#NvidiaDefendsAIFunding

#OracleAdobeToday Nhu cầu AI không còn là câu hỏi nữa. Hóa đơn thì 👀 Oracle có một khoản tồn đọng khổng lồ trị giá 638 tỷ USD, nhưng các nhà đầu tư muốn xem nó chuyển thành doanh thu nhanh như thế nào và liệu dòng tiền đó có thể vượt qua chi phí vốn AI hay không. Adobe cũng đối mặt với thử thách tương tự với Firefly và GenStudio: liệu AI có thể nâng doanh thu mà không làm giảm biên lợi nhuận? Điều thu hút sự chú ý của tôi là sự chuyển dịch. Từ đám mây của Oracle đến phần mềm của Adobe và phần cứng AI của Apple, cuộc đua đang chuyển từ việc xây dựng AI sang chứng minh nó thực sự mang lại lợi nhuận

#OracleAdobeToday Nhu cầu AI không còn là câu hỏi nữa. Vấn đề là hóa đơn 👀 Oracle có một khoản tồn đọng khổng lồ trị giá 638 tỷ USD, nhưng các nhà đầu tư muốn xem nó chuyển thành doanh thu nhanh như thế nào và liệu dòng tiền đó có thể vượt qua chi phí vốn AI hay không. Adobe cũng đối mặt với thử thách tương tự với Firefly và GenStudio: liệu AI có thể nâng doanh thu mà không làm giảm biên lợi nhuận? Điều thu hút sự chú ý của tôi là sự chuyển dịch. Từ đám mây của Oracle đến phần mềm của Adobe và phần cứng AI của Apple, cuộc đua đang chuyển từ xây dựng AI sang chứng minh nó thực sự mang lại lợi nhuận.

Oracle, Adobe, Hôm nay: Nhu cầu về AI không còn là vấn đề nữa. Chi phí mới là điều đáng chú ý 👀 Oracle có một khoản tồn đọng khổng lồ trị giá 638 tỷ USD, nhưng các nhà đầu tư đang háo hức xem tốc độ chuyển đổi thành doanh thu và liệu số tiền đó có thể vượt qua chi tiêu cho AI hay không. Adobe cũng đối mặt với thách thức tương tự với Firefly và GenStudio: liệu AI có thể thúc đẩy doanh thu mà không Từ đám mây của Oracle đến phần mềm của Adobe và phần cứng AI của Apple, trọng tâm đang chuyển từ việc tạo ra AI sang chứng minh nó thực sự mang lại lợi nhuận. #SeptHikeOddsHit90%

Thử thách khó hơn đối với việc tài trợ AI là chất lượng doanh thu. Lập luận bảo vệ của Huang chỉ ra các hợp đồng khách hàng thực sự và phần nhỏ trong tài trợ giao dịch của Nvidia. Đánh giá của tôi: những chi tiết đó quan trọng, nhưng nhu cầu bền vững sẽ thuyết phục hơn nếu khách hàng có thể tài trợ cho các lần mua GPU lặp lại từ dòng tiền hoạt động. Cam kết về cơ sở hạ tầng một mình không thể giải quyết câu hỏi đó. #NvidiaDefendsAIFunding

Chu kỳ tăng giá "Ngắn hạn", Định vị "Trung lập", Đòn bẩy 20x: Hướng dẫn của Goldman về việc Mua AI Khi Đuôi Trái Vẫn Đang Bốc Cháy

Tôi thấy điều này thực sự thú vị. Rõ ràng, việc thêm các GPU rẻ hơn có thể giúp bạn tận dụng nhiều hơn các GPU đắt tiền mà bạn đã sở hữu. NVIDIA đã thử nghiệm điều này với bốn GPU GB200 và hai GPU RTX 6000D có giá thấp hơn. Các card RTX xử lý giai đoạn xử lý hình ảnh, để lại cho các GB200 chạy mô hình ngôn ngữ. Trong một khối lượng công việc nặng về hình ảnh, thiết lập kết hợp này phục vụ lưu lượng tăng 70% trong khi vẫn đáp ứng mục tiêu tốc độ phản hồi như nhau. Họ đã thêm phần cứng, nên đây không phải là một sự tăng hiệu suất miễn phí. Nhưng họ đã tăng công suất mà không phải mua thêm GB200. Tôi nghĩ điều này mở ra một cơ hội thú vị cho các neoclouds. Nếu việc truy cập vào các chip đắt nhất giới hạn khối lượng công việc họ có thể đảm nhận, thì một chip rẻ hơn giúp giải phóng các máy đó sẽ trở nên có giá trị hơn nhiều đối với họ. Điều đó có thể kéo nhu cầu AI xuống sâu hơn trong thị trường GPU. Đây là các card RTX chuyên nghiệp, không phải card chơi game tiêu dùng. Nhưng bất cứ nơi nào các card tiêu dùng có thể xử lý các công việc nhỏ hơn đó một cách kinh tế, neoclouds có thể trở thành một người mua khác cạnh tranh cho cùng phần cứng với game thủ và các nhà phát triển nhỏ. Một GPU tiêu dùng không cần phải chạy toàn bộ mô hình để có ích. Nó chỉ cần đảm nhận đủ công việc để giảm tải cho một GPU khan hiếm, đắt tiền để biện minh cho việc mua nó. Nếu điều đó bắt đầu xảy ra trên quy mô lớn, một số tình trạng thiếu hụt mà chúng ta đang theo dõi trong các trung tâm dữ liệu có thể lan rộng sang các phần của thị trường mà hiện nay có vẻ được cung cấp đầy đủ.

Đối với tất cả các chuyên gia AI, điều này có nghĩa là các nhà lãnh đạo công khai làm chậm những gì họ phát hành nhưng vẫn vận hành nội bộ theo một thế tù nhân và duy trì tốc độ? Đó có phải là bước đi khôn ngoan, phải không? Về mặt hình thức, điều này có nghĩa là tất cả các phát triển nội bộ đều chậm lại, cấu trúc thị trường vẫn lộn xộn, FCF phát triển chậm hơn và chi tiêu vốn trở nên phụ thuộc nhiều hơn vào nợ. Tôi nghĩ vậy.

#OracleAdobeToday Nhu cầu AI không còn là câu hỏi nữa. Vấn đề là hóa đơn 👀 Oracle có một khoản tồn đọng khổng lồ trị giá 638 tỷ USD, nhưng các nhà đầu tư muốn xem nó chuyển thành doanh thu nhanh như thế nào và liệu dòng tiền đó có thể vượt qua chi phí vốn AI hay không. Adobe cũng đối mặt với thử thách tương tự với Firefly và GenStudio: liệu AI có thể nâng doanh thu mà không làm giảm biên lợi nhuận? Điều thu hút sự chú ý của tôi là sự chuyển dịch. Từ đám mây của Oracle đến phần mềm của Adobe và phần cứng AI của Apple, cuộc đua đang chuyển từ xây dựng AI sang chứng minh nó thực sự mang lại lợi nhuận. #SeptHikeOddsHit90%

10 TÊN ĐẠI DIỆN CHO CẢNH QUAN ĐÁM MÂY AI 1. $CRWV kết hợp tích hợp sâu $NVDA với phần mềm được thiết kế để giữ cho các cụm đào tạo AI khổng lồ hoạt động hiệu quả 2. $NBIS kết hợp phần cứng + phần mềm nội bộ với kiểm soát hạ tầng và nguồn điện tạo ra nhiều cơ hội cải thiện hiệu suất 3. $DOCN làm cho suy luận AI và phát triển tác nhân trở nên dễ tiếp cận với các doanh nghiệp nhỏ hơn thông qua nền tảng đám mây được quản lý 4. $IREN kết hợp đất sở hữu với một đường ống điện an toàn lớn, tạo nền tảng để mở rộng năng lực AI 5. $SHAZ kết hợp các đối tác khu vực với khả năng đám mây có chủ quyền để phục vụ khách hàng cần hạ tầng và kiểm soát dữ liệu địa phương 6. $NET kết hợp suy luận AI với công cụ phát triển, lưu trữ và bảo mật giúp xây dựng ứng dụng dễ dàng hơn trên mạng lưới biên của nó 7. Crusoe xây dựng các khuôn viên xung quanh năng lượng sẵn có, đồng bộ phát triển trung tâm dữ liệu với nguồn điện cần thiết để vận hành 8. Lambda chuyên về các cụm GPU dày đặc với phần mềm quản lý đơn giản hóa việc đào tạo và vận hành mô hình AI 9. $AKAM kết hợp điện toán, bảo mật và phân phối nội dung trên mạng lưới toàn cầu đã được thiết lập gần khách hàng 10. $FSLY sử dụng thực thi WebAssembly nhẹ để khởi động ứng dụng nhanh và xử lý yêu cầu gần người dùng

Vẫn khiến tôi ngạc nhiên khi có nhiều người nghĩ rằng AI compute sẽ không trở thành thị trường lớn nhất thế giới Chi tiêu hạ tầng đám mây truyền thống đã tăng khoảng 52% hàng năm từ 2010–2020, chủ yếu phục vụ internet AI compute giống như "đơn vị" lao động. Đầu tiên là lao động văn phòng. Sau đó là lao động chân tay (robotics) Internet rất lớn nhưng không lớn bằng tổng thể các thị trường lao động