第一，类似Sohu这只能够竞争者会越来越多第二，新的技术出现，训练大模型根本不需要GPU了，可以利用便宜的，FOGA,NPU…,能耗也大大降低。也不依赖于NVDA的生态系统了，无异于釜底抽薪。长期不看好NVDA,估计也是昙花一现。类似于这篇文章的模型和训练方法会雨后春生的出来。
就会胜出。
TAM大幅度下降
https://arxiv.org/pdf/2406.02528
记得2015年, 基于同样的分析, 我不光买了 NVDA, 还买了 XLNX, 而 XLNX 就是做 FPGA 的, 后被 AMD 收购, 现在看它的表现远远不是 NVDA 一个数量级的。
这十年来也有不断有文章出来, 用 CPU 训大模型, 甚至摆脱矩阵运算, 但都没有成风气。
再看 NVDA 本身, 从 2012 年开始, 就开始有机构投它, 就是因为人工智能, 因为2012年得第一名的AlexNet就是在GPU上训的, 是它得奖的要素之一, 到了2015年已经有人在NVDA上面发财啦, 记得当年有采访的, 一位年轻的基金经理, 还是位女士, 当时好羡慕她啊。而NVDA今天的价位, 其实是去年才开始 10x 爆发的, 在2022年底它的股价还到过相当于今天的10块出头, 21年买的就赔大发了。
所以结论是, 你说得都是对的, 但是永远无法预知股市会发生什么。
1. 在可以预见的未来（至少10年以上），AI大模型将不断快速发展，每个月都会有新的更新。ASIC（专用集成电路）难以跟上这种速度和灵活性。目前的GPU（图形处理单元）就像70、80、90年代的CPU（中央处理器）一样，功能将不断增强，以适应不断扩展的新用途。
2。谁能说英伟达（NVIDIA）不会将大语言模型（LLM）中常用的固定算法做成加速辅助芯片，甚至直接集成到GPU中？就像当年的CPU 8086和浮点加速器8087一样。
3. 最终，在大语言模型领域的佼佼者，不仅在于基础算法结构的竞争，更在于对边缘情况的增强和优化。所有的应用开发中，80%的功能只需要20%的投入，而最后20%的功能却需要80%的投入。而恰恰是这最后的20%，决定了项目的成功与否。
第一，类似Sohu这只能够竞争者会越来越多
第二，新的技术出现，训练大模型根本不需要GPU了，可以利用便宜的，FOGA,NPU…,能耗也大大降低。也不依赖于NVDA的生态系统了，无异于釜底抽薪。
长期不看好NVDA,估计也是昙花一现。
类似于这篇文章的模型和训练方法会雨后春生的出来。
就会胜出。
TAM大幅度下降
https://arxiv.org/pdf/2406.02528
记得2015年, 基于同样的分析, 我不光买了 NVDA, 还买了 XLNX, 而 XLNX 就是做 FPGA 的, 后被 AMD 收购, 现在看它的表现远远不是 NVDA 一个数量级的。
这十年来也有不断有文章出来, 用 CPU 训大模型, 甚至摆脱矩阵运算, 但都没有成风气。
再看 NVDA 本身, 从 2012 年开始, 就开始有机构投它, 就是因为人工智能, 因为2012年得第一名的AlexNet就是在GPU上训的, 是它得奖的要素之一, 到了2015年已经有人在NVDA上面发财啦, 记得当年有采访的, 一位年轻的基金经理, 还是位女士, 当时好羡慕她啊。而NVDA今天的价位, 其实是去年才开始 10x 爆发的, 在2022年底它的股价还到过相当于今天的10块出头, 21年买的就赔大发了。
所以结论是, 你说得都是对的, 但是永远无法预知股市会发生什么。
1. 在可以预见的未来（至少10年以上），AI大模型将不断快速发展，每个月都会有新的更新。ASIC（专用集成电路）难以跟上这种速度和灵活性。目前的GPU（图形处理单元）就像70、80、90年代的CPU（中央处理器）一样，功能将不断增强，以适应不断扩展的新用途。
2。谁能说英伟达（NVIDIA）不会将大语言模型（LLM）中常用的固定算法做成加速辅助芯片，甚至直接集成到GPU中？就像当年的CPU 8086和浮点加速器8087一样。
3. 最终，在大语言模型领域的佼佼者，不仅在于基础算法结构的竞争，更在于对边缘情况的增强和优化。所有的应用开发中，80%的功能只需要20%的投入，而最后20%的功能却需要80%的投入。而恰恰是这最后的20%，决定了项目的成功与否。