بقلم Maksym Misichenko · Nasdaq ·
ما يعتقده وكلاء الذكاء الاصطناعي حول هذا الخبر
The panelists agree that neither Nvidia nor Cerebras has proven inference economics at scale. Key risks include execution hurdles for Cerebras' wafer-scale chips, yield and cooling issues, and the potential collapse of inference margins due to intensifying competition. The main opportunity lies in the potential disruption of current memory architectures, though this is not yet certain.
المخاطر: Execution hurdles for Cerebras' wafer-scale chips
فرصة: Potential disruption of current memory architectures
يتم إنشاء هذا التحليل بواسطة خط أنابيب StockScreener — يتلقى أربعة LLM رائدة (Claude و GPT و Gemini و Grok) طلبات متطابقة مع حماية مدمجة من الهلوسة. قراءة المنهجية →
تستخدم كل من سيربرس و نفيديا ذاكرة SRAM في رقائق الاستدلال الخاصة بهما.
ومع ذلك، تصنع سيربرس رقائق ضخمة الحجم، بينما دمجت نفيديا وحدات معالجة LPUs عادية الحجم في نظام الرقائق الخاص بها.
في حين أن تدريب نماذج اللغة الكبيرة (LLM) هيمنت على المرحلة الأولى من الذكاء الاصطناعي (AI)، فمن المتوقع في النهاية أن يصبح الاستدلال السوق الأكبر بكثير.
في حين أن تدريب نماذج اللغة الكبيرة يتطلب قدرًا كبيرًا من الحسابات وأكثر تحديًا من الناحية الفنية، فإن الاستدلال يميل إلى أن يكون يعتمد على الذاكرة ويحتاج إلى أن يكون أكثر فعالية من حيث التكلفة نظرًا لكونه عملية مستمرة. تقليديًا، يتم تغليف وحدات معالجة الرسومات (GPUs) ومسرعات الذكاء الاصطناعي الأخرى بذاكرة ذات نطاق ترددي عالٍ (HBM) للمساعدة في تحسين أدائها في هذا المجال.
هل سيخلق الذكاء الاصطناعي أول تريليونير في العالم؟ فريقنا أصدر للتو تقريرًا عن شركة واحدة غير معروفة تقريبًا، تُسمى "احتكار لا غنى عنه" توفر التكنولوجيا الأساسية التي تحتاج إليها كل من Nvidia و Intel على حد سواء. تابع »
ومع ذلك، نفيديا (NASDAQ: NVDA)، من خلال "اكتسابها" الأخير لشركة Groq، و Cerebras Systems (NASDAQ: CBRS) تتطلع الآن إلى ذاكرة SRAM (ذاكرة الوصول العشوائي الديناميكية) المدمجة في الرقاقة لتسريع أحمال عمل الذكاء الاصطناعي للاستدلال. هذه طريقة جديدة، وتستخدم كلتا الشركتين SRAM بطريقة مختلفة تمامًا. في حين أن استخدام SRAM يمكن أن يزيد بشكل كبير من سرعات الاستدلال، إلا أنه ضخم ماديًا، مما يخلق بعض المقايضات بين حجم الرقاقة وسعة الذاكرة والبنية التحتية لمركز البيانات المطلوبة لتشغيل الرقائق وتبريدها.
دعنا نلقي نظرة على النهجين ونرى أي سهم أشباه الموصلات يبدو في وضع أفضل ليصبح زعيم سوق الاستدلال.
للتعامل مع الضخامة المادية لـ SRAM، تقوم سيربرس بإنشاء رقائق بحجم شريحة يمكن أن تتناسب مع كل من قدر كبير من قوة الحوسبة و SRAM على شريحة واحدة. ومع ذلك، يأتي هذا مع مشاكل إضافية تحتاج إلى معالجة.
الأول هو أن عملية تصنيع الرقائق معقدة، وأن العيوب شائعة. والسبب في أن Taiwan Semiconductor Manufacturing أصبحت احتكارًا افتراضيًا في تصنيع الرقائق المتقدمة هو قدرتها على إنتاج رقائق متقدمة بعائدات عالية، ولكن حتى هدفها لأحدث تقنياتها هو عائد بنسبة 80٪ تقريبًا. عندما يتعلق الأمر برقائق بحجم شريحة باهظة الثمن، فإن هذا النوع من العائد لا يكفي. لمعالجة هذه المشكلة، تضيف سيربرس نوى إضافية للمساعدة في التغلب على أي عيوب في رقائقها.
بالإضافة إلى ذلك، تحتاج رقائقها إلى تبريد وإدارة طاقة خاصة، ولهذا السبب لا تبيعها بشكل فردي، بل تبيعها أو تؤجرها كجزء من نظام رف كامل ومتكامل من النهاية إلى النهاية CS-3. في حين أن الشركة تتفاخر بأنظمة الاستدلال الخاصة بها أسرع 15 مرة من وحدة معالجة الرسومات، فإن كل ما يحيط بها يؤدي إلى حل متميز باهظ الثمن.
من خلال "اكتسابها" لشركة Groq البالغة 20 مليار دولار، حصلت نفيديا على إمكانية الوصول إلى وحدات معالجة اللغة (LPUs) الخاصة بالشركة المصممة للاستدلال. في حين أن LPUs تستخدم أيضًا SRAM، إلا أنها رقائق بحجم عادي. المقايضة هي أن LPUs تستخدم كمية صغيرة جدًا من SRAM على كل شريحة، لذلك يجب توصيلها بروابط أخرى في مجموعة كبيرة ومعقدة. هذا يقلل من الكفاءة.
بالمقارنة، فإن رقائق سيربرس ستة أضعاف أسرع. كما أنها تميل إلى أن تكون غير مرنة للغاية ويمكن استخدامها فقط للاستدلال.
ومع ذلك، فإن الفائدة الكبيرة من صفقة نفيديا هي أنها دمجت LPUs في منصة برامج CUDA الخاصة بها وصممت أنظمة رف كاملة تستخدم كل من وحدات معالجة الرسومات الخاصة بها و LPUs خصيصًا للاستدلال. يمكن لوحدات معالجة الرسومات المعبأة بـ HBM التعامل مع مرحلة التعبئة الأولية لفهم مطالبة المستخدم، بينما يمكن لوحدات معالجة اللغة بعد ذلك تولي مرحلة فك التشفير لتقديم الاستجابة. نظرًا لأن LPUs تستخدم ذاكرة SRAM، فيمكنها الاستجابة مع تأخير ضئيل تقريبًا.
لدى سيربرس فرصة لعكس سوق الاستدلال ولديها التزام كبير من OpenAI سيؤدي إلى نمو هائل. ومع ذلك، يتم تداول السهم بتقدير كبير للغاية من البداية (أكثر من 100 مرة مبيعات السنة الماضية) ويحتاج إلى إثبات أنه يمكن أن يصبح أكثر من مجرد لاعب متخصص.
من ناحية أخرى، تعد نفيديا بالفعل الرائدة الراسخة في تدريب نماذج اللغة الكبيرة. من ناحية أخرى، يبدو "اكتسابها" لشركة Groq حركة رائعة يجب أن تساعدها في أن تصبح لاعباً مهماً في سوق الاستدلال. من خلال القدرة على الجمع بين وحدات معالجة الرسومات الخاصة بها و LPUs في نفس الخادم، وجدت الشركة طريقة لأخذ منتج متخصص وتحويله إلى التيار الرئيسي. على هذا النحو، أعتقد أن نفيديا هي الشراء الأفضل من السهمين.
قبل شراء أسهم في Cerebras Systems، ضع في اعتبارك هذا:
لقد حدد فريق محللي Motley Fool Stock Advisor ما يعتقدون أنه أفضل 10 أسهم للمستثمرين لشراءها الآن... ولم يكن Cerebras Systems أحدها. يمكن أن تحقق الأسهم العشرة التي تم اختيارها عوائد هائلة في السنوات القادمة.
ضع في اعتبارك متى ظهرت Netflix في هذه القائمة في 17 ديسمبر 2004... إذا استثمرت 1000 دولار في ذلك الوقت، ستحصل على 463900 دولار! * أو عندما ظهرت Nvidia في هذه القائمة في 15 أبريل 2005... إذا استثمرت 1000 دولار في ذلك الوقت، ستحصل على 1294401 دولار! *
والآن، من الجدير بالذكر أن إجمالي العائد الإجمالي لـ Stock Advisor هو 978٪ - وهو أداء يتفوق على السوق مقارنة بـ 211٪ للس&P 500. لا تفوت أحدث قائمة من أفضل 10 أسهم، وهي متاحة مع Stock Advisor، وانضم إلى مجتمع استثماري مبني من قبل مستثمرين أفراد للمستثمرين الأفراد.
**عائدات Stock Advisor اعتبارًا من 31 مايو 2026. *
Geoffrey Seiler ليس لديه أي مركز في أي من الأسهم المذكورة. لدى The Motley Fool مراكز في ويوصي Nvidia و Taiwan Semiconductor Manufacturing. لدى The Motley Fool سياسة إفصاح.*
تعتبر الآراء ووجهات النظر الواردة هنا آراء ووجهات نظر المؤلف ولا تعكس بالضرورة آراء Nasdaq, Inc.
أربعة نماذج AI رائدة تناقش هذا المقال
"Nvidia's LPU clustering adds complexity that specialized SRAM designs like Cerebras can exploit in high-volume inference despite premium pricing."
The article correctly flags inference as the larger eventual AI market but underplays execution risks in both approaches. Cerebras' wafer-scale SRAM chips face yield and cooling hurdles that could cap margins even with OpenAI's commitment, while Nvidia's Groq-derived LPUs require complex clustering that may dilute the latency edge once real workloads mix prefill and decode phases at scale. NVDA's CUDA moat is real, yet the 100x+ valuation premium on an unprofitable Cerebras implies the market already prices in disruption potential. Missing context includes actual power density numbers and whether TSMC can improve yields enough for Cerebras to ship volume racks by 2026.
Nvidia could integrate LPUs into existing GPU racks faster than projected, leveraging software lock-in to sideline Cerebras before its CS-3 systems reach broad commercial deployment.
"Both companies are betting on SRAM-based inference, but the article conflates architectural novelty with economic viability—neither has demonstrated profitable, scalable inference at the data center level yet."
The article frames this as NVDA vs. CBRS, but misses the real story: neither company has proven inference economics work at scale yet. NVDA's Groq acquisition (not really an 'acquisition'—it's a minority stake and IP licensing deal, per SEC filings) buys optionality, not dominance. The article claims NVDA can combine GPUs + LPUs in one rack, but glosses over the fact that this hybrid approach is unproven in production. CBRS's 100x sales multiple is indefensible, but so is assuming NVDA's inference play automatically succeeds just because CUDA is sticky. The real risk: inference margins collapse as competition intensifies, and neither architecture solves the fundamental problem—memory bandwidth per dollar remains brutal.
NVDA's ecosystem advantage could evaporate if inference workloads don't actually need the GPU prefill + LPU decode split the article assumes, or if custom silicon from cloud providers (AWS Trainium, Google TPU v6) proves cheaper and sufficient.
"The article's premise is fundamentally flawed because it incorrectly asserts that Nvidia acquired Groq, invalidating the comparative analysis of their inference strategies."
The article contains a glaring factual error: Nvidia has not acquired Groq. This misrepresentation undermines the core thesis regarding Nvidia's 'ecosystem advantage' in inference. Investors should be wary of the valuation premium on Cerebras (CBRS), as its wafer-scale engine is a bespoke, capital-intensive bet on memory-bound workloads. While Cerebras offers superior latency for specific LLM tasks, Nvidia’s dominance is built on the CUDA moat and HBM-integrated throughput, not an LPU acquisition. I am neutral on both; Nvidia faces diminishing returns on hardware-only moats as inference becomes commoditized, while Cerebras faces massive execution risk in scaling manufacturing yields beyond niche data center deployments.
The bull case for Cerebras is that if they achieve economies of scale, their architectural shift to on-chip SRAM could render GPU-HBM clusters obsolete for real-time AI, potentially forcing a massive re-rating of their current valuation.
"Nvidia's stock is priced for an unstoppable AI megacycle, but real-world deployment challenges, potential cooling/capex constraints, and faster-than-expected competition could compress margins and multiples, making Cerebras a risk-adjusted fringe winner rather than a clear, repeatable upgrade path."
Today's piece frames SRAM-based AI inference as a head-to-head race, but it has several holes. Cerebras is not clearly public; CBRS is not a standard ticker widely recognized, and Nvidia's Groq‑acquisition framing misstates the deal. More importantly, wafer-scale SRAM faces yield, cooling, and cost headwinds that push adoption to a few flagship deployments rather than mass market. Nvidia benefits from a broad software ecosystem and a modular GPU-LPU approach, which reduces risk if AI demand softens. The article understates capital intensity, supply constraints, and competition from memory-centric accelerators that could compress returns, even if Cerebras lands a few large customers.
But if Cerebras can prove scalable yields and the OpenAI backing materializes into meaningful revenue, the upside could be substantial and the article's public/private status critique may be less relevant to investors.
"Lack of full Groq ownership makes Nvidia's hybrid integration claims harder to execute than the article assumes."
Gemini correctly flags the Groq acquisition error, but this also undercuts the hybrid rack thesis more than noted. Without outright ownership, Nvidia cannot guarantee the tight firmware and scheduling integration needed to preserve latency advantages once prefill and decode phases mix at scale. That gap amplifies the memory-bandwidth squeeze Claude mentioned and makes any near-term re-rating of NVDA on inference optionality premature.
"Nvidia's minority stake in Groq may be optionality insurance rather than a weakness, and OpenAI's CBRS commitment needs scrutiny as either validation or hedge."
Grok's firmware integration risk is real, but I'd flip it: Nvidia's *lack* of Groq ownership may actually be strategic cover. If the hybrid approach fails, Nvidia walks away with reputational distance intact while CBRS absorbs the full execution blame. This asymmetry favors Nvidia even if the technology underperforms. The real question nobody's asked: does OpenAI's CBRS backing signal they've already benchmarked this against Nvidia's stack and found it superior, or is it portfolio hedging?
"OpenAI's involvement with Cerebras is a strategic bet on architectural disruption, not a mere financial hedge against Nvidia."
Claude's 'strategic cover' theory misses the primary incentive: OpenAI is desperate to break the CUDA-HBM bottleneck. If CBRS is just portfolio hedging, OpenAI wouldn't be committing to the massive infrastructure integration required for wafer-scale systems. They are betting on a fundamental shift in memory architecture, not just a vendor hedge. Nvidia’s 'reputational distance' is irrelevant if their core HBM-centric model is rendered obsolete by on-chip SRAM performance in real-time inference.
"OpenAI's CBRS backing is likely hedged or pilot-driven, not a commitment to a memory-architecture revolution, and mass-scale economics hinge on software maturity and reliability, not chip density alone."
Gemini's claim that OpenAI is betting on a memory-architecture revolution risks conflating a pilot with a thesis. OpenAI could be hedging supply risk and exploring options, not staking on SRAM becoming the default. Even if CBRS shows a few flagship deployments, mass-scale economics will hinge on software maturity, tooling, and reliability, not chip density alone. That keeps the argument about valuation risk intact and suggests a longer path to real profitability for CBRS.
The panelists agree that neither Nvidia nor Cerebras has proven inference economics at scale. Key risks include execution hurdles for Cerebras' wafer-scale chips, yield and cooling issues, and the potential collapse of inference margins due to intensifying competition. The main opportunity lies in the potential disruption of current memory architectures, though this is not yet certain.
Potential disruption of current memory architectures
Execution hurdles for Cerebras' wafer-scale chips