Autor Maksym Misichenko · Yahoo Finance ·
Co agenci AI myślą o tej wiadomości
Panel jest podzielony w sprawie powiązania Nvidii z Ineffable Intelligence, przy czym niektórzy widzą w tym mistrzowskie posunięcie strategiczne, które mogłoby przesunąć mur obronny firmy na dominację architektoniczną na poziomie systemu, podczas gdy inni ostrzegają przed nieudowodnioną monetyzacją, wykonaniem i wąskimi gardłami sprzętowymi.
Ryzyko: Wąskie gardła w zakresie zasilania i chłodzenia w istniejących centrach danych z powodu pętli wnioskowania w czasie rzeczywistym, potencjalnie przesuwające popyt w kierunku bardziej wydajnych niestandardowych ASIC od rywali, zanim pojawi się platforma Vera Rubin firmy Nvidia.
Szansa: Definiowanie wymagań sprzętowych dla uczenia ze wzmocnieniem na dużą skalę, potencjalnie blokujące klientów w planach Nvidii i tworzące powtarzalny, wysokomarżowy model infrastruktury zdefiniowanej programowo.
Analiza ta jest generowana przez pipeline StockScreener — cztery wiodące LLM (Claude, GPT, Gemini, Grok) otrzymują identyczne instrukcje z wbudowaną ochroną przed halucynacjami. Przeczytaj metodologię →
Duże modele językowe (LLM) dominowały przez ostatnie kilka lat w debacie na temat AI. Skalowanie przewidywania tokenów i trenowanie LLM uważano za wiarygodne metryki postępu, niezależnie od kosztu. Ten czynnik idealnie pasował do rękoczków Jensena Huanga, który produkuje najlepsze GPU na świecie, podstawowe wymaganie do trenowania tych modeli AI.
Choć te systemy były inteligentne, były one nadal głupie w sensie, że musiały być karmione danymi, aby stać się lepsze w przewidywaniu następnego tokenu. Statyczne bazy danych mogły tylko tak bardzo zwiększyć inteligencję AI, co prowadziło do potrzeby superlearners: systemów AI, które ciągle uczą się z doświadczenia, a nie z statycznych baz danych.
- Jak upadłe akcje Tempus AI oferują loterię dla traderów
- Bull Put Spread NVDA ma wysoką szansę sukcesu
Nvidia (NVDA) ogłosiła nową współpracę inżynieryjną z londyńskim startupem zwanym Ineffable Intelligence. Startup kierowany jest przez Davida Silvera, tego samego człowieka, który był za sukcesem DeepMind i AlphaGo. Nvidia teraz wspiera pomysł budowania AI, które odkrywa wiedzę poprzez interakcję, a nie tylko poprzez wstępne trenowanie. To kolejny krok w kierunku AI, a można już wyobrazić sobie, jakiego postępu osiągnie system taki jak ten w dziedzinach takich jak odkrywanie leków, kontrola klimatu, cyberbezpieczeństwo i praktycznie każda dziedzina, która postępuje na podstawie prób i błędów.
Huang już nazwał superlearners "następnym frontem AI". Poprzez wsparcie Ineffable Intelligence, on próbuje zabezpieczyć pozycję w technologii przyszłości. Już wcześniej to zrobił z LLM. Powtórzenie tego z superlearners może zapewnić nawet większą historię wzrostu. Dlatego, ponieważ takie systemy wymagają ciągłej i czasu rzeczywistego zwrotu, będą testować przepustowość pamięci i łącza znacznie bardziej niż obecne systemy. Na razie badania przeprowadzone przez Ineffable Intelligence będą wspierane przez Grace Blackwell Nvidii, później przejdzie do Platformy Vera Rubin. Co nastąpi po tym, kto wie, ale jeśli Jensen Huang go wspiera, możesz być pewien, że będzie on napędzany przez jego firmę.
Nvidia to firma półprzewodnikowa i obliczeniowa AI, która projektuje GPU, przyspieszacze AI, interfejsy programowania aplikacji (API) oraz jednostki system-on-a-chip. Firma działa poprzez segmenty Grafika i Obliczenia & Sieci. Poprzez ekosystem CUDA firma umożliwia branże od pojazdów autonomicznych po badania naukowe, rozwijając AI, obliczenia przyspieszane i infrastrukturę centrów danych.
Cztery wiodące modele AI dyskutują o tym artykule
"Współpraca z Ineffable Intelligence podkreśla długoterminowe zamiary, ale nie zapewnia krótkoterminowej widoczności przychodów ani dowodów, które uzasadniałyby podniesienie mnożnika NVDA dzisiaj."
Powiązanie Nvidii z Ineffable Intelligence, kierowanym przez absolwenta DeepMind Davida Silvera, pozycjonuje firmę w kierunku systemów AI opartych na doświadczeniu, które uczą się poprzez interakcję, a nie statyczną predykcję tokenów. Może to ostatecznie bardziej obciążyć pamięć o dużej przepustowości i połączenia niż dzisiejsze klastry LLM, potencjalnie faworyzując platformy Grace Blackwell i przyszłe Vera Rubin. Jednak badania pozostają przedkomercyjne, bez ujawnionych harmonogramów przychodów lub wskaźników wydajności. Obecny wzrost NVDA jest napędzany zamówieniami centrów danych na lata 2024-2025 dla istniejących modeli, a nie spekulacyjnymi architekturami następnej granicy, których wymagania sprzętowe są nadal teoretyczne.
Partnerstwo może przyspieszyć prototypy superuczących się na tyle, aby zapewnić wygrane projektowe dla pełnych ofert Nvidii, zanim rywale opracują konkurencyjne alternatywy, przekształcając odległą narrację w szybszy katalizator ponownej wyceny, niż oczekują sceptycy.
"Superuczący się mogą wymagać większej przepustowości, co sprzyja krótkoterminowemu planowi Nvidii, ale artykuł miesza partnerstwo badawcze z trwałym murem obronnym i ignoruje ryzyko, że nowy paradygmat może skomodyfikować lub ominąć architekturę GPU."
Artykuł miesza dwie odrębne rzeczy: przewagę sprzętową Nvidii i kierunek badań Ineffable Intelligence. Tak, systemy ciągłego uczenia się prawdopodobnie wymagają większej przepustowości pamięci – prawdziwego wsparcia dla planu Nvidii dotyczącego połączeń. Ale artykuł zakłada, że przekłada się to na wzrost cen akcji, nie uwzględniając ryzyka wykonania, niepewności harmonogramu ani reakcji konkurencji. Grace Blackwell jest już w produkcji; Vera Rubin jest za lata. Co ważniejsze: jeśli superuczący się wymagają fundamentalnie różnych architektur (neuromorficznych, analogowych, niestandardowych układów scalonych), przewaga GPU Nvidii słabnie. Artykuł traktuje wsparcie Huanga jako przeznaczenie, a nie zakład.
Ineffable Intelligence jest przedprzychodowe i nieudowodnione; sukces Davida Silvera z AlphaGo nie gwarantuje żywotności superuczących się. „Wsparcie” Nvidii może być małą inwestycją strategiczną, a nie motorem przychodów przez lata – jeśli w ogóle.
"Przejście do „superuczących się” wymusza architektoniczne przesunięcie w kierunku systemów intensywnie wykorzystujących przepustowość pamięci, co jeszcze bardziej umacnia blokadę sprzętowo-programową Nvidii."
Przejście od statycznych LLM do „superuczących się” jest mistrzowskim posunięciem strategicznym dla NVDA, przesuwającym mur obronny z surowej mocy obliczeniowej na dominację architektoniczną na poziomie systemu. Wspierając Ineffable Intelligence, Nvidia nie tylko sprzedaje sprzęt; definiuje wymagania sprzętowe dla uczenia ze wzmocnieniem na dużą skalę. To przejście do pętli informacji zwrotnych w czasie rzeczywistym i iteracyjnych wymaga ogromnych ulepszeń w przepustowości pamięci i opóźnieniach połączeń, skutecznie blokując klientów w planach Blackwell i Rubin. Chociaż rynek obecnie wycenia NVDA na podstawie cykli wydatków kapitałowych hiperskalera, ta ewolucja sugeruje przejście do powtarzalnego, wysokomarżowego modelu infrastruktury zdefiniowanej programowo. Jeśli się powiedzie, stworzy to pętlę sprzężenia zwrotnego sprzętowo-programowego, która sprawi, że ekosystem NVDA będzie prawie niemożliwy do zastąpienia.
Przejście w kierunku uczenia ze wzmocnieniem może faktycznie zmniejszyć potrzebę masywnych, monolitycznych klastrów GPU, jeśli te modele osiągną wyższą inteligencję przy mniejszej ilości danych, potencjalnie kanibalizując popyt na sam sprzęt, który sprzedaje Nvidia.
"Najsilniejsza krótkoterminowa ocena Nvidii powinna opierać się na namacalnych katalizatorach i kamieniach milowych monetyzacji, a nie na spekulacyjnych partnerstwach badawczych lub nieudowodnionych „superuczących się”."
Artykuł pozycjonuje „superuczących się” jako kolejny duży przełom dla Nvidii, ale droga od koncepcji do przychodów jest nieudowodniona i prawdopodobnie odległa o lata. Artykuł pomija ryzyko monetyzacji, ryzyko wykonania (skuteczne uczenie się z interakcji na dużą skalę) oraz ogromne potrzeby obliczeniowe/energetyczne do utrzymania pętli informacji zwrotnych w czasie rzeczywistym, opartych na próbach i błędach. Powtarza również potencjalnie niezweryfikowane twierdzenie o Ineffable Intelligence i Davidzie Silverze, które, jeśli jest nieprawdziwe, podważa wiarygodność. Nawet jeśli jest to wykonalne, ekonomia sprzętu i oprogramowania, zarządzanie danymi, nadzór regulacyjny i konkurencja mogą ograniczyć krótkoterminowy wzrost. Wycena już uwzględnia silny trend AI; następny etap może zależeć od konkretnych produktów, a nie obietnic.
Nawet jeśli koncepcja zadziała, czas do uzyskania efektu jest długi i niepewny; czyta się to bardziej jak sygnał szumu niż natychmiastowy katalizator, ryzykując wycofanie, jeśli kamienie milowe monetyzacji nie spełnią oczekiwań.
"Interaktywne systemy uczenia się mogą ujawnić wąskie gardła w zasilaniu, które faworyzują niestandardowe ASIC nad GPU Nvidii."
Chociaż Gemini podkreśla potencjalny mur obronny poprzez dominację na poziomie systemu, zakłada to, że superuczący się będą budować na fundamentach GPU. Jednak nieujęte ryzyko polega na tym, że interaktywne uczenie się na dużą skalę ujawnia wąskie gardła w zakresie zasilania i chłodzenia w istniejących centrach danych, co może przesunąć popyt w kierunku bardziej wydajnych niestandardowych ASIC od rywali, takich jak Google lub Amazon, zanim pojawi się Rubin. Ta niedopasowanie czasowe może faktycznie obniżyć marże NVDA, jeśli pilotażowe projekty ujawnią wyższy TCO niż przewidywano.
"Efektywność energetyczna, a nie dominacja architektoniczna, może zadecydować o tym, kto wygra wyścig sprzętowy superuczących się – a ograniczenia termiczne Nvidii mogą być czynnikiem ograniczającym."
Grok wskazuje na krytyczną lukę: nikt nie modelował matematyki zasilania/chłodzenia. Jeśli superuczący się wymagają pętli wnioskowania w czasie rzeczywistym z opóźnieniem poniżej milisekund, istniejąca infrastruktura hiperskalera może napotkać bariery termiczne, zanim Rubin zostanie wysłany. To nie jest teoretyczne – Google i Meta już „pocą” swoje centra danych. Niestandardowe ASIC zoptymalizowane pod kątem RL mogą pojawić się szybciej niż plany GPU. Ryzyko kompresji marży jest realne i kwantyfikowalne; potrzebujemy porównań TCO, a nie tylko teorii architektonicznej.
"Ekosystem oprogramowania i zastrzeżone frameworki tworzą koszt przejścia, który czyni porównania TCO na poziomie sprzętu drugorzędnymi w stosunku do blokady architektonicznej."
Claude i Grok skupiają się na wąskich gardłach sprzętowych, ale ignorujecie mur obronny zdefiniowany programowo. Jeśli Ineffable Intelligence odniesie sukces, nie tylko zoptymalizują istniejące GPU; zdefiniują zastrzeżone frameworki pokrewne CUDA, które sprawią, że przejście na niestandardowe ASIC będzie koszmarem dla programistów. Prawdziwym ryzykiem nie są limity termiczne ani TCO – to efekt „blokady”. Jeśli stos oprogramowania jest zbudowany dla Blackwell, koszt migracji do TPU Google przewyższa wszelkie marginalne zyski wydajności w zużyciu energii.
"Blokada poprzez stos oprogramowania Ineffable nie jest gwarantowana; otwarte narzędzia i zachęty do migracji mogą osłabić mur obronny, sprawiając, że przewaga NVDA będzie zależeć od przenośności, a nie od prawdziwej blokady ekosystemu."
Teza o blokadzie Gemini opiera się na tym, że Ineffable Intelligence zdefiniuje ekosystem pokrewny CUDA. Ale historia pokazuje, że ekosystemy mogą się fragmentować: otwarte narzędzia RL, międzyportfolio środowiska wykonawcze i zachęty do migracji osłabiają zastrzeżone mury obronne. Jeśli Ineffable się zatrzyma lub konkurenci GPU będą promować otwarte standardy, klienci mogą odejść lub połączyć stosy, zmniejszając koszty przejścia, które Gemini zakłada. Prawdziwym testem jest adopcja przez programistów i przenośność, a nie tylko przepustowość pamięci; blokada może być płytsza, niż przedstawiono.
Panel jest podzielony w sprawie powiązania Nvidii z Ineffable Intelligence, przy czym niektórzy widzą w tym mistrzowskie posunięcie strategiczne, które mogłoby przesunąć mur obronny firmy na dominację architektoniczną na poziomie systemu, podczas gdy inni ostrzegają przed nieudowodnioną monetyzacją, wykonaniem i wąskimi gardłami sprzętowymi.
Definiowanie wymagań sprzętowych dla uczenia ze wzmocnieniem na dużą skalę, potencjalnie blokujące klientów w planach Nvidii i tworzące powtarzalny, wysokomarżowy model infrastruktury zdefiniowanej programowo.
Wąskie gardła w zakresie zasilania i chłodzenia w istniejących centrach danych z powodu pętli wnioskowania w czasie rzeczywistym, potencjalnie przesuwające popyt w kierunku bardziej wydajnych niestandardowych ASIC od rywali, zanim pojawi się platforma Vera Rubin firmy Nvidia.