NVDA hat gerade das nächste Generation AI-System veröffentlicht
Vera Rubin, mit dem Ziel, die Engpässe bei der AI-Rechenleistung und Energie anzugehen. Veröffentlichungsdatum: zweite Hälfte des Jahres 2026 und sein Vergleichsobjekt ist die derzeitige Blackwell-Architektur.
Wenn die Indikatoren von NVIDIA zutreffen, wird der Fortschritt dieser Generation des Systems sehr radikal sein: Im Vergleich zu Blackwell: ? Leistung Energieverbrauch steigt um das 10-fache ? Kosten für Inferenz-Token sinken um das 10-fache ? Das gleiche MoE-Modell benötigt nur 14 GPUs zur Ausbildung. Was bedeutet das? Die grundlegende Kostenstruktur von AI könnte erneut umgeschrieben werden.
Warum macht NVIDIA so radikale Upgrades? Weil die Nachfrage nach AI-Rechenleistung mit extrem schnellem Tempo wächst.
Momentan gibt es drei sehr offensichtliche Trends in der Branche
Erstens: Die Modellgröße wächst weiterhin explosionsartig. Viele Institutionen prognostizieren:
Die Anzahl der Modellparameter wächst jährlich um etwa das 10-fache. Zweitens: Die Nachfrage nach Rechenleistung in der Inferenzphase steigt in die Höhe. Mit der Entwicklung der Inferenzfähigkeit und des reasoning (denkenden AI) benötigt das Modell beim Beantworten von Fragen mehr Token.
Die Token-Nutzung in der Testphase:
könnte jährlich um mehr als das 5-fache steigen. Drittens: Die Kosten für Token müssen kontinuierlich sinken. Um AI in großem Maßstab anzuwenden, müssen die Kosten pro Token kontinuierlich sinken.
Der Branchentrend beträgt etwa: Jährlicher Rückgang um 10-fache Ebenen. Diese drei Dinge zusammen ergeben ein riesiges Problem: Die Nachfrage nach AI-Rechenleistung übersteigt bei weitem die vorhandene Infrastruktur.
Anders gesagt: Der wahre Engpass von AI ist nicht mehr nur die GPU.
Sondern: Strom Rechenzentren Energieeffizienz ist das Ziel von Vera Rubins Design.
Tatsächlich ist es sehr klar: Direkte Lösung der Engpässe bei Energie und Rechenleistung von AI.
Wenn der Fahrplan von NVIDIA gültig ist, wird die Logik der zukünftigen AI-Berechnungen so aussehen: größere Modelle, komplexere Inferenz, niedrigere Token-Kosten. Und diese Veränderungen werden weiter dazu führen, dass AI-Agenten, AI-Suchsysteme und AI-Automatisierungssysteme in die wahre Phase der großflächigen Anwendung eintreten.
Aus der Perspektive der Industriestruktur wird die nächste Runde des AI-Wettbewerbs nicht nur ein Modellwettbewerb sein. Es wird ein umfassender Wettbewerb in den Bereichen: Chips Rechenleistung Energie Infrastruktur sein. #Meta收购Moltbook
Vera Rubin, mit dem Ziel, die Engpässe bei der AI-Rechenleistung und Energie anzugehen. Veröffentlichungsdatum: zweite Hälfte des Jahres 2026 und sein Vergleichsobjekt ist die derzeitige Blackwell-Architektur.
Wenn die Indikatoren von NVIDIA zutreffen, wird der Fortschritt dieser Generation des Systems sehr radikal sein: Im Vergleich zu Blackwell: ? Leistung Energieverbrauch steigt um das 10-fache ? Kosten für Inferenz-Token sinken um das 10-fache ? Das gleiche MoE-Modell benötigt nur 14 GPUs zur Ausbildung. Was bedeutet das? Die grundlegende Kostenstruktur von AI könnte erneut umgeschrieben werden.
Warum macht NVIDIA so radikale Upgrades? Weil die Nachfrage nach AI-Rechenleistung mit extrem schnellem Tempo wächst.
Momentan gibt es drei sehr offensichtliche Trends in der Branche
Erstens: Die Modellgröße wächst weiterhin explosionsartig. Viele Institutionen prognostizieren:
Die Anzahl der Modellparameter wächst jährlich um etwa das 10-fache. Zweitens: Die Nachfrage nach Rechenleistung in der Inferenzphase steigt in die Höhe. Mit der Entwicklung der Inferenzfähigkeit und des reasoning (denkenden AI) benötigt das Modell beim Beantworten von Fragen mehr Token.
Die Token-Nutzung in der Testphase:
könnte jährlich um mehr als das 5-fache steigen. Drittens: Die Kosten für Token müssen kontinuierlich sinken. Um AI in großem Maßstab anzuwenden, müssen die Kosten pro Token kontinuierlich sinken.
Der Branchentrend beträgt etwa: Jährlicher Rückgang um 10-fache Ebenen. Diese drei Dinge zusammen ergeben ein riesiges Problem: Die Nachfrage nach AI-Rechenleistung übersteigt bei weitem die vorhandene Infrastruktur.
Anders gesagt: Der wahre Engpass von AI ist nicht mehr nur die GPU.
Sondern: Strom Rechenzentren Energieeffizienz ist das Ziel von Vera Rubins Design.
Tatsächlich ist es sehr klar: Direkte Lösung der Engpässe bei Energie und Rechenleistung von AI.
Wenn der Fahrplan von NVIDIA gültig ist, wird die Logik der zukünftigen AI-Berechnungen so aussehen: größere Modelle, komplexere Inferenz, niedrigere Token-Kosten. Und diese Veränderungen werden weiter dazu führen, dass AI-Agenten, AI-Suchsysteme und AI-Automatisierungssysteme in die wahre Phase der großflächigen Anwendung eintreten.
Aus der Perspektive der Industriestruktur wird die nächste Runde des AI-Wettbewerbs nicht nur ein Modellwettbewerb sein. Es wird ein umfassender Wettbewerb in den Bereichen: Chips Rechenleistung Energie Infrastruktur sein. #Meta收购Moltbook
