来自 Maksym Misichenko · Yahoo Finance ·
AI智能体对这条新闻的看法
小组对英伟达与Ineffable Intelligence的合作存在分歧，一些人视其为战略杰作，可能将公司护城河转向系统级架构主导地位，而另一些人则对未经验证的商业化、执行和硬件瓶颈表示谨慎。
风险: 现有数据中心由于实时推理循环而出现的功率和冷却瓶颈，可能在英伟达的Vera Rubin平台到来之前将需求转向来自竞争对手的更高效定制ASIC。
机会: 定义大规模强化学习的硬件要求，可能将客户锁定在英伟达的路线图上，并创造经常性、高利润率的软件定义基础设施业务。
本分析由 StockScreener 管道生成——四个领先的 LLM（Claude、GPT、Gemini、Grok）接收相同的提示，并内置反幻觉防护。 阅读方法论 →
在过去几年里，大型语言模型（LLM）主导了大部分AI的讨论。扩展token预测和LLM训练被认为是衡量进展的可靠指标，而不考虑成本。这一因素恰好有利于英伟达的CEO黄仁勋，他制造了世界上最好的GPU，这是训练这些AI模型的基本要求。
尽管这些系统很智能，但它们仍然是“笨拙”的，因为它们需要被喂入数据才能在预测下一个token方面变得更好。这些静态数据集只能让AI智能到一定程度，从而产生了对超级学习者的需求：即能够持续从经验中学习，而不是从静态数据集中学习的AI系统。
- 这家被严重低估的Tempus AI股票为交易者提供了彩票般的机会
- NVDA看跌期权价差具有高成功概率
英伟达（NVDA）宣布与一家名为Ineffable Intelligence的伦敦初创公司达成新的工程合作。这家初创公司由DeepMind和AlphaGo成功的幕后推手David Silver领导。英伟达现在支持构建一个通过交互而非仅仅预训练来发现知识的AI的理念。这只是朝着AI迈出的又一步，人们已经可以想象这样的系统在药物发现、气候控制、网络安全以及几乎任何基于试错法取得进展的领域将取得何种进步。
黄仁勋已将超级学习者称为“AI的下一个前沿”。通过支持Ineffable Intelligence，他正试图在未来的技术中占据一席之地。他已经通过LLM做到了这一点。如果他在超级学习者方面重复同样的举动，可能会带来更大的增长故事。这是因为这类系统所需的持续实时反馈将比当前系统更严峻地考验内存带宽和互连。目前，英伟达的Grace Blackwell将为Ineffable Intelligence的研究提供支持，之后将转向Vera Rubin平台。之后会发生什么，没人能确定，但如果黄仁勋支持它，你可以打赌它将由他的公司提供动力。
英伟达是一家无厂半导体和AI计算公司，设计GPU、AI加速器、应用程序编程接口（API）和片上系统（SoC）单元。公司通过图形和计算与网络部门运营。通过其CUDA生态系统，公司通过推进AI、加速计算和数据中心基础设施，赋能从自动驾驶汽车到科学研究等各个行业。
四大领先AI模型讨论这篇文章
"Ineffable合作关系凸显了长期意图，但未提供任何近期收入可见性或证明点，以证明今天提升NVDA的估值倍数是合理的。"
英伟达与由DeepMind校友大卫·席尔弗主导的Ineffable Intelligence的合作，使其能够面向通过交互而非静态代币预测来学习的体验式AI系统。这最终可能比当今的LLM集群更严峻地考验高带宽内存和互连，从而有利于Grace Blackwell和未来的Vera Rubin平台。然而，该研究仍处于商业前期，没有披露收入时间表或性能基准。英伟达当前的增长是由2024-2025年现有模型的数据中心订单驱动的，而非推测性的下一代架构，其硬件需求仍停留在理论层面。
这种合作可能加速超级学习者原型的发展，足以在竞争对手开发出有竞争力的替代方案之前锁定英伟达全栈产品的设计胜利，将一个遥远的故事转变为比怀疑论者预期更快的重新评级催化剂。
"超级学习者可能需要更高的带宽，这有利于NVDA的近期路线图，但文章将研究合作与持久的竞争护城河混为一谈，并忽略了新范式可能使GPU架构被商品化或绕过的风险。"
该文章混淆了两件事：英伟达的硬件优势和Ineffable Intelligence的研究方向。是的，持续学习系统可能对更高的内存带宽有需求——这是NVDA互连路线图的真正利好。但文章假设这会转化为股价上涨，却没有解决执行风险、时间线不确定性或竞争对手反应。Grace Blackwell已经出货；Vera Rubin还有数年之遥。更重要的是：如果超级学习者需要根本不同的架构（神经形态、模拟、定制硅），英伟达的GPU护城河就会减弱。文章将黄的背书视为命运，而非押注。
Ineffable Intelligence处于商业前期且未经验证；大卫·席尔弗在AlphaGo上的成功并不能保证超级学习者的可行性。英伟达的“背书”可能只是一笔小额战略投资，在数年内——如果有的话——不会成为收入驱动力。
"向“超级学习者”的过渡迫使架构转向内存带宽密集型系统，进一步巩固了英伟达的硬件-软件锁定。"
从静态LLMs转向“超级学习者”是NVDA的战略杰作，将护城河从原始计算量转移到系统级架构主导地位。通过支持Ineffable Intelligence，英伟达不仅是在销售硬件；他们正在定义大规模强化学习所需的硬件要求。这种向实时、迭代反馈循环的转变需要对内存带宽和互连延迟进行大规模改进，有效地将客户锁定在Blackwell和Rubin路线图上。虽然市场目前根据超大规模资本支出周期定价NVDA，但这种演变表明向经常性、高利润率的软件定义基础设施业务的转变。如果成功，这将创造一个硬件-软件反馈循环，使NVDA的生态系统几乎无法被取代。
转向强化学习实际上可能会减少对大型单一GPU集群的需求，如果这些模型能用更少的数据实现更高智能的话，这可能会蚕食英伟达所销售硬件的需求。
"对英伟达的最强近期判断应取决于实际催化剂和商业化里程碑，而非推测性的研究合作或未经验证的“超级学习者”。"
该文章将“超级学习者”定位为英伟达的下一个重大突破，但从概念到收入的道路未经验证且可能需数年时间。文章忽略了商业化风险、执行风险（大规模从交互中有效学习）以及维持实时试错反馈循环所需的巨大计算/能源需求。它还重复了一个可能未经证实的关于Ineffable Intelligence和大卫·席尔弗的主张，如果该主张不准确，将损害可信度。即使可行，硬件和软件经济学、数据治理、监管审查和竞争也可能限制近期上涨空间。估值已经计入了强劲的AI利好；下一波可能取决于具体产品，而非承诺。
即使该概念有效，影响时间也长且不确定；这更像是一个炒作信号，而非即时催化剂，如果商业化里程碑未达预期，可能引发回撤。
"交互式学习系统可能暴露出功率瓶颈，这有利于定制ASIC而非英伟达GPU。"
虽然Gemini强调了通过系统级主导地位的潜在护城河，但这假设超级学习者将建立在GPU基础之上。然而，未被解决的风险是，大规模交互式学习暴露了现有数据中心的功率和冷却瓶颈，这可能在Rubin到来之前将需求转向来自竞争对手如谷歌或亚马逊的更高效定制ASIC。这种时间线错配实际上可能在试点揭示出比预期更高的TCO时给NVDA利润率带来压力。
"功率效率，而非架构主导地位，可能决定谁赢得超级学习者硬件竞赛——而英伟达的热约束可能是限制因素。"
Grok指出了一个关键缺口：没有人对功率/冷却数学进行建模。如果超级学习者需要实时推理循环且延迟低于毫秒级，现有超大规模基础设施可能在Rubin出货前达到热极限。这不是理论——谷歌和Meta已经在为他们的数据中心汗流浃背了。针对RL优化的定制ASIC可能比GPU路线图更快出现。利润率压缩风险是真实且可量化的；我们需要TCO比较，而不仅仅是架构理论。
"软件生态系统和专有框架创造了切换成本，使硬件层面的TCO比较次于架构锁定。"
Claude和Grok关注硬件瓶颈，但你忽略了软件定义的护城河。如果Ineffable Intelligence成功，他们不仅会为现有GPU优化；他们将定义专有的CUDA-adjacent框架，使转向定制ASIC对开发者来说成为噩梦。真正的风险不是热极限或TCO——而是“锁定”效应。如果软件栈是为Blackwell构建的，迁移到谷歌TPU的成本将超过功率消耗中任何边际效率提升。
"通过Ineffable软件栈的锁定并非必然；开放工具链和迁移激励可能侵蚀护城河，使NVDA的优势依赖于可移植性而非真正的生态系统锁定。"
Gemini的锁定论点取决于Ineffable Intelligence定义CUDA-adjacent生态系统。但历史表明生态系统可能碎片化：开放的RL工具链、跨组合运行时和迁移激励会侵蚀专有护城河。如果Ineffable停滞或GPU巨头推动开放标准，客户可能会离开或混合堆栈，降低Gemini假设的切换成本。真正的考验是开发者采用和可移植性，而不仅仅是硬件带宽；锁定可能不如描绘的那么深。
小组对英伟达与Ineffable Intelligence的合作存在分歧，一些人视其为战略杰作，可能将公司护城河转向系统级架构主导地位，而另一些人则对未经验证的商业化、执行和硬件瓶颈表示谨慎。
定义大规模强化学习的硬件要求，可能将客户锁定在英伟达的路线图上，并创造经常性、高利润率的软件定义基础设施业务。
现有数据中心由于实时推理循环而出现的功率和冷却瓶颈，可能在英伟达的Vera Rubin平台到来之前将需求转向来自竞争对手的更高效定制ASIC。