Det handler om å holde AI-fabrikkene lønnsomme når inferens, agenter og lange kontekstvinduer krever mer båndbredde hvert kvartal.

Ifølge CNBC har Nvidia annonsert investeringer på 2 milliarder dollar hver i Lumentum, Coherent og Marvell. Alle tre arbeider med fotonikk eller optiske forbindelser. I tillegg har Nvidia lovet 500 millioner dollar til Corning for avanserte optiske forbindelser, og deltatt i Ayer Labs' runde på 500 millioner dollar.

Det er sjelden Nvidia binder kapital så tydelig til ett teknisk lag i infrastrukturen. Signalverdien er høyere enn beløpet alene. Selskapet viser hvor neste knapphet oppstår. Ikke bare i GPU-kapasitet, men i forbindelsene som lar GPU-ene jobbe som ett system.

Fra brikkemangel til båndbreddekrise

De siste årene har styrer og ledergrupper snakket om AI som modellvalg, lisenskostnad og produktivitet. Den samtalen er allerede for smal. De største kostnadene ligger i økende grad i strøm, kjøling, nettverk, rack-design, minne og kapasitetsavtaler.

CNBC siterer Forrester-analytiker Alvin Nguyen på at fotonikk gir Nvidia en vei til å skalere AI-infrastruktur uten energikostnaden som følger av elektriske forbindelser og kobber. Han peker også på risikoen for en skalerings- og ytelsesvegg hvis selskapet blir værende for lenge på dagens teknologi.

Det er kjernen for norske virksomheter også. De fleste skal ikke bygge egne gigawatt-datasentre. Men de skal kjøpe tjenester fra aktører som gjør det. Når leverandørenes kost per token endres, endres prising, marginer, kapasitet og forhandlingsmakt.

Dette treffer særlig tre områder.

For det første blir AI-anskaffelser mer avhengige av leverandørens infrastrukturstrategi. En modell kan se billig ut i dag, men bli dyrere hvis leverandøren mangler effektiv nettverks- og optisk kapasitet i neste generasjon rack.

For det andre blir FinOps mer teknisk. Det holder ikke å måle antall kall og tokenvolum. CIO og CFO må forstå hvilke arbeidslaster som driver båndbredde, latency og strømforbruk. Agentiske løsninger med mange steg, verktøykall og lange kontekster kan bli langt dyrere enn enkle chatbot-scenarier.

For det tredje blir leverandørbinding mer fysisk. Når Nvidia, nettverkspartnere og optikkleverandører pakker AI-systemer tettere sammen, kan valgmulighetene flyttes fra programvare til hele stacken. Det er ikke nødvendigvis negativt. Men det må styres.

Nvidia gjør optikken til en strategisk kontrollpost

Jensen Huang sa under GTC i mars at Nvidia er i ferd med å skalere silisiumfotonikk, og at kapasitetsbehovet er langt høyere enn det verden har i dag. Derfor jobber selskapet med leverandørkjeden for å bygge kapasitet før behovet slår inn for fullt.

Det er en klassisk Nvidia-manøver. Selskapet venter ikke på at resten av markedet modnes. Det investerer i lagene som kan bli flaskehalser, og gjør dem til del av sin egen plattformlogikk. GPU, nettverk, programvare, referansedesign, rack og nå optiske forbindelser trekkes tettere sammen.

Morningstar-analytiker Brian Colello sier til CNBC at Nvidias veikart for neste generasjons AI-rack vil kreve mer optisk tilkobling for å håndtere raskt voksende båndbredde fra nye modeller og høyere bruk. Det passer med Nvidias egen retorikk om AI-fabrikker: datasentre som måles på tokens per watt, kost per token, utnyttelse og oppetid.

For CIO-er betyr det at AI-infrastruktur ikke lenger kan behandles som standard skykapasitet. Den må vurderes som produksjonsinfrastruktur. Hvis AI blir en del av kjerneprosesser, må kapasitet, latency, datatilgang og driftsrisiko inn i samme risikobilde som ERP, nettverk og sikkerhet.

Ikke moden over natten

Det er fortsatt tidlig. CNBC siterer Nick Patience i Futurum Group på at teknologien fungerer, men at produksjonsskala er den vanskelige delen. Co-packaged optikk krever presis justering av optiske og silisiumbaserte komponenter. Når noe går galt i pakkingen, er det ofte vanskelig å reparere. Patience venter bredere bruk fra 2028 og utover.

Det gir ledergrupper et praktisk handlingsrom. Dette er ikke en beslutning som må tas i neste ukes ledermøte. Men det bør inn i leverandørdialogen nå.

Spør hyperscaler, modellleverandør og datasenterpartner hvordan de planlegger for optiske forbindelser, båndbredde og energi per token. Spør hva som skjer med pris hvis inferensvolumet femdobles. Spør hvor mye av kostbasen som er eksponert mot Nvidia-stack, proprietære rack-design og enkeltleverandører i optikkjeden.

CISO bør også følge med. Når mer av AI-ytelsen flyttes inn i spesialiserte, tett integrerte systemer, blir observabilitet og segmentering viktigere. Feil i nettverk, firmware, management-plane eller leverandørkjede kan få større konsekvens når mange AI-arbeidslaster konsolideres i samme fabrikkmodell.

Den operative anbefalingen er nøktern: ikke kjøp AI-kapasitet bare på modellnavn og benchmark. Kjøp på enhetlig kost, energiprofil, kapasitet under last, exit-muligheter og sikkerhetskontroller. Fotonikk kan bli en av teknologiene som skiller leverandørene som kan levere AI i skala fra dem som bare kan selge tilgang i perioder med god kapasitet.

Kilder og medier

Kilde: CNBC, "Nvidia is investing billions into this emerging technology that could change the AI industry", publisert 29. mai 2026. source_url: https://www.cnbc.com/2026/05/29/nvidia-photonics-investment-ai.html Kreditering: CNBC for nyhetsgrunnlag, investeringstall og analytikerkommentarer. Thumbnail: OpenAI Image 2 / hogby.ai