#NvidiaDefendsAIFunding

#OracleAdobeToday Popyt na AI nie jest już pytaniem. Rachunek jest 👀 Oracle ma ogromne zaległości warte 638 mld USD, ale inwestorzy chcą zobaczyć, jak szybko przekształcają się one w przychody i czy te pieniądze mogą przewyższyć wydatki na AI. Adobe stoi przed podobnym wyzwaniem z Firefly i GenStudio: czy AI może zwiększyć przychody, nie zjadając marż? Co zwróciło moją uwagę, to zmiana. Od chmury Oracle, przez oprogramowanie Adobe, po sprzęt AI Apple – wyścig przesuwa się z budowania AI do udowadniania, że faktycznie się opłaca

#OracleAdobeToday Popyt na AI nie jest już pytaniem. Rachunek jest 👀 Oracle ma ogromne zaległości warte 638 mld USD, ale inwestorzy chcą zobaczyć, jak szybko przekształcają się one w przychody i czy te pieniądze mogą przewyższyć wydatki kapitałowe na AI. Adobe stoi przed podobnym wyzwaniem z Firefly i GenStudio: czy AI może zwiększyć przychody, nie zjadając marż? Co zwróciło moją uwagę, to zmiana. Od chmury Oracle, przez oprogramowanie Adobe, po sprzęt AI Apple'a, wyścig przesuwa się z budowania AI do udowadniania, że faktycznie się opłaca.

Oracle, Adobe, dzisiaj: popyt na AI już nie jest problemem. Koszty są 👀 Oracle ma ogromne zaległości warte 638 mld USD, ale inwestorzy chcą zobaczyć, jak szybko przekładają się one na przychody i czy te pieniądze mogą przewyższyć wydatki na AI. Adobe stoi przed podobnym wyzwaniem z Firefly i GenStudio: czy AI może zwiększyć przychody bez Od chmury Oracle po oprogramowanie Adobe i sprzęt AI Apple, uwaga przesuwa się z tworzenia AI na pokazanie, że faktycznie się to opłaca. #SeptHikeOddsHit90%

#OracleAdobeToday Popyt na AI nie jest już kwestią sporną. Rachunek jest 👀 Oracle ma ogromne zaległości warte 638 mld USD, ale inwestorzy chcą zobaczyć, jak szybko przekształcają się one w przychody i czy te pieniądze mogą przewyższyć wydatki kapitałowe na AI. Adobe stoi przed podobnym wyzwaniem z Firefly i GenStudio: czy AI może zwiększyć przychody, nie zjadając marż? Co zwróciło moją uwagę, to zmiana. Od chmury Oracle, przez oprogramowanie Adobe, po sprzęt AI Apple, wyścig #SeptHikeOddsHit90% #BTCSpotETF450MOutflow #OracleAICloudUp121%

Trudniejszym testem dla finansowania AI jest jakość przychodów. Obrona Huanga wskazuje na rzeczywiste umowy z klientami i niewielki udział Nvidii w finansowaniu transakcji. Moja interpretacja: te szczegóły mają znaczenie, ale trwały popyt byłby bardziej przekonujący, gdyby klienci mogli finansować powtarzające się zakupy GPU z przepływów pieniężnych z działalności operacyjnej. Same zobowiązania infrastrukturalne nie rozstrzygają tej kwestii. #NvidiaDefendsAIFunding

"Krótkotrwały" cykl wzrostowy, "neutralne" pozycjonowanie, mnożniki 20x: przewodnik Goldmana po kupowaniu AI, gdy lewy ogon wciąż płonie

Uważam to za naprawdę interesujące. Najwyraźniej dodanie tańszych GPU może pomóc w uzyskaniu większej wydajności z tych drogich, które już posiadasz. NVIDIA przetestowała to na czterech GPU GB200 i dwóch tańszych RTX 6000D. Karty RTX obsługiwały etap przetwarzania obrazu, pozostawiając GB200 do uruchamiania modelu językowego. Przy obciążeniu z dużą ilością obrazów, połączony zestaw obsłużył o 70% więcej ruchu, jednocześnie spełniając ten sam cel dotyczący szybkości odpowiedzi. Dodali sprzęt, więc nie było to darmowe zwiększenie wydajności. Ale zwiększyli pojemność bez kupowania większej liczby GB200. Myślę, że otwiera to ciekawą możliwość dla neochmur. Jeśli dostęp do najdroższych układów ogranicza ilość pracy, jaką mogą podjąć, tańszy układ, który odciąża te maszyny, staje się dla nich znacznie cenniejszy. To może przesunąć popyt na AI jeszcze bardziej w dół rynku GPU. Były to profesjonalne karty RTX, a nie konsumenckie karty do gier. Ale tam, gdzie karty konsumenckie mogą ekonomicznie obsługiwać te mniejsze zadania, neochmury mogą stać się kolejnym nabywcą konkurującym o ten sam sprzęt co gracze i mali deweloperzy. Konsumenckie GPU nie musiałoby uruchamiać całego modelu, aby być użyteczne. Wystarczyłoby, aby odciążyło wystarczająco drogie i rzadkie GPU, by uzasadnić jego zakup. Jeśli to zacznie się dziać na dużą skalę, niektóre z niedoborów, które obserwujemy w centrach danych, mogą rozprzestrzenić się na części rynku, które dziś wydają się dobrze zaopatrzone.

Dla wszystkich ekspertów AI, czy to oznacza, że liderzy publicznie zwalniają tempo tego, co wypuszczają, ale wewnętrznie nadal działają według dylematu więźnia i utrzymują tempo? To taki ruch polegający na udawaniu, prawda? Opticznie oznaczałoby to, że cały rozwój wewnętrzny zwalnia, struktura rynku pozostaje niejasna, FCF rozwija się wolniej, a nakłady inwestycyjne stają się bardziej zależne od długu. Tak myślę.

#OracleAdobeToday Popyt na AI nie jest już pytaniem. Rachunek jest 👀 Oracle ma ogromne zaległości warte 638 mld USD, ale inwestorzy chcą zobaczyć, jak szybko przekształcają się one w przychody i czy te pieniądze mogą przewyższyć wydatki na AI. Adobe stoi przed podobnym wyzwaniem z Firefly i GenStudio: czy AI może zwiększyć przychody, nie zjadając marż? Co zwróciło moją uwagę, to zmiana. Od chmury Oracle, przez oprogramowanie Adobe, po sprzęt AI Apple’a, wyścig przesuwa się z budowania AI do udowadniania, że faktycznie się opłaca. #SeptHikeOddsHit90%

10 NAZW MAPUJĄCYCH KRAJOBRAZ CHMURY AI 1. $CRWV łączy głęboką integrację $NVDA z oprogramowaniem zaprojektowanym do efektywnego utrzymania ogromnych klastrów treningowych AI 2. $NBIS łączy sprzęt i oprogramowanie własnej produkcji z kontrolą nad infrastrukturą i zasilaniem, tworząc więcej możliwości poprawy efektywności 3. $DOCN udostępnia wnioskowanie AI i rozwój agentów mniejszym firmom poprzez zarządzaną platformę chmurową 4. $IREN łączy posiadane tereny z dużym zabezpieczonym rurociągiem energetycznym, dając fundament do rozbudowy mocy AI 5. $SHAZ łączy regionalne partnerstwa z suwerennymi możliwościami chmurowymi, obsługując klientów potrzebujących lokalnej infrastruktury i kontroli danych 6. $NET łączy wnioskowanie AI z narzędziami dla deweloperów, magazynowaniem i bezpieczeństwem, ułatwiając budowę aplikacji w całej swojej sieci brzegowej 7. Crusoe buduje swoje kampusy wokół dostępnej energii, dostosowując rozwój centrów danych do potrzebnej mocy 8. Lambda specjalizuje się w gęstych klastrach GPU z zarządzanym oprogramowaniem, które upraszcza trening i uruchamianie modeli AI 9. $AKAM łączy obliczenia, bezpieczeństwo i dostarczanie treści w ramach ugruntowanej globalnej sieci blisko klientów 10. $FSLY wykorzystuje lekkie wykonywanie WebAssembly, aby szybko uruchamiać aplikacje i obsługiwać żądania blisko użytkowników