在传出法国将对英伟达发起反垄断调查后不久，又有新的不好消息传出。
据彭博社引述欧盟竞争事务负责人玛格丽特·维斯塔格（Margrethe Vestager）的警告称，英伟达公司的AI芯片供应存在“巨大瓶颈”，但表示监管机构仍在考虑如何解决这个问题。
“我们一直在向他们询问问题，但这还只是初步问题，”她在新加坡之行中告诉彭博社。到目前为止，这“还不具备监管行动的条件”。
自从英伟达成为人工智能支出热潮的最大受益者以来，监管机构就一直关注着它。它的图形处理单元（简称GPU）因其能够处理开发AI模型所需的大量信息的能力而受到数据中心运营商的青睐。
芯片已成为科技界最热门的商品之一，云计算提供商相互竞争以获取这些芯片。据估计，Nvidia的H100处理器需求旺盛，已帮助他们获得80%以上的市场份额，领先于竞争对手英特尔公司和超微半导体公司。
尽管供应紧张，但Vestager表示，人工智能芯片供应的二级市场可能有助于激发创新和公平竞争。
但她表示，占主导地位的公司未来可能会面临某些行为限制。
“如果你在市场上拥有这种主导地位，那么有些事情你不能做，而小公司可以做，”她说。“但除此之外，只要你做你的生意并尊重这一点，你就很好。”
6000亿美元的“大难题”
尽管高科技巨头在人工智能基础设施方面投入了大量资金，但人工智能带来的收入增长尚未实现，这表明生态系统的最终用户价值存在巨大差距。事实上，红杉资本分析师戴维·卡恩（David Cahn）认为，人工智能公司每年必须赚取约6000亿美元才能支付其人工智能基础设施（例如数据中心）的费用。
去年，Nvidia的数据中心硬件收入达到475亿美元（其中大部分硬件是用于AI和HPC应用的计算GPU）。AWS、Google、Meta、Microsoft等公司在2023年为OpenAI的ChatGPT等应用在其AI基础设施上投入了巨额资金。然而，他们能赚回这笔投资吗？David Cahn认为，这可能意味着我们正在目睹金融泡沫的增长。
按照David Cahn的算法，6000亿美元这个数字，可以通过一些简单的数学运算来得出。
你所要做的就是将Nvidia的运行率收入预测乘以2倍，以反映AI数据中心的总成本（GPU占总拥有成本的一半，另一半包括能源、建筑物、备用发电机等）。然后你再乘以2倍，以反映GPU最终用户的50%毛利率（例如，从Azure或AWS或GCP购买AI计算的初创公司或企业，他们也需要赚钱）。
我们看看，自2023年9月（在当时，他认为人工智能是2000亿美元难题）以来发生了什么变化？
1. 供应短缺已经消退：2023年末是GPU供应短缺的高峰期。初创公司正在给风险投资公司打电话，给任何愿意与他们交谈的人打电话，寻求帮助以获得GPU。如今，这种担忧几乎完全消除了。对于我交谈过的大多数人来说，现在以合理的交货时间获得GPU相对容易。
2. GPU库存不断增长：Nvidia在第四季度报告称，其数据中心收入的一半左右来自大型云提供商。仅微软一家就可能占Nvidia第四季度收入的约22%。超大规模资本支出正在达到历史水平。这些投资是大型科技公司2024年第一季度收益的主要主题，首席执行官们有效地告诉市场：“无论你喜不喜欢，我们都会投资GPU。”囤积硬件并不是一个新现象，一旦库存足够大以至于需求下降，就会成为重置的催化剂。
3. OpenAI仍然占据着AI收入的最大份额：The Information最近报道称，OpenAI的收入现在为34亿美元，高于2023年底的16亿美元。虽然我们已经看到少数初创公司的收入规模达到不到1亿美元，但OpenAI与其他公司之间的差距仍然很大。除了ChatGPT，消费者今天真正使用了多少AI产品？想想你每月花15.49美元从Netflix或每月花11.99美元从Spotify获得多少价值。从长远来看，AI公司需要为消费者提供巨大的价值，才能继续掏钱。
4. 1250亿美元的缺口现在变成了5000亿美元的缺口：在最后的分析中，我慷慨地假设谷歌、微软、苹果和Meta每年都能从新的AI相关收入中产生100亿美元。我还假设甲骨文、字节跳动、阿里巴巴、腾讯、X和特斯拉每年都有50亿美元的新AI收入。即使这仍然是正确的，并且我们在名单上再添加几家公司，1250亿美元的缺口现在也会变成5000亿美元的缺口。
这还没完——B100即将问世：今年早些时候，Nvidia宣布推出B100芯片，其性能提升了2.5倍，而成本仅增加了25%。我预计这将导致NVDA芯片需求的最终激增。与H100相比，B100的成本与性能相比有了显著的改善，而且由于每个人都想在今年晚些时候买到B100，因此很可能再次出现供应短缺。
在之前提出关于GPU的问题时，David Cahn收到的最主要反驳之一是“GPU资本支出就像修建铁路”，最终火车会开过来，目的地也会到来——新的农业出口、游乐园、购物中心等。
David Cahn表示，其实他也同意这一点，但他认为这个论调忽略了几点：
1. 缺乏定价权：在物理基础设施建设的情况下，您正在建设的基础设施具有一些内在价值。如果您拥有旧金山和洛杉矶之间的轨道，那么您可能拥有某种垄断定价权，因为A地和B地之间只能铺设这么多轨道。在GPU数据中心的情况下，定价权要小得多。GPU计算正日益成为一种按小时计量的商品。与成为寡头垄断的CPU云不同，构建专用AI云的新进入者继续涌入市场。在没有垄断或寡头垄断的情况下，高固定成本+低边际成本的企业几乎总是会看到价格竞争到边际成本（例如航空公司）。
2. 投资浪费：即使是铁路行业，以及许多新技术行业，投机性投资狂潮也常常导致高额的资本浪费。《The Engines that Moves Markets》是一本关于技术投资的最佳教科书，其主要观点（确实，重点关注铁路行业）是，许多人在投机性技术浪潮中损失惨重。挑选赢家很难，但挑选输家（就铁路行业而言，运河）要容易得多。
3. 折旧：从技术发展史中我们得知，半导体趋于越来越好。Nvidia将继续生产更好的下一代芯片，如B100。这将导致上一代芯片的折旧速度加快。由于市场低估了B100和下一代芯片的改进速度，因此它高估了今天购买的H100在3-4年后的价值。同样，物理基础设施不存在这种相似性，它不遵循任何“摩尔定律”类型的曲线，因此成本与性能的关系不断改善。
4. 赢家与输家：我认为我们需要仔细研究赢家和输家——在基础设施建设过剩的时期，总会有赢家。人工智能很可能是下一波变革性技术浪潮，GPU计算价格的下降实际上也有利于长期创新，也有利于初创企业。如果David Cahn的预测成真，它将主要对投资者造成伤害。创始人和公司建设者将继续在人工智能领域发展——他们将更有可能取得成功，因为他们将受益于较低的成本和在这一试验期间积累的经验。
5. 人工智能将创造巨大的经济价值。专注于为最终用户提供价值的公司创建者将获得丰厚的回报。我们正在经历一场可能定义一代人的技术浪潮。像Nvidia这样的公司在推动这一转变方面发挥了重要作用，值得称赞，并且很可能在未来很长一段时间内在生态系统中发挥关键作用。
不过David Cahn也重申，投机狂潮是技术的一部分，所以没什么好害怕的。那些在这一刻保持头脑清醒的人有机会创建极其重要的公司。但我们必须确保不要相信现在已经从硅谷蔓延到全国乃至全世界的妄想。这种妄想认为我们都会快速致富，因为AGI明天就会到来，我们都需要储存唯一有价值的资源，那就是GPU。
“事实上，前面的道路将是漫长的。它会有起有落。但几乎可以肯定，它是值得的。”David Cahn强调。
潜在的挑战者
虽然这是一个谈了很多次，但似乎也有了结果的论调。如Futurum Group首席执行官丹尼尔·纽曼所说，“目前，世界上没有英伟达的天敌。”
原因如下：Nvidia的图形处理单元（GPU）最初于1999年为PC视频游戏中的超快3D图形而创建，后来被证明非常适合训练大规模生成式AI模型，来自OpenAI、Google、Meta、Anthropic和Cohere等公司推动的模型的规模越来越大，进而需要使用大量AI芯片来做训练。多年来，Nvidia的GPU一直被认为是最强大的，也是最抢手的。
这些成本当然不菲：训练顶级生成式AI模型需要数万个最高端的GPU，每个GPU的价格为3万至4万美元。例如，埃隆·马斯克（Elon Musk）最近表示，他的公司xAI的Grok 3模型需要在10万个Nvidia顶级GPU上进行训练才能成为“特别的东西”，这将为Nvidia带来超过30亿美元的芯片收入。
然而，Nvidia的成功不仅仅是芯片的产物，还有让芯片变得易于使用的软件。Nvidia的软件生态系统已经成为大量专注于AI的开发人员的首选，他们几乎没有动力去转换。在上周的年度股东大会上，Nvidia首席执行官黄仁勋称该公司的软件平台CUDA（计算统一设备架构）是一个“良性循环”。随着用户的增多，Nvidia有能力投入更多资金升级该生态系统，从而吸引更多用户。
相比之下，Nvidia的半导体竞争对手AMD控制着全球GPU市场约12%的份额，该公司确实拥有具有竞争力的GPU，并且正在改进其软件，纽曼说。但是，虽然它可以为不想被Nvidia束缚的公司提供另一种选择，但它没有现有的开发者用户群，这些开发者认为CUDA易于使用。
此外，虽然亚马逊的AWS、微软Azure和谷歌云等大型云服务提供商都生产自己的专有芯片，但他们并不打算取代Nvidia。相反，他们希望有多种AI芯片可供选择，以优化自己的数据中心基础设施，降低价格，并向最广泛的潜在客户群销售他们的云服务。
J.Gold Associates分析师杰克·戈尔德（Jack Gold）解释说：“Nvidia拥有早期发展势头，当你建立一个快速增长的市场时，其他人很难赶上。”他表示Nvidia在创建其他人所没有的独特生态系统方面做得很好。
Wedbush股票研究高级副总裁Matt Bryson补充说，要取代Nvidia用于训练大规模AI模型的芯片将特别困难，他解释说，目前计算能力的大部分支出都流向了这一领域。“我认为这种动态在未来一段时间内不会发生变化，”他说。
然而，越来越多的人工智能芯片初创公司，包括Cerebras、SambaNova、Groq以及最新的Etched和Axelera，都看到了从英伟达人工智能芯片业务中分一杯羹的机会。他们专注于满足人工智能公司的特殊需求，尤其是所谓的“推理”，即通过已经训练过的人工智能模型运行数据，让模型输出信息（例如，ChatGPT的每个答案都需要推理）。
例如，就在上周，Etched筹集了1.2亿美元，用于开发一种专门用于运行transformer模型的专用芯片Sohu，Transformer模型是OpenAI的ChatGPT、谷歌的Gemini和Anthropic的Claude使用的一种AI模型架构。据介绍，该芯片将由台积电采用其4nm工艺生产，该公司表示还已从“顶级供应商”那里获得高带宽内存和服务器供应，但没有透露这些公司的名字。Etched还声称，Sohu的速度比Nvidia即将推出的Blackwell GPU“快一个数量级，而且更便宜”，八芯片Sohu服务器每秒可处理超过500000个Llama 70B token。该公司通过推断已发布的Nvidia H100服务器MLperf基准测试数据作出了这一判断，该基准测试显示，八GPU服务器每秒可处理23，000个Llama 70B token。Etched首席执行官Uberti在接受采访时表示，一台Sohu服务器将取代160块H100 GPU。
荷兰初创公司Axelera AI正在开发用于人工智能应用的芯片，该公司上周宣称也已获得6800万美元融资，该公司正在筹集资金以支持其雄心勃勃的增长计划。这家总部位于埃因霍温的公司旨在成为欧洲版的Nvidia，提供据称比竞争对手节能10倍、价格便宜5倍的AI芯片。Axelera创新的核心是Thetis Core芯片，它在一个周期内可以执行惊人的260，000次计算，而普通计算机只能执行16次或32次计算。这种能力使其非常适合AI神经网络计算，主要是矢量矩阵乘法。他们的芯片提供了高性能和可用性，而成本仅为现有市场解决方案的一小部分。这可以使AI普及，让更广泛的应用程序和用户能够使用它。
与此同时，据报道，专注于以闪电般的速度运行模型的Groq正在以25亿美元的估值筹集新资金，而Cerebras据称在发布其最新芯片仅几个月后就秘密提交了首次公开募股申请，该公司声称该芯片可以训练比GPT-4或Gemini大10倍的AI模型。
所有这些初创公司一开始都可能专注于一个小市场，比如为某些任务提供更高效、更快或更便宜的芯片。他们也可能更专注于特定行业的专用芯片或个人电脑和智能手机等人工智能设备。“最好的策略是开拓一个小众市场，而不是试图征服世界，而这正是他们大多数人正在尝试做的，”Tirias Research首席分析师Jim McGregor说。
因此，也许更切题的问题是：这些初创公司与云提供商以及AMD和英特尔等半导体巨头一起能够占领多少市场份额？这还有待观察，尤其是因为运行AI模型或推理的芯片市场仍然很新。
参考链接
https://www.bloomberg.com/news/articles/2024-07-05/nvidia-ai-chips-are-huge-bottleneck-eu-s-vestager-warns
https://fortune.com/2024/07/02/nvidia-competition-ai-chip-gpu-startups-analysts/
