#NvidiaDefendsAIFunding

#OracleAdobeToday A procura por AI já não é a questão. A conta é 👀 A Oracle tem um enorme atraso de $638B, mas os investidores querem ver quão rapidamente isso se transforma em receita e se esse dinheiro consegue superar o capex de AI. A Adobe enfrenta um teste semelhante com o Firefly e o GenStudio: pode a AI aumentar a receita sem consumir as margens? O que me chamou a atenção foi a mudança. Da cloud da Oracle ao software da Adobe e ao hardware de AI da Apple, a corrida está a passar de construir AI para provar que realmente compensa

#OracleAdobeToday A procura por AI já não é a questão. A conta é 👀 A Oracle tem um enorme atraso de $638B, mas os investidores querem ver quão rapidamente isso se transforma em receita e se esse dinheiro pode superar o capex de AI. A Adobe enfrenta um teste semelhante com o Firefly e o GenStudio: pode a AI aumentar a receita sem consumir as margens? O que me chamou a atenção foi a mudança. Da cloud da Oracle ao software da Adobe e ao hardware de AI da Apple, a corrida está a passar de construir AI para provar que ela realmente paga.

Oracle, Adobe, Hoje: a procura por AI já não é o problema. O custo é 👀 A Oracle tem um enorme atraso de $638B, mas os investidores estão ansiosos para ver quão rápido isso se transforma em receita e se esse dinheiro pode superar os gastos com AI. A Adobe enfrenta um desafio semelhante com Firefly e GenStudio: pode a AI aumentar a receita sem Desde a cloud da Oracle ao software da Adobe e ao hardware de AI da Apple, o foco está a mudar de criar AI para mostrar que realmente compensa. #SeptHikeOddsHit90%

#OracleAdobeToday A procura por AI já não é a questão. A conta é 👀 A Oracle tem um enorme atraso de $638B, mas os investidores querem ver quão rapidamente isso se transforma em receita e se esse dinheiro pode superar o capex de AI. A Adobe enfrenta um teste semelhante com Firefly e GenStudio: pode a AI aumentar a receita sem consumir as margens? O que me chamou a atenção foi a mudança. Desde a cloud da Oracle ao software da Adobe e ao hardware de AI da Apple, a corrida #SeptHikeOddsHit90% #BTCSpotETF450MOutflow #OracleAICloudUp121%

O teste mais difícil para o financiamento de AI é a qualidade da receita. A defesa de Huang aponta para contratos reais com clientes e a pequena participação da Nvidia no financiamento dos negócios. A minha interpretação: esses detalhes são importantes, mas a procura duradoura seria mais convincente se os clientes pudessem financiar compras repetidas de GPUs a partir do fluxo de caixa operacional. Compromissos de infraestrutura por si só não podem resolver essa questão. #NvidiaDefendsAIFunding

"Ciclo de Alta Curto", Posicionamento "Neutro", Múltiplos de 20x: Guia da Goldman para Comprar AI Enquanto a Cauda Esquerda Ainda Está em Chamas

Achei isto realmente interessante. Aparentemente, adicionar GPUs mais baratas pode ajudar a tirar mais proveito das que já possui, que são mais caras. A NVIDIA testou isto com quatro GPUs GB200 e duas GPUs RTX 6000D de custo mais baixo. As placas RTX trataram da fase de processamento de imagem, deixando as GB200 para executar o modelo de linguagem. Num trabalho pesado em imagens, a configuração combinada serviu 70% mais tráfego enquanto mantinha o mesmo objetivo de velocidade de resposta. Eles adicionaram hardware, por isso não foi um ganho de desempenho gratuito. Mas aumentaram a capacidade sem comprar mais GB200. Acho que isto abre uma oportunidade interessante para neoclouds. Se o acesso aos chips mais caros limita a quantidade de trabalho que podem assumir, um chip mais barato que liberta essas máquinas torna-se muito mais valioso para eles. Isso poderia puxar a procura de IA ainda mais para baixo no mercado de GPUs. Estas eram placas RTX profissionais, não placas de jogos para consumidores. Mas onde quer que as placas de consumidores possam tratar esses trabalhos menores de forma económica, as neoclouds poderiam tornar-se outro comprador a competir pelo mesmo hardware que jogadores e pequenos desenvolvedores. Uma GPU de consumidor não teria de executar o modelo inteiro para ser útil. Só teria de assumir trabalho suficiente de uma GPU escassa e cara para justificar a sua compra. Se isso começar a acontecer em grande escala, algumas das carências que estamos a observar nos centros de dados poderiam espalhar-se para partes do mercado que hoje parecem bem abastecidas.

Para todos os especialistas em AI, isto significa que os líderes publicamente desaceleram o que lançam, mas internamente ainda operam sob um dilema do prisioneiro e mantêm o ritmo? Isso é meio que o movimento de virar o jogo, não é? Opticamente, isto significaria que todo o desenvolvimento interno desacelera, a estrutura do mercado permanece confusa, o FCF demora mais a desenvolver-se e o capex torna-se mais dependente da dívida. Eu acho.

#OracleAdobeToday A procura por AI já não é a questão. A conta é 👀 A Oracle tem um enorme atraso de $638B, mas os investidores querem ver quão rapidamente isso se transforma em receita e se esse dinheiro pode superar o capex de AI. A Adobe enfrenta um teste semelhante com o Firefly e o GenStudio: pode a AI aumentar a receita sem consumir as margens? O que me chamou a atenção é a mudança. Da cloud da Oracle ao software da Adobe e ao hardware de AI da Apple, a corrida está a passar de construir AI para provar que realmente compensa. #SeptHikeOddsHit90%

10 NOMES QUE MAPEIAM O CENÁRIO DA NUVEM DE IA 1. $CRWV combina integração profunda com $NVDA e software projetado para manter grandes clusters de treino de IA a funcionar de forma eficiente 2. $NBIS combina hardware e software internos com controlo sobre infraestrutura e energia, criando mais oportunidades para melhorar a eficiência 3. $DOCN torna a inferência de IA e o desenvolvimento de agentes acessíveis a pequenas empresas através de uma plataforma de nuvem gerida 4. $IREN combina terrenos próprios com uma grande linha de energia segura, dando-lhe uma base para expandir a capacidade de IA 5. $SHAZ combina parcerias regionais com capacidades de nuvem soberana para servir clientes que necessitam de infraestrutura local e controlo de dados 6. $NET combina inferência de IA com ferramentas para desenvolvedores, armazenamento e segurança, facilitando a construção de aplicações na sua rede edge 7. Crusoe constrói os seus campus em torno da energia disponível, alinhando o desenvolvimento de centros de dados com a energia necessária para os operar 8. Lambda especializa-se em clusters densos de GPU com software gerido que simplifica o treino e a execução de modelos de IA 9. $AKAM reúne computação, segurança e entrega de conteúdos numa rede global estabelecida próxima dos clientes 10. $FSLY usa execução leve de WebAssembly para iniciar aplicações rapidamente e tratar pedidos perto dos utilizadores