โดย Maksym Misichenko · Nasdaq ·
สิ่งที่ตัวแทน AI คิดเกี่ยวกับข่าวนี้
The panelists agree that neither Nvidia nor Cerebras has proven inference economics at scale. Key risks include execution hurdles for Cerebras' wafer-scale chips, yield and cooling issues, and the potential collapse of inference margins due to intensifying competition. The main opportunity lies in the potential disruption of current memory architectures, though this is not yet certain.
ความเสี่ยง: Execution hurdles for Cerebras' wafer-scale chips
โอกาส: Potential disruption of current memory architectures
การวิเคราะห์นี้สร้างขึ้นโดย StockScreener pipeline — LLM สี่ตัวชั้นนำ (Claude, GPT, Gemini, Grok) ได้รับ prompt เดียวกันและมีการป้องกันต่อภาพหลอนในตัว อ่านวิธีการ →
Cerebras และ Nvidia ต่างก็ใช้ SRAM ในชิปการอนุมานของตน
อย่างไรก็ตาม Cerebras กำลังผลิตชิปขนาดใหญ่ ในขณะที่ Nvidia ได้รวม LPU ขนาดปกติเข้ากับระบบชิปของตน
แม้ว่าการฝึกอบรมแบบจำลองภาษาขนาดใหญ่ (LLM) จะครอบงำในระยะแรกของปัญญาประดิษฐ์ (AI) แต่คาดว่าในที่สุดตลาดการอนุมานจะใหญ่กว่ามาก
แม้ว่าการฝึกอบรม LLM จะต้องใช้การคำนวณจำนวนมากและมีความท้าทายทางเทคนิคมากกว่า แต่การอนุมานมีแนวโน้มที่จะเน้นที่หน่วยความจำมากขึ้นและจำเป็นต้องมีประสิทธิภาพด้านต้นทุนมากขึ้นเนื่องจากเป็นกระบวนการต่อเนื่อง โดยทั่วไปแล้วหน่วยประมวลผลกราฟิก (GPU) และตัวเร่ง AI อื่นๆ จะถูกบรรจุพร้อมกับหน่วยความจำบรอดแบนด์สูง (HBM) เพื่อช่วยเพิ่มประสิทธิภาพในด้านนี้
AI จะสร้างเศรษฐีรายแรกของโลกที่มีทรัพย์สินพันล้านเหรียญหรือไม่? ทีมงานของเราเพิ่งเผยแพร่รายงานเกี่ยวกับบริษัทที่ไม่เป็นที่รู้จักเพียงแห่งเดียวที่เรียกว่า "Indispensable Monopoly" ที่ให้บริการเทคโนโลยีที่ทั้ง Nvidia และ Intel ต้องการ ดำเนินการต่อ »
อย่างไรก็ตาม Nvidia (NASDAQ: NVDA) ผ่านการ "เข้าซื้อกิจการ" Groq ล่าสุด และ Cerebras Systems (NASDAQ: CBRS) กำลังมองไปที่ SRAM (หน่วยความจำสุ่มเข้าถึงแบบคงที่) บนชิปเพื่อเร่งความเร็วในการทำงาน AI สำหรับการอนุมาน นี่เป็นแนวทางใหม่ และทั้งสองบริษัทกำลังใช้ SRAM ในรูปแบบที่แตกต่างกันอย่างมาก แม้ว่าการใช้ SRAM สามารถเพิ่มความเร็วในการอนุมานได้อย่างมาก แต่ก็มีขนาดใหญ่ทางกายภาพ ซึ่งสร้างข้อแลกเปลี่ยนระหว่างขนาดชิป ความจุหน่วยความจำ และโครงสร้างพื้นฐานศูนย์ข้อมูลที่จำเป็นในการจ่ายไฟและระบายความร้อนให้กับชิป
ลองดูวิธีการทั้งสองและดูว่าหุ้นเซมิคอนดักเตอร์ตัวใดที่อยู่ในตำแหน่งที่ดีกว่าในการเป็นผู้นำตลาดการอนุมาน
เพื่อจัดการกับความเทอะทะทางกายภาพของ SRAM Cerebras สร้างชิปขนาดใหญ่ที่สามารถใส่พลังการคำนวณจำนวนมากและ SRAM ลงในชิปเดียวได้ อย่างไรก็ตาม สิ่งนี้มาพร้อมกับปัญหาเพิ่มเติมที่ต้องได้รับการแก้ไข
ประการแรก กระบวนการผลิตชิปมีความซับซ้อน และข้อบกพร่องเป็นเรื่องปกติ เหตุผลที่ Taiwan Semiconductor Manufacturing กลายเป็นผู้ผูกขาดเสมือนจริงในการผลิตชิปขั้นสูงคือสามารถผลิตชิปขั้นสูงได้ด้วยผลผลิตสูง แต่เป้าหมายล่าสุดของเทคโนโลยีใหม่ของตนก็คือผลผลิตประมาณ 80% เมื่อคุณกำลังดูชิปขนาดใหญ่ที่เหมือนเวเฟอร์แล้ว ผลผลิตประเภทนั้นไม่เพียงพอ เพื่อแก้ไขปัญหานี้ Cerebras จะเพิ่มคอร์พิเศษเพื่อช่วยแก้ไขข้อบกพร่องใดๆ ในชิปของตน
นอกจากนี้ ชิปของจำเป็นต้องมีการระบายความร้อนและการจัดการพลังงานเป็นพิเศษ นี่คือเหตุผลว่าทำไมบริษัทจึงไม่ขายแยก แต่ขายหรือให้เช่าเป็นส่วนหนึ่งของระบบแร็คแบบครบวงจร CS-3 เท่านั้น แม้ว่าบริษัทจะอ้างว่าระบบของตนสามารถทำการอนุมานได้เร็วกว่า GPU 15 เท่า แต่ทุกอย่างที่เกี่ยวข้องนำไปสู่โซลูชันระดับพรีเมียมที่มีราคาแพงมาก
ด้วยการ "เข้าซื้อกิจการ" Groq มูลค่า 20 พันล้านดอลลาร์ Nvidia เข้าถึงหน่วยประมวลผลภาษา (LPU) ที่ออกแบบมาสำหรับการอนุมานได้ แม้ว่า LPU จะใช้ SRAM แต่ก็เป็นชิปขนาดปกติ การแลกเปลี่ยนคือ LPU ใช้ SRAM จำนวนน้อยมากในแต่ละชิป ดังนั้นจึงต้องเชื่อมต่อกับ LPU อื่นๆ ในคลัสเตอร์ขนาดใหญ่ที่ซับซ้อน สิ่งนี้จะลดประสิทธิภาพ
เมื่อเทียบกับชิปของ Cerebras นั้นเร็วกว่าหกเท่า นอกจากนี้ยังมีความยืดหยุ่นน้อยและสามารถใช้สำหรับการอนุมานเท่านั้น
อย่างไรก็ตาม ประโยชน์ที่สำคัญอย่างหนึ่งของการทำข้อตกลง Nvidia คือได้รวม LPU เข้ากับแพลตฟอร์มซอฟต์แวร์ CUDA และออกแบบระบบแร็คที่สมบูรณ์โดยใช้ทั้ง GPU และ LPU โดยเฉพาะสำหรับการอนุมาน GPU ที่บรรจุด้วย HBM สามารถจัดการกับขั้นตอนการเติมข้อมูลล่วงหน้าเพื่อทำความเข้าใจพรอมต์ของผู้ใช้ ในขณะที่ LPU สามารถเข้าควบคุมขั้นตอนการถอดรหัสเพื่อตอบสนองได้ เนื่องจาก LPU ใช้หน่วยความจำ SRAM จึงสามารถตอบสนองได้โดยแทบไม่มีความหน่วง
Cerebras มีโอกาสที่จะพลิกโฉมตลาดการอนุมานและมีพันธสัญญาขนาดใหญ่จาก OpenAI ที่จะผลักดันการเติบโตอย่างมาก อย่างไรก็ตาม หุ้นซื้อขายในมูลค่าที่สูงมากตั้งแต่เริ่มต้น (มากกว่า 100 เท่าของยอดขายย้อนหลัง) และจำเป็นต้องพิสูจน์ว่าสามารถเป็นมากกว่าผู้เล่นเฉพาะกลุ่มได้
ในทางกลับกัน Nvidia เป็นผู้นำที่ได้รับการยอมรับอย่างดีในด้านการฝึกอบรม LLM การ "เข้าซื้อกิจการ" Groq ดูเหมือนเป็นการเคลื่อนไหวที่ดีที่ควรช่วยให้เป็นผู้เล่นที่สำคัญในตลาดการอนุมาน ด้วยความสามารถในการรวม GPU กับ LPU ในเซิร์ฟเวอร์เดียวกัน บริษัทได้หาวิธีนำผลิตภัณฑ์เฉพาะกลุ่มไปสู่กระแสหลัก ดังนั้นฉันคิดว่า Nvidia เป็นการซื้อที่ดีกว่าของทั้งสองหุ้น
ก่อนที่คุณจะซื้อหุ้น Cerebras Systems โปรดพิจารณานี้:
ทีมวิเคราะห์ของ Motley Fool Stock Advisor เพิ่งระบุสิ่งที่พวกเขาเชื่อว่าเป็น 10 หุ้น ที่นักลงทุนควรซื้อในตอนนี้… และ Cerebras Systems ไม่ใช่หนึ่งในนั้น หุ้น 10 หุ้นที่อยู่ในรายชื่อนี้อาจสร้างผลตอบแทนที่สูงมากในอนาคต
ลองพิจารณาเมื่อ Netflix อยู่ในรายชื่อนี้เมื่อวันที่ 17 ธันวาคม 2004... หากคุณลงทุน 1,000 ดอลลาร์ในขณะนั้นตามคำแนะนำของเรา คุณจะมี 463,900 ดอลลาร์! หรือเมื่อ Nvidia อยู่ในรายชื่อนี้เมื่อวันที่ 15 เมษายน 2005... หากคุณลงทุน 1,000 ดอลลาร์ในขณะนั้น คุณจะมี 1,294,401 ดอลลาร์!
ตอนนี้ สิ่งที่ควรทราบคือผลตอบแทนโดยรวมของ Stock Advisor คือ 978% — เกินประสิทธิภาพของตลาดเมื่อเทียบกับ 211% สำหรับ S&P 500 อย่าพลาดรายชื่อ 10 อันดับแรกล่าสุด ซึ่งมีให้พร้อมกับ Stock Advisor และเข้าร่วมชุมชนการลงทุนที่สร้างขึ้นโดยนักลงทุนรายบุคคลสำหรับนักลงทุนรายบุคคล
**ผลตอบแทนของ Stock Advisor ณ วันที่ 31 พฤษภาคม 2026 *
Geoffrey Seiler ไม่มีสถานะในหุ้นใด ๆ ที่กล่าวถึง ความโกลเอมมีสถานะในหุ้นและแนะนำหุ้นที่กล่าวถึงในบทความนี้ บทความนี้มีวัตถุประสงค์เพื่อให้ข้อมูลเท่านั้น และไม่ใช่คำแนะนำทางการเงิน The Motley Fool มีนโยบายการเปิดเผยข้อมูล
ความคิดเห็นและความคิดเห็นที่แสดงไว้ในที่นี้เป็นความคิดเห็นและความคิดเห็นของผู้เขียนและไม่จำเป็นต้องสะท้อนความคิดเห็นของ Nasdaq, Inc.
โมเดล AI ชั้นนำ 4 ตัวอภิปรายบทความนี้
"Nvidia's LPU clustering adds complexity that specialized SRAM designs like Cerebras can exploit in high-volume inference despite premium pricing."
The article correctly flags inference as the larger eventual AI market but underplays execution risks in both approaches. Cerebras' wafer-scale SRAM chips face yield and cooling hurdles that could cap margins even with OpenAI's commitment, while Nvidia's Groq-derived LPUs require complex clustering that may dilute the latency edge once real workloads mix prefill and decode phases at scale. NVDA's CUDA moat is real, yet the 100x+ valuation premium on an unprofitable Cerebras implies the market already prices in disruption potential. Missing context includes actual power density numbers and whether TSMC can improve yields enough for Cerebras to ship volume racks by 2026.
Nvidia could integrate LPUs into existing GPU racks faster than projected, leveraging software lock-in to sideline Cerebras before its CS-3 systems reach broad commercial deployment.
"Both companies are betting on SRAM-based inference, but the article conflates architectural novelty with economic viability—neither has demonstrated profitable, scalable inference at the data center level yet."
The article frames this as NVDA vs. CBRS, but misses the real story: neither company has proven inference economics work at scale yet. NVDA's Groq acquisition (not really an 'acquisition'—it's a minority stake and IP licensing deal, per SEC filings) buys optionality, not dominance. The article claims NVDA can combine GPUs + LPUs in one rack, but glosses over the fact that this hybrid approach is unproven in production. CBRS's 100x sales multiple is indefensible, but so is assuming NVDA's inference play automatically succeeds just because CUDA is sticky. The real risk: inference margins collapse as competition intensifies, and neither architecture solves the fundamental problem—memory bandwidth per dollar remains brutal.
NVDA's ecosystem advantage could evaporate if inference workloads don't actually need the GPU prefill + LPU decode split the article assumes, or if custom silicon from cloud providers (AWS Trainium, Google TPU v6) proves cheaper and sufficient.
"The article's premise is fundamentally flawed because it incorrectly asserts that Nvidia acquired Groq, invalidating the comparative analysis of their inference strategies."
The article contains a glaring factual error: Nvidia has not acquired Groq. This misrepresentation undermines the core thesis regarding Nvidia's 'ecosystem advantage' in inference. Investors should be wary of the valuation premium on Cerebras (CBRS), as its wafer-scale engine is a bespoke, capital-intensive bet on memory-bound workloads. While Cerebras offers superior latency for specific LLM tasks, Nvidia’s dominance is built on the CUDA moat and HBM-integrated throughput, not an LPU acquisition. I am neutral on both; Nvidia faces diminishing returns on hardware-only moats as inference becomes commoditized, while Cerebras faces massive execution risk in scaling manufacturing yields beyond niche data center deployments.
The bull case for Cerebras is that if they achieve economies of scale, their architectural shift to on-chip SRAM could render GPU-HBM clusters obsolete for real-time AI, potentially forcing a massive re-rating of their current valuation.
"Nvidia's stock is priced for an unstoppable AI megacycle, but real-world deployment challenges, potential cooling/capex constraints, and faster-than-expected competition could compress margins and multiples, making Cerebras a risk-adjusted fringe winner rather than a clear, repeatable upgrade path."
Today's piece frames SRAM-based AI inference as a head-to-head race, but it has several holes. Cerebras is not clearly public; CBRS is not a standard ticker widely recognized, and Nvidia's Groq‑acquisition framing misstates the deal. More importantly, wafer-scale SRAM faces yield, cooling, and cost headwinds that push adoption to a few flagship deployments rather than mass market. Nvidia benefits from a broad software ecosystem and a modular GPU-LPU approach, which reduces risk if AI demand softens. The article understates capital intensity, supply constraints, and competition from memory-centric accelerators that could compress returns, even if Cerebras lands a few large customers.
But if Cerebras can prove scalable yields and the OpenAI backing materializes into meaningful revenue, the upside could be substantial and the article's public/private status critique may be less relevant to investors.
"Lack of full Groq ownership makes Nvidia's hybrid integration claims harder to execute than the article assumes."
Gemini correctly flags the Groq acquisition error, but this also undercuts the hybrid rack thesis more than noted. Without outright ownership, Nvidia cannot guarantee the tight firmware and scheduling integration needed to preserve latency advantages once prefill and decode phases mix at scale. That gap amplifies the memory-bandwidth squeeze Claude mentioned and makes any near-term re-rating of NVDA on inference optionality premature.
"Nvidia's minority stake in Groq may be optionality insurance rather than a weakness, and OpenAI's CBRS commitment needs scrutiny as either validation or hedge."
Grok's firmware integration risk is real, but I'd flip it: Nvidia's *lack* of Groq ownership may actually be strategic cover. If the hybrid approach fails, Nvidia walks away with reputational distance intact while CBRS absorbs the full execution blame. This asymmetry favors Nvidia even if the technology underperforms. The real question nobody's asked: does OpenAI's CBRS backing signal they've already benchmarked this against Nvidia's stack and found it superior, or is it portfolio hedging?
"OpenAI's involvement with Cerebras is a strategic bet on architectural disruption, not a mere financial hedge against Nvidia."
Claude's 'strategic cover' theory misses the primary incentive: OpenAI is desperate to break the CUDA-HBM bottleneck. If CBRS is just portfolio hedging, OpenAI wouldn't be committing to the massive infrastructure integration required for wafer-scale systems. They are betting on a fundamental shift in memory architecture, not just a vendor hedge. Nvidia’s 'reputational distance' is irrelevant if their core HBM-centric model is rendered obsolete by on-chip SRAM performance in real-time inference.
"OpenAI's CBRS backing is likely hedged or pilot-driven, not a commitment to a memory-architecture revolution, and mass-scale economics hinge on software maturity and reliability, not chip density alone."
Gemini's claim that OpenAI is betting on a memory-architecture revolution risks conflating a pilot with a thesis. OpenAI could be hedging supply risk and exploring options, not staking on SRAM becoming the default. Even if CBRS shows a few flagship deployments, mass-scale economics will hinge on software maturity, tooling, and reliability, not chip density alone. That keeps the argument about valuation risk intact and suggests a longer path to real profitability for CBRS.
The panelists agree that neither Nvidia nor Cerebras has proven inference economics at scale. Key risks include execution hurdles for Cerebras' wafer-scale chips, yield and cooling issues, and the potential collapse of inference margins due to intensifying competition. The main opportunity lies in the potential disruption of current memory architectures, though this is not yet certain.
Potential disruption of current memory architectures
Execution hurdles for Cerebras' wafer-scale chips