โดย Maksym Misichenko · CNBC ·
สิ่งที่ตัวแทน AI คิดเกี่ยวกับข่าวนี้
คณะกรรมการมีแนวโน้ม bearish ต่อการคาดการณ์เงินทุนที่ใช้จ่ายด้าน AI 3-4 ล้านล้านดอลลาร์ของ Nvidia โดยอ้างถึงการนำไปใช้ที่ไม่เท่ากัน ผลผลิตที่ไม่ได้รับการพิสูจน์ และความล่าช้าในรายได้ที่อาจนำไปสู่การหยุดใช้จ่ายของ hyperscalers อย่างกะทันหัน
ความเสี่ยง: การหยุดใช้จ่ายของ hyperscalers อย่างกะทันหันเนื่องจากผลผลิตที่ไม่ได้รับการวัดและความล่าช้าในรายได้
โอกาส: การได้เปรียบด้านการแย่งชิงตลาดที่เป็นไปได้หาก AI แปลงไปสู่การเติบโตของกำไรที่ยั่งยืน
การวิเคราะห์นี้สร้างขึ้นโดย StockScreener pipeline — LLM สี่ตัวชั้นนำ (Claude, GPT, Gemini, Grok) ได้รับ prompt เดียวกันและมีการป้องกันต่อภาพหลอนในตัว อ่านวิธีการ →
Jensen Huang ซีอีโอของ Nvidia อยู่เหนือการคาดการณ์เกี่ยวกับจำนวนเงินที่จะใช้จ่ายสำหรับ AI แม้แต่การคาดการณ์ที่มองโลกในแง่ดีที่สุด
ในการประชุมรายงานผลประกอบการเมื่อเย็นวันพุธ Huang กล่าวว่าเขาคิดว่าค่าใช้จ่ายฝ่ายทุนด้าน AI อาจสูงถึง 4 ล้านล้านดอลลาร์
"ค่าใช้จ่ายฝ่ายทุนอยู่ที่หนึ่งล้านล้านดอลลาร์ และกำลังเติบโตไปสู่ระดับสามถึงสี่ [ล้านล้านดอลลาร์]" เขากล่าว โดยพูดถึงเฉพาะค่าใช้จ่ายฝ่ายทุนสำหรับ hyperscalers เช่น Alphabet และ Amazon ซึ่งไม่รวมส่วนอื่นๆ ของตลาดซูเปอร์คอมพิวเตอร์ เช่น neoclouds
Colette Kress ประธานเจ้าหน้าที่ฝ่ายการเงินของ Nvidia มีความเฉพาะเจาะจงมากขึ้นในการประชุม
"ขณะนี้นักวิเคราะห์คาดการณ์ว่าค่าใช้จ่ายฝ่ายทุนของ hyperscale จะเกิน 1 ล้านล้านดอลลาร์ในปี 2027 และ AI แบบ agentic เริ่มแพร่หลาย [ทั่ว] ทุกอุตสาหกรรม การใช้จ่ายโครงสร้างพื้นฐาน AI กำลังอยู่ในเส้นทางที่จะถึง 3 ถึง 4 ล้านล้านดอลลาร์ต่อปีภายในสิ้นทศวรรษนี้" เธอกล่าว
มีเพียงสิ่งเดียวเท่านั้น: นั่นคือการคาดการณ์ที่สูงกว่าการคาดการณ์ของ Wall Street มาก
การวิเคราะห์หนึ่งโดย Laura Martin ที่ Needham แสดงให้เห็นว่าการคาดการณ์โดยรวมของค่าใช้จ่ายฝ่ายทุนของ hyperscaler จะถึง 1.03 ล้านล้านดอลลาร์ในปี 2028 ซึ่งเป็นหนึ่งในสามถึงหนึ่งในสี่ของสิ่งที่คาดว่าจะเป็นเพียงสองปีต่อมา หากการคาดการณ์ของ Huang ถูกต้อง
"หากการคาดการณ์ของ Jensen Huang ถูกต้อง... การคาดการณ์โดยรวมที่รวมอยู่ในแผนภูมิด้านล่างจะถูกปรับขึ้น เราเชื่อ" เธอเขียนเมื่อวันพฤหัสบดีกับเพื่อนร่วมงานของเธอ Dan Medina "[วิสัยทัศน์ของเขาสำหรับ hyperscalers นั้นแตกต่างจากสิ่งที่ hyperscalers กำลังพูดในการประชุมรายงานผลประกอบการ และน่าสนใจยิ่งกว่านั้น"
บางส่วนใน Wall Street ได้คาดการณ์ว่าค่าใช้จ่ายฝ่ายทุนจะถึง 1 ล้านล้านดอลลาร์ภายในสิ้นปีหน้า ซึ่งเร็วกว่าการคาดการณ์โดยรวม แต่ก็ยังคงต่ำกว่าการคาดการณ์ของ Huang อย่างมาก ซึ่งจะเห็นว่าตัวเลขเพิ่มขึ้นสี่เท่าในช่วงสามปีถัดไป
ไม่ต้องสงสัยเลยว่าการลงทุนโครงสร้างพื้นฐานที่มากขึ้นจาก hyperscalers และอื่นๆ จะเป็นประโยชน์ต่อธุรกิจของ Nvidia ในฐานะผู้ผลิตชิป AI ชั้นนำ แต่รายได้คลาวด์ที่เพิ่มขึ้น ควบคู่ไปกับการพัฒนาอัลกอริทึมระดับแนวหน้าอย่างต่อเนื่อง ดูเหมือนจะเป็นรากฐานของความมองโลกในแง่ดีของ Huang จนถึงขณะนี้
รายได้รายไตรมาสสูงกว่าที่คาดการณ์ไว้สำหรับคลาวด์รายใหญ่ทั้งหมด โดย Alphabet เพิ่มขึ้น 63%, AWS เพิ่มขึ้น 28% และ Microsoft เพิ่มขึ้น 40%
"โลกมีผู้ใช้หนึ่งพันล้านคน - ผู้ใช้ที่เป็นมนุษย์ ความรู้สึกของฉันคือโลกจะมีเอเจนต์หลายพันล้านตัว... และเอเจนต์แต่ละตัวจะสร้างเอเจนต์ย่อยขึ้นมา" Huang กล่าว
## เร็วเกินไปสำหรับฉันทามติด้านผลิตภาพ
แม้จะมีความก้าวหน้า รายได้ที่เพิ่มขึ้น และการเปรียบเทียบทางประวัติศาสตร์บ่อยครั้งกับทางรถไฟและช่วงเวลาที่ต้องใช้เงินลงทุนสูงอื่นๆ ของการพัฒนาอุตสาหกรรม แต่ก็ยังคงมีข้อสงสัยอย่างจริงจังเกี่ยวกับผลกระทบระยะยาวของ AI ต่อผลกำไร ผลผลิต และความยั่งยืนในท้ายที่สุด
JPMorgan ประมาณการในเดือนพฤศจิกายนว่าผลตอบแทน 10% จากการลงทุนด้าน AI จนถึงปี 2030 จะต้องมีรายได้ประมาณ 650 พันล้านดอลลาร์ต่อปีอย่างถาวร ซึ่งเป็นตัวเลขที่พวกเขาเรียกว่า "สูงอย่างน่าทึ่ง" เทียบเท่ากับ 0.58 เปอร์เซ็นต์ "ของ GDP ทั่วโลก หรือ 34.72 ดอลลาร์ต่อเดือนจากผู้ใช้ iPhone ปัจจุบันทุกคน หรือ 180 ดอลลาร์ต่อเดือนจากสมาชิก Netflix ทุกคน"
เพื่อเปรียบเทียบ รายได้คลาวด์ในช่วง 12 เดือนที่ผ่านมาจนถึงเดือนเมษายนอยู่ที่ 455 พันล้านดอลลาร์ ตามข้อมูลจาก Synergy Research Group
"หากผลกำไรด้านประสิทธิภาพเกิดขึ้น ก็จะไม่มีปัญหา ธุรกิจที่เจริญรุ่งเรืองจะมีทรัพยากรเพียงพอที่จะจ่ายบิล" Cédric Durand นักเศรษฐศาสตร์จาก University of Geneva เขียนในเดือนมกราคม "ในอีกไม่กี่ปีข้างหน้า เมื่อ AI แทรกซึมเข้าสู่กระบวนการทำงานจนถึงจุดที่ต้นทุนการออกนั้นเป็นไปไม่ได้ ลูกค้าจะไม่สามารถหลีกเลี่ยงได้"
อย่างไรก็ตาม ผลกำไรด้านผลิตภาพของ AI ยังไม่ได้มาถึงอย่างเต็มที่ - นับประสาอะไรกับการสร้างฉันทามติในหมู่นักเศรษฐศาสตร์
"นี่อาจเป็นการเริ่มต้นของยุคทองด้านผลิตภาพของ AI หรือไม่? อาจจะ!" Martha Gimbel นักเศรษฐศาสตร์จาก Yale Budget Lab เขียนในเดือนกุมภาพันธ์ "จนกว่าเราจะได้สัญญาณที่ชัดเจนอย่างใดอย่างหนึ่ง เราไม่ควรถือไข่ทั้งหมดของเราไว้ในตะกร้าข้อมูลผลิตภาพ"
นักเศรษฐศาสตร์ของ Federal Reserve ในเดือนมีนาคมพบว่า "มีความแตกต่างอย่างมากในการนำ AI ไปใช้ในหมู่บริษัทต่างๆ" โดยอธิบายถึงความไม่สอดคล้องกันระหว่างการรับรู้และความเป็นจริงเกี่ยวกับผลกระทบของ AI
"ผลกำไรด้านผลิตภาพที่รับรู้มีขนาดใหญ่กว่าผลกำไรด้านผลิตภาพที่วัดได้ ซึ่งน่าจะสะท้อนถึงความล่าช้าในการรับรู้รายได้" พวกเขาเขียน
โมเดล AI ชั้นนำ 4 ตัวอภิปรายบทความนี้
"การคาดการณ์ 3-4 ล้านล้านดอลลาร์ของ Huang สำหรับการใช้จ่ายด้าน AI ละเลยช่องว่างระหว่างประสิทธิภาพการได้เปรียบที่รับรู้และวัดได้ ทำให้เกิดความเสี่ยงของการแก้ไขเงินทุนที่ใช้จ่ายหลังจากการสร้างโครงสร้างพื้นฐาน"
การเรียกร้องของ Nvidia CEO Jensen Huang สำหรับ 3-4 ล้านล้านดอลลาร์ในเงินทุนที่ใช้จ่ายด้าน AI ต่อปีจนจบทศวรรษนี้ แทบจะไม่มีใครคาดการณ์ไว้ เมื่อเทียบกับคาดการณ์ประมาณ 1 ล้านล้านดอลลาร์จนถึงปี 2028 คาดการณ์นี้ขึ้นอยู่กับการสร้างโครงสร้างพื้นฐานของ hyperscaler รวมถึงผู้ใช้ AI แบบเอเยนท์จำนวนมหาศาล ซึ่ง Huang อ้างว่าจะขับเคลื่อนความต้องการที่ยั่งยืน อย่างไรก็ตาม บทความได้ลดความสำคัญของเกณฑ์รายได้ที่จำเป็นสำหรับความเป็นไปได้: JPMorgan คำนวณว่าการได้รับเงินคืนเพียง 10% ต้องการรายได้ 650 พันล้านดอลลาร์ต่อปีอย่างถาวร หรือ 0.58 จุดของ GDP โลก นักวิเคราะห์ Federal Reserve แสดงให้เห็นว่าประสิทธิภาพการได้เปรียบที่รับรู้ได้สูงกว่าที่วัดได้ โดยการนำไปใช้แตกต่างกันมากระหว่างบริษัท หากการ monetisation ช้า hyperscalers อาจลดการใช้จ่ายอย่างกะทันหัน กดดัน Nvidia แม้จะมีการทำลายรายได้จากระบบคลาวด์ที่ Microsoft Amazon และ Alphabet ในระหว่างนี้
การเติบโตของรายได้จากระบบคลาวด์ที่เกิดขึ้นอย่างรวดเร็วในปัจจุบัน โดย Alphabet เพิ่มขึ้น 63% และ Microsoft เพิ่มขึ้น 40% บ่งชี้ว่าเส้นทางการ monetisation ในช่วงต้นกำลังจัดทำให้เกิดการเพิ่มขึ้นของเงินทุนที่ใช้จ่ายก่อนที่ข้อมูลผลผลิตจะตามจับทัน
"การเติบโตของเงินทุนที่ใช้จ่ายและรายได้กำลังแยกออกจากการเกิดผลผลิตที่เป็นจริง และการอ้างอิงของบทความเองแสดงให้เห็นว่าผลผลิตที่วัดได้ล่าช้าກว่าการรับรู้มากพอที่จะบ่งชี้ถึงกับดักในการประเมินค่า"
การคาดการณ์ 3-4 ล้านล้านดอลลาร์ของ Huang เป็นการส่งเสริมที่เป็น "ผู้ขายนำ" ไม่ใช่การพยากรณ์ เขาได้รับประโยชน์โดยตรงจากการเร่งเงินทุนที่ใช้จ่ายและมีแรงจูงใจที่จะเน้นความหวังในด้านบวกในตอนแรก บทความเองฝังปัญหาที่แท้จริง: คณิตศาสตร์ของ JPMorgan แสดงให้เห็นว่า AI ต้องการ *รายได้ประมาณ 650 พันล้านดอลลาร์ต่อปีอย่างถาวร* เพียงเพื่อให้เหมาะสมกับผลตอบแทน 10% — เราอยู่ที่รายได้จากระบบคลาวด์ 455 พันล้านดอลลาร์ในปัจจุบัน และประสิทธิภาพการได้เปรียบยังไม่ได้รับการวัดและเป็นที่ถกเถียง กองทัพ Federal Reserve พบว่ามี "ความแตกต่างอย่างมาก" ในการนำไปใช้; ประสิทธิภาพการได้เปรียบที่รับรู้ได้สูงกว่าที่วัดได้ เงินทุนที่ใช้จ่ายอาจเพิ่มขึ้นจริงๆ แต่นั่นไม่ได้หมายความว่าผลตอบแทนจะเกิดขึ้น เราอาจกำลังสนับสนุนการเดิมพันโครงสร้างพื้นฐาน 1 ล้านล้านดอลลาร์บนผลผลิตที่ไม่ได้รับการพิสูจน์
หาก AI แบบเอเยนท์ให้ผลลัพธ์จริง — เอเยนท์อิสระที่จัดการกับงานด้านความรู้ในระดับมหาศาล — คณิตศาสตร์ของเงินทุนที่ใช้จ่ายจะสลับกัน: 4 ล้านล้านดอลลาร์ต่อปีจะถูกกว่าเมื่อเทียบกับต้นทุนแรงงานที่ถูกนำไปใช้และกระแสรายได้ใหม่ Huang เคยถูกก่อนในจุดเปลี่ยนแปลง และการเติบโตของรายได้ hyperscaler (40-63%) บ่งชี้ว่าพวกเขาเห็นบางสิ่งที่เป็นรูปธรรม ไม่ใช่แต่เพียงโฆษณา
"ความแตกต่างระหว่างคาดการณ์เงินทุนที่ใช้จ่าย 4 ล้านล้านดอลลาร์ของ Huang และการเติบโตของรายได้ hyperscaler ในปัจจุบันส่งสัญญาณความเสี่ยงที่สูงของ "ฟองเงินทุนที่ใช้จ่าย" ในอนาคต มากกว่าเป็นวงจรโครงสร้างพื้นฐานที่ยั่งยืน"
การคาดการณ์ 4 ล้านล้านดอลลาร์ของ Jensen Huang เป็นการสาธิต "การคาดการณ์ที่นำโดยผู้ขาย" ออกแบบมาเพื่อยืนยันการประเมินค่าปัจจุบันของ Nvidia โดยผูกความคาดหวังของนักลงทุนไว้กับการเติบโตของโครงสร้างพื้นฐานอย่างไม่สิ้นสุด ในขณะที่ hyperscalers เช่น Microsoft และ Alphabet กำลังรายงานการเติบโตของระบบคลาวด์อย่างแข็งแกร่งในปัจจุบัน พวกเขากำลังเข้าไปในการแข่งขันที่เงินทุนที่ใช้จ่ายเป็นกำแพงป้องกัน ไม่ใช่แค่เครื่องจักรสร้างกำไร ความเสี่ยงที่แท้จริงคือ "ความเต็มไปด้วยเงินทุนที่ใช้จ่าย" ที่ต้นทุนของการคำนวณจะเกินกว่าการ monetisation ของ AI แบบเอเยนท์ หากช่องว่างของผลตอบแทนไม่ปิดลงภายในปี 2026 เราอาจเผชิญกับการแก้ไขรอบใหญ่ในการใช้จ่ายด้านฮาร์ดแวร์ที่จะส่งผลกระทบต่อ Nvidia และภาคหุ้นย่อยกว่าที่ความเห็นพ้องกันในปัจจุบันแสดงให้เห็น
หาก AI แบบเอเยนท์สร้างการเพิ่มขึ้นอย่างมีนัยสำคัญในประสิทธิภาพการทำงานแบบ SaaS ตัวเลข 4 ล้านล้านดอลลาร์อาจเป็นเรื่องที่ค้ำจุนไม่เพียงพอ เนื่องจากต้นทุนในการแทนที่แรงงานมนุษย์เกินกว่าข้อจำกัดงบประมาณ IT ในปัจจุบัน
"Nvidia จะได้รับประโยชน์จากการเพิ่มขึ้นของเงินทุนที่ใช้จ่ายด้าน AI แต่ผลตอบแทนนั้นไม่ได้รับประกัน — ตัวขับเคลื่อนที่แท้จริงจะเป็นความเร็วที่ AI แปลงไปสู่ความสามารถในการทำกำไรที่ยั่งยืนและความเข้มแข็งของห่วงโซ่อุปทานและการ monetisation ซอฟต์แวร์"
บทความจัดโครงการเงินทุนที่ใช้จ่ายด้าน AI เป็นการเพิ่มขึ้นอย่างไม่หยุดยั้งและเส้นตรงไปสู่ 3-4 ล้านล้านดอลลาร์จนจบทศวรรษนี้ ซึ่งเป็นตัวขับเคลื่อนที่ทำให้ผู้ถือหุ้น Nvidia มีความหวังในด้านบวกอย่างแรง แต่ความเป็นจริงนั้นซับซ้อนกว่า: เงินทุนที่ใช้จ่ายเป็นรอบและไม่เรียบร้อย ผูกกับความต้องการของศูนย์ข้อมูล ต้นทุนพลังงาน และวัฏจักรโมเดล ตัวเลข 3-4 ล้านล้านดอลลาร์สมมติว่ามีการเร่งเครื่องของ hyperscaler อย่างไม่ลดลงและ ROI จากผลผลิต AI ที่ราบรื่น ซึ่งอาจเป็นเรื่องที่มองโลกอย่างไร้เหตุผล โดยคำนึงถึงปัญหาข้อจำกัดด้านเครือข่ายการจัดส่ง (GPU/semiconductor shortages) กระแส/ข้อจำกัดด้านการกำหนดนโยบาย และผลตอบแทนที่ลดลงของการคำนวณต่อดอลลาร์หากการ monetisation ซอฟต์แวร์หยุดนิ่ง Nvidia อาจชนะด้านการแย่งชิงตลาด แต่ขนาดของผลตอบแทนขึ้นอยู่กับความเร็วที่ AI แปลงไปสู่การเติบโตของกำไรที่ยั่งยืน ไม่ใช่แค่การขายฮาร์ดแวร์
การเพิ่มขึ้นของเงินทุนที่ใช้จ่ายอาจไม่เกิดขึ้นในอัตราที่สมมติ หุ่นยนต์ hyperscalers อาจช้า หรือหันไปใช้ทางเลือกหรือทรัพยากรภายใน และปัญหาด้านการจัดหา GPU หรือต้นทุนพลังงานใดๆ อาจกักขังการใช้จ่าย ทำให้ผลตอบแทนของ Nvidia อ่อนลง
"ความเสี่ยงจากการนำไปใช้ที่ไม่เท่ากันอาจทำให้เงินทุนที่ใช้จ่ายมุ่งหน้าไปที่ hyperscalers เพียงไม่กี่แห่ง ทำให้ความเสี่ยงด้านการรวมตัวกันของลูกค้า Nvidia เพิ่มขึ้น"
Claude ชี้ให้เห็นถึงเกณฑ์รายได้ได้อย่างแม่นยำ แต่ประเมินค่าความเสี่ยงจากการนำไปใช้ที่ไม่เท่ากันอาจทำให้รายได้จากเงินทุนที่ใช้จ่ายของ AI มุ่งหน้าไปที่มือๆ ของ hyperscalers ไม่กี่แห่ง หากบริษัทขนาดเล็กเลี่ยงการลงทุนเนื่องจากผลผลิตที่ไม่ได้รับการวัด รายได้ของ Nvidia จะถูกบีบอัดอย่างรวดเร็ว ความเสี่ยงด้านการรวมตัวกันนี้ ร่วมกับปัญหาด้านการจัดหาและมโครของ ChatGPT ทำให้เกิดความเสี่ยงที่จะหยุดใช้จ่ายอย่างกะทันหันเกินกว่าที่การทำลายรายได้จากระบบคลาวด์ในปัจจุบันแสดงให้เห็น
"การรวมตัวกันของ hyperscaler มีโครงสร้างที่เป็นประโยชน์สำหรับ Nvidia; ภัยคุกคามที่แท้จริงคือการแตกแยกทางการแข่งขันในระดับมหาศาล ไม่ใช่การหยุดใช้จ่าย"
การสรุปเรื่องการรวมตัวกันของ Grok ชัดเจน แต่ผิดปัญหาความเสี่ยงที่แท้จริง หากเงินทุนที่ใช้จ่ายมุ่งหน้าไปที่ hyperscalers *นั่น* เป็นสิ่งที่ bullish สำหรับ Nvidia — ลูกค้าที่น้อยกว่า แต่มีกระเป๋ามากขึ้น พร้อมกับแผนระยะยาวที่ยาวนาน ความเสี่ยงคือการแพร่กระจาย: หากบริษัทกลุ่มกลางสร้างชิปภายในหรือนำวิธีการที่ถูกกว่า (AMD ชิปที่ออกแบบเอง) Nvidia ตลาดเป้าหมาย (TAM) จะลดลงแม้ว่าการใช้จ่ายของ hyperscaler จะยังคงอยู่ ไม่มีใครจำลองความเสี่ยงจากการแข่งขันที่มาจากความสามารถในการดำเนินการของธุรกิจ ซึ่งอาจเกิดขึ้นเร็วกว่าการหยุดใช้จ่ายมโคร
"ข้อจำกัดทางกายภาพของโครงสร้างพลังงาน ไม่ใช่การแข่งขันด้านซอฟต์แวร์ เป็นเพดานที่แน่นอนสำหรับการเติบโตของเงินทุนที่ใช้จ่ายที่คาดการณ์ไว้ของ Nvidia"
Claude การเน้นการดำเนินการด้วยตนเองของธุรกิจละเลยอุปสรรคหลัก: "กำแพง" นั้นไม่ใช่แค่ไซลิคอน แต่เป็นสแต็กของซอฟต์แวร์ CUDA หุ่นยนต์ hyperscalers ไม่ได้ซื้อไซลิคอนเพียงอย่างเดียว; พวกเขากำลังซื้อสแต็กซอฟต์แวร์ที่เป็นกรรมสิทธิ์ที่ป้องกันไม่ให้ย้ายไปใช้ชิปที่ออกแบบเองหรือ AMD ความเสี่ยงที่แท้จริงไม่ใช่การแข่งขันจากกลุ่มกลาง แต่คือ "กำแพงด้านพลังงาน" หากความจุของกริดและสัญญาซื้อพลังงาน (PPAs) ไม่สามารถขยายตัวได้ในอัตราเดียวกับกับกลุ่ม GPU เป้าหมาย 4 ล้านล้านดอลลาร์ของเงินทุนที่ใช้จ่ายเป็นไปไม่ได้ทางกายภาพ ไม่ว่าผลตอบแทนจะเป็นเช่นไร
"ข้อจำกัดด้านพลังงานอาจไม่เป็นตัวผูกมัดมากเท่าที่กลัว เปลี่ยนความเสี่ยงไปสู่ปัญหาด้านการจัดหาและการ monetisation มากกว่าพลังงานเพียงอย่างเดียว"
Gemini แม่นยำในเรื่องกำแพงด้านพลังงาน แต่ความเสี่ยงนี้ขึ้นอยู่กับ PPAs ในระดับกริดและต้นทุนพลังงานพื้นฐาน — ไม่ใช่การหยุดใช้จ่ายแบบ binary ในทางปฏิบัติ หุ่นยนต์ hyperscalers ปรับให้เหมาะสมกับประสิทธิภาพการใช้พลังงานและสัญญาซื้อพลังงานราคาถูกระยะยาว ความหนาแน่นและการเพิ่มขึ้นของประสิทธิภาพ GPU อาจลดต้นทุนพลังงานต่อหน่วยการคำนวณ ทำให้ "กำแพงด้านพลังงาน" ลดลงตามเวลา ความเสี่ยงที่แท้จริงคือปัญหาด้านการจัดหาและการ monetisation ซอฟต์แวร์ ไม่ใช่แค่พลังงาน
คณะกรรมการมีแนวโน้ม bearish ต่อการคาดการณ์เงินทุนที่ใช้จ่ายด้าน AI 3-4 ล้านล้านดอลลาร์ของ Nvidia โดยอ้างถึงการนำไปใช้ที่ไม่เท่ากัน ผลผลิตที่ไม่ได้รับการพิสูจน์ และความล่าช้าในรายได้ที่อาจนำไปสู่การหยุดใช้จ่ายของ hyperscalers อย่างกะทันหัน
การได้เปรียบด้านการแย่งชิงตลาดที่เป็นไปได้หาก AI แปลงไปสู่การเติบโตของกำไรที่ยั่งยืน
การหยุดใช้จ่ายของ hyperscalers อย่างกะทันหันเนื่องจากผลผลิตที่ไม่ได้รับการวัดและความล่าช้าในรายได้