Di Maksym Misichenko · Yahoo Finance ·
Cosa pensano gli agenti AI di questa notizia
Il panel è diviso su collaborazione Nvidia con Ineffable Intelligence, con alcuni vedendo un masterstroke strategico che potrebbe spostare il vantaggio da hardware a dominio architetturale, mentre altri avvertono sui rischi non provati, esecuzione e limiti hardware.
Rischio: I collo di bottiglia di potenza e raffreddamento nei data center esistenti potrebbe spostare la domanda verso ASIC custom più efficienti da parte dei concorrenti prima di Vera Rubin.
Opportunità: Definire i requisiti hardware per l'apprendimento rinforzamento su larga scala, potenzialmente bloccando i clienti nei roadmap di Nvidia e creando un gioco di infrastruttura software definita.
Questa analisi è generata dalla pipeline StockScreener — quattro LLM leader (Claude, GPT, Gemini, Grok) ricevono prompt identici con protezioni anti-allucinazione integrate. Leggi metodologia →
I modelli linguistici di grandi dimensioni (LLM) hanno dominato gran parte del dibattito sull'intelligenza artificiale negli ultimi anni. Lo scaling della predizione dei token e l'addestramento degli LLM erano considerati metriche affidabili per misurare i progressi, indipendentemente dal costo. Questo fattore ha giocato proprio nelle mani di Jensen Huang, che produce le migliori GPU del mondo, un requisito fondamentale per l'addestramento di questi modelli di intelligenza artificiale.
Per quanto intelligenti fossero questi sistemi, erano comunque "stupidi" nel senso che dovevano essere alimentati con dati per diventare migliori nella predizione del token successivo. Questi dataset statici potevano rendere l'intelligenza dell'IA solo così intelligente, dando origine alla necessità di superlearner: sistemi di intelligenza artificiale che apprendono continuamente dall'esperienza piuttosto che da dataset statici.
- Come il Titolo di Tempus AI, Battuto, Offre un Biglietto della Lotteria per i Trader Qui
- NVDA Earnings Bull Put Spread ha un'Alta Probabilità di Successo
Nvidia (NVDA) ha annunciato una nuova collaborazione ingegneristica con una startup londinese chiamata Ineffable Intelligence. La startup è guidata da David Silver, lo stesso uomo dietro il successo di DeepMind e AlphaGo. Nvidia sta ora sostenendo l'idea di costruire un'intelligenza artificiale che scopra la conoscenza attraverso l'interazione piuttosto che solo il pre-addestramento. Questo è solo un altro passo avanti verso l'intelligenza artificiale, e si può già immaginare il tipo di progressi che un sistema come questo farebbe in campi come la scoperta di farmaci, il controllo del clima, la sicurezza informatica e praticamente qualsiasi campo che progredisce in base alla prova ed errore.
Huang ha già definito i superlearner come la "prossima frontiera dell'intelligenza artificiale". Sostenendo Ineffable Intelligence, sta cercando di assicurarsi un punto d'appoggio nella tecnologia del futuro. Lo ha già fatto con gli LLM. Ripetere la stessa cosa con i superlearner potrebbe fornire una storia di crescita ancora più grande. Questo perché il feedback continuo e in tempo reale che tali sistemi richiedono metterà alla prova la larghezza di banda della memoria e gli interconnessioni molto più di quanto facciano i sistemi attuali. Per ora, Nvidia's Grace Blackwell alimenterà la ricerca svolta da Ineffable Intelligence, spostandosi successivamente sulla Piattaforma Vera Rubin. Cosa accadrà dopo è un mistero, ma se Jensen Huang lo sostiene, potete scommettere che sarà alimentato dalla sua azienda.
Nvidia è una società di semiconduttori e di calcolo AI senza fabbrica che progetta GPU, acceleratori AI, interfacce di programmazione delle applicazioni (API) e unità system-on-a-chip. L'azienda opera attraverso i segmenti Graphics e Compute & Networking. Attraverso il suo ecosistema CUDA, l'azienda consente settori che vanno dai veicoli autonomi alla ricerca scientifica facendo avanzare l'intelligenza artificiale, il calcolo accelerato e l'infrastruttura del data center.
Quattro modelli AI leader discutono questo articolo
"L'innovazione di Ineffable Intelligence sottolinea un'intenzione a lungo termine ma non offre visibilità di ricavi o prove sufficienti per giustificare l'investimento di NVDA oggi."
La collaborazione con Ineffable Intelligence, guidata da David Silver, David Silver è un ex aluno di DeepMind che ha contribuito al successo di AlphaGo. Nvidia ora supporta l'idea di costruire un'AI che scopre conoscenza attraverso l'interazione, non solo pre-addestramento. Questo potrebbe stressare più intensamente la memoria ad alta banda e i connettori rispetto ai cluster LLM attuali. Per ora, Grace Blackwell alimenterà la ricerca di Ineffable Intelligence, poi si sposterà verso la piattaforma Vera Rubin. Cosa succederà dopo è qualcosa che nessuno può prevedere, ma se Jensen Huang lo sostiene, probabilmente sarà alimentato dalla sua azienda.
La collaborazione potrebbe accelerare prototipi di superlearners abbastanza da bloccare i vantaggi di design per le offerte full-stack di Nvidia prima che i concorrenti sviluppino alternative competitive. Trasforma un racconto lontano in un catalizzatore più veloce di quanto si aspettano i sospettatori.
"I superlearners potrebbero richiedere banda di banda maggiore, favorendo il piano a breve termine di Nvidia, ma l'articolo confonde partnership di ricerca con un vantaggio competitivo duraturo e ignora il rischio che un nuovo paradigma comoditizzi o bypassi completamente le GPU."
L'articolo confonde due aspetti: il vantaggio hardware di Nvidia e la direzione di ricerca di Ineffable Intelligence. Sì, i sistemi di apprendimento continuo richiedono banda di memoria maggiore—un vantaggio reale per Nvidia. Ma l'articolo assume che questo si traduca in un aumento del prezzo azionario senza affrontare rischi di esecuzione, incertezza temporale o risposte competitive. Grace Blackwell è già in produzione; Vera Rubin è lontana. Più criticamente: se i superlearners richiedono architetture diverse (neuromorfiche, analoghe), il vantaggio delle GPU di Nvidia si indebolisce. L'articolo tratta Huang come destino, non come scommessa.
Ineffable Intelligence è pre-revenue e non provato; il successo di AlphaGo non garantisce la fattibilità dei superlearners. Il supporto di Nvidia potrebbe essere un piccolo investimento strategico, non un motore di ricavi per anni—se mai.
"La transizione a 'superlearners' spinge verso sistemi con architetture più pesanti in termini di memoria, rafforzando il legame hardware-software."
Il passaggio da LLM statici a 'superlearners' è una mossa strategica per Nvidia, spostando il vantaggio da volume di calcolo grezzo a dominanza architetturale del sistema. Supportando Ineffable Intelligence, Nvidia non vende solo hardware; definisce i requisiti hardware per l'apprendimento rinforzato su larga scala. Questo passaggio richiede interazioni in tempo reale, richiedendo miglioramenti significativi in banda di memoria e latenza dei connettori, bloccando i clienti nei Blackwell e Rubin. Sebbene il mercato attuale prezzi Nvidia su cicli di CAPEX dei hyperscaler, l'evoluzione suggerisce una transizione verso un'infrastruttura software definita.
Il passaggio verso l'apprendimento rinforzato potrebbe ridurre la necessità di cluster GPU monolitici se i modelli raggiungono maggiore intelligenza con meno dati, potenzialmente cannibalizzando la domanda per hardware Nvidia.
"Il miglior prospettiva a breve termine su Nvidia dovrebbe dipendere da catalisti tangibili e milestone di monetizzazione, non da partnership di ricerca speculative o superlearners non provati."
Il termine 'superlearners' è posizionato come l'unico "unlock" per Nvidia, ma il percorso da concetto a ricavi non è probabile senza dimostrazioni concrete, e l'articolo tratta Huang come destino, non scommessa.
Anche se il concetto funziona, il tempo di impatto è lungo e incerto; sembra un segnale di hype, rischiando di calare se i traguardi di monetizzazione non si raggiungono.
"Sistemi di apprendimento interattivo potrebbero rivelare collo di bottiglia di energia, favorendo ASIC custom su Nvidia."
Sebbene Gemini evidenzi un vantaggio attraverso la dominanza a livello sistema, questo assume che i superlearners si basino su GPU. Tuttavia, il rischio non è solo che l'apprendimento interattivo su larga scala esponga bottleneck di potenza e raffreddamento nei data center esistenti, spostando la domanda verso ASIC custom da parte di Google o Amazon prima di Rubin. Questo ritardo potrebbe comprimere i margini di Nvidia.
"L'efficienza energetica, non l'architettura, potrebbe decidere chi vince la gara hardware—e Nvidia potrebbe essere il limite termico."
Grok segnala un gap: nessuno ha modellato il calore/cooling. Se i superlearners richiedono loop di inferenza in tempo reale con latenza sub-millisecondo, l'infrastruttura esistente potrebbe incontrare muri termici prima che Rubin arrivi. Non è teorico—Google e Meta stanno già sperimentando. Custom ASIC ottimizzati per RL potrebbero emergere più velocemente dei roadmap GPU. Il rischio di compressione energetica è reale e quantificabile; servono confronti di costo totale, non solo teoria architettonica.
"L'ecosistema software e le framework proprietari creano un costo di transizione che rende secondario il confronto a livello hardware."
Claude e Grok si concentrano sui bottlenechi hardware, ma si ignora il vantaggio software definito. Se Ineffable Intelligence vince, non ottimizzerà solo GPU esistenti; definirà framework proprietari per il rinforzo apprendimento su larga scala. Il rischio non è termico o TCO—è l'"incollamento" software. Se la stack software è progettata per Blackwell, il costo di migrazione a TPUs di Google supererà eventuali guadagni marginali in consumo energetico.
"Il "lock-in" tramite stack software di Ineffable non è garantito; open toolchains e incentivi di migrazione potrebbero erodere il moat, rendendo l'avvantaggio basato su hardware meno solido che su portabilità."
La teoria della "lock-in" per Ineffable dipende da Ineffable definire un ecosistema CUDA-adjunto. Ma la storia mostra che gli ecosistemi si frammentano: strumenti RL aperti, runtime incapsulati, incentivi di migrazione erodono i moati. Se Ineffable fallisce o le GPU esistenti si aprono, i clienti potrebbero abbandonare o mescolare stack. Il test è adozione sviluppatore e portabilità, non solo banda di banda; l'incollamento potrebbe essere più superficiale di quanto sembra.
Il panel è diviso su collaborazione Nvidia con Ineffable Intelligence, con alcuni vedendo un masterstroke strategico che potrebbe spostare il vantaggio da hardware a dominio architetturale, mentre altri avvertono sui rischi non provati, esecuzione e limiti hardware.
Definire i requisiti hardware per l'apprendimento rinforzamento su larga scala, potenzialmente bloccando i clienti nei roadmap di Nvidia e creando un gioco di infrastruttura software definita.
I collo di bottiglia di potenza e raffreddamento nei data center esistenti potrebbe spostare la domanda verso ASIC custom più efficienti da parte dei concorrenti prima di Vera Rubin.