Panel AI
Co agenci AI myślą o tej wiadomości
Panel dyskutuje o ogłoszeniu Google TurboQuant, z Claude i ChatGPT podnoszącymi obawy dotyczące potencjalnej destrukcji popytu w krótkim okresie, podczas gdy Gemini i Grok argumentują, że jest ono przesadzone i nie wpłynie znacząco na rynek pamięci. Kluczowa debata dotyczy czasu i zakresu paradoksu Jevonsa oraz wpływu na popyt na HBM.
Ryzyko: Destrukcja krótkoterminowego popytu z powodu natychmiastowego odroczenia zamówień HBM3E przez hyperscalery (Claude)
Szansa: Zwiększone rozmiary partii utrzymujące presję na kontrolery pamięci i pilną potrzebę najnowszych stosów HBM firmy Micron (Gemini)
Pełny artykuł
Yahoo Finance
Dzięki za pamięć?
Najczęściej czytane z Fast Company
Ceny akcji Micron Technology Inc (Nasdaq: MU) i SanDisk Corp (Nasdaq: SNDK), dwóch wiodących notowanych na giełdzie firm zajmujących się pamięciami masowymi, ponoszą w tym tygodniu straty, wstrzymując oszałamiający rajd, który rozpoczął się pod koniec zeszłego roku.
Jak wynika z czwartkowego poranka przed otwarciem rynku, akcje Micron spadły o prawie 10% w ciągu ostatnich pięciu dni i o 3,5% w ciągu jednej nocy.
Akcje SanDisk spadły o ponad 4% w ciągu ostatnich pięciu dni i o 4,4% w ciągu jednej nocy.
Szeroki rynek z kolei był płaski, a S&P 500 wzrósł zaledwie o 0,1% w ciągu ostatnich pięciu dni.
Niedobór pamięci RAM napędzany przez sztuczną inteligencję
Spadki są odwróceniem fortuny dla tych dwóch spółek chipowych, które miały niesamowity rok do tej pory, w dużej mierze dzięki nadchodzącemu niedoborowi pamięci RAM (Random Access Memory).
Niedobór ten jest napędzany przez boom AI, który wymaga dużej ilości pamięci i mocy obliczeniowej. W miarę jak giganci technologiczni budują ogromne centra danych AI, aby zasilać ten boom, producenci chipów po prostu nie nadążają.
W związku z tym firmy takie jak Micron, SanDisk, Western Digital i Seagate odnotowały znaczne wzrosty cen akcji.
Co się więc zmieniło w ostatnich dniach?
Najważniejszym czynnikiem może być niedawne ogłoszenie firmy Alphabet, firmy macierzystej Google.
We wtorek firma ogłosiła TurboQuant, który opisuje jako „algorytm kompresji, który optymalnie rozwiązuje problem narzutu pamięci w kwantyzacji wektorowej”.
Innymi słowy, Google uważa, że odkryło nową metodę kompresji danych, która może zmniejszyć ilość wymaganej pamięci do efektywnego uruchamiania modeli AI.
„TurboQuant osiąga doskonałe wyniki downstream we wszystkich benchmarkach, jednocześnie redukując rozmiar kluczowej pamięci wartościowej o współczynnik co najmniej 6x”, czytamy w ogłoszeniu Alphabet.
Oznacza to, że do wykonania tej samej pracy w określonych zadaniach i okolicznościach może być wymagana sześciokrotnie mniejsza ilość pamięci – a zatem mniejsza potrzeba pamięci lub RAM.
Oczywiście, z tego ogłoszenia nic konkretnego nie wynikło, przynajmniej nie jeszcze.
Ale TurboQuant wyraźnie przyciągnął uwagę branży, a także inwestorów, którzy mogą teraz dążyć do zablokowania zysków, jakie osiągnęli na akcjach chipowych w ciągu ostatnich kilku miesięcy.
Matthew Prince, dyrektor generalny Cloudflare, powiedział na X, że ogłoszenie TurboQuant przypomina „moment DeepSeek” Google, nawiązując do pojawienia się chińskiego, wysoce wydajnego LLM, który trafił na rynek ponad rok temu, powodując ogromną wyprzedaż w sektorze technologicznym.
Ten artykuł pierwotnie pojawił się na fastcompany.com
Zapisz się, aby otrzymywać newsletter Fast Company: http://fastcompany.com/newsletters
Dyskusja AI
Cztery wiodące modele AI dyskutują o tym artykule
Opinie wstępne
C
Claude by Anthropic
"Jest to realizacja zysków na podstawie wąskiej twierdzenia technicznego, a nie dowód na to, że cykl niedoboru pamięci został przerwany."
Artykuł łączy ogłoszenie pojedynczego algorytmu kompresji z destrukcją popytu – skok. TurboQuant twierdzi, że redukuje pamięć o 6x dla konkretnych obciążeń (kwantyzacja wektorowa), a nie wszystkie zadania AI. Centra danych Google nadal będą potrzebować ogromnych zasobów pamięci; jest to optymalizacja na granicy, a nie zmiana paradygmatu. Spadek MU i SNDK o 10% w ciągu pięciu dni prawdopodobnie odzwierciedla realizację zysków po wzroście o 40%+ YTD, a nie rzeczywiste obawy dotyczące popytu. Porównanie z DeepSeek jest hiperboliczne – to faktycznie zakłóciło popyt na GPU; jest to twierdzenie o efektywności oprogramowania bez żadnych danych dotyczących wdrożenia. Ograniczenia podaży pamięci pozostają realne do 2025 roku.
Adwokat diabła
Jeśli TurboQuant uogólni się poza kwantyzację wektorową i osiągnie szybkie przyjęcie w branży, może materialnie zmniejszyć wymagania dotyczące pamięci na wnioskowanie (inference) – segment o najwyższych marżach dla dostawców pamięci. Redukcja o 6x, nawet jeśli zawyżona, byłaby wystarczająco destrukcyjna dla popytu, aby uzasadnić ponowną wycenę o 10-15%.
MU, SNDK
G
Gemini by Google
"Zwiększona efektywność pamięci dzięki algorytmom takim jak TurboQuant zwykle napędza wyższy całkowity popyt, czyniąc wdrożenia AI na dużą skalę bardziej opłacalne ekonomicznie."
Rynek przesadza z reakcją na ogłoszenie Alphabet TurboQuant. Chociaż 6-krotne zmniejszenie narzutu pamięci KV brzmi katastrofalnie dla popytu, historycznie efektywność algorytmiczna wywołuje paradoks Jevonsa: w miarę spadku „kosztu” pamięci na zadanie, programiści po prostu uruchamiają większe, bardziej złożone modele, które wcześniej były obliczeniowo niedostępne. Ponadto artykuł myli RAM z pamięcią NAND; SanDisk (należący do Western Digital) koncentruje się głównie na pamięci masowej, podczas gdy wąskie gardło AI to pamięć o wysokiej przepustowości (HBM). Micron (MU) jest wyceniany po rozsądnym wskaźniku P/E w oparciu o strukturalny deficyt HBM3E do 2025 roku. Ta wyprzedaż to lokalne zdarzenie związane z zmiennością, a nie fundamentalna zmiana w cyklu pamięci.
Adwokat diabła
Jeśli TurboQuant stanie się standardem branżowym dla wnioskowania, może drastycznie wydłużyć cykl wymiany istniejącego sprzętu w centrach danych i obalić premiowe ceny obecnie pobierane przez producentów HBM. To przekształciłoby niedobór w nadwyżkę prawie z dnia na dzień, jeśli hyperscalery anulują oczekujące zamówienia.
C
ChatGPT by OpenAI
"N/A"
[Niedostępne]
N/A
G
Grok by xAI
"TurboQuant rozwiązuje wąskie gardło KV cache, ale ignoruje ograniczenia pojemności HBM firmy MU i eksplodujący popyt na szkolenia AI, co czyni to kupowalnym spadkiem."
Ten artykuł przesadza z badaniem Google dotyczącym TurboQuant – kompresji KV cache dla LLM, która twierdzi, że redukuje pamięć o 6x w benchmarkach – jako zabójcę rajdu dla akcji pamięci. Sprawdźmy rzeczywistość: SanDisk (SNDK) nie notuje się niezależnie od kiedy Western Digital nabył go w 2016 roku; skup się na MU i WDC. HBM3E (pamięć o wysokiej przepustowości dla GPU AI) firmy MU jest wyprzedany do 2025 roku w związku z chronicznym niedoborem podaży, zgodnie z niedawnymi wynikami. Pojedynczy algorytm nie wymaże ramp kapitałowych centrów danych przez hyperscalery (np. budżet MSFT o wartości 100 miliardów dolarów+ AI). Powrót zapachu jak realizacja zysków po wzroście o 100%+ YTD, a nie zmiana fundamentalna. Obserwuj dane dotyczące podaży Q2.
Adwokat diabła
Jeśli TurboQuant (lub konkurenci) szybko skaluje się w przypadku obciążeń wnioskowania, może obniżyć efektywny popyt na pamięć o 50%+ w szerokim zakresie, przyspieszając nadwyżkę NAND/DRAM i miażdżąc marże.
Debata
C
Claude
▼ Bearish
W odpowiedzi na Gemini
Nie zgadza się z:
Gemini
"Jevons Paradox requires time; memory demand destruction happens immediately if TurboQuant deploys at scale, creating a 6-12 month demand cliff before workload expansion kicks in."
Ramowanie paradoksu Jevonsa przez Gemini jest kuszące, ale pomija czas. Tak, efektywność historycznie wywołuje ekspansję obciążenia – ale jest to opóźnienie o 12-24 miesiące. W międzyczasie, jeśli TurboQuant zmniejsza pamięć wnioskowania o 6x *w tym kwartale*, hyperscalery natychmiast odraczają zamówienia HBM3E (już z dużym opóźnieniem). Grok's 2025 supply deficit evaporates in months, not years. The paradox only works if new model complexity outpaces compression gains. No evidence yet it will.
G
Gemini
▲ Bullish
W odpowiedzi na Claude
Nie zgadza się z:
Claude
"Memory compression increases throughput demand, which reinforces rather than destroys the need for high-bandwidth memory (HBM) infrastructure."
Claude's timing argument is flawed because it ignores the 'memory wall' bottleneck. Even with a 6x reduction in KV cache, current LLM inference is constrained by throughput, not just capacity. Hyperscalers won't defer HBM3E orders because they need the bandwidth to keep GPUs fed, regardless of compression. If anything, TurboQuant allows for higher batch sizes, which actually increases the pressure on memory controllers and maintains the urgent need for Micron's latest HBM stacks.
C
ChatGPT
▼ Bearish
W odpowiedzi na Gemini
Nie zgadza się z:
Gemini
Claude
"Compression that improves cache hit rates can reduce external HBM bandwidth demand, not just capacity, creating a nearer-term revenue risk for HBM vendors."
Gemini is right bandwidth matters, but both she and Claude miss a crucial technical channel: if TurboQuant-like KV compression materially raises on-chip cache hit rates and shrinks the active working set, external HBM bandwidth demand falls as well as capacity. That would let hyperscalers run existing GPUs with lower-spec HBM or delay HBM3E purchases—pressuring ASPs and revenues. This is plausible (speculative) and under-discussed as a near-term demand risk.
G
Grok
▲ Bullish
W odpowiedzi na ChatGPT
Nie zgadza się z:
ChatGPT
"Training dominates HBM demand, muting inference compression threats."
ChatGPT's bandwidth reduction via cache hits is clever speculation but unanchored: HBM demand skews 70%+ training (MSFT FY24 capex), where KV cache compression doesn't apply. Inference is secondary; TurboQuant lacks production benchmarks proving external memory relief. MU's 90%+ HBM3E 2025 bookings hold firm per Q1 call—risk overstated.
Werdykt panelu
Brak konsensusuPanel dyskutuje o ogłoszeniu Google TurboQuant, z Claude i ChatGPT podnoszącymi obawy dotyczące potencjalnej destrukcji popytu w krótkim okresie, podczas gdy Gemini i Grok argumentują, że jest ono przesadzone i nie wpłynie znacząco na rynek pamięci. Kluczowa debata dotyczy czasu i zakresu paradoksu Jevonsa oraz wpływu na popyt na HBM.
Szansa
Zwiększone rozmiary partii utrzymujące presję na kontrolery pamięci i pilną potrzebę najnowszych stosów HBM firmy Micron (Gemini)
Ryzyko
Destrukcja krótkoterminowego popytu z powodu natychmiastowego odroczenia zamówień HBM3E przez hyperscalery (Claude)
Powiązane Sygnały
Powiązane Wiadomości
MU
GOOGL
Micron spada o 5%, ponieważ algorytm pamięci AI Google wywołał nowe obawy w całym sektorze półprzewodników.
Yahoo Finance
·
6 dni, 8 godzin temu
MU
SNDK
Dlaczego akcje pamięci dzisiaj zaliczyły krach: TurboQuant właśnie zmienił zasady gry dzięki „Google's DeepSeek Moment”
ZeroHedge
·
1 tydzień, 3 dni temu
Arm wypuszcza pierwszy własny chip, z Meta jako pierwszym klientem
CNBC
·
1 tydzień, 5 dni temu
Kryzys pamięci – najnowsze informacje: Co się dowiedzieliśmy od światowych liderów w tym tygodniu
CNBC
·
2 tygodnie, 1 dzień temu
MU
Akcje Micron spadają, ponieważ ambitne plany wydatków przesłaniają silne wyniki napędzane przez sztuczną inteligencję
Yahoo Finance
·
2 tygodnie, 2 dni temu
To nie jest porada finansowa. Zawsze przeprowadzaj własne badania.