Zakłócenia DeepSeek: Wpływ na Nvidię i przemysł półprzewodników

Prosimy pamiętać, że VanEck może posiadać pozycje w firmach, o których mowa w niniejszym dokumencie.

Niedawne twierdzenie DeepSeek o wysokiej klasy wynikach za ułamek typowych kosztów wstrząsnęło inwestorami i wywołało pytania o dominację Nvidii. Ważne jest jednak, aby wziąć pod uwagę szerszy kontekst: hiperskalerzy i przedsiębiorstwa mogą teraz skupić się na wykorzystaniu istniejącej infrastruktury sztucznej inteligencji do wnioskowania, przy czym Nvidia może nadal mieć znaczną przewagę dzięki swojemu ekosystemowi oprogramowania i produktom nowej generacji. Tymczasem szeroki rynek półprzewodników oferuje możliwości dywersyfikacji, a wyspecjalizowane układy ASIC i inni producenci chipów mogą potencjalnie zaspokoić popyt. Inwestorzy powinni być jednak świadomi kluczowych zagrożeń, w tym zmienności rynku, przełomowych postępów technologicznych i niepewności regulacyjnej, które mogą mieć wpływ na dynamikę branży.

Przełomowe założenie: Model R1 firmy DeepSeek

• DeepSeek twierdzi, że jego model R1 zapewnia konkurencyjną wydajność sztucznej inteligencji przy jednoczesnym znacznym obniżeniu kosztów trenowania (Źródło: Reuters, styczeń 2024 r.).
• W przeciwieństwie do głównych laboratoriów sztucznej inteligencji, które polegają na zaawansowanych procesorach graficznych, DeepSeek twierdzi, że wykorzystał tańszy sprzęt, osiągając jednocześnie dobre wyniki (Źródło: Bloomberg, styczeń 2024 r.).
• Jeśli taki wzrost wydajności jest skalowalny, może on zmienić przyszłe wydatki kapitałowe hiperskalerów (dużych dostawców usług w chmurze) na infrastrukturę sztucznej inteligencji.
• Pojawia się kluczowe pytanie branżowe: Jeśli nowe modele można trenować taniej, to czy hiperskalerzy nadal potrzebują ogromnych inwestycji w układy GPU, by osiągnąć najwyższą wydajność?

Ogromne nakłady inwestycyjne hiperskalerów na trenowanie sztucznej inteligencji

• W ciągu ostatnich dwóch lat główni dostawcy usług w chmurze (AWS, Azure, Google Cloud itp.) zainwestowali znaczne środki w centra danych wyposażone w procesory graficzne Nvidia do obsługi trenowania modeli AI na dużą skalę.
• Otwartą kwestią pozostaje to, w jaki sposób ci hiperskalerzy planują zarabiać na tej infrastrukturze.
• Komentarze badaczy sztucznej inteligencji sugerują obecnie, że wzrost wydajności z coraz większych modeli może osiągać coraz mniejsze zyski, skłaniając rynek do rezygnacji z inwestowania w większe klastry na rzecz monetyzacji istniejących modeli.
• Potencjalnie nastąpiła zmiana w dynamice sił na rynku GPU, z dominacji Nvidii do zwiększonej siły nabywczej hiperskalerów.
• Rynek sprzętu AI podlega jednak zmienności, a zmieniająca się dynamika branży może wprowadzić ryzyko regulacyjne i konkurencyjne.

Uwaga: Każdy hiperskaler ma różne ścieżki monetyzacji – poprzez subskrypcje w chmurze, aplikacje konsumenckie, usługi dla przedsiębiorstw itp., co zmniejsza prawdopodobieństwo, że sam open-source je zastąpi.

Trenowanie a wnioskowanie w branży półprzewodników

• Branża przechodzi od fazy zdominowanej przez trenowanie do fazy wnioskowania, w której pojawiają się rzeczywiste zastosowania i monetyzacja.
• Tesla oferuje doskonałą tego ilustrację:
  • Trenuje swoje modele całkowicie autonomicznej jazdy (FSD) w dużych centrach danych.
  • Wnioskowanie odbywa się w każdym samochodzie (przetwarzanie brzegowe) - przy czym samochód uruchamia model lokalnie, bez ciągłej komunikacji z chmurą.
  • To wnioskowanie brzegowe jest monetyzowane poprzez opłaty subskrypcyjne (np. 99 USD/miesiąc za FSD) (Źródło: Raport finansowy Tesli za 4 kwartał 2023 r.).

Zamieszanie z DeepSeek: Obawy dotyczące Nvidii i innych producentów chipów

• Zapowiedź DeepSeek - trenowania wysokowydajnego modelu na tańszym sprzęcie - wywołała na rynku niepokój co do przyszłego popytu na GPU.
• Wcześniejsze założenia dotyczące praw skalowania można podważyć za pomocą tego modelu. R1 osiągnął więcej przy mniejszym zapotrzebowaniu na moc obliczeniową.
• Obawa: Jeśli hiperskalerzy będą w stanie osiągać najlepsze wyniki przy użyciu tańszego lub alternatywnego sprzętu, wzrost Nvidii w dziedzinie procesorów graficznych dla centrów danych może spowolnić. Nastroje te przyczyniły się do ostatnich spadków cen akcji wszystkich producentów chipów stosowanych w branży sztucznej inteligencji.
• Zmiany technologiczne mogą być jednak nieprzewidywalne, a polityka regulacyjna lub konkurencyjne innowacje mogą zmienić tę dynamikę.

Dwa sposoby interpretacji historii DeepSeek (i argumenty za dywersyfikacją)

Pomimo negatywnych nagłówków, dwie główne perspektywy wskazują na mądrość dywersyfikacji inwestycji w półprzewodniki – na przykład poprzez fundusze ETF, takie jak VanEck Semiconductor ETF (SMH). Sektor półprzewodników może być narażony na ryzyko związane ze zmiennością rynku, przełomowymi postępami technologicznymi i niepewnością regulacyjną wpływającą na dynamikę branży. Decyzja o zainwestowaniu w ETF powinna uwzględniać wszystkie cechy lub cele ETF opisane w KID, prospekcie emisyjnym i ogłoszeniach związanych ze zrównoważonym rozwojem lub powiązanych dokumentach przed podjęciem decyzji inwestycyjnej dostępnych na VanEck.

Jeśli twierdzenia DeepSeek są w pełni prawdziwe…

• DeepSeek R1 pokazuje, że można trenować modele najwyższej klasy przy użyciu tańszego sprzętu.
• Nie eliminuje to Nvidii, ale potencjalnie przyspiesza czas, w którym niemal całkowita dominacja Nvidii w dziedzinie trenowania AI normalizuje się.
• Wraz ze wzrostem zapotrzebowania na sprzęt do uczenia maszynowego inni projektanci chipów (np. producenci ASIC, Broadcom, Intel, AMD, wyspecjalizowane startupy) mogą zdobyć podstawy wiedzy – zwłaszcza w zakresie wnioskowania, gdzie specjalnie zaprojektowane chipy są opłacalne i energooszczędne.
• Wniosek: Nawet jeśli popyt na użytkowanie GPU do trenowania AI ustabilizuje się, w ekosystemie półprzewodników wciąż będą istniały znaczące możliwości.

Jeśli twierdzenia DeepSeek są przesadzone…

• Być może osiągnięcie DeepSeek nie jest tak przełomowe, jak się wydaje, lub istnieją nieujawnione ograniczenia.
• Mimo to, długoterminowy cykl AI naturalnie przenosi się na monetyzację modeli poprzez wnioskowanie.
• Ten etap wnioskowania może sprzyjać różnym rozwiązaniom sprzętowym, w tym wyspecjalizowanym układom ASIC, mniejszym instancjom GPU i ulepszonym procesorom. Alternatywy te mogą zwiększyć konkurencję z zaawansowanymi układami GPU Nvidii, oferując bardziej wydajne i opłacalne rozwiązania.
• Wniosek: Nvidia może pozostać liderem w dziedzinie trenowania, ale w miarę dojrzewania sztucznej inteligencji więcej graczy będzie konkurować o różne części stacku sprzętowego potrzebego do rozwoju sztucznej inteligencji.

Stałe mocne strony Nvidii i przejście na wnioskowanie

• Nvidia pozostaje wysoce innowacyjnym liderem w dziedzinie sprzętu i oprogramowania AI.
• Zapowiedziała nowe produkty, zaprojektowane z myślą o obciążeniach związanych z wnioskowaniem, takie jak architektury GPU nowej generacji (np. Hopper) i wyspecjalizowane platformy, które łączą trenowanie i wnioskowanie.
• W miarę jak rynek będzie się zmieniał, działalność Nvidii w zakresie procesorów graficznych dla centrów danych może prawdopodobnie odnotować bardziej znormalizowany wzrost - ale ich kompleksowy ekosystem (sprzęt, oprogramowanie CUDA, partnerstwa dla przedsiębiorstw) nadal pozycjonuje ich jako kluczowego gracza.
• Równolegle inni producenci układów scalonych zwiększają tempo rozwoju, a na rynku pojawia się szerszy wybór układów ASIC i procesorów, umożliwiając tworzenie różnorodnych, opłacalnych rozwiązań w zakresie wnioskowania.

Dlaczego preferujemy zdywersyfikowane podejście

1. Trenowanie a wnioskowanie: Uwaga branży przenosi się z masowego trenowania (gdzie dominowała Nvidia) na wnioskowanie (gdzie więcej graczy będzie miało konkurencyjne oferty).
2. Monetyzacja: Sztuczna inteligencja przechodzi do rzeczywistych wdrożeń i subskrypcji (np. w pełni autonomiczne samochody Tesli), podkreślając znaczenie wydajnego sprzętu i sieci wnioskowania.
3. Rola Nvidii: Nvidia nadal ma dobrą pozycję dzięki wiodącym rozwiązaniom GPU i oprogramowaniu, a także nowym produktom ukierunkowanym na wnioskowanie. Jednak czasy nieograniczonego popytu na procesory graficzne w centrach danych mogą ustępować miejsca bardziej zrównoważonemu rynkowi wielu dostawców.
4. Strategia inwestycyjna: W tym środowisku dywersyfikacja w całym sektorze półprzewodników (np. za pośrednictwem funduszy ETF, takich jak SMH) może stanowić zabezpieczenie przed potencjalnymi zmianami lidera rynku – od procesorów graficznych Nvidii po wyspecjalizowane układy ASIC i innych innowatorów sprzętowych.

Ostatecznie krajobraz sprzętu AI pozostaje dynamiczny. Chociaż Nvidia ma szansę pozostać główną siłą, historia Deepseek – i szersze przejście do wnioskowania – podkreśla wartość szerokiej ekspozycji na cały łańcuch wartości półprzewodników.

Aby uzyskać więcej analiz ETF, zapisz się na nasz biuletyn.