Em 20 de setembro, um artigo da gigante de capital de risco Sequoia empurrou a Nvidia e até mesmo toda a indústria de IA para o primeiro plano. David Cahn, sócio da Sequoia, acredita que, segundo estimativas conservadoras, os US$ 50 bilhões em vendas de GPU da Nvidia correspondem a US$ 100 bilhões em gastos com data centers de outras empresas. Supondo uma margem de lucro de 50%, a indústria de IA precisa de US$ 200 bilhões em receitas para compensar essas despesas. No entanto, atualmente tem apenas 75 mil milhões de dólares em receitas anuais, deixando uma lacuna de 125 mil milhões de dólares.

Cahn destacou que a capacidade de produção de GPU é um excesso e espera que o modelo de “incinerador de dinheiro” se repita no campo da IA.

Após o incidente fermentar por três dias, Guido Appenzeller, consultor especial da gigante de capital de risco do Vale do Silício A16Z e fundador da startup de IA 2X, postou quase 10 tweets, não apenas anulando a estimativa da Sequoia sobre a lucratividade da IA, mas também apontou que o problema mais fundamental da Sequoia era que ela subestimou o impacto da revolução histórica da IA.


Appenzeller: A IA subverterá todo o software e a lacuna de receita não existe

Numa série de tweets, Appenzeller apontou três erros principais no artigo de Cahn.

Em primeiro lugar, Cahn usou um valor de US$ 200 bilhões no início do artigo para chamar a atenção, mas Appenzeller acredita que há um problema com o processo de cálculo desse valor.


Appenzeller destacou que Cahn somou o custo de compra (despesas de capital) da GPU, os custos operacionais anuais, a receita acumulada durante o ciclo de vida da GPU e a receita anual de aplicações de IA, e chegou a um número aparentemente exagerado de US$ 200 bilhões.


No entanto, um cálculo mais apropriado seria baseado no retorno anual do investimento que os compradores de GPU conseguem obter após investirem capital. Em outras palavras, o retorno do investimento para compradores de GPU deve ser calculado,Em vez de simplesmente somar vários custos e receitas de diferentes períodos e naturezas.


Em segundo lugar, Appenzeller acredita que os custos de eletricidade da GPU também são exagerados.Cahn presumiu que a relação entre o consumo de eletricidade da GPU e o custo do hardware era de 1:1, mas na realidade não era tão exagerado.

De acordo com Appenzeller, uma GPU H100 PCIe custa cerca de US$ 30.000 e consome cerca de 350 watts de energia. Levando em consideração servidores e refrigeração, o consumo total de energia provavelmente ficará em torno de 1 quilowatt.

Se o preço da eletricidade for US$ 0,1/kWh, então esta GPU H100 teráPara cada US$ 1 gasto em hardware de GPU, a conta de eletricidade necessária é de apenas US$ 0,15, muito menos do que o US$ 1 estimado por Cahn.


As duas estimativas acima não são as mais fatais, acredita Appenzeller,O problema fundamental do artigo é que ele subestima o alcance da revolução da IA.

Appenzeller disse que os modelos de IA são um componente de infraestrutura assim como CPUs, bancos de dados e redes. Agora, quase todos os softwares de IA usam CPU, banco de dados e rede, e este será o caso no futuro.

Portanto, os modelos de IA afectarão profundamente todos os softwares e sistemas de TI, e o seu âmbito de influência vai muito além das áreas restritas analisadas no artigo. O artigo ignora o status dos modelos de IA como infraestrutura de software futura e, portanto, subestima o verdadeiro significado da revolução da IA.


As startups podem preencher essa lacuna? Cahn acredita que existe uma “grande oportunidade”. O salto tecnológico no campo da IA ​​e a onda sem precedentes de compras de GPU são sempre boas notícias para a humanidade.mas:

Nos ciclos tecnológicos históricos, a construção excessiva de infra-estruturas tendeu a queimar capital, mas também a desbloquear a inovação futura, reduzindo o custo marginal do desenvolvimento de novos produtos.Esperamos que este padrão se repita no campo da IA.

Então, a questão é: a indústria de IA pode ganhar US$ 200 bilhões suficientes?Appenzeller deu uma resposta afirmativa e, mais do que isso, como infraestrutura de rede, a receita que ela cria existirá de diferentes formas em cada departamento.

Appenzeller disse:

Mais de US$ 200 bilhões são gastos anualmente em infraestrutura de rede,Poderá gerar US$ 800 bilhões em receitas de “software de rede”?

Não, mas o Google usa infraestrutura de rede para vender anúncios, e a receita gerada é mostrada como receita de publicidade, não como receita de "software de rede", e a receita obtida pelo Microsoft Office 365 não será rotulada como receita de "software de rede".


Por outras palavras, as receitas provenientes das infra-estruturas serão rotuladas como diferentes categorias de receitas, dependendo do sector.

Finalmente, Appenzeller concluiu,A IA subverterá todos os softwares. A “lacuna de receita de IA” descrita por Cahn na verdade não existe:

A “disparidade de rendimento da IA” assumida no artigo na verdade não existe. Os gastos com IA e a infraestrutura que ela suporta acabarão por se refletir em gastos e receitas com software em vários setores, de diferentes formas.

A IA afetará profundamente todos os softwares, não apenas o “software de IA” em sentido estrito. Portanto, não precisamos nos preocupar com qualquer “lacuna de receita” e podemos observar com segurança o profundo impacto da revolução da IA ​​em todo o setor de TI.


Os clientes da NVIDIA demoraram a ganhar dinheiro e a paciência do capital está se esgotando em "centenas de bilhões"

É importante notar que as preocupações da Sequoia sobre as capacidades de monetização da IA ​​não são irracionais.

Um artigo anterior do Wall Street Insights mencionou que o enorme investimento em cada GPU deve eventualmente ser convertido em valor para o cliente final, para que a indústria possa continuar a se desenvolver no longo prazo.

Actualmente, como principal beneficiário da lógica "Nuggets buy shovel", o desempenho da Nvidia nos dois primeiros trimestres deste ano tem sido bastante impressionante. No entanto, na camada de aplicação downstream, o investimento em IA só aumentou, mas o desempenho não melhorou.

Beneficiando-se da enorme demanda trazida pelo treinamento de grandes modelos, os pedidos e o desempenho dos fabricantes de infraestrutura de IA têm sido continuamente verificados. No entanto, as aplicações do lado B ainda estão em fase inicial. A maioria dos fabricantes de aplicações de IA ainda não entrou na fase de comercialização. Do ponto de vista do prazo de entrega, espera-se que seja 2 a 3 trimestres mais tarde do que a camada de infraestrutura.

Se os garimpeiros não conseguirem ganhar dinheiro e suas vendas de pás explodirem, é claro que não durarão muito. No mês passado, o preço das ações da Nvidia caiu mais de 11%, voltando ao nível de junho deste ano.


Sob a premissa de que a redução de custos e a melhoria da eficiência ainda são o tema principal do desenvolvimento das ações globais de tecnologia, a paciência do mercado de capitais está a esgotar-se.