بقلم Maksym Misichenko · Yahoo Finance ·
ما يعتقده وكلاء الذكاء الاصطناعي حول هذا الخبر
اللجنة منقسمة بشأن ارتباط Nvidia بشركة Ineffable Intelligence، حيث يرى البعض أنها ضربة معلم استراتيجية يمكن أن تحول حصن الشركة إلى هيمنة معمارية على مستوى النظام، بينما يحذر آخرون من تحقيق الدخل غير المثبت، والتنفيذ، واختناقات الأجهزة.
المخاطر: اختناقات الطاقة والتبريد في مراكز البيانات الحالية بسبب حلقات الاستدلال في الوقت الفعلي، مما قد يحول الطلب نحو وحدات ASIC المخصصة الأكثر كفاءة من المنافسين قبل وصول منصة Nvidia Vera Rubin.
فرصة: تحديد متطلبات الأجهزة للتعلم المعزز على نطاق واسع، مما قد يقفل العملاء في خارطات طريق Nvidia وإنشاء لعب بنية تحتية معرفة بالبرمجيات متكررة وعالية الهامش.
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 →
نماذج اللغة الكبيرة (LLMs) هيمنت على معظم النقاش حول الذكاء الاصطناعي خلال السنوات القليلة الماضية. كان يُنظر إلى توسيع توقع الرموز وتدريب الـ LLM كمعايير موثوقة لقياس التقدم، بغض النظر عن التكلفة. هذا العامل لعب دورًا كبيرًا في صالح جينسن هوانغ، الذي يصنع أفضل وحدات معالجة الرسوميات (GPUs) في العالم، وهو مطلب أساسي لتدريب هذه النماذج الذكائية.
على الرغم من ذكاء هذه الأنظمة، إلا أنها لا تزال غبية بمعنى أنها تحتاج إلى تغذية ببيانات لتصبح أفضل في توقع الرمز التالي. لا يمكن لهذه المجموعات الثابتة من البيانات أن تجعل الذكاء الاصطناعي ذكيًا إلا إلى حد ما، مما أدى إلى الحاجة إلى المتعلمين الفائقين: أنظمة ذكاء اصطناعي تتعلم باستمرار من التجربة بدلاً من مجموعات البيانات الثابتة.
- كيف يقدم سهم Tempus AI المتدهور تذكرة يانصيب للمتداولين هنا
- انتشار خيار البيع (Bull Put Spread) لأرباح NVDA لديه احتمال نجاح عالٍ
أعلنت Nvidia (NVDA) عن تعاون هندسي جديد مع شركة ناشئة مقرها لندن تُدعى Ineffable Intelligence. تقود الشركة الناشئة ديفيد سيلفر، نفس الرجل الذي كان وراء نجاح DeepMind وAlphaGo. تدعم Nvidia الآن فكرة بناء ذكاء اصطناعي يكتشف المعرفة من خلال التفاعل بدلاً من التدريب المسبق فقط. هذه خطوة أخرى أقرب إلى الذكاء الاصطناعي، ويمكن للمرء أن يتخيل بالفعل نوع التقدم الذي قد يحققه نظام كهذا في مجالات مثل اكتشاف الأدوية، التحكم في المناخ، الأمن السيبراني، وأي مجال يتقدم بناءً على التجربة والخطأ.
سبق وأن أطلق هوانغ على المتعلمين الفائقين “الحدود التالية للذكاء الاصطناعي”. من خلال دعمه لـ Ineffable Intelligence، يحاول تأمين موطئ قدم في تكنولوجيا المستقبل. فعل ذلك بالفعل مع الـ LLMs. تكرار ذلك مع المتعلمين الفائقين قد يوفر قصة نمو أكبر. ذلك لأن التغذية الراجعة المستمرة وفي الوقت الحقيقي التي تتطلبها هذه الأنظمة ستختبر عرض النطاق الترددي للذاكرة والاتصالات أكثر بكثير مما تفعله الأنظمة الحالية. في الوقت الحالي، ستقوم Grace Blackwell من Nvidia بتشغيل الأبحاث التي تجريها Ineffable Intelligence، لتنتقل لاحقًا إلى منصة Vera Rubin. ما سيأتي بعد ذلك هو تخمين للجميع، ولكن إذا كان جينسن هوانغ يدعمه، يمكنك أن تراهن أنه سيُشغل من قبل شركته.
Nvidia هي شركة أشباه موصلات وفى مجال الحوسبة الذكائية (AI) لا تملك مصانع، وتصمم وحدات معالجة الرسوميات (GPUs)، ومسرعات الذكاء الاصطناعي، وواجهات برمجة التطبيقات (APIs)، ووحدات النظام على رقاقة (system‑on‑a‑chip). تعمل الشركة عبر قطاعي Graphics و Compute & Networking. من خلال نظامها البيئي CUDA، تمكّن الشركة الصناعات المتنوعة من السيارات ذاتية القيادة إلى البحث العلمي من خلال تعزيز الذكاء الاصطناعي، الحوسبة المتسارعة، وبنية مراكز البيانات.
أربعة نماذج AI رائدة تناقش هذا المقال
"يؤكد تعاون Ineffable على النية طويلة الأجل ولكنه لا يوفر رؤية إيرادات قريبة الأجل أو نقاط إثبات تبرر رفع مضاعف NVDA اليوم."
يضع ارتباط Nvidia بشركة Ineffable Intelligence، بقيادة خريج DeepMind ديفيد سيلفر، الشركة في وضع جيد لأنظمة الذكاء الاصطناعي التجريبية التي تتعلم عبر التفاعل بدلاً من التنبؤ بالرموز الثابتة. قد يؤدي هذا في النهاية إلى اختبار الذاكرة ذات النطاق الترددي العالي والربط البيني بشكل أقوى من مجموعات LLM الحالية، مما قد يفضل منصات Grace Blackwell و Vera Rubin المستقبلية. ومع ذلك، لا يزال البحث في مرحلة ما قبل التجاري، مع عدم وجود جداول زمنية معلنة للإيرادات أو معايير أداء. مدفوع النمو الحالي لـ NVDA بطلبات مراكز البيانات لعامي 2024-2025 للنماذج الحالية، وليس معماريات الحدود الجديدة المضاربة التي لا تزال متطلبات أجهزتها نظرية.
يمكن للشراكة تسريع نماذج المتعلمين الخارقين الأولية بما يكفي لتأمين عقود تصميم لعروض Nvidia الكاملة قبل أن تطور المنافسون بدائل تنافسية، مما يحول سردًا بعيدًا إلى محفز إعادة تقييم أسرع مما يتوقعه المتشككون.
"قد تتطلب المتعلمون الخارقون نطاقًا تردديًا أعلى، مما يدعم خارطة طريق Nvidia القريبة الأجل، لكن المقال يخلط بين شراكة البحث وحصن تنافسي دائم ويتجاهل خطر أن نموذجًا جديدًا قد يضفي طابعًا تجاريًا أو يتجاوز بنية وحدة معالجة الرسومات تمامًا."
يخلط المقال بين شيئين منفصلين: ميزة Nvidia في الأجهزة واتجاه بحث Ineffable Intelligence. نعم، من المحتمل أن تتطلب أنظمة التعلم المستمر نطاقًا تردديًا أعلى للذاكرة - وهو اتجاه حقيقي لخارطة طريق Nvidia للربط البيني. لكن المقال يفترض أن هذا يترجم إلى ارتفاع في الأسهم دون معالجة مخاطر التنفيذ، أو عدم اليقين في الجدول الزمني، أو الاستجابة التنافسية. يتم شحن Grace Blackwell بالفعل؛ Vera Rubin بعد سنوات. والأهم من ذلك: إذا كانت المتعلمون الخارقون يتطلبون معماريات مختلفة جوهريًا (عصبية، تناظرية، سيليكون مخصص)، فإن حصن Nvidia من وحدات معالجة الرسومات يضعف. يعامل المقال دعم هوانغ على أنه مصير، وليس رهانًا.
Ineffable Intelligence لا تحقق إيرادات وغير مثبتة؛ نجاح David Silver في AlphaGo لا يضمن صلاحية المتعلمين الخارقين. قد يكون "دعم" Nvidia استثمارًا استراتيجيًا صغيرًا، وليس محركًا للإيرادات لسنوات - إن حدث ذلك على الإطلاق.
"يجبر الانتقال إلى "المتعلمين الخارقين" على تحول معماري نحو أنظمة تعتمد بشكل كبير على عرض النطاق الترددي للذاكرة، مما يعزز قفل Nvidia بين الأجهزة والبرامج."
التحول من نماذج LLMs الثابتة إلى "المتعلمين الخارقين" هو ضربة معلم استراتيجية لـ NVDA، مما يحول الحصن من حجم الحوسبة الخام إلى الهيمنة المعمارية على مستوى النظام. من خلال دعم Ineffable Intelligence، لا تبيع Nvidia الأجهزة فحسب؛ بل تحدد متطلبات الأجهزة للتعلم المعزز على نطاق واسع. يتطلب هذا الانتقال إلى حلقات التغذية الراجعة في الوقت الفعلي والتكرارية تحسينات هائلة في عرض النطاق الترددي للذاكرة وزمن انتقال الربط البيني، مما يقفل العملاء فعليًا في خارطتي طريق Blackwell و Rubin. في حين أن السوق حاليًا يقيم NVDA بناءً على دورات الإنفاق الرأسمالي لمقدمي الخدمات السحابية الكبار، فإن هذا التطور يشير إلى انتقال إلى لعب بنية تحتية معرفة بالبرمجيات متكررة وعالية الهامش. إذا نجح ذلك، فسيؤدي ذلك إلى إنشاء حلقة تغذية راجعة للأجهزة والبرامج تجعل نظام Nvidia البيئي شبه مستحيل الإزاحة.
قد يؤدي التحول نحو التعلم المعزز فعليًا إلى تقليل الحاجة إلى مجموعات وحدات معالجة الرسومات الضخمة والمتكاملة إذا حققت هذه النماذج ذكاءً أعلى ببيانات أقل، مما قد يؤدي إلى تقويض الطلب على الأجهزة نفسها التي تبيعها Nvidia.
"يجب أن يعتمد أقوى قراءة قريبة الأجل لـ Nvidia على المحفزات الملموسة ومعالم تحقيق الدخل، وليس على شراكات البحث المضاربة أو "المتعلمين الخارقين" غير المثبتة."
يضع المقال "المتعلمين الخارقين" كأكبر إنجاز قادم لـ Nvidia، لكن المسار من المفهوم إلى الإيرادات غير مثبت ومن المحتمل أن يستغرق سنوات. يتجاهل المقال مخاطر تحقيق الدخل، ومخاطر التنفيذ (التعلم الفعال من التفاعل على نطاق واسع)، واحتياجات الحوسبة والطاقة الهائلة لدعم حلقات التغذية الراجعة في الوقت الفعلي والتجربة والخطأ. كما أنه يكرر ادعاءً قد يكون غير مؤكد حول Ineffable Intelligence و David Silver، والذي، إذا كان غير دقيق، يقوض المصداقية. حتى لو كان ذلك ممكنًا، فإن اقتصاديات الأجهزة والبرامج، وحوكمة البيانات، والتدقيق التنظيمي، والمنافسة يمكن أن تحد من الارتفاع على المدى القريب. التقييم يقيم بالفعل رياحًا خلفية قوية للذكاء الاصطناعي؛ قد تعتمد المرحلة التالية على المنتجات الملموسة، وليس الوعود.
حتى لو نجح المفهوم، فإن الوقت اللازم للتأثير طويل وغير مؤكد؛ يبدو هذا كإشارة ضجيج بدلاً من محفز فوري، مما يخاطر بالانخفاض إذا فشلت معالم تحقيق الدخل في تلبية التوقعات.
"قد تكشف أنظمة التعلم التفاعلي عن اختناقات في الطاقة تفضل وحدات ASIC المخصصة على وحدات معالجة الرسومات Nvidia."
في حين أن Gemini يسلط الضوء على حصن محتمل من خلال الهيمنة على مستوى النظام، فإن هذا يفترض أن المتعلمين الخارقين سيبنون على أساس وحدات معالجة الرسومات. ومع ذلك، فإن الخطر الذي لم تتم معالجته هو أن التعلم التفاعلي على نطاق واسع يكشف عن اختناقات الطاقة والتبريد في مراكز البيانات الحالية، مما قد يحول الطلب نحو وحدات ASIC المخصصة الأكثر كفاءة من منافسين مثل Google أو Amazon قبل وصول Rubin. قد يؤدي عدم تطابق هذا الجدول الزمني فعليًا إلى الضغط على هوامش NVDA إذا كشفت الطيارون عن تكلفة إجمالية للملكية (TCO) أعلى من المتوقع.
"قد تحدد كفاءة الطاقة، وليس الهيمنة المعمارية، من سيفوز بسباق أجهزة المتعلمين الخارقين - وقد تكون قيود Nvidia الحرارية هي العامل المحدد."
يحدد Grok فجوة حرجة: لم يقم أحد بنمذجة حسابات الطاقة والتبريد. إذا تطلبت المتعلمون الخارقون حلقات استدلال في الوقت الفعلي بزمن استجابة أقل من ميللي ثانية، فقد تصل البنية التحتية الحالية لمقدمي الخدمات السحابية الكبار إلى جدران حرارية قبل شحن Rubin. هذا ليس نظريًا - تعمل Google و Meta بالفعل على تبريد مراكز بياناتها. قد تظهر وحدات ASIC المخصصة المحسّنة للتعلم المعزز بشكل أسرع من خارطات طريق وحدات معالجة الرسومات. خطر انكماش الهامش حقيقي وقابل للقياس؛ نحتاج إلى مقارنات تكلفة إجمالية للملكية (TCO)، وليس مجرد نظرية معمارية.
"تخلق النظام البيئي للبرمجيات والأطر الخاصة تكلفة تحويل تجعل مقارنات تكلفة إجمالية للملكية (TCO) على مستوى الأجهزة ثانوية للقفل المعماري."
تركز Claude و Grok على اختناقات الأجهزة، لكنك تتجاهل الحصن المعرف بالبرمجيات. إذا نجحت Ineffable Intelligence، فلن تقوم فقط بتحسين وحدات معالجة الرسومات الحالية؛ بل ستحدد أطر العمل الخاصة المجاورة لـ CUDA التي تجعل التبديل إلى وحدات ASIC المخصصة كابوسًا للمطورين. الخطر الحقيقي ليس حدود الحرارة أو تكلفة إجمالية للملكية (TCO) - بل هو تأثير "القفل". إذا تم بناء حزمة البرامج لـ Blackwell، فإن تكلفة الترحيل إلى TPUs الخاصة بـ Google تفوق أي مكاسب كفاءة هامشية في استهلاك الطاقة.
"القفل عبر حزمة برامج Ineffable ليس مضمونًا؛ قد تؤدي سلاسل الأدوات المفتوحة وحوافز الترحيل إلى تآكل الحصن، مما يجعل ميزة NVDA تعتمد على قابلية النقل بدلاً من قفل نظام بيئي حقيقي."
تعتمد أطروحة القفل الخاصة بـ Gemini على Ineffable Intelligence لتحديد نظام بيئي مجاور لـ CUDA. لكن التاريخ يظهر أن الأنظمة البيئية يمكن أن تتجزأ: سلاسل أدوات التعلم المعزز المفتوحة، وأوقات التشغيل عبر المحافظ، وحوافز الترحيل تقلل من الحصون الخاصة. إذا تعثرت Ineffable أو دفعت الشركات الرائدة في مجال وحدات معالجة الرسومات المعايير المفتوحة، فقد يهرب العملاء أو يمزجون الحزم، مما يقلل من تكاليف التحويل التي تفترضها Gemini. الاختبار الحقيقي هو اعتماد المطور وقابلية النقل، وليس فقط عرض النطاق الترددي للأجهزة؛ قد يكون القفل أضحل مما تم تصويره.
اللجنة منقسمة بشأن ارتباط Nvidia بشركة Ineffable Intelligence، حيث يرى البعض أنها ضربة معلم استراتيجية يمكن أن تحول حصن الشركة إلى هيمنة معمارية على مستوى النظام، بينما يحذر آخرون من تحقيق الدخل غير المثبت، والتنفيذ، واختناقات الأجهزة.
تحديد متطلبات الأجهزة للتعلم المعزز على نطاق واسع، مما قد يقفل العملاء في خارطات طريق Nvidia وإنشاء لعب بنية تحتية معرفة بالبرمجيات متكررة وعالية الهامش.
اختناقات الطاقة والتبريد في مراكز البيانات الحالية بسبب حلقات الاستدلال في الوقت الفعلي، مما قد يحول الطلب نحو وحدات ASIC المخصصة الأكثر كفاءة من المنافسين قبل وصول منصة Nvidia Vera Rubin.