ИИ-сервер для видеоаналитики в 2026: GPU, декодирование, сеть и запас по развитию

NVIDIA развивает сразу несколько классов GPU для AI-инференса. RTX PRO 6000 Blackwell Server Edition (GB202, 5 нм, 92 млрд транзисторов) дает 96 GB GDDR7 и современные NVENC/NVDEC - оптимально для смешанных нагрузок: computer vision, декодирование видео, графика и LLM-инференс на одной платформе. H200 (141 GB HBM3e, 4.8 TB/s пропускная способность) остается сильным выбором для тяжелых моделей. B200 (192 GB HBM3e, ~8 TB/s) выходит на уровень AI Factory, но для обычной видеоаналитики его нужно обосновывать.

AMD продолжает конкурировать в сегменте high-memory: MI300X (192 GB HBM3), а анонсированный MI350X (288 GB HBM3E) обещает до 4x прироста AI-производительности. Реальные показатели зависят от software maturity: NVIDIA достигает 50-55% Model FLOPS Utilization на成熟ом стеке TensorRT/Triton, AMD - около 45% на ROCm. Для видеоаналитики это означает что выбор GPU должен подтверждаться не паспортными TFLOPS, а тестом на конкретном pipeline.

На edge-уровне NVIDIA Jetson Thor (JetPack 7, CUDA 13, TensorRT 10) поддерживает multi-camera 3D perception и 8K-декодирование. При $3,499 и 130W это платформа для локального inference рядом с оборудованием. Jetson Orin ($1,999, 64GB) остается рабочим выбором для камер с простыми моделями детекции.

Серверные GPU: от RTX до H200

RTX PRO 6000 Blackwell Server Edition - универсальный выбор для смешанных нагрузок. 96 GB GDDR7, аппаратное декодирование, серверный форм-фактор с нормальным охлаждением. Подходит для 16-64 камер с несколькими моделями, журналом событий и локальным RAG. Две такие карты в одном сервере часто дают более разумный TCO чем один H200.

H200 (141 GB HBM3e) - для тяжелых моделей: high-resolution segmentation, крупные базы биометрии, multi-model ensembles. Оправдан когда действительно нужна пропускная способность памяти 4.8 TB/s, а не «на всякий случай».

B200 (192 GB HBM3e) - уровень AI Factory. Для обычной видеоаналитики избыточен, но уместен если на том же сервере планируются крупные LLM/RAG-нагрузки или кластерный inference.

L40S - бюджетный вариант для легких моделей детекции на 8-16 камерах. 48 GB GDDR6, хорошее декодирование, но ограничен по памяти для больших моделей.

Edge: Jetson Thor и Orin

• Jetson Thor ($3,499, 130W): multi-camera, 8K decode, TensorRT 10, CUDA 13. Для участков где нужна низкая задержка и автономность.
• Jetson Orin ($1,999, 64GB): 4-8 камер с простой детекцией, контроль СИЗ, учет людей. Рабочий выбор для edge.

AMD альтернатива

MI300X (192 GB HBM3) конкурентоспособен для high-memory inference, но требует проверки совместимости ROCm с конкретными моделями и фреймворками. Для стандартной видеоаналитики на DeepStream/TensorRT экосистема NVIDIA пока зрелее.

Что мы считаем для каждой камеры

• разрешение и кодек (H.264/H.265);
• битрейт и стабильность RTSP;
• FPS анализа, а не только FPS потока;
• тип модели: detection, segmentation, OCR, face recognition, tracking;
• размер входа модели;
• требования к задержке;
• нужно ли хранить видео, кадры событий или только метаданные;
• нужны ли LLM/RAG-нагрузки на той же платформе.

Пример: площадка хочет

• 24 камеры СИЗ 1080p, анализ 5 FPS;
• 6 камер распознавания лиц на проходах;
• 4 камеры контроля качества с trigger и 12 MP кадрами;
• хранение JPEG событий 90 дней;
• локальный RAG по регламентам и журналам инцидентов.

Это уже не «одна мощная видеокарта». Нужен сервер где отдельно проверены: декодирование 24 потоков, latency для 4 trigger-камер, отдельный сервис биометрии, журнал событий, база метаданных, RAG-сервис и мониторинг. Если посадить все в один docker-compose без resource limits - ночью при переиндексации документов просядет видеоаналитика.

Edge, центр или гибрид

• Edge на участке: низкая задержка, автономность. Риск: сложнее обновлять парк устройств.
• Центральный сервер: единый журнал, централизованное сопровождение. Риск: сеть - критичное звено.
• Гибрид: быстрый inference локально, журнал и RAG централизованно. Риск: нужно проектировать синхронизацию и правила отказа.

Для критичных производственных сигналов мы чаще выбираем гибрид: локальный inference на участке, а журнал, отчеты, дообучение и RAG - на центральной платформе.

ИИ-сервер для видеоаналитики - это фундамент, на который ложатся все сервисы Smart Video: контроль качества продукции, охрана труда и СИЗ, распознавание лиц, лазерный контроль геометрии.

Через AI Platforms платформа развивается от чистой видеоаналитики к полной локальной ИИ-инфраструктуре: RAG по регламентам, поиск по инцидентам, ассистенты инженера и службы безопасности, автоматические сводки. Сервер не становится тупиковой покупкой - он растет вместе с задачами предприятия.

Инженерная база проектов идет от Аквис-Сервис - питание, стойка, охлаждение и эксплуатация важны не меньше модели. Параллельно полезны наши исследования: контроль качества на производстве и видеоаналитика охраны труда - там разобраны конкретные сценарии нагрузки под разные типы камер и моделей.