Il cambiamento dirompente di DeepSeek: L'impatto su Nvidia e sull'industria dei semiconduttori

Si prega di notare che VanEck potrebbe avere delle posizioni nelle aziende qui menzionate. 

La recente dichiarazione di DeepSeek sui risultati di alto livello ottenuti a una frazione dei costi tradizionali ha scosso gli investitori e sollevato interrogativi sul dominio di Nvidia. Tuttavia, è fondamentale considerare il quadro più ampio: gli hyperscaler e le aziende potrebbero ora spostare l'attenzione sull'uso delle infrastrutture AI esistenti per l'inferenza, un ambito in cui Nvidia potrebbe mantenere un vantaggio significativo grazie al suo ecosistema software e ai prodotti di nuova generazione. Nel frattempo, il mercato più ampio dei semiconduttori offre opportunità di diversificazione, con ASIC specializzati e altri produttori di chip che potrebbero intercettare la domanda. Tuttavia, gli investitori dovrebbero restare attenti ai principali rischi, tra cui la volatilità del mercato, le innovazioni tecnologiche dirompenti e le incertezze normative che potrebbero influenzare le dinamiche del settore.

L'affermazione di svolta: Modello R1 di DeepSeek

• DeepSeek afferma che il proprio modello R1 garantisce prestazioni dell'AI competitive, riducendo contemporaneamente i costi di formazione in maniera significativa (Fonte: DeepSeek): Reuters, gennaio 2024).
• Diversamente dai principali laboratori di AI che puntano su GPU di ultima generazione, DeepSeek sostiene di aver utilizzato hardware a basso costo raggiungendo ottimi risultati (Fonte: Bloomberg, gennaio 2024).
• Se tali guadagni di efficienza sono scalabili, potrebbero influenzare le future spese in conto capitale degli hyperscaler (grandi fornitori di cloud) per l'infrastruttura AI.
• Si pone una domanda chiave per il settore: Se è possibile formare nuovi modelli a costi più contenuti, gli hyperscaler hanno ancora la necessità di investire ingenti somme in GPU per ottenere le massime prestazioni?

Le enormi spese in conto capitale degli hyperscaler per la formazione dell'AI

• Negli ultimi due anni, i principali provider di cloud (AWS, Azure, Google Cloud, ecc.) hanno investito molto nei data center dotati di GPU Nvidia per gestire l'addestramento AI su scala.
• La questione aperta è il modo in cui questi hyperscaler intendono monetizzare l'infrastruttura.
• I commenti dei ricercatori in materia di AI suggeriscono attualmente che i guadagni di rendimento dei modelli in continua crescita potrebbero ridursi, spingendo il mercato a non investire in cluster di dimensioni maggiori ma a monetizzare i modelli esistenti.
• La dinamica di potenza delle GPU ha subito un potenziale passaggio dalla proprietà del mercato di Nvidia all'aumento del potere d'acquisto degli hyperscaler.
• Tuttavia, il mercato dell'hardware AI è soggetto a volatilità e il cambiamento delle dinamiche del settore potrebbe introdurre rischi normativi e competitivi.

Nota: Ciascun hyperscaler ha percorsi diversi per la monetizzazione: attraverso gli abbonamenti al cloud, le app per i consumatori, i servizi aziendali e così via. Questo riduce la probabilità che l'open-source da solo sia in grado di sostituirli.

Formazione rispetto a inferenza nel settore dei semiconduttori

• Il settore sta passando da una fase dominata dalla formazione alla fase di inferenza, nella quale si sviluppano le applicazioni del real-world e la monetizzazione.
• Tesla offre un'illustrazione perfetta:
  • Addestrano i loro modelli di guida autonoma completa (FSD) in grandi centri dati.
  • L'inferenza avviene in ogni auto (edge computing), con l'auto che esegue il modello a livello locale senza continui viaggi di andata e ritorno verso il cloud.
  • Questa inferenza “edge-based” viene monetizzata attraverso i costi di sottoscrizione (ad esempio, $99/mese per FSD) (Fonte: Relazione sugli utili di Tesla Q4 2023).

Il cambiamento dirompente di DeepSeek: Preoccupazioni per Nvidia e altri produttori di chip

• L'annuncio di DeepSeek, che ha provveduto alla formazione di un modello a elevate prestazioni su un hardware più a basso costo, ha determinato timori nel mercato in relazione alla futura domanda di GPU.
• Le precedenti ipotesi sulle leggi di scala potrebbero essere smentite da questo modello. Il modello R1 ha ottenuto di più con una minore quantità di elaborazione.
• La preoccupazione: Se gli hyperscaler possono ottenere risultati all'avanguardia con hardware alternativo o meno costoso, la crescita di Nvidia nelle GPU per data center potrebbe rallentare. Questo sentimento ha contribuito alla recente riduzione dei prezzi delle azioni dei produttori di chip per l'AI.
• Tuttavia, i cambiamenti tecnologici possono essere imprevedibili e le politiche normative o le innovazioni della concorrenza possono alterare queste dinamiche.

Due modi per interpretare la storia di DeepSeek (e il caso della diversificazione)

Malgrado le notizie negative, due prospettive principali indicano la convenienza di una diversificazione degli investimenti in semiconduttori, ad esempio tramite gli ETF, come il VanEck Semiconductor ETF (SMH). Il settore dei semiconduttori può affrontare i rischi derivanti dalla volatilità del mercato, dai progressi tecnologici dirompenti e dalle incertezze normative che influenzano le dinamiche del settore. La decisione di investimento negli ETF deve considerare tutte le caratteristiche o gli obiettivi dell'ETF, secondo quanto descritto nel documento contenente le informazioni chiave, nel prospetto e nelle informazioni relative alla sostenibilità o nella documentazione correlata prima di prendere una decisione sull'investimento, disponibili su www.vaneck.com.

Se le affermazioni di DeepSeek sono del tutto veritiere…

• DeepSeek R1 dimostra che è possibile addestrare modelli di alto livello con un hardware più economico.
• Questo non elimina Nvidia, ma potenzialmente accelera una linea temporale in cui il dominio quasi totale di Nvidia nell'addestramento AI si normalizza.
• Con l'ampliarsi della domanda di hardware per la formazione, altri produttori di chip (ad esempio produttori di ASIC, Broadcom, Intel, AMD, startup specializzate) possono conquistare posizioni di rilievo, soprattutto nel campo dell'inferenza, in cui i chip realizzati ad hoc sono efficienti dal punto di vista dei costi e dei consumi.
• Punto principale: anche se la domanda di formazione delle GPU si è stabilizzata, ci sono ancora notevoli opportunità nell'intero ecosistema dei semiconduttori.

Se le affermazioni di DeepSeek sono esagerate…

• Forse il risultato di DeepSeek non è così rivoluzionario come sembra, oppure ci sono vincoli non rivelati.
• In ogni caso, il ciclo dell'intelligenza artificiale a lungo termine si sposta naturalmente verso la monetizzazione dei modelli attraverso l'inferenza.
• Questa fase di inferenza potrebbe favorire una serie di soluzioni hardware, tra cui ASIC specializzati, istanze di GPU più piccole e CPU potenziate. Queste alternative potrebbero aumentare la concorrenza con le GPU di fascia alta di Nvidia, offrendo soluzioni più efficienti e convenienti.
• Punto principale: Nvidia potrebbe continuare a essere leader nel settore della formazione ma, con la progressiva evoluzione dell'IA, altri operatori si contenderanno le diverse parti dello stack hardware dell'AI.

I continui punti di forza di Nvidia e il passaggio all'inferenza

• Nvidia rimane un leader altamente innovativo nell'hardware e nel software AI.
• Hanno annunciato nuovi prodotti progettati per i carichi di lavoro di inferenza, come le architetture GPU di nuova generazione (ad esempio Hopper) e le piattaforme specializzate che collegano formazione e inferenza.
• Con la transizione del mercato, il business delle GPU per data center di Nvidia potrebbe probabilmente vedere una crescita più normalizzata, ma il suo ecosistema completo (hardware, software CUDA, partnership aziendali) la posiziona ancora come un attore chiave.
• Parallelamente, altri produttori di chip stanno aumentando, e sta emergendo una più ampia selezione di ASIC e CPU, che consente una varietà di soluzioni di inferenza economicamente vantaggiose.

Perché privilegiamo un approccio diversificato

1. Formazione rispetto a inferenza: l'attenzione del settore si sta spostando dalla formazione massiccia (con il dominio da parte di Nvidia) all'inferenza (i cui più operatori avranno offerte competitive).
2. Monetizzazione: L'AI si sta spostando nelle implementazioni e negli abbonamenti del mondo reale (ad esempio, l'FSD di Tesla), evidenziando l'importanza di hardware e reti di inferenza efficienti.
3. Il ruolo di Nvidia: Nvidia è ancora ben posizionata con soluzioni GPU e software leader, oltre a nuovi prodotti mirati all'inferenza. Tuttavia, i giorni in cui la domanda di GPU per data center era illimitata potrebbero lasciare il posto a un mercato più equilibrato e composto da più fornitori.
4. Strategia d'investimento: in tale ambiente, la diversificazione del settore dei semiconduttori (ad es. tramite ETF come SMH) può difendersi da potenziali spostamenti della leadership di mercato, dalle GPU di Nvidia agli ASIC specializzati e ad altri produttori di hardware innovativi.

In definitiva, il panorama dell'hardware AI rimane particolarmente dinamico. Nonostante Nvidia sia destinata a rimanere una potenza di primo piano, la storia di Deepseek e il più ampio passaggio all'inferenza sottolineano il valore di un'ampia esposizione all'intera catena del valore dei semiconduttori.

Per ricevere ulteriori approfondimenti sugli ETF, iscriviti alla nostra Newsletter.