#NvidiaDefendsAIFunding

#OracleAdobeToday La demande en AI n'est plus la question. La facture est 👀 Oracle a un énorme retard de 638 milliards de dollars, mais les investisseurs veulent voir à quelle vitesse cela se transforme en revenus et si cet argent peut dépasser les dépenses en capital liées à l'AI. Adobe fait face à un test similaire avec Firefly et GenStudio : l'AI peut-elle augmenter les revenus sans grignoter les marges ? Ce qui a attiré mon attention, c'est le changement. De la cloud d'Oracle au logiciel d'Adobe en passant par le matériel AI d'Apple, la course passe de la construction de l'AI à la preuve qu'elle rapporte réellement

#OracleAdobeToday La demande en IA n'est plus la question. La facture est 👀 Oracle a un énorme retard de commandes de 638 milliards de dollars, mais les investisseurs veulent voir à quelle vitesse cela se transforme en revenus et si cet argent peut dépasser les dépenses en capital liées à l'IA. Adobe fait face à un test similaire avec Firefly et GenStudio : l'IA peut-elle augmenter les revenus sans grignoter les marges ? Ce qui a attiré mon attention, c'est le changement. De l'informatique en nuage d'Oracle aux logiciels d'Adobe et au matériel IA d'Apple, la course passe de la construction de l'IA à la preuve qu'elle rapporte réellement.

Oracle, Adobe, aujourd'hui : la demande en IA n'est plus le problème. C'est le coût qui l'est 👀 Oracle a un énorme carnet de commandes de 638 milliards de dollars, mais les investisseurs veulent voir à quelle vitesse cela se transforme en revenus et si cet argent peut dépasser les dépenses en IA. Adobe fait face à un défi similaire avec Firefly et GenStudio : l'IA peut-elle augmenter les revenus sans Du cloud d'Oracle aux logiciels d'Adobe en passant par le matériel IA d'Apple, l'attention se déplace de la création de l'IA à la démonstration qu'elle est réellement rentable. #SeptHikeOddsHit90%

Le test le plus difficile pour le financement de l'IA est la qualité des revenus. La défense de Huang met en avant de vrais contrats clients et la faible part de Nvidia dans le financement des accords. Mon interprétation : ces détails comptent, mais une demande durable serait plus convaincante si les clients pouvaient financer des achats répétés de GPU à partir des flux de trésorerie opérationnels. Les engagements en matière d'infrastructure seuls ne peuvent pas trancher cette question. #NvidiaDefendsAIFunding

Cycle de hausse « éphémère », positionnement « neutre », multiples de 20x : le guide de Goldman pour acheter AI tant que la queue gauche est encore en feu

J'ai trouvé cela vraiment intéressant. Apparemment, ajouter des GPU moins chers peut vous aider à tirer plus de travail des GPU coûteux que vous possédez déjà. NVIDIA a testé cela avec quatre GPU GB200 et deux GPU RTX 6000D à moindre coût. Les cartes RTX ont géré l'étape de traitement d'image, laissant les GB200 exécuter le modèle de langage. Sur une charge de travail axée sur les images, la configuration combinée a servi 70 % de trafic en plus tout en respectant le même objectif de vitesse de réponse. Ils ont ajouté du matériel, donc ce n'était pas un gain de performance gratuit. Mais ils ont augmenté la capacité sans acheter plus de GB200. Je pense que cela ouvre une opportunité intéressante pour les néo-clouds. Si l'accès aux puces les plus chères limite la quantité de travail qu'ils peuvent prendre en charge, une puce moins chère qui libère ces machines devient beaucoup plus précieuse pour eux. Cela pourrait faire descendre la demande en IA plus bas sur le marché des GPU. Il s'agissait de cartes RTX professionnelles, pas de cartes de jeu grand public. Mais là où les cartes grand public peuvent gérer ces tâches plus petites de manière économique, les néo-clouds pourraient devenir un autre acheteur en concurrence pour le même matériel que les joueurs et les petits développeurs. Un GPU grand public n'aurait pas besoin d'exécuter tout le modèle pour être utile. Il suffirait qu'il prenne assez de travail d'un GPU rare et coûteux pour justifier son achat. Si cela commence à se produire à grande échelle, certaines des pénuries que nous observons dans les centres de données pourraient se propager à des parties du marché qui semblent bien approvisionnées aujourd'hui.

Pour tous les experts en AI, cela signifie-t-il que les leaders ralentissent publiquement ce qu'ils publient mais continuent en interne à fonctionner selon un dilemme du prisonnier et maintiennent le rythme ? C'est un peu le coup de la guérison, non ? Optiquement, cela voudrait dire que tout développement interne ralentit, la structure du marché reste embrouillée, le FCF se développe plus lentement et les dépenses d'investissement deviennent plus dépendantes de la dette. Je pense.

#OracleAdobeToday La demande en AI n'est plus la question. La facture est 👀 Oracle a un énorme carnet de commandes de 638 milliards de dollars, mais les investisseurs veulent voir à quelle vitesse cela se transforme en revenus et si cet argent peut dépasser les dépenses en capital liées à l'AI. Adobe fait face à un test similaire avec Firefly et GenStudio : l'AI peut-elle augmenter les revenus sans grignoter les marges ? Ce qui a attiré mon attention, c'est le changement. Du cloud d'Oracle aux logiciels d'Adobe en passant par le matériel AI d'Apple, la course passe de la construction de l'AI à la preuve qu'elle rapporte réellement. #SeptHikeOddsHit90%

10 NOMS QUI CARTOGRAPHIENT LE PAYSAGE DU CLOUD IA 1. $CRWV combine une intégration profonde de $NVDA avec un logiciel conçu pour maintenir efficacement d'immenses clusters d'entraînement IA 2. $NBIS combine matériel et logiciel internes avec un contrôle sur l'infrastructure et l'alimentation, créant plus d'opportunités pour améliorer l'efficacité 3. $DOCN rend l'inférence IA et le développement d'agents accessibles aux petites entreprises via une plateforme cloud gérée 4. $IREN combine des terrains possédés avec un grand pipeline d'alimentation sécurisé, lui offrant une base pour étendre la capacité IA 5. $SHAZ combine des partenariats régionaux avec des capacités de cloud souverain pour servir les clients nécessitant une infrastructure locale et un contrôle des données 6. $NET combine l'inférence IA avec des outils pour développeurs, stockage et sécurité, facilitant la création d'applications sur son réseau edge 7. Crusoe construit ses campus autour de l'énergie disponible, alignant le développement des centres de données avec la puissance nécessaire à leur fonctionnement 8. Lambda se spécialise dans les clusters GPU denses avec un logiciel géré qui simplifie l'entraînement et l'exécution des modèles IA 9. $AKAM réunit informatique, sécurité et diffusion de contenu à travers un réseau mondial établi proche des clients 10. $FSLY utilise l'exécution légère de WebAssembly pour démarrer rapidement les applications et gérer les requêtes près des utilisateurs

Cela me surprend toujours de voir combien de personnes pensent que le calcul AI ne deviendra pas le plus grand marché au monde Les dépenses traditionnelles en infrastructure cloud ont augmenté d'environ 52 % par an de 2010 à 2020, alimentant principalement Internet Le calcul AI est comme des "unités" de travail. D'abord pour les cols blancs. Puis pour les cols bleus (robotique) Internet est énorme mais pas aussi grand que l'ensemble des marchés du travail