Oleh Maksym Misichenko · Yahoo Finance ·
Apa yang dipikirkan agen AI tentang berita ini
Panel terbagi mengenai kemitraan Nvidia dengan Ineffable Intelligence, dengan beberapa melihatnya sebagai langkah strategis brilian yang dapat menggeser parit perusahaan ke dominasi arsitektur tingkat sistem, sementara yang lain memperingatkan tentang monetisasi, eksekusi, dan hambatan perangkat keras yang belum terbukti.
Risiko: Hambatan daya dan pendinginan di pusat data yang ada karena loop inferensi waktu nyata, berpotensi menggeser permintaan ke arah ASIC khusus yang lebih efisien dari pesaing sebelum platform Vera Rubin Nvidia tiba.
Peluang: Mendefinisikan persyaratan perangkat keras untuk pembelajaran penguatan dalam skala besar, berpotensi mengunci pelanggan ke dalam peta jalan Nvidia dan menciptakan permainan infrastruktur yang ditentukan perangkat lunak berulang dengan margin tinggi.
Analisis ini dihasilkan oleh pipeline StockScreener — empat LLM terkemuka (Claude, GPT, Gemini, Grok) menerima prompt identik dengan perlindungan anti-halusinasi bawaan. Baca metodologi →
Model Bahasa Besar (LLM) telah mendominasi banyak dari perdebatan AI selama beberapa tahun terakhir. Skalasi prediksi token dan pelatihan LLM dianggap metrik yang dapat diandalkan untuk mengukur kemajuan, tanpa memperhatikan biaya. Faktor ini benar-benar membantu Jensen Huang, yang membuat GPU terbaik di dunia, kebutuhan fundamental untuk melatih model AI ini.
Meski sistem-sistem ini cerdas, mereka masih "denggan" dalam arti mereka harus diberikan data untuk menjadi lebih baik dalam memprediksi token berikutnya. Dataset statis ini hanya bisa membuat AI begitu cerdas, sehingga muncul kebutuhan untuk superlearners: sistem AI yang terus belajar dari pengalaman bukan dataset statis.
- Bagaimana Saham Tempus AI yang Terancam Menjadi Tiket Togel untuk Pencari
- Saham NVDA Earnings Bull Put Spread memiliki Peluang Keberhasilan Tinggi
Nvidia (NVDA) mengumumkan kolaborasi teknik baru dengan startup berbasis London bernama Ineffable Intelligence. Startup ini dipimpin oleh David Silver, yang juga menjadi sukses di belakang keberhasilan DeepMind dan AlphaGo. Nvidia sekarang mendukung ide membangun AI yang menemukan pengetahuan melalui interaksi bukan hanya melalui pelatihan sebelumnya. Ini adalah langkah lagi yang lebih dekat ke AI, dan sudah bisa dirasakan kemajuan sistem seperti ini dalam bidang seperti penemuan obat, pengendalian iklim, keamanan siber, dan hampir semua bidang yang berjalan berdasarkan uji coba dan kesalahan.
Huang sudah menyebut superlearners sebagai "selat belakang AI berikutnya". Dengan mendukung Ineffable Intelligence, ia mencoba memastikan posisi di teknologi masa depan. Ia sudah melakukan hal ini dengan LLM. Melakukan hal yang sama dengan superlearners mungkin memberikan cerita pertumbuhan yang lebih besar. Karena itu, karena balikbalik dan balikbalik yang sistem seperti ini memerlukan akan menguji lebar memori dan koneksi jauh lebih dari sistem saat ini. Sekarang, Grace Blackwell Nvidia akan memimpin penelitian yang dilakukan oleh Ineffable Intelligence, kemudian beralih ke Platform Vera Rubin. Apa yang akan datang, siapa pun tahu, tetapi jika Jensen Huang mendukungnya, Anda bisa bertawaran bahwa ini akan didorong oleh perusahaan-nya.
Nvidia adalah perusahaan elektronik berbasis fabless dan komputasi AI yang merancang GPU, accelerator AI, antarmuka aplikasi (API), dan unit system-on-a-chip. Perusahaan beroperasi melalui segment Graphics dan Compute & Networking. Melalui ekosistem CUDA, perusahaan memungkinkan industri dari kendaraan otomatis hingga penelitian ilmiah dengan memajukan AI, komputasi terceler, dan infrastruktur data center.
Empat model AI terkemuka mendiskusikan artikel ini
"Kolaborasi Ineffable menggarisbawahi niat jangka panjang tetapi tidak memberikan visibilitas pendapatan jangka pendek atau poin bukti yang akan membenarkan kenaikan kelipatan NVDA hari ini."
Kemitraan Nvidia dengan Ineffable Intelligence, yang dipimpin oleh alumnus DeepMind David Silver, memposisikan perusahaan untuk sistem AI eksperiensial yang belajar melalui interaksi daripada prediksi token statis. Ini pada akhirnya dapat menguji memori bandwidth tinggi dan interkoneksi lebih keras daripada kluster LLM saat ini, berpotensi menguntungkan platform Grace Blackwell dan Vera Rubin di masa depan. Namun penelitian tersebut tetap pra-komersial, tanpa garis waktu pendapatan yang diungkapkan atau tolok ukur kinerja. Pertumbuhan NVDA saat ini didorong oleh pesanan pusat data 2024-2025 untuk model yang ada, bukan arsitektur perbatasan berikutnya yang spekulatif yang persyaratan perangkat kerasnya masih bersifat teoretis.
Kemitraan ini dapat mempercepat prototipe superlearner yang cukup untuk mengunci kemenangan desain untuk penawaran full-stack Nvidia sebelum pesaing mengembangkan alternatif yang kompetitif, mengubah narasi yang jauh menjadi katalis re-rating yang lebih cepat daripada yang diharapkan oleh para skeptis.
"Superlearner mungkin membutuhkan bandwidth yang lebih tinggi, yang menguntungkan peta jalan jangka pendek NVDA, tetapi artikel tersebut mencampuradukkan kemitraan penelitian dengan parit kompetitif yang tahan lama dan mengabaikan risiko bahwa paradigma baru dapat mengkomodifikasi atau melewati arsitektur GPU sama sekali."
Artikel tersebut mencampuradukkan dua hal terpisah: keunggulan perangkat keras Nvidia dan arah penelitian Ineffable Intelligence. Ya, sistem pembelajaran berkelanjutan kemungkinan membutuhkan bandwidth memori yang lebih tinggi—angin sepoi-sepoi yang nyata untuk peta jalan interkoneksi NVDA. Tetapi artikel tersebut mengasumsikan ini diterjemahkan menjadi kenaikan saham tanpa mengatasi risiko eksekusi, ketidakpastian garis waktu, atau respons kompetitif. Grace Blackwell sudah dikirimkan; Vera Rubin masih bertahun-tahun lagi. Lebih penting lagi: jika superlearner membutuhkan arsitektur yang berbeda secara fundamental (neuromorfik, analog, silikon khusus), parit GPU Nvidia melemah. Artikel tersebut memperlakukan dukungan Huang sebagai takdir, bukan taruhan.
Ineffable Intelligence belum menghasilkan pendapatan dan belum terbukti; kesuksesan AlphaGo David Silver tidak menjamin kelangsungan hidup superlearner. 'Dukungan' Nvidia mungkin merupakan investasi strategis kecil, bukan pendorong pendapatan selama bertahun-tahun—jika pernah.
"Transisi ke 'superlearner' memaksa pergeseran arsitektur menuju sistem yang padat bandwidth memori, semakin memperkuat penguncian perangkat keras-perangkat lunak Nvidia."
Pergeseran dari LLM statis ke 'superlearner' adalah langkah strategis yang brilian bagi NVDA, menggeser parit dari volume komputasi mentah ke dominasi arsitektur tingkat sistem. Dengan mendukung Ineffable Intelligence, Nvidia tidak hanya menjual perangkat keras; mereka mendefinisikan persyaratan perangkat keras untuk pembelajaran penguatan dalam skala besar. Transisi ke loop umpan balik waktu nyata dan iteratif ini menuntut peningkatan besar dalam bandwidth memori dan latensi interkoneksi, secara efektif mengunci pelanggan ke dalam peta jalan Blackwell dan Rubin. Sementara pasar saat ini menilai NVDA berdasarkan siklus CAPEX hyperscaler, evolusi ini menunjukkan transisi ke permainan infrastruktur yang ditentukan perangkat lunak berulang dengan margin tinggi. Jika berhasil, ini menciptakan loop umpan balik perangkat keras-perangkat lunak yang membuat ekosistem NVDA hampir tidak mungkin digantikan.
Pergeseran menuju pembelajaran penguatan mungkin sebenarnya mengurangi kebutuhan akan kluster GPU monolitik besar jika model-model ini mencapai kecerdasan yang lebih tinggi dengan lebih sedikit data, berpotensi mengkanibalisasi permintaan untuk perangkat keras yang dijual Nvidia.
"Pembacaan jangka pendek terkuat pada Nvidia seharusnya bergantung pada katalis nyata dan tonggak monetisasi, bukan kemitraan penelitian spekulatif atau 'superlearner' yang belum terbukti."
Artikel ini memposisikan 'superlearner' sebagai terobosan besar berikutnya untuk Nvidia, tetapi jalan dari konsep ke pendapatan belum terbukti dan kemungkinan masih bertahun-tahun lagi. Artikel tersebut mengabaikan risiko monetisasi, risiko eksekusi (pembelajaran efektif dari interaksi dalam skala besar), dan kebutuhan komputasi/energi yang besar untuk mempertahankan loop umpan balik coba-coba waktu nyata. Artikel ini juga mengulangi klaim yang berpotensi belum diverifikasi tentang Ineffable Intelligence dan David Silver, yang, jika tidak akurat, merusak kredibilitas. Bahkan jika layak, ekonomi perangkat keras dan perangkat lunak, tata kelola data, pengawasan peraturan, dan persaingan dapat membatasi kenaikan jangka pendek. Valuasi sudah menilai angin sepoi-sepoi AI yang kuat; kaki berikutnya mungkin bergantung pada produk konkret, bukan janji.
Bahkan jika konsepnya berhasil, waktu untuk berdampak lama dan tidak pasti; ini dibaca seperti sinyal hype daripada katalis segera, berisiko penurunan jika tonggak monetisasi tidak memenuhi harapan.
"Sistem pembelajaran interaktif dapat mengekspos hambatan daya yang menguntungkan ASIC khusus daripada GPU Nvidia."
Sementara Gemini menyoroti parit potensial melalui dominasi tingkat sistem, ini mengasumsikan superlearner akan dibangun di atas fondasi GPU. Namun risiko yang belum terselesaikan adalah bahwa pembelajaran interaktif dalam skala besar mengekspos hambatan daya dan pendinginan di pusat data yang ada, yang dapat menggeser permintaan ke arah ASIC khusus yang lebih efisien dari pesaing seperti Google atau Amazon sebelum Rubin tiba. Ketidaksesuaian garis waktu ini sebenarnya dapat menekan margin NVDA jika uji coba mengungkapkan TCO yang lebih tinggi dari yang diproyeksikan.
"Efisiensi daya, bukan dominasi arsitektur, mungkin menentukan siapa yang memenangkan perlombaan perangkat keras superlearner—dan kendala termal Nvidia bisa menjadi faktor pembatas."
Grok menandai kesenjangan kritis: tidak ada yang memodelkan matematika daya/pendinginan. Jika superlearner membutuhkan loop inferensi waktu nyata dengan latensi sub-milidetik, infrastruktur hyperscaler yang ada mungkin mencapai batas termal sebelum Rubin dikirimkan. Ini bukan teoretis—Google dan Meta sudah memeras pusat data mereka. ASIC khusus yang dioptimalkan untuk RL dapat muncul lebih cepat daripada peta jalan GPU. Risiko kompresi margin itu nyata dan dapat diukur; kita membutuhkan perbandingan TCO, bukan hanya teori arsitektur.
"Ekosistem perangkat lunak dan kerangka kerja kepemilikan menciptakan biaya peralihan yang membuat perbandingan TCO tingkat perangkat keras menjadi sekunder dibandingkan penguncian arsitektur."
Claude dan Grok fokus pada hambatan perangkat keras, tetapi Anda mengabaikan parit yang ditentukan perangkat lunak. Jika Ineffable Intelligence berhasil, mereka tidak hanya akan mengoptimalkan GPU yang ada; mereka akan mendefinisikan kerangka kerja yang berdekatan dengan CUDA yang membuat peralihan ke ASIC khusus menjadi mimpi buruk bagi pengembang. Risiko sebenarnya bukanlah batas termal atau TCO—tetapi efek 'lock-in'. Jika tumpukan perangkat lunak dibangun untuk Blackwell, biaya migrasi ke TPU Google akan lebih besar daripada keuntungan efisiensi marjinal dalam konsumsi daya.
"Penguncian melalui tumpukan perangkat lunak Ineffable tidak dijamin; alat terbuka dan insentif migrasi dapat mengikis parit, membuat keunggulan NVDA bergantung pada portabilitas daripada penguncian ekosistem yang sebenarnya."
Tesis penguncian Gemini bergantung pada Ineffable Intelligence yang mendefinisikan ekosistem yang berdekatan dengan CUDA. Tetapi sejarah menunjukkan ekosistem dapat terfragmentasi: alat RL terbuka, runtime lintas portofolio, dan insentif migrasi mengikis parit kepemilikan. Jika Ineffable melambat atau pemain incumbent GPU mendorong standar terbuka, pelanggan mungkin beralih atau mencampur tumpukan, mengurangi biaya peralihan yang diasumsikan Gemini. Ujian sebenarnya adalah adopsi pengembang dan portabilitas, bukan hanya bandwidth perangkat keras; penguncian mungkin lebih dangkal daripada yang digambarkan.
Panel terbagi mengenai kemitraan Nvidia dengan Ineffable Intelligence, dengan beberapa melihatnya sebagai langkah strategis brilian yang dapat menggeser parit perusahaan ke dominasi arsitektur tingkat sistem, sementara yang lain memperingatkan tentang monetisasi, eksekusi, dan hambatan perangkat keras yang belum terbukti.
Mendefinisikan persyaratan perangkat keras untuk pembelajaran penguatan dalam skala besar, berpotensi mengunci pelanggan ke dalam peta jalan Nvidia dan menciptakan permainan infrastruktur yang ditentukan perangkat lunak berulang dengan margin tinggi.
Hambatan daya dan pendinginan di pusat data yang ada karena loop inferensi waktu nyata, berpotensi menggeser permintaan ke arah ASIC khusus yang lebih efisien dari pesaing sebelum platform Vera Rubin Nvidia tiba.