NVIDIA possède trop de GPU : le géant de la technologie ne peut-il pas gagner 200 milliards de dollars ? Débat entre Sequoia et les géants de l’IA

**Source : **Financial Associated Press

Éditeur Huang Junzhi

Source de l'image : générée par Unbounded AI‌

Depuis le début de cette année, portées par l'intelligence artificielle (IA), les actions américaines ont fortement rebondi, et les valeurs technologiques ont également « retrouvé leur gloire » et formé les « Big Seven », dont Microsoft et Nvidia. Tout semble très bien, mais il convient de noter qu’actuellement, seul Nvidia gagne réellement de l’argent grâce à l’IA.

Qu'il s'agisse du « leader » Microsoft ou des « étoiles montantes » Google, Meta et Adobe, ces entreprises en sont encore au stade de l'intégration de l'IA dans leurs produits et ne l'ont pas encore véritablement « monétisée », c'est-à-dire gagné de l'argent réel. de l'IA. À l'heure actuelle, les services d'IA de nombreuses entreprises sont gratuits. Seul Microsoft ose augmenter le prix de Copilot de 83 %, mais les consommateurs ne l'achèteront peut-être pas encore.

Même si elles n’ont pas encore véritablement atteint la rentabilité, il est devenu un fait que les entreprises technologiques investissent massivement dans le domaine de l’IA et accumulent des GPU. Selon les analystes de Wall Street, les ventes de GPU de Nvidia pourraient dépasser les 50 milliards de dollars d'ici la fin de cette année.

À ce stade, les investisseurs ne peuvent s’empêcher de se demander si les entreprises technologiques peuvent-elles récupérer leur capital en achetant des GPU à si grande échelle alors que leurs perspectives de bénéfices sont encore incertaines ? Au final, tout cela sera-t-il vain ? S’il peut être remboursé, quand pourra-t-il être remboursé ?

David Cahn, associé de la société de capital-risque Sequoia, a récemment publié un calcul. Cahn estime que chaque dollar dépensé en GPU correspond à environ 1 dollar de coûts énergétiques pour les centres de données. En d'autres termes, selon des estimations prudentes, si NVIDIA parvient à vendre 50 milliards de dollars de GPU d'ici la fin de l'année, les dépenses des centres de données atteindront 100 dollars. milliard.

Ensuite, en supposant une marge bénéficiaire de 50 %, l’industrie de l’IA a besoin de 200 milliards de dollars de revenus pour récupérer le coût de l’investissement initial. Mais Cahn a souligné qu'il n'y a actuellement que 75 milliards de dollars de revenus annuels, ce qui laisse un déficit de 125 milliards de dollars.

Les doutes arrivent

Guido Appenzeller, conseiller spécial du géant du capital-risque A16Z de la Silicon Valley et fondateur de la startup d'IA 2X, a réfuté les vues de Cahn et a renversé ses arguments mot pour mot.

Dans l’ensemble, l’argument principal d’Appenzeller tourne autour de la conviction que l’intelligence artificielle deviendra un composant omniprésent dans presque tous les produits contenant des logiciels. Il a affirmé que d’importants investissements dans l’infrastructure GPU, même s’élevant à 50 milliards de dollars, pourraient facilement être amortis par rapport aux énormes 5 000 milliards de dollars de dépenses informatiques mondiales.

Il a non seulement renversé l’estimation de Sequoia concernant la rentabilité de l’IA, mais a également souligné que le problème le plus fondamental de Sequoia était qu’elle sous-estimait l’impact de la révolution historique de l’IA.

Plus précisément, Appenzeller a d'abord souligné que Cahn était un « appât à clics » et a essayé d'utiliser un chiffre comme « 200 milliards de dollars » pour attirer l'attention des gens, mais en fait, son processus de calcul était complètement faux.

Appenzeller a souligné que Cahn avait additionné le coût d'achat (dépenses en capital) du GPU, les coûts d'exploitation annuels, les revenus cumulés sur le cycle de vie du GPU et les revenus annuels des applications d'IA, et avait obtenu un montant apparemment très élevé de 200 milliards de dollars. Des chiffres exagérés. Mais il estime qu’un calcul plus approprié serait basé sur le taux de rendement annuel que les acheteurs de GPU reçoivent sur leurs coûts d’investissement.

Deuxièmement, il estime également que le coût électrique des GPU a également été exagéré. Selon Appenzeller, un GPU H100 PCIe coûte environ 30 000 $ et consomme environ 350 W. En tenant compte des serveurs et du refroidissement, la consommation électrique totale est probablement d'environ 1 kilowatt.

Calculé au prix de l'électricité de 0,1 $ US/kilowatt, ce GPU H100 ne nécessitera que 0,15 $ US d'électricité pour chaque dollar dépensé en matériel GPU au cours de son cycle de vie de cinq ans, ce qui est bien inférieur au dollar estimé par Cahn.

Mais surtout, estime Appenzeller, Cahn ignore l’ampleur de la révolution de l’IA. Il a souligné que les modèles d’IA sont un composant d’infrastructure au même titre que les processeurs, les bases de données et les réseaux. Désormais, presque tous les logiciels d’IA utilisent le processeur, la base de données et le réseau, et ce sera le cas à l’avenir.

Alors, l’industrie de l’IA peut-elle gagner suffisamment de 200 milliards de dollars ? Appenzeller a donné une réponse affirmative et, de plus, en tant qu'infrastructure de réseau, les revenus qu'elle génère existeront sous différentes formes dans chaque département.

Par conséquent, il a conclu que l’IA bouleverserait tous les logiciels et que le soi-disant « écart de revenus de l’IA » de Cahn n’existe pas réellement.