#NvidiaDefendsAIFunding

$NVDA VD Jensen Huang säger att "cybersäkerhet sannolikt kommer att bli nästa stora användningsfall för AI" och att det "kommer att köras kontinuerligt." Om säkerheten går mot alltid påslagen AI-inferens kan det avsevärt öka arbetsbelastningen som körs via plattformar som $CRWD och $PANW,#PPIHotCPINext #OracleAICloudUp121 % #BTCSpotETFOutflows

#OracleAdobeToday AI-efterfrågan är inte längre frågan. Lagförslaget är 👀 Oracle har en massiv backlog på 638 miljarder dollar, men investerare vill se hur snabbt det blir intäkter och om dessa pengar kan överträffa AI-investeringar. Adobe står inför ett liknande test med Firefly och GenStudio: kan AI öka intäkterna utan att äta upp marginalerna? Det som fångade min uppmärksamhet var förändringen. Från Oracles moln till Adobes mjukvara och Apples AI-hårdvara rör sig kapplöpningen från att bygga AI till att bevisa att det faktiskt lönar sig.

Oracle, Adobe, Today: AI-efterfrågan är inte längre problemet. Kostnaden är det 👀 Oracle har en enorm backlog på 638 miljarder dollar, men investerare är angelägna om att se hur snabbt det omvandlas till intäkter och om dessa pengar kan överstiga AI-utgifter. Adobe står inför en liknande utmaning med Firefly och GenStudio: kan AI öka intäkterna utan Från Oracles moln till Adobes mjukvara och Apples AI-hårdvara skiftar fokus från att skapa AI till att visa att det faktiskt lönar sig. #SeptHikeOddsHit90%

Det svårare testet för AI-finansiering är intäktskvalitet. Huangs försvar pekar på verkliga kundkontrakt och Nvidias lilla andel av affärsfinansieringen. Min tolkning: dessa detaljer är viktiga, men varaktig efterfrågan skulle vara mer övertygande om kunder kan finansiera upprepade GPU-köp från operativt kassaflöde. Infrastrukturåtaganden ensamma kan inte lösa den frågan. #NvidiaDefendsAIFunding

"Kortlivad" vandringscykel, "neutral" positionering, 20x multiplar: Goldmans guide till att köpa AI medan vänstersvansen fortfarande brinner

Jag tyckte det var väldigt intressant. Tydligen kan billigare GPU:er hjälpa dig att få mer arbete av de dyra du redan äger. NVIDIA testade detta med fyra GB200-GPU:er och två billigare RTX 6000D-GPU:er. RTX-korten hanterade bildbehandlingssteget, vilket lämnade GB200:orna att köra språkmodellen. Vid en bildintensiv arbetsbelastning hanterade den kombinerade uppsättningen 70 % mer trafik samtidigt som den nådde samma responshastighetsmål. De lade till hårdvara, så detta var ingen gratis prestandaökning. Men de ökade kapaciteten utan att köpa fler GB200. Jag tycker att detta öppnar en intressant möjlighet för neoclouds. Om tillgången till de dyraste chippen begränsar hur mycket arbete de kan ta på sig, blir ett billigare chip som frigör dessa maskiner mycket mer värda för dem. Det skulle kunna dra AI-efterfrågan längre ner på GPU-marknaden. Detta var professionella RTX-kort, inte konsumentspelkort. Men där konsumentkort kan hantera dessa mindre jobb ekonomiskt, kan neoclouds bli en annan köpare som konkurrerar om samma hårdvara som gamers och små utvecklare. En konsument-GPU skulle inte behöva köra hela modellen för att vara användbar. Den skulle bara behöva ta tillräckligt med arbete från en knapp, dyr GPU för att motivera att köpa den. Om det börjar ske i stor skala kan några av de brister vi ser i datacenter sprida sig till delar av marknaden som idag verkar välutrustade.

För alla AI-experter, betyder det här att ledarna offentligt saktar ner vad de släpper men ändå internt arbetar under ett fångdilemma och håller tempot? Det är väl lite av en läkningsrörelse, eller hur? Optiskt skulle detta innebära att all intern utveckling saktar ner, marknadsstrukturen förblir otydlig, FCF utvecklas långsammare och capex blir mer beroende av skulder. Jag tror det.

#OracleAdobeToday AI-efterfrågan är inte längre frågan. Lagförslaget är 👀 Oracle har en massiv backlog på 638 miljarder dollar, men investerare vill se hur snabbt det blir intäkter och om dessa pengar kan överträffa AI-investeringar. Adobe står inför ett liknande test med Firefly och GenStudio: kan AI öka intäkterna utan att äta upp marginalerna? Det som fångade min uppmärksamhet var förändringen. Från Oracles moln till Adobes mjukvara och Apples AI-hårdvara rör sig kapplöpningen från att bygga AI till att bevisa att det faktiskt lönar sig. #SeptHikeOddsHit90%

10 NAMN SOM KARTLÄGGER AI-MOLNLANDSKAPET 1. $CRWV kombinerar djup $NVDA integration med mjukvara som är utformad för att hålla massiva AI-träningskluster igång effektivt 2. $NBIS kombinerar intern hårdvara + mjukvara med kontroll över infrastruktur och kraft, vilket skapar fler möjligheter att förbättra effektiviteten 3. $DOCN gör AI-inferens och agentutveckling tillgänglig för mindre företag via en hanterad molnplattform 4. $IREN kombinerar ägd mark med en stor säker kraftledning och ger en grund för att utöka AI-kapaciteten 5. $SHAZ kombinerar regionala partnerskap med suveräna molnkapaciteter för att betjäna kunder som behöver lokal infrastruktur och datakontroll 6. $NET kombinerar AI-inferens med utvecklarverktyg, lagring och säkerhet, vilket gör det enklare att bygga applikationer över dess edge-nätverk 7. Crusoe bygger sina campus kring tillgänglig energi och anpassar datacenterutveckling med den kraft som behövs för att driva dem 8. Lambda specialiserar sig på täta GPU-kluster med hanterad mjukvara som förenklar träning och körning av AI-modeller 9. $AKAM förenar databehandling, säkerhet och innehållsleverans över ett etablerat globalt nätverk nära kunderna 10. $FSLY använder lättvikt WebAssembly-körning för att snabbt starta applikationer och hantera förfrågningar nära användarna

Det förvånar mig fortfarande hur många som tror att AI-beräkning inte kommer att bli världens största marknad Traditionella investeringar i molninfrastruktur ökade ~52 % årligen från 2010 till 2020, mestadels genom att driva internet AI-beräkningar är som "arbetsenheter". Först vitkrage. Sedan arbetarklass (robotik) Internet är enormt men inte lika stort som hela arbetsmarknaden