De ontwrichting van DeepSeek: De impact op Nvidia en de halfgeleiderindustrie

Houd er rekening mee dat VanEck posities kan hebben in de bedrijven waarnaar hierin wordt verwezen.

De recente claim van DeepSeek om high-end resultaten te behalen tegen een fractie van de gebruikelijke kosten heeft beleggers opgeschrikt en vragen doen rijzen over de dominantie van Nvidia. Het is echter belangrijk om de bredere context in ogenschouw te nemen: hyperscalers en ondernemingen zouden zich nu kunnen richten op het benutten van bestaande AI-infrastructuur voor inferentie, waar Nvidia met zijn software-ecosysteem en next-gen producten nog steeds aanzienlijke voordelen zou kunnen hebben. Ondertussen biedt de bredere halfgeleidermarkt kansen voor diversificatie, met gespecialiseerde ASIC's en andere chipmakers die mogelijk de vraag naar zich toetrekken. Beleggers moeten zich echter bewust blijven van de belangrijkste risico's, waaronder marktvolatiliteit, technologische ontwikkelingen die de markt verstoren en onzekerheden in de regelgeving die de dynamiek van de sector kunnen beïnvloeden.

De revolutionaire claim: DeepSeek's R1-model

• DeepSeek beweert dat zijn R1-model concurrerende AI-prestaties levert en tegelijkertijd de trainingskosten aanzienlijk verlaagt (bron: Reuters, januari 2024).
• In tegenstelling tot grote AI-laboratoria die vertrouwen op vooruitstrevende GPU's, beweert DeepSeek goedkopere hardware te hebben gebruikt en toch sterke resultaten te hebben behaald (bron: Bloomberg, januari 2024).
• Als dergelijke efficiëntiewinsten schaalbaar zijn, kunnen ze de toekomstige kapitaalinvesteringen van hyperscalers (grote cloudproviders) in AI-infrastructuur veranderen.
• Er rijst een belangrijke vraag in de sector: Als nieuwe modellen goedkoper getraind kunnen worden, hebben hyperscalers dan nog steeds enorme GPU-investeringen nodig om topprestaties te behalen?

De enorme kapitaaluitgaven van hyperscalers in AI-training

• De afgelopen twee jaar hebben grote cloudproviders (AWS, Azure, Google Cloud, enz.) zwaar geïnvesteerd in datacenters die zijn uitgerust met Nvidia GPU's om AI-training op schaal aan te kunnen.
• De open vraag is hoe deze hyperscalers van plan zijn om die infrastructuur te gelde te maken.
• Het commentaar van AI-onderzoekers suggereert nu dat de prestatieverbeteringen van steeds grotere modellen mogelijk afnemende rendementen bereikt, waardoor de markt niet langer in grotere clusters investeert, maar bestaande modellen te gelde maakt.
• De GPU-machtsdynamiek zorgde voor een potentiële verschuiving van Nvidia's dominantie op de markt naar de toegenomen koopkracht van de hyperscalers.
• De AI-hardwaremarkt is echter onderhevig aan volatiliteit, en een veranderende dynamiek in de sector kan risico's met zich meebrengen op het gebied van regelgeving en concurrentie.

Let op: elke hyperscaler heeft verschillende manieren om geld te verdienen - via cloudabonnementen, apps voor consumenten, bedrijfsdiensten, enzovoort - wat de kans verkleint dat ze verdrongen zullen worden door alleen open-source.

Training vs. Inferentie in de halfgeleiderindustrie

• De industrie verschuift van een door training gedomineerde focus naar de inferentiefase, waar echte toepassingen en monetarisatie plaatsvinden.
• Tesla biedt een perfecte illustratie:
  • Ze trainen hun Full Self-Driving (FSD)-modellen in grote datacenters.
  • Inferentie vindt plaats in elke auto (edge computing) - waarbij de auto het model lokaal uitvoert zonder constant naar de cloud te hoeven gaan.
  • Deze edge-based inferentie wordt te gelde gemaakt via abonnementskosten (bijv. $ 99/maand voor FSD) (bron: Tesla Winstbericht Q4 2023).

De ontwrichting van DeepSeek: Zorgen over Nvidia en andere chipmakers

• De aankondiging van DeepSeek om een krachtig model op goedkopere hardware te trainen, veroorzaakte kriebels in de markt over de toekomstige vraag naar GPU's.
• Eerdere aannames over schaalwetten konden met dit model weerlegd worden. R1 deed meer met minder rekenkracht.
• De bezorgdheid: Als hyperscalers state-of-the-art resultaten kunnen behalen met minder dure of alternatieve hardware, zou Nvidia's groei in datacenter-GPU's specifiek kunnen vertragen. Dit sentiment heeft bijgedragen aan de recente koersdalingen van AI-chipproducenten.
• Technologische verschuivingen kunnen echter onvoorspelbaar zijn, en regelgevingsbeleid of innovaties van concurrenten kunnen deze dynamiek veranderen.

Als de claims van DeepSeek volledig waar zijn…

• DeepSeek's R1 laat zien dat u topmodellen kunt trainen met goedkopere hardware.
• Dit elimineert Nvidia niet, maar het versnelt mogelijk een tijdlijn waarin de bijna volledige dominantie van Nvidia in AI-training normaliseert.
• Naarmate de vraag naar hardware voor training toeneemt, kunnen andere chipontwerpers (bijv. ASIC-makers, Broadcom, Intel, AMD, gespecialiseerde startups) voet aan de grond krijgen - vooral op het gebied van inferentie, waar speciaal gebouwde chips kosten- en energie-efficiënt zijn.
• Conclusie: Zelfs als de vraag naar GPU-training afvlakt, is er nog steeds een opmerkelijke kans in het hele ecosysteem van halfgeleiders.

Als de claims van DeepSeek overdreven zijn…

• Misschien is de prestatie van DeepSeek niet zo revolutionair als het lijkt, of zijn er niet bekendgemaakte beperkingen.
• Toch verschuift de langetermijn AI-cyclus natuurlijk naar het te gelde maken van modellen via inferentie.
• Die inferentiefase zou een verscheidenheid aan hardwareoplossingen kunnen bevoordelen, waaronder gespecialiseerde ASIC's, kleinere GPU-instanties en verbeterde CPU's. Deze alternatieven zouden de concurrentie met Nvidia's high-end GPU's kunnen vergroten door efficiëntere en kosteneffectievere oplossingen aan te bieden.
• Conclusie: Nvidia blijft misschien de leider op het gebied van training, maar naarmate AI volwassener wordt, zullen meer spelers concurreren om verschillende onderdelen van de AI-hardwarestack.

De aanhoudende sterke punten van Nvidia en de overstap naar inferentie

• Nvidia blijft een zeer innovatieve leider op het gebied van AI-hardware en -software.
• Ze hebben nieuwe producten aangekondigd die ontworpen zijn voor inferentieworkloads, zoals next-gen GPU-architecturen (bijv. Hopper) en gespecialiseerde platforms die een brug slaan tussen training en inferentie.
• Naarmate de markt verandert, zal de groei van Nvidia's GPU-activiteiten voor datacenters waarschijnlijk normaler worden, maar hun uitgebreide ecosysteem (hardware, CUDA-software, zakelijke partnerschappen) positioneert hen nog steeds als een belangrijke speler.
• Tegelijkertijd verhogen andere chipfabrikanten hun capaciteit en ontstaat er een breder aanbod van ASIC's en CPU's, waardoor een verscheidenheid aan kosteneffectieve inferentieoplossingen mogelijk wordt.

Waarom wij de voorkeur geven aan een gediversifieerde aanpak

1. Training versus inferentie: De focus van de industrie verschuift van intensieve training (waar Nvidia domineerde) naar het inferentieproces (waar meer spelers concurrerende aanbiedingen zullen hebben).
2. Monetisatie: AI vindt steeds meer ingang in praktijkimplementaties en abonnementen (bijv. FSD van Tesla), wat het belang van efficiënte inferentiehardware en -netwerken benadrukt.
3. De rol van Nvidia: Nvidia heeft nog steeds een goede positie met toonaangevende GPU- en softwareoplossingen, plus nieuwe producten gericht op inferentie. De dagen van ongebreidelde vraag naar GPU's voor datacenters maken echter mogelijk plaats voor een evenwichtigere markt met meerdere leveranciers.
4. Beleggingsstrategie: In deze omgeving kan diversificatie in de halfgeleidersector beschermen tegen mogelijke verschuivingen in marktleiderschap - van Nvidia's GPU's naar gespecialiseerde ASIC's en andere hardware-innovatoren.

Uiteindelijk blijft het AI-hardwarelandschap dynamisch. Hoewel Nvidia klaar is om een belangrijke kracht te blijven, onderstrepen het verhaal van Deepseek en de bredere verschuiving naar inferentie de waarde van een brede blootstelling aan de hele waardeketen van halfgeleiders.