La disrupción de DeepSeek: El impacto en Nvidia y la industria de semiconductores

Tenga en cuenta que VanEck puede tener posiciones en las empresas a las que se hace referencia en este documento.

La reciente afirmación de DeepSeek de obtener resultados de gama alta a una fracción de los costes habituales ha agitado a los inversores y ha planteado dudas sobre el dominio de Nvidia. Sin embargo, es importante considerar el contexto más amplio: Los hiperescaladores y las empresas podrían ahora centrarse en aprovechar la infraestructura de IA existente para la inferencia, donde Nvidia puede seguir teniendo ventajas significativas con su ecosistema de software y sus productos de próxima generación. Por otra parte, el mercado de los semiconductores en general presenta oportunidades de diversificación, con potencial para que los ASIC especializados y otros fabricantes de chips puedan captar la demanda. Sin embargo, los inversores deben seguir siendo conscientes de los principales riesgos, como la volatilidad del mercado, los avances tecnológicos disruptivos y las incertidumbres normativas que podrían afectar a la dinámica del sector.

Una declaración revolucionaria: Modelo R1 de DeepSeek

• DeepSeek afirma que su modelo R1 ofrece un rendimiento de IA competitivo al tiempo que reduce sensiblemente los costes de entrenamiento (fuente: Reuters, enero de 2024).
• A diferencia de los grandes laboratorios de IA que se basan en GPU avanzadas, DeepSeek mantiene que ha utilizado un hardware con menor coste sin dejar de obtener resultados contundentes (fuente: Bloomberg, enero de 2024).
• Si esa ganancia de eficiencia es escalable, podría afectar a la inversión futura de capital de los hiperescaladores (grandes proveedores de servicios en la nube) en infraestructura para la IA.
• Se plantea una cuestión clave para la industria: Si los nuevos modelos pueden entrenarse de forma más barata, ¿siguen necesitando los hiperescaladores inversiones masivas en GPU para alcanzar el máximo rendimiento?

El descomunal capex de los hiperescaladores para entrenar a la IA

• En los últimos dos años, los principales proveedores de servicios en la nube (AWS, Azure, Google Cloud, etc.) han realizado grandes inversiones en centros de datos equipados con GPU Nvidia para manejar el entrenamiento de IA a escala.
• La pregunta abierta ha sido cómo planean estos hiperescaladores monetizar esa infraestructura.
• La opinión actual de los investigadores en torno a la IA es que las ganancias de rendimiento de modelos cada vez más grandes podrían estar alcanzando rendimientos decrecientes, lo que animaría al mercado a dejar de invertir en clusters más grandes para monetizar los modelos existentes.
• La dinámica del poder de las GPU podría haber pasado de la propiedad del mercado por parte de Nvidia al mayor poder adquisitivo de los hiperescaladores.
• Sin embargo, el mercado de hardware de IA está sujeto a la volatilidad, y la dinámica cambiante de la industria podría introducir riesgos normativos y competitivos.

Nota: Cada hiperescalador tiene su propia forma de monetización (suscripciones a la nube, aplicaciones de consumo, servicios empresariales, etc.), lo que reduce la probabilidad de que el código abierto los desplace por sí solo.

Entrenamiento frente a inferencia en el sector de los semiconductores

• Este sector está pasando de un enfoque dominado por el entrenamiento a la fase de inferencia, donde se encuentran las aplicaciones en el mundo real y se produce la monetización.
• Tesla es el ejemplo perfecto:
  • Entrenan sus modelos de conducción autónoma completa (FSD) en grandes centros de datos.
  • La inferencia tiene lugar en cada coche (computación perimetral), que es el que ejecuta el modelo de forma local sin estar permanentemente enlazando con la nube.
  • Esta inferencia en la periferia se monetiza mediante cuotas de suscripción (por ejemplo, 99 dólares al mes para la FSD) (fuente: Informe de resultados del cuarto trimestre de 2023 de Tesla).

La disrupción de DeepSeek: Motivos de preocupación para Nvidia y otros fabricantes de chips

• El anuncio de DeepSeek -entrenar un modelo de alto rendimiento en un hardware más barato- provocó el nerviosismo del mercado sobre la futura demanda de GPU.
• Las hipótesis previas sobre las leyes de escala podrían quedar desmentidas con este modelo. R1 consiguió más con menos recursos de computación.
• La preocupación: Si los hiperescaladores pueden lograr resultados de vanguardia con un hardware más barato o alternativo, el crecimiento de Nvidia en GPU para centros de datos podría ralentizarse. Este punto de vista ha contribuido a las recientes caídas de los precios de las acciones de todos los fabricantes de chips de IA.
• Sin embargo, los cambios tecnológicos pueden ser impredecibles y las políticas reguladoras o las innovaciones de la competencia pueden alterar estas dinámicas.

Dos formas de interpretar la historia de DeepSeek (y los argumentos a favor de la diversificación)

Pese a estos titulares negativos, existen principalmente dos enfoques que apuntan a la conveniencia de diversificar la inversión en semiconductores, por ejemplo, a través de ETF como el VanEck Semiconductor ETF (SMH). El sector de los semiconductores puede enfrentarse a riesgos derivados de la volatilidad del mercado, los avances tecnológicos disruptivos y las incertidumbres normativas que afectan a la dinámica de la industria. La decisión de invertir en este ETF debe tener en cuenta todas las características y objetivos que se describen en el documento de datos fundamentales, el folleto y la información relacionada con la sostenibilidad u otros documentos relacionados de lectura recomendada antes de la inversión y que están disponibles en www.vaneck.com.

Si las afirmaciones de DeepSeek son totalmente ciertas…

• La R1 de DeepSeek demuestra que se pueden entrenar modelos de primer nivel con hardware más barato.
• Esto no elimina a Nvidia, pero acelera potencialmente una línea temporal en la que se normaliza el dominio casi total de Nvidia en el entrenamiento de la IA.
• A medida que se amplía la demanda de hardware de entrenamiento, otros diseñadores de chips (por ejemplo, los fabricantes de ASIC, Broadcom, Intel, AMD y empresas emergentes especializadas) pueden ganar terreno, sobre todo en la inferencia, donde los chips especializados son eficientes tanto por coste como por energía.
• Conclusión: Incluso aunque la demanda de entrenamiento de GPU pueda llegar a estancarse, siguen existiendo considerables oportunidades en todo el ecosistema de semiconductores.

Si las afirmaciones de DeepSeek son exageradas…

• Tal vez el logro de DeepSeek no sea tan innovador como parece, o existan limitaciones no reveladas.
• Aun así, el ciclo de la IA a largo plazo se está desplazando por sí mismo hacia modelos de monetización mediante la inferencia.
• Esa etapa de inferencia podría favorecer diversas soluciones de hardware, como ASIC especializados, instancias de GPU más pequeñas y CPU mejoradas. Estas alternativas podrían aumentar la competencia con las GPU de gama alta de Nvidia al ofrecer soluciones más eficientes y rentables.
• Conclusión: Puede que Nvidia siga liderando el entrenamiento, pero, a medida que la IA vaya madurando, más actores competirán por diferentes partes de la oferta de hardware para IA.

Las continuas fortalezas de Nvidia y el paso a la inferencia

• Nvidia sigue siendo un líder altamente innovador en hardware y software de IA.
• Ha anunciado nuevos productos diseñados para cargas de trabajo de inferencia, como arquitecturas de GPU de nueva generación (por ejemplo, Hopper) o plataformas especializadas que unen entrenamiento e inferencia.
• A medida que se produzca la transición en el mercado, es probable que el negocio de GPU para centros de datos de Nvidia experimente un crecimiento más normalizado, pero su completo ecosistema (hardware, software CUDA, asociaciones empresariales) sigue posicionándola como un actor clave.
• Al mismo tiempo, otros fabricantes de chips están intensificando sus esfuerzos y se está ampliando la oferta de ASIC y CPU, lo que permite diferentes soluciones de inferencia rentables.

Por qué favorecemos un enfoque diversificado

1. Entrenamiento frente a inferencia: El sector está desviando el foco del entrenamiento masivo (donde Nvidia era dominante) a la inferencia (donde más actores tendrán ofertas competitivas).
2. Monetización: La IA se está trasladando a las aplicaciones en el mundo real y a las suscripciones (por ejemplo, la FSD de Tesla), lo que pone de relieve la importancia de la eficiencia del hardware y las redes de inferencia.
3. El papel de Nvidia: Nvidia sigue estando bien posicionada con soluciones líderes de GPU y software, además de nuevos productos orientados a la inferencia. Sin embargo, los días de demanda ilimitada de GPU para centros de datos pueden estar dando paso a un mercado más equilibrado y con múltiples proveedores.
4. Estrategia de inversión: En este entorno, la diversificación en el sector de los semiconductores (por ejemplo, a través de ETF como SMH) puede servir de cobertura frente a posibles cambios en el liderazgo del mercado, desde las GPU de Nvidia hasta los ASIC especializados y otros innovadores de hardware.

En última instancia, el panorama del hardware de IA sigue siendo dinámico. Aunque Nvidia está preparada para seguir siendo una fuerza importante, la historia de Deepseek -y el cambio más amplio hacia la inferencia- subraya el valor de una amplia exposición a toda la cadena de valor de los semiconductores.

Para recibir más Información sobre ETF, suscríbase a nuestro boletín.