#NvidiaDefendsAIFunding

#OracleAdobeToday permintaan AI bukan lagi pertanyaan. RUU tersebut 👀 Oracle memiliki tumpukan besar sebesar $638 miliar, tetapi investor ingin melihat seberapa cepat itu menjadi pendapatan dan apakah uang tersebut bisa melampaui capex AI. Adobe menghadapi ujian serupa dengan Firefly dan GenStudio: bisakah AI meningkatkan pendapatan tanpa mengurangi margin? Yang menarik perhatian saya adalah pergeseran. Dari cloud Oracle hingga perangkat lunak Adobe dan perangkat keras AI Apple, perlombaan bergerak dari membangun AI menuju membuktikan bahwa AI benar-benar menguntungkan

#OracleAdobeToday permintaan AI bukan lagi pertanyaan. RUU tersebut 👀 Oracle memiliki tumpukan besar sebesar $638 miliar, tetapi investor ingin melihat seberapa cepat itu menjadi pendapatan dan apakah uang tersebut bisa melampaui capex AI. Adobe menghadapi ujian serupa dengan Firefly dan GenStudio: bisakah AI meningkatkan pendapatan tanpa mengurangi margin? Yang menarik perhatian saya adalah pergeseran. Mulai dari cloud Oracle hingga perangkat lunak Adobe dan perangkat keras AI Apple, perlombaan bergerak dari membangun AI menuju membuktikan bahwa AI benar-benar menguntungkan.

Oracle, Adobe, Hari Ini: Permintaan AI bukan lagi masalah. Biayanya 👀 Oracle memiliki tumpukan dana besar sebesar $638 miliar, tetapi para investor ingin melihat seberapa cepat hal itu berubah menjadi pendapatan dan apakah dana tersebut bisa melampaui pengeluaran AI. Adobe menghadapi tantangan serupa dengan Firefly dan GenStudio: bisakah AI meningkatkan pendapatan tanpa Dari cloud Oracle hingga perangkat lunak Adobe dan perangkat keras AI Apple, fokusnya bergeser dari menciptakan AI menjadi menunjukkan bahwa AI benar-benar membuahkan hasil. #SeptHikeOddsHit90%

#OracleAdobeToday permintaan AI bukan lagi pertanyaan. RUU tersebut 👀 Oracle memiliki tumpukan besar sebesar $638 miliar, tetapi investor ingin melihat seberapa cepat itu menjadi pendapatan dan apakah uang tersebut bisa melampaui capex AI. Adobe menghadapi ujian serupa dengan Firefly dan GenStudio: bisakah AI meningkatkan pendapatan tanpa mengurangi margin? Yang menarik perhatian saya adalah pergeseran. Mulai dari cloud Oracle hingga perangkat lunak Adobe dan perangkat keras AI Apple, persaingan #SeptHikeOddsHit90% #BTCSpotETF450MOutflow #OracleAICloudUp121%

Ujian yang lebih sulit untuk pendanaan AI adalah kualitas pendapatan. Pembelaan Huang menunjuk pada kontrak pelanggan nyata dan bagian kecil pembiayaan transaksi Nvidia. Pendapat saya: detail itu penting, tetapi permintaan yang tahan lama akan lebih meyakinkan jika pelanggan dapat mendanai pembelian GPU berulang dari arus kas operasional. Komitmen infrastruktur saja tidak dapat menyelesaikan pertanyaan itu. #NvidiaDefendsAIFunding

Siklus Pendakian "Singkat", Posisi "Netral", 20x Kelipatan: Panduan Goldman untuk Membeli AI Saat Ekor Kiri Masih Terbakar

Saya merasa ini sangat menarik. Ternyata, menambahkan GPU yang lebih murah bisa membantu Anda mendapatkan lebih banyak pekerjaan dari GPU mahal yang sudah Anda miliki. NVIDIA menguji ini dengan empat GPU GB200 dan dua GPU RTX 6000D berbiaya lebih rendah. Kartu RTX menangani tahap pemrosesan gambar, membiarkan GB200 menjalankan model bahasa. Pada beban kerja yang berat pada gambar, pengaturan gabungan melayani 70% lebih banyak lalu lintas sambil memenuhi target kecepatan respons yang sama. Mereka menambah perangkat keras, jadi ini bukan peningkatan performa gratis. Tapi mereka meningkatkan kapasitas tanpa membeli GB200 lagi. Saya pikir ini membuka peluang menarik bagi neocloud. Jika akses ke chip termahal membatasi seberapa banyak pekerjaan yang bisa mereka tangani, chip yang lebih murah yang membebaskan mesin-mesin itu menjadi jauh lebih bernilai bagi mereka. Hal itu bisa menarik permintaan AI lebih jauh ke bawah pasar GPU. Kartu ini adalah RTX profesional, bukan kartu gaming konsumen. Namun di mana pun kartu konsumen bisa menangani pekerjaan kecil secara ekonomi, neocloud bisa menjadi pembeli lain yang bersaing untuk perangkat keras yang sama dengan gamer dan pengembang kecil. GPU konsumen tidak perlu menjalankan seluruh model agar berguna. GPU itu hanya perlu mengurangi cukup banyak tenaga dari GPU yang langka dan mahal untuk membenarkan pembeliannya. Jika hal itu mulai terjadi dalam skala besar, beberapa kekurangan yang kita lihat di pusat data bisa menyebar ke bagian pasar yang saat ini tampak memiliki pasokan yang baik.

Bagi semua ahli AI, apakah ini berarti para pemimpin secara terbuka memperlambat apa yang mereka lepaskan tapi tetap beroperasi secara internal di bawah dilema tahanan dan menjaga ritme? Itu semacam langkah penyembuhan, bukan? Secara visual ini berarti semua pengembangan internal melambat, struktur pasar tetap kacau, FCF lebih lambat berkembang dan capex menjadi lebih bergantung pada utang. Saya pikir.

#OracleAdobeToday permintaan AI bukan lagi pertanyaan. RUU tersebut 👀 Oracle memiliki tumpukan besar sebesar $638 miliar, tetapi investor ingin melihat seberapa cepat itu menjadi pendapatan dan apakah uang tersebut bisa melampaui capex AI. Adobe menghadapi ujian serupa dengan Firefly dan GenStudio: bisakah AI meningkatkan pendapatan tanpa mengurangi margin? Yang menarik perhatian saya adalah pergeseran. Mulai dari cloud Oracle hingga perangkat lunak Adobe dan perangkat keras AI Apple, perlombaan bergerak dari membangun AI menuju membuktikan bahwa AI benar-benar menguntungkan. #SeptHikeOddsHit90%

10 NAMA YANG MEMETAKAN LANSKAP CLOUD AI 1. $CRWV menggabungkan integrasi $NVDA mendalam dengan perangkat lunak yang dirancang untuk menjaga klaster pelatihan AI besar tetap berjalan efisien 2. $NBIS menggabungkan perangkat keras + perangkat lunak internal dengan kontrol atas infrastruktur dan daya menciptakan lebih banyak peluang untuk meningkatkan efisiensi 3. $DOCN membuat inferensi AI dan pengembangan agen dapat diakses oleh bisnis kecil melalui platform cloud yang dikelola 4. $IREN menggabungkan lahan milik dengan pipa listrik besar yang aman sehingga memberikan fondasi untuk memperluas kapasitas AI 5. $SHAZ menggabungkan kemitraan regional dengan kemampuan cloud kedaulatan untuk melayani pelanggan yang membutuhkan infrastruktur lokal dan kontrol data 6. $NET menggabungkan inferensi AI dengan alat pengembang, penyimpanan, dan keamanan sehingga lebih mudah membangun aplikasi di seluruh jaringan tepinya 7. Crusoe membangun kampusnya berdasarkan energi yang tersedia, menyelaraskan pengembangan pusat data dengan daya yang dibutuhkan untuk mengoperasikannya 8. Lambda mengkhususkan diri pada klaster GPU padat dengan perangkat lunak terkelola yang menyederhanakan pelatihan dan menjalankan model AI 9. $AKAM menggabungkan komputasi, keamanan, dan pengiriman konten melalui jaringan global yang sudah mapan dekat dengan pelanggan 10. $FSLY menggunakan eksekusi WebAssembly yang ringan untuk memulai aplikasi dengan cepat dan menangani permintaan yang dekat dengan pengguna