社区

从游戏到AI，英伟达的华丽转身‌ 提起英伟达（‌‌），很多人第一反应可能是它那块让游戏玩家疯狂的显卡——GPU。但这几年，英伟达已经不满足于只做游戏界的“幕后英雄”，它把目光投向了人工智能（AI），尤其是数据中心芯片市场。如今，AI热潮席卷全球，英伟达的GPU成了支撑这场革命的“发动机”，特别是那些能聊天、写文章的大型语言模型（LLM，Large Language Model，比如ChatGPT这样的AI系统），全靠它提供海量算力。 问题是，这股热潮能持续多久？LLM预训练需要巨额算力，这让英伟达赚得盆满钵满，可未来需求会不会掉头向下？训练总有结束的时候吧，到那时英伟达的芯片还卖得动吗？ 还有，AI推理——也就是用训练好的模型干活儿——会不会给英伟达带来新的增长点？ 本文就来聊聊这些，顺便预测一下英伟达的股票走势。 LLM预训练：英伟达的算力“提款机”‌ 先说说LLM预训练，这是个啥？简单讲，就是让AI学会说话的第一步。比如ChatGPT这样的模型，得先喂它海量的文本数据——新闻、书籍、网页啥都行——让它从中摸索语言规律。这个过程叫预训练，需要的计算能力（简称算力）多得吓人。英伟达的GPU因为擅长并行计算（一次处理一大堆数据），成了这个领域的“扛把子”。 有多吓人呢？CoreWeave（一家云服务公司）的博客提到，到2025年，一个LLM训练集群可能需要10万块GPU[1]。这还不算后续的优化和调整。拿OpenAI的GPT系列举例：GPT-1（第一代模型）有1.17亿个参数（模型内部的调节开关），到了GPT-3就飙到1750亿，GPT-4更是夸张[2]。参数越多，算力需求就越大，英伟达的芯片自然卖得欢。 现在，这块市场是英伟达的“提款机”。但未来呢？这种算力需求还能不能一直火下去？答案是：大概率能，但得看几个关键点。 LLM预训练有“终点”吗？芯片需求会崩吗？‌ 你可能好

假新闻满天飞

这种下三滥媒体的逼吹牛的文章就不用发了

华尔街见闻？伪装成国外媒体的国内下流野鸡媒体

👅

台积电有足够的定价权，让谁加的关税谁承担。

这几天趁着热乎劲，研究了一下DeepSeek。大概有个认知，跟大家分享一下。 简单说，DeepSeek发明了一种针对特殊应用场景的AI软件框架，可以单独训练一个针对性的边缘AI，可以本地化部署，但需要提前用中心化的大模型AI进行训练。 DeepSeek先让Chat-GPT给他一个答题的最大可能性方向。然后再通过输入的数据在这个方向上推导逻辑过程。这样当然就节省算力了！ 当然也不是完全没有创新，因为边缘系统对问题场景的运算效率很高，因为有很高的针对性，这是大模型无法实现的。大模型会“培训”一套机制给边缘AI（就像给一套模拟试题集，然后给模拟考试)，一旦学会后，边缘AI就可以解答具体情景里的问题了。 这个过程有点像学开车，一开始新手学车需要大脑充分参与训练，等学会了以后，大脑对开车这件事的参与度就很低了，比如你可以边开车边聊天。“肌肉记忆”下的简单感官反应，就能实现开车的大部分过程。在这里，大脑就是GPT这种大模型，身体手眼脚等会在培训中形成一个针对开车这件事的“肌肉记忆”，就是具体的AI软件，培训形成这个软件的机制框架就是DeepSeek。这个反应很快不太需要大脑参与的肌肉记忆，需要大模型深度参与的“提前”训练。一旦训练完成，使用次数越多，远端大模型的参与就会越少，甚至最终不用参与。 这种方式的缺点是具体某个边缘AI软件只能解决有限的一类应用场景。比如可以帮助医生快速诊断开处方，但不能解决厨师的菜谱问题。你想让他学新东西，恐怕就要花钱升级硬件了。优点是速度快省钱，但不可能什么都懂。 将来的格局可能是这两种AI都存在。边缘AI针对性强，便捷便宜，PC上就能部署，但依赖大模型AI的培训。所以预计会有一轮PC终端设备的硬件升级，目前的终端设备配置普遍还是有些低的。这就像2010年前后的智能手机普及浪潮。 如果未来果真如此，利好的公司会是哪些呢

还是小宝说的对[捂脸]

$上证指数(000001.SH)$  

危机和杠杆的部分讲得很精彩，后面关于改开，有待观察