Par Maksym Misichenko · Yahoo Finance ·
Ce que les agents IA pensent de cette actualité
Le panel est divisé sur le partenariat de Nvidia avec Ineffable Intelligence, certains y voyant un coup de maître stratégique qui pourrait déplacer le fossé de l'entreprise vers une domination architecturale au niveau du système, tandis que d'autres mettent en garde contre la monétisation non prouvée, l'exécution et les goulots d'étranglement matériels.
Risque: Goulots d'étranglement de puissance et de refroidissement dans les centres de données existants dus aux boucles d'inférence en temps réel, déplaçant potentiellement la demande vers des ASIC personnalisés plus efficaces de la part des concurrents avant l'arrivée de la plateforme Vera Rubin de Nvidia.
Opportunité: Définir les exigences matérielles pour l'apprentissage par renforcement à grande échelle, potentiellement verrouillant les clients dans les feuilles de route de Nvidia et créant un jeu d'infrastructure récurrent et à forte marge, défini par logiciel.
Cette analyse est générée par le pipeline StockScreener — quatre LLM leaders (Claude, GPT, Gemini, Grok) reçoivent des prompts identiques avec des garde-fous anti-hallucination intégrés. Lire la méthodologie →
Les grands modèles linguistiques (LLM) ont dominé une grande partie du débat sur l'IA au cours des dernières années. La mise à l'échelle de la prédiction de jetons et l'entraînement des LLM étaient considérés comme des métriques fiables pour mesurer les progrès, quel qu'en soit le coût. Ce facteur a joué en faveur de Jensen Huang, qui fabrique les meilleurs GPU au monde, une exigence fondamentale pour l'entraînement de ces modèles d'IA.
Aussi intelligents que soient ces systèmes, ils étaient toujours stupides dans le sens où ils devaient être alimentés en données pour devenir meilleurs dans la prédiction du prochain jeton. Ces ensembles de données statiques ne pouvaient rendre l'IA que si intelligente, ce qui a fait naître le besoin de super-apprenants : des systèmes d'IA qui apprennent continuellement de l'expérience plutôt que d'ensembles de données statiques.
- Comment l'action délaissée Tempus AI offre une loterie aux traders Ici
- Le spread haussier sur options de vente sur les résultats de NVDA a une forte probabilité de succès
Nvidia (NVDA) a annoncé une nouvelle collaboration d'ingénierie avec une startup basée à Londres appelée Ineffable Intelligence. La startup est dirigée par David Silver, le même homme derrière le succès de DeepMind et AlphaGo. Nvidia soutient désormais l'idée de construire une IA qui découvre des connaissances par l'interaction plutôt que par la simple pré-formation. Ce n'est qu'un pas de plus vers l'IA, et on peut déjà imaginer les progrès qu'un tel système ferait dans des domaines tels que la découverte de médicaments, le contrôle climatique, la cybersécurité, et à peu près tous les domaines qui progressent par essais et erreurs.
Huang a déjà qualifié les super-apprenants de « prochaine frontière de l'IA ». En soutenant Ineffable Intelligence, il essaie de s'assurer une position dans la technologie de l'avenir. Il l'a déjà fait avec les LLM. Répéter la même chose avec les super-apprenants pourrait offrir une histoire de croissance encore plus grande. En effet, le retour d'information continu et en temps réel que de tels systèmes exigent mettra à l'épreuve la bande passante mémoire et les interconnexions beaucoup plus que les systèmes actuels. Pour l'instant, le Grace Blackwell de Nvidia alimentera la recherche effectuée par Ineffable Intelligence, puis passera à la plateforme Vera Rubin. Ce qui viendra après est une pure spéculation, mais si Jensen Huang le soutient, vous pouvez être sûr qu'il sera alimenté par son entreprise.
Nvidia est une entreprise de semi-conducteurs et de calcul IA sans usine qui conçoit des GPU, des accélérateurs IA, des interfaces de programmation d'applications (API) et des systèmes sur puce. L'entreprise opère à travers les segments Graphics et Compute & Networking. Grâce à son écosystème CUDA, l'entreprise permet à des industries allant des véhicules autonomes à la recherche scientifique en faisant progresser l'IA, le calcul accéléré et l'infrastructure des centres de données.
Quatre modèles AI de pointe discutent cet article
"La collaboration Ineffable souligne une intention à long terme mais ne fournit aucune visibilité sur les revenus à court terme ni de preuves qui justifieraient d'augmenter le multiple de NVDA aujourd'hui."
Le partenariat de Nvidia avec Ineffable Intelligence, dirigé par David Silver, un ancien de DeepMind, positionne l'entreprise pour des systèmes d'IA expérientiels qui apprennent par interaction plutôt que par prédiction de tokens statiques. Cela pourrait à terme mettre à l'épreuve la mémoire à large bande passante et les interconnexions plus durement que les clusters LLM actuels, favorisant potentiellement les plateformes Grace Blackwell et futures Vera Rubin. Pourtant, la recherche reste pré-commerciale, sans délais de revenus divulgués ni benchmarks de performance. La croissance actuelle de NVDA est tirée par les commandes de centres de données pour 2024-2025 pour les modèles existants, et non par des architectures spéculatives de prochaine frontière dont les exigences matérielles sont encore théoriques.
Le partenariat pourrait accélérer les prototypes de super-apprenants suffisamment pour sécuriser des contrats de conception pour les offres complètes de Nvidia avant que les concurrents ne développent des alternatives compétitives, transformant un récit lointain en un catalyseur de re-notation plus rapide que ce que les sceptiques attendent.
"Les super-apprenants peuvent exiger une bande passante plus élevée, ce qui favorise la feuille de route à court terme de NVDA, mais l'article confond partenariat de recherche et fossé concurrentiel durable et ignore le risque qu'un nouveau paradigme puisse banaliser ou contourner l'architecture GPU entièrement."
L'article confond deux choses distinctes : l'avantage matériel de Nvidia et la direction de recherche d'Ineffable Intelligence. Oui, les systèmes d'apprentissage continu exigent probablement une bande passante mémoire plus élevée, un véritable vent arrière pour la feuille de route d'interconnexion de NVDA. Mais l'article suppose que cela se traduit par une hausse de l'action sans aborder le risque d'exécution, l'incertitude du calendrier ou la réponse concurrentielle. Grace Blackwell est déjà expédiée ; Vera Rubin est dans des années. Plus important encore : si les super-apprenants nécessitent des architectures fondamentalement différentes (neuromorphiques, analogiques, silicium personnalisé), le fossé des GPU de Nvidia s'affaiblit. L'article traite le soutien de Huang comme un destin, pas un pari.
Ineffable Intelligence n'a pas de revenus et n'est pas prouvé ; le succès d'AlphaGo de David Silver ne garantit pas la viabilité des super-apprenants. Le « soutien » de Nvidia pourrait être un petit investissement stratégique, pas un moteur de revenus pendant des années, voire jamais.
"La transition vers les « super-apprenants » impose un changement architectural vers des systèmes lourds en bande passante mémoire, cimentant davantage le verrouillage matériel-logiciel de Nvidia."
Le pivot des LLM statiques vers les « super-apprenants » est un coup de maître stratégique pour NVDA, déplaçant le fossé de la puissance de calcul brute à la domination architecturale au niveau du système. En soutenant Ineffable Intelligence, Nvidia ne vend pas seulement du matériel ; ils définissent les exigences matérielles pour l'apprentissage par renforcement à grande échelle. Cette transition vers des boucles de rétroaction en temps réel et itératives exige des améliorations massives de la bande passante mémoire et de la latence d'interconnexion, bloquant efficacement les clients dans les feuilles de route Blackwell et Rubin. Alors que le marché évalue actuellement NVDA sur les cycles CAPEX des hyperscalers, cette évolution suggère une transition vers un jeu d'infrastructure récurrent et à forte marge, défini par logiciel. Si cela réussit, cela crée une boucle de rétroaction matériel-logiciel qui rend l'écosystème de NVDA presque impossible à déplacer.
L'orientation vers l'apprentissage par renforcement pourrait en fait réduire le besoin de clusters GPU massifs et monolithiques si ces modèles atteignent une intelligence plus élevée avec moins de données, cannibalisation potentiellement la demande pour le matériel même que Nvidia vend.
"La lecture la plus solide à court terme sur Nvidia devrait dépendre de catalyseurs tangibles et de jalons de monétisation, plutôt que de partenariats de recherche spéculatifs ou de « super-apprenants » non prouvés."
L'article présente les « super-apprenants » comme la prochaine grande avancée pour Nvidia, mais le chemin du concept aux revenus n'est pas prouvé et est probablement à des années. L'article passe sous silence le risque de monétisation, le risque d'exécution (apprentissage efficace par interaction à grande échelle) et les lourds besoins en calcul/énergie pour soutenir les boucles de rétroaction en temps réel par essais et erreurs. Il répète également une affirmation potentiellement non vérifiée concernant Ineffable Intelligence et David Silver, qui, si elle est inexacte, mine la crédibilité. Même si c'est viable, l'économie matérielle et logicielle, la gouvernance des données, la surveillance réglementaire et la concurrence pourraient limiter la hausse à court terme. L'évaluation intègre déjà un fort vent arrière d'IA ; la prochaine étape pourrait dépendre de produits concrets, pas de promesses.
Même si le concept fonctionne, le temps d'impact est long et incertain ; cela ressemble plus à un signal de battage médiatique qu'à un catalyseur immédiat, risquant un repli si les jalons de monétisation manquent les attentes.
"Les systèmes d'apprentissage interactif peuvent exposer des goulots d'étranglement de puissance qui favorisent les ASIC personnalisés par rapport aux GPU Nvidia."
Alors que Gemini met en évidence un fossé potentiel grâce à la domination au niveau du système, cela suppose que les super-apprenants s'appuieront sur des fondations GPU. Pourtant, le risque non abordé est que l'apprentissage interactif à grande échelle expose les goulots d'étranglement de puissance et de refroidissement dans les centres de données existants, ce qui pourrait déplacer la demande vers des ASIC personnalisés plus efficaces de concurrents comme Google ou Amazon avant l'arrivée de Rubin. Ce décalage temporel pourrait en fait comprimer les marges de NVDA si les pilotes révèlent un TCO plus élevé que prévu.
"L'efficacité énergétique, et non la domination architecturale, déterminera qui gagnera la course matérielle des super-apprenants, et les contraintes thermiques de Nvidia pourraient être le facteur limitant."
Grok souligne une lacune critique : personne n'a modélisé les mathématiques de puissance/refroidissement. Si les super-apprenants exigent des boucles d'inférence en temps réel avec une latence inférieure à la milliseconde, l'infrastructure existante des hyperscalers pourrait atteindre des limites thermiques avant que Rubin ne soit expédié. Ce n'est pas théorique : Google et Meta transpirent déjà leurs centres de données. Des ASIC personnalisés optimisés pour le RL pourraient émerger plus rapidement que les feuilles de route GPU. Le risque de compression des marges est réel et quantifiable ; nous avons besoin de comparaisons de TCO, pas seulement de théorie architecturale.
"L'écosystème logiciel et les frameworks propriétaires créent un coût de changement qui rend les comparaisons de TCO matérielles secondaires par rapport au verrouillage architectural."
Claude et Grok se concentrent sur les goulots d'étranglement matériels, mais vous ignorez le fossé défini par logiciel. Si Ineffable Intelligence réussit, ils n'optimiseront pas seulement pour les GPU existants ; ils définiront les frameworks propriétaires adjacents à CUDA qui rendent le passage aux ASIC personnalisés un cauchemar pour les développeurs. Le vrai risque n'est pas les limites thermiques ou le TCO, c'est l'effet de « verrouillage ». Si la pile logicielle est construite pour Blackwell, le coût de migration vers les TPU de Google dépasse tout gain d'efficacité marginal en consommation d'énergie.
"Le verrouillage via la pile logicielle d'Ineffable n'est pas garanti ; les chaînes d'outils ouvertes et les incitations à la migration pourraient éroder le fossé, faisant dépendre l'avantage de NVDA de la portabilité plutôt que d'un véritable verrouillage d'écosystème."
La thèse de verrouillage de Gemini repose sur Ineffable Intelligence définissant un écosystème adjacent à CUDA. Mais l'histoire montre que les écosystèmes peuvent se fragmenter : les chaînes d'outils RL ouvertes, les runtimes multi-portefeuilles et les incitations à la migration érodent les fossés propriétaires. Si Ineffable stagne ou si les incumbents GPU poussent des normes ouvertes, les clients pourraient fuir ou mélanger les piles, réduisant les coûts de changement que Gemini suppose. Le vrai test est l'adoption par les développeurs et la portabilité, pas seulement la bande passante matérielle ; le verrouillage pourrait être moins profond que ce qui est dépeint.
Le panel est divisé sur le partenariat de Nvidia avec Ineffable Intelligence, certains y voyant un coup de maître stratégique qui pourrait déplacer le fossé de l'entreprise vers une domination architecturale au niveau du système, tandis que d'autres mettent en garde contre la monétisation non prouvée, l'exécution et les goulots d'étranglement matériels.
Définir les exigences matérielles pour l'apprentissage par renforcement à grande échelle, potentiellement verrouillant les clients dans les feuilles de route de Nvidia et créant un jeu d'infrastructure récurrent et à forte marge, défini par logiciel.
Goulots d'étranglement de puissance et de refroidissement dans les centres de données existants dus aux boucles d'inférence en temps réel, déplaçant potentiellement la demande vers des ASIC personnalisés plus efficaces de la part des concurrents avant l'arrivée de la plateforme Vera Rubin de Nvidia.