โดย Maksym Misichenko · Yahoo Finance ·
สิ่งที่ตัวแทน AI คิดเกี่ยวกับข่าวนี้
คณะกรรมการมีความเห็นแตกต่างกันเกี่ยวกับการเชื่อมโยงของ Nvidia กับ Ineffable Intelligence โดยบางคนมองว่าเป็นการเคลื่อนไหวเชิงกลยุทธ์ที่ยอดเยี่ยมซึ่งอาจเปลี่ยนความได้เปรียบของบริษัทไปสู่การครอบงำสถาปัตยกรรมระดับระบบ ในขณะที่บางคนเตือนเกี่ยวกับความเสี่ยงในการสร้างรายได้ที่ยังไม่ได้รับการพิสูจน์ การดำเนินการ และข้อจำกัดด้านฮาร์ดแวร์
ความเสี่ยง: ข้อจำกัดด้านพลังงานและการระบายความร้อนในศูนย์ข้อมูลที่มีอยู่เนื่องจากลูปการอนุมานแบบเรียลไทม์ ซึ่งอาจเปลี่ยนความต้องการไปสู่ ASICs แบบกำหนดเองที่มีประสิทธิภาพมากขึ้นจากคู่แข่งก่อนที่แพลตฟอร์ม Vera Rubin ของ Nvidia จะมาถึง
โอกาส: การกำหนดข้อกำหนดฮาร์ดแวร์สำหรับการเรียนรู้แบบเสริมแรงในระดับใหญ่ ซึ่งอาจทำให้ลูกค้าติดอยู่กับแผนงานของ Nvidia และสร้างการเล่นโครงสร้างพื้นฐานที่กำหนดโดยซอฟต์แวร์ที่มีกำไรสูงและเกิดขึ้นประจำ
การวิเคราะห์นี้สร้างขึ้นโดย StockScreener pipeline — LLM สี่ตัวชั้นนำ (Claude, GPT, Gemini, Grok) ได้รับ prompt เดียวกันและมีการป้องกันต่อภาพหลอนในตัว อ่านวิธีการ →
โมเดลภาษาขนาดใหญ่ (LLMs) ได้ครอบงำการอภิปรายเกี่ยวกับ AI มากมายในช่วงไม่กี่ปีที่ผ่านมา การขยายขนาดการทำนายโทเคนและการฝึก LLMs ถือเป็นตัวชี้วัดที่น่าเชื่อถือในการวัดความก้าวหน้า ไม่ว่าจะมีต้นทุนเท่าใด ปัจจัยนี้ก็ได้ช่วยให้เจนเซน หวาง ผู้ผลิต GPU ที่ดีที่สุดในโลก ซึ่งเป็นสิ่งจำเป็นพื้นฐานสำหรับการฝึกโมเดล AI นี้
แม้ระบบเหล่านี้จะฉลาดแต่ยังโง่ในความหมายที่พวกมันต้องได้รับข้อมูลเพื่อให้ดีขึ้นในการทำนายโทเคนถัดไป ชุดข้อมูลที่ไม่เปลี่ยนแปลงนี้สามารถทำให้ AI มีความฉลาดได้เพียงแค่ระดับหนึ่ง ทำให้เกิดความจำเป็นในการสร้าง Superlearners: ระบบ AI ที่เรียนรู้อย่างต่อเนื่องจากประสบการณ์แทนที่จะเป็นชุดข้อมูลที่ไม่เปลี่ยนแปลง
- วิธีที่หุ้น Tempus AI ที่ถูกทำลายมากที่สุดให้โอกาสนักลงทุนเหมือนกับการซื้อตั๋วลอตเตอรี่
- NVDA Earnings Bull Put Spread มีโอกาสสำเร็จสูง
นวิเดีย (NVDA) ได้ประกาศการร่วมมือด้านวิศวกรรมใหม่กับสตาร์ทอัพที่ตั้งอยู่ในลอนดอนชื่อ Ineffable Intelligence สตาร์ทอัพนี้ถูกนำโดยเดวิด ซิลเวอร์ ผู้เดียวกันที่อยู่เบื้องหลังความสำเร็จของ DeepMind และ AlphaGo นวิเดียกำลังสนับสนุนแนวคิดในการสร้าง AI ที่ค้นพบความรู้ผ่านการปฏิสัมพันธ์แทนที่จะเป็นการฝึกก่อนหน้าเพียงอย่างเดียว นี่คือขั้นตอนเพิ่มเติมที่นำ AI เข้ามาใกล้ขึ้น และสามารถจินตนาการได้แล้วว่าระบบเช่นนี้จะก้าวหน้าในสาขาเช่นการค้นพบยา การควบคุมสภาพภูมิอากาศ ความปลอดภัยทางไซเบอร์ และสาขาอื่นๆ ที่ก้าวหน้าผ่านการทดลองและผิดพลาด
หวางได้ตั้งชื่อ Superlearners เป็น "แนวหน้าถัดไปของ AI" โดยการสนับสนุน Ineffable Intelligence เขากำลังพยายามสร้างพื้นที่ในเทคโนโลยีของอนาคต เขาได้ทำเช่นนี้กับ LLMs แล้ว การทำซ้ำกับ Superlearners อาจให้เรื่องราวการเติบโตที่ใหญ่กว่า เนื่องจากข้อมูลย้อนกลับที่ต่อเนื่องและแบบเรียลไทม์ที่ระบบเหล่านี้ต้องการจะทดสอบความกว้างของหน่วยความจำและอินเทอร์คอนเน็กต์ได้มากกว่าระบบปัจจุบันมาก สำหรับตอนนี้ Nvidia’s Grace Blackwell จะขับเคลื่อนการวิจัยที่ดำเนินการโดย Ineffable Intelligence ในภายหลังจะเปลี่ยนไปใช้แพลตฟอร์ม Vera Rubin สิ่งที่จะเกิดขึ้นต่อไปเป็นใครๆ ก็เดาไม่ได้ แต่หากเจนเซน หวางสนับสนุนแล้ว คุณสามารถเดิมพันได้ว่าจะถูกขับเคลื่อนโดยบริษัทของเขา
นวิเดียเป็นบริษัทชิปเซมิคอนดักเตอร์และคอมพิวติ้ง AI ที่ไม่มีโรงงานผลิต (fabless) ซึ่งออกแบบ GPU, AI accelerator, API และหน่วยระบบบนชิป บริษัทดำเนินการผ่านส่วน Graphics และ Compute & Networking ผ่านระบบนิเวศ CUDA ของบริษัท บริษัทช่วยให้อุตสาหกรรมต่างๆ ตั้งแต่ยานพาหนะอัตโนมัติไปจนถึงงานวิจัยทางวิทยาศาสตร์ก้าวหน้า AI, การคำนวณที่เร่งความเร็ว และโครงสร้างพื้นฐานศูนย์ข้อมูล
โมเดล AI ชั้นนำ 4 ตัวอภิปรายบทความนี้
"ความร่วมมือกับ Ineffable เน้นย้ำถึงเจตนาในระยะยาว แต่ไม่ได้ให้การมองเห็นรายได้ในระยะสั้นหรือหลักฐานที่สามารถพิสูจน์ได้ว่าสมเหตุสมผลในการปรับขึ้น multiple ของ NVDA ในวันนี้"
การเชื่อมโยงของ Nvidia กับ Ineffable Intelligence ซึ่งนำโดย David Silver ศิษย์เก่า DeepMind ทำให้บริษัทอยู่ในตำแหน่งสำหรับระบบ AI เชิงประสบการณ์ที่เรียนรู้ผ่านการโต้ตอบ แทนที่จะเป็นการทำนายโทเค็นแบบคงที่ สิ่งนี้อาจทดสอบแบนด์วิดท์หน่วยความจำและการเชื่อมต่อได้หนักกว่าคลัสเตอร์ LLM ในปัจจุบัน ทำให้ Grace Blackwell และแพลตฟอร์ม Vera Rubin ในอนาคตได้เปรียบ อย่างไรก็ตาม การวิจัยยังคงอยู่ในช่วงก่อนเชิงพาณิชย์ โดยไม่มีการเปิดเผยกรอบเวลาการสร้างรายได้หรือเกณฑ์มาตรฐานประสิทธิภาพ การเติบโตปัจจุบันของ NVDA ขับเคลื่อนโดยคำสั่งซื้อศูนย์ข้อมูลปี 2024-2025 สำหรับโมเดลที่มีอยู่ ไม่ใช่สถาปัตยกรรมพรมแดนถัดไปที่ยังคงเป็นทฤษฎีเกี่ยวกับข้อกำหนดฮาร์ดแวร์
ความร่วมมือนี้อาจเร่งการสร้างต้นแบบ "superlearner" ได้มากพอที่จะสร้างความได้เปรียบในการออกแบบสำหรับข้อเสนอแบบ full-stack ของ Nvidia ก่อนที่คู่แข่งจะพัฒนาทางเลือกที่แข่งขันได้ ทำให้เรื่องราวระยะไกลกลายเป็นตัวเร่งการประเมินมูลค่าที่เร็วขึ้นกว่าที่นักวิจารณ์คาดการณ์ไว้
""Superlearners" อาจต้องการแบนด์วิดท์ที่สูงขึ้น ซึ่งเป็นประโยชน์ต่อแผนงานระยะสั้นของ NVDA แต่บทความนี้ผสมปนเปความร่วมมือด้านการวิจัยกับความได้เปรียบในการแข่งขันที่ยั่งยืน และเพิกเฉยต่อความเสี่ยงที่กระบวนทัศน์ใหม่จะทำให้สถาปัตยกรรม GPU กลายเป็นสินค้าโภคภัณฑ์หรือถูกข้ามไปโดยสิ้นเชิง"
บทความนี้ผสมปนเปสองสิ่งแยกกัน: ความได้เปรียบด้านฮาร์ดแวร์ของ Nvidia และทิศทางการวิจัยของ Ineffable Intelligence ใช่ ระบบการเรียนรู้อย่างต่อเนื่องน่าจะต้องการแบนด์วิดท์หน่วยความจำที่สูงขึ้น ซึ่งเป็นปัจจัยบวกที่แท้จริงสำหรับแผนงานการเชื่อมต่อของ NVDA แต่บทความนี้สมมติว่าสิ่งนี้แปลเป็นการเพิ่มขึ้นของราคาหุ้นโดยไม่ได้กล่าวถึงความเสี่ยงในการดำเนินการ ความไม่แน่นอนของกรอบเวลา หรือการตอบสนองของคู่แข่ง Grace Blackwell กำลังจัดส่งแล้ว; Vera Rubin ยังอีกหลายปี ที่สำคัญกว่านั้นคือ หาก "superlearners" ต้องการสถาปัตยกรรมที่แตกต่างกันโดยพื้นฐาน (neuromorphic, analog, custom silicon) ความได้เปรียบของ GPU ของ Nvidia จะอ่อนแอลง บทความนี้ปฏิบัติต่อการสนับสนุนของ Huang ว่าเป็นโชคชะตา ไม่ใช่การเดิมพัน
Ineffable Intelligence ยังไม่มีรายได้และยังไม่ได้รับการพิสูจน์ ความสำเร็จของ AlphaGo ของ David Silver ไม่ได้รับประกันความสามารถในการใช้งานของ "superlearner" การ "สนับสนุน" ของ Nvidia อาจเป็นการลงทุนเชิงกลยุทธ์เล็กน้อย ไม่ใช่ตัวขับเคลื่อนรายได้ในอีกหลายปีข้างหน้า — หรืออาจจะไม่ใช่เลย
"การเปลี่ยนไปสู่ "superlearners" บังคับให้เกิดการเปลี่ยนแปลงสถาปัตยกรรมไปสู่ระบบที่เน้นแบนด์วิดท์หน่วยความจำเป็นหลัก ซึ่งจะยิ่งตอกย้ำการล็อคอินฮาร์ดแวร์-ซอฟต์แวร์ของ Nvidia"
การเปลี่ยนจาก LLMs แบบคงที่ไปสู่ "superlearners" เป็นกลยุทธ์ที่ยอดเยี่ยมสำหรับ NVDA โดยเปลี่ยนความได้เปรียบจากการคำนวณปริมาณดิบไปสู่การครอบงำสถาปัตยกรรมระดับระบบ ด้วยการสนับสนุน Ineffable Intelligence Nvidia ไม่เพียงแค่ขายฮาร์ดแวร์เท่านั้น แต่พวกเขากำลังกำหนดข้อกำหนดฮาร์ดแวร์สำหรับการเรียนรู้แบบเสริมแรงในระดับใหญ่ การเปลี่ยนไปใช้ลูปป้อนกลับแบบเรียลไทม์และแบบวนซ้ำนี้ต้องการการปรับปรุงครั้งใหญ่ในแบนด์วิดท์หน่วยความจำและความหน่วงของการเชื่อมต่อ ซึ่งจะทำให้ลูกค้าติดอยู่กับแผนงาน Blackwell และ Rubin อย่างมีประสิทธิภาพ ในขณะที่ตลาดกำลังประเมินมูลค่า NVDA จากรอบการใช้จ่าย CAPEX ของ hyperscaler การพัฒนาครั้งนี้บ่งชี้ถึงการเปลี่ยนไปสู่การเล่นโครงสร้างพื้นฐานที่กำหนดโดยซอฟต์แวร์ที่มีกำไรสูงและเกิดขึ้นประจำ หากประสบความสำเร็จ สิ่งนี้จะสร้างลูปป้อนกลับฮาร์ดแวร์-ซอฟต์แวร์ที่ทำให้ระบบนิเวศของ NVDA แทบจะเป็นไปไม่ได้ที่จะถูกแทนที่
การเปลี่ยนไปสู่การเรียนรู้แบบเสริมแรงอาจลดความจำเป็นในการใช้คลัสเตอร์ GPU ขนาดใหญ่แบบโมโนลิธ หากโมเดลเหล่านี้บรรลุความฉลาดที่สูงขึ้นด้วยข้อมูลน้อยลง ซึ่งอาจลดความต้องการฮาร์ดแวร์ที่ Nvidia กำลังขายอยู่
"การอ่านที่แข็งแกร่งที่สุดในระยะสั้นเกี่ยวกับ Nvidia ควรจะขึ้นอยู่กับตัวเร่งปฏิกิริยาที่เป็นรูปธรรมและเหตุการณ์สำคัญในการสร้างรายได้ ไม่ใช่ความร่วมมือด้านการวิจัยที่คาดการณ์ไว้หรือ "superlearners" ที่ยังไม่ได้รับการพิสูจน์"
บทความนี้วางตำแหน่ง "superlearners" ว่าเป็นสิ่งปลดล็อคครั้งใหญ่ต่อไปสำหรับ Nvidia แต่เส้นทางจากแนวคิดไปสู่รายได้ยังไม่ได้รับการพิสูจน์และน่าจะอีกหลายปี บทความนี้มองข้ามความเสี่ยงในการสร้างรายได้ ความเสี่ยงในการดำเนินการ (การเรียนรู้ที่มีประสิทธิภาพจากการโต้ตอบในระดับใหญ่) และความต้องการคอมพิวเตอร์/พลังงานจำนวนมากเพื่อรองรับลูปป้อนกลับแบบลองผิดลองถูกแบบเรียลไทม์ นอกจากนี้ยังกล่าวซ้ำถึงข้อกล่าวอ้างที่อาจไม่ได้รับการยืนยันเกี่ยวกับ Ineffable Intelligence และ David Silver ซึ่งหากไม่ถูกต้อง จะบ่อนทำลายความน่าเชื่อถือ แม้ว่าจะมีศักยภาพก็ตาม เศรษฐศาสตร์ฮาร์ดแวร์และซอฟต์แวร์ การกำกับดูแลข้อมูล การตรวจสอบกฎระเบียบ และการแข่งขันอาจจำกัดการเพิ่มขึ้นในระยะสั้น การประเมินมูลค่าได้สะท้อนถึงปัจจัยบวกด้าน AI ที่แข็งแกร่งแล้ว ระยะต่อไปอาจขึ้นอยู่กับผลิตภัณฑ์ที่เป็นรูปธรรม ไม่ใช่คำสัญญา
แม้ว่าแนวคิดจะใช้ได้ผล แต่เวลาในการสร้างผลกระทบนั้นยาวนานและไม่แน่นอน สิ่งนี้ดูเหมือนสัญญาณของการปั่นกระแสมากกว่าตัวเร่งปฏิกิริยาในทันที ซึ่งเสี่ยงต่อการดึงกลับหากเหตุการณ์สำคัญในการสร้างรายได้ไม่เป็นไปตามที่คาดหวัง
"ระบบการเรียนรู้แบบโต้ตอบอาจเปิดเผยข้อจำกัดด้านพลังงานที่เอื้อต่อ ASICs แบบกำหนดเองมากกว่า GPU ของ Nvidia"
ในขณะที่ Gemini เน้นย้ำถึงความได้เปรียบที่เป็นไปได้ผ่านการครอบงำระดับระบบ สิ่งนี้สมมติว่า "superlearners" จะสร้างขึ้นบนพื้นฐานของ GPU อย่างไรก็ตาม ความเสี่ยงที่ยังไม่ได้กล่าวถึงคือการเรียนรู้แบบโต้ตอบในระดับใหญ่จะเปิดเผยข้อจำกัดด้านพลังงานและการระบายความร้อนในศูนย์ข้อมูลที่มีอยู่ ซึ่งอาจเปลี่ยนความต้องการไปสู่ ASICs แบบกำหนดเองที่มีประสิทธิภาพมากขึ้นจากคู่แข่ง เช่น Google หรือ Amazon ก่อนที่ Rubin จะมาถึง ความไม่ตรงกันของกรอบเวลานี้อาจส่งผลกระทบต่ออัตรากำไรของ NVDA หากการทดลองเผยให้เห็น TCO ที่สูงกว่าที่คาดการณ์ไว้
"ประสิทธิภาพพลังงาน ไม่ใช่การครอบงำสถาปัตยกรรม อาจเป็นตัวกำหนดว่าใครจะชนะการแข่งขันฮาร์ดแวร์ "superlearner" — และข้อจำกัดด้านความร้อนของ Nvidia อาจเป็นปัจจัยจำกัด"
Grok ชี้ให้เห็นช่องว่างที่สำคัญ: ไม่มีใครสร้างแบบจำลองคณิตศาสตร์ด้านพลังงาน/การระบายความร้อน หาก "superlearners" ต้องการลูปการอนุมานแบบเรียลไทม์ที่มีความหน่วงต่ำกว่ามิลลิวินาที โครงสร้างพื้นฐานของ hyperscaler ที่มีอยู่ อาจถึงขีดจำกัดความร้อนก่อนที่ Rubin จะจัดส่ง สิ่งนี้ไม่ใช่ทฤษฎี — Google และ Meta กำลังทำให้ศูนย์ข้อมูลของพวกเขาร้อนขึ้น ASICs แบบกำหนดเองที่ปรับให้เหมาะสมสำหรับ RL อาจปรากฏขึ้นเร็วกว่าแผนงาน GPU ความเสี่ยงในการบีบอัดอัตรากำไรนั้นเป็นจริงและสามารถวัดผลได้ เราต้องการการเปรียบเทียบ TCO ไม่ใช่แค่ทฤษฎีสถาปัตยกรรม
"ระบบนิเวศซอฟต์แวร์และเฟรมเวิร์กที่เป็นกรรมสิทธิ์สร้างต้นทุนการเปลี่ยนที่ทำให้การเปรียบเทียบ TCO ระดับฮาร์ดแวร์มีความสำคัญรองลงมาเมื่อเทียบกับการล็อคอินสถาปัตยกรรม"
Claude และ Grok มุ่งเน้นไปที่ข้อจำกัดด้านฮาร์ดแวร์ แต่คุณกำลังเพิกเฉยต่อความได้เปรียบที่กำหนดโดยซอฟต์แวร์ หาก Ineffable Intelligence ประสบความสำเร็จ พวกเขาจะไม่เพียงแค่ปรับให้เหมาะสมกับ GPU ที่มีอยู่เท่านั้น แต่พวกเขาจะกำหนดเฟรมเวิร์กที่อยู่ติดกับ CUDA ที่ทำให้การเปลี่ยนไปใช้ ASICs แบบกำหนดเองเป็นฝันร้ายสำหรับนักพัฒนา ความเสี่ยงที่แท้จริงไม่ใช่ขีดจำกัดความร้อนหรือ TCO — แต่เป็นผลกระทบ "การล็อคอิน" หากสแต็กซอฟต์แวร์ถูกสร้างขึ้นสำหรับ Blackwell ต้นทุนในการย้ายไปยัง TPU ของ Google จะมีมากกว่าผลกำไรด้านประสิทธิภาพเล็กน้อยในการใช้พลังงาน
"การล็อคอินผ่านสแต็กซอฟต์แวร์ของ Ineffable ไม่ได้รับประกัน เครื่องมือแบบเปิดและสิ่งจูงใจในการย้ายข้อมูลอาจกัดกร่อนความได้เปรียบ ทำให้ข้อได้เปรียบของ NVDA ขึ้นอยู่กับความสามารถในการพกพา แทนที่จะเป็นการล็อคระบบนิเวศที่แท้จริง"
ทฤษฎีการล็อคอินของ Gemini ขึ้นอยู่กับ Ineffable Intelligence ที่กำหนดระบบนิเวศที่อยู่ติดกับ CUDA แต่ประวัติศาสตร์แสดงให้เห็นว่าระบบนิเวศสามารถแตกแยกได้: เครื่องมือ RL แบบเปิด รันไทม์ข้ามพอร์ตโฟลิโอ และสิ่งจูงใจในการย้ายข้อมูลจะกัดกร่อนความได้เปรียบที่เป็นกรรมสิทธิ์ หาก Ineffable ชะลอตัว หรือผู้ผลิต GPU รายเดิมผลักดันมาตรฐานแบบเปิด ลูกค้าอาจหนีหรือผสมผสานสแต็ก ลดต้นทุนการเปลี่ยนที่ Gemini สมมติ การทดสอบที่แท้จริงคือการยอมรับของนักพัฒนาและความสามารถในการพกพา ไม่ใช่แค่แบนด์วิดท์ฮาร์ดแวร์ การล็อคอินอาจตื้นกว่าที่นำเสนอ
คณะกรรมการมีความเห็นแตกต่างกันเกี่ยวกับการเชื่อมโยงของ Nvidia กับ Ineffable Intelligence โดยบางคนมองว่าเป็นการเคลื่อนไหวเชิงกลยุทธ์ที่ยอดเยี่ยมซึ่งอาจเปลี่ยนความได้เปรียบของบริษัทไปสู่การครอบงำสถาปัตยกรรมระดับระบบ ในขณะที่บางคนเตือนเกี่ยวกับความเสี่ยงในการสร้างรายได้ที่ยังไม่ได้รับการพิสูจน์ การดำเนินการ และข้อจำกัดด้านฮาร์ดแวร์
การกำหนดข้อกำหนดฮาร์ดแวร์สำหรับการเรียนรู้แบบเสริมแรงในระดับใหญ่ ซึ่งอาจทำให้ลูกค้าติดอยู่กับแผนงานของ Nvidia และสร้างการเล่นโครงสร้างพื้นฐานที่กำหนดโดยซอฟต์แวร์ที่มีกำไรสูงและเกิดขึ้นประจำ
ข้อจำกัดด้านพลังงานและการระบายความร้อนในศูนย์ข้อมูลที่มีอยู่เนื่องจากลูปการอนุมานแบบเรียลไทม์ ซึ่งอาจเปลี่ยนความต้องการไปสู่ ASICs แบบกำหนดเองที่มีประสิทธิภาพมากขึ้นจากคู่แข่งก่อนที่แพลตฟอร์ม Vera Rubin ของ Nvidia จะมาถึง