Le marché de l’IA en une phrase : nous transformons l’énergie en intelligence. Le taux d’échange — l’exactitude par joule — s’est amélioré de 18× en 16 mois. Environ 6× grâce au meilleur matériel, 3× grâce à de meilleurs modèles. Toute entreprise qui pousse ce ratio plus loin est en position de gagner.
Voici la “stack” investissable :
$NVDA : Chaque nouvelle génération de GPU multiplie l’intelligence par watt. Hopper vers Blackwell a marqué le grand saut. L’efficacité est le modèle économique et explique pourquoi les clients continuent de passer à niveau pour l’entraînement.
Mémoire ($MU, SK Hynix, Samsung) : la mémoire HBM maintient la puce alimentée pour qu’aucun joule ne soit gaspillé en attendant. Chaque génération de HBM déplace plus de données par watt. La demande en mémoire augmente avec chaque GPU vendu, et nous avons aussi besoin de davantage de mémoire par GPU.
$IFNNY : le plus grand fabricant de semi-conducteurs de puissance — les puces qui convertissent et contrôlent directement l’électricité. Un rack d’IA consomme plus de 100 kilowatts, et chaque conversion de puissance entre le réseau et la puce perd de l’énergie sous forme de chaleur. Nvidia fait évoluer ses centres de données vers une alimentation 800 volts plus tard cette année, ce qui signifie moins de conversions et plus de contenu Infineon par rack.
$AVGO : s’attaque à l’énergie perdue entre les puces. L’entraînement n’est pas “une puce qui pense” : ce sont des dizaines de milliers de GPU qui dialoguent en permanence, et cette conversation représente un coût énergétique pur. Les puces de commutation de Broadcom déplacent environ deux fois plus de données par watt à chaque génération, et les optiques “co-packagées” convertissent les signaux en lumière au niveau même de la puce, réduisant fortement le coût en puissance. Un tissu (fabric) plus rapide signifie aussi moins de temps d’inactivité des GPU : chaque puce du rack devient donc plus productive par joule.
Semi-conducteurs sur mesure ($GOOGL TPUs, $AMZN Trainium) : un GPU est flexible, mais vous payez cette flexibilité en joules gaspillés. Les puces sur mesure éliminent tout sauf l’exact calcul dont l’IA a besoin : ainsi, presque chaque joule sert à un travail utile. Les travaux de conception se répercutent sur $AVGO et $MRVL.
C’est le compromis “efficacité de l’IA”. Détenir la stack qui transforme l’électricité en intelligence.
Voici la “stack” investissable :
$NVDA : Chaque nouvelle génération de GPU multiplie l’intelligence par watt. Hopper vers Blackwell a marqué le grand saut. L’efficacité est le modèle économique et explique pourquoi les clients continuent de passer à niveau pour l’entraînement.
Mémoire ($MU, SK Hynix, Samsung) : la mémoire HBM maintient la puce alimentée pour qu’aucun joule ne soit gaspillé en attendant. Chaque génération de HBM déplace plus de données par watt. La demande en mémoire augmente avec chaque GPU vendu, et nous avons aussi besoin de davantage de mémoire par GPU.
$IFNNY : le plus grand fabricant de semi-conducteurs de puissance — les puces qui convertissent et contrôlent directement l’électricité. Un rack d’IA consomme plus de 100 kilowatts, et chaque conversion de puissance entre le réseau et la puce perd de l’énergie sous forme de chaleur. Nvidia fait évoluer ses centres de données vers une alimentation 800 volts plus tard cette année, ce qui signifie moins de conversions et plus de contenu Infineon par rack.
$AVGO : s’attaque à l’énergie perdue entre les puces. L’entraînement n’est pas “une puce qui pense” : ce sont des dizaines de milliers de GPU qui dialoguent en permanence, et cette conversation représente un coût énergétique pur. Les puces de commutation de Broadcom déplacent environ deux fois plus de données par watt à chaque génération, et les optiques “co-packagées” convertissent les signaux en lumière au niveau même de la puce, réduisant fortement le coût en puissance. Un tissu (fabric) plus rapide signifie aussi moins de temps d’inactivité des GPU : chaque puce du rack devient donc plus productive par joule.
Semi-conducteurs sur mesure ($GOOGL TPUs, $AMZN Trainium) : un GPU est flexible, mais vous payez cette flexibilité en joules gaspillés. Les puces sur mesure éliminent tout sauf l’exact calcul dont l’IA a besoin : ainsi, presque chaque joule sert à un travail utile. Les travaux de conception se répercutent sur $AVGO et $MRVL.
C’est le compromis “efficacité de l’IA”. Détenir la stack qui transforme l’électricité en intelligence.