AIの取引を一文で：エネルギーを知能に変えている。為替レート—1ジュールあたりの精度—は16カ月で18倍に改善した。内訳は、より良いハードウェアによる約6倍、より良いモデルによる3倍。 この比率を押し上げるすべての企業は勝てる体制にある。

投資可能な構成は以下の通り：

$NVDA：GPU世代が進むたびに、ワットあたりの知能が掛け算で増える。HopperからBlackwellへの移行は大きな飛躍だった。効率はビジネスモデルであり、学習用に顧客がアップグレードを続ける理由そのものだ。

メモリ（$MU、SK Hynix、Samsung）：HBMがチップに必要なデータを途切れさせず、待ち時間でジュールが無駄にならない。HBMの世代が上がるほど、ワットあたりにより多くのデータを扱える。メモリ需要は、GPUの販売台数が増えるたびにスケールし、GPUあたりにもより多くのメモリが必要になる。

$IFNNY：世界最大のパワー半導体メーカー—電気そのものを変換・制御するチップ。AIラックは100キロワット超を引き込み、送電網からチップまでの電力変換のたびにエネルギーは熱として失われる。Nvidiaは今年後半に800ボルトの電力へデータセンターを移行する予定で、変換回数が減り、ラックあたりのInfineon比率が高まる。

$AVGO：チップ間で失われるエネルギーに切り込む。学習は1つのチップが考えることではなく、数万のGPUが絶えず会話していて、その会話こそが純粋なエネルギーコスト。Broadcomのスイッチチップは、世代ごとにワットあたりのデータ量をおよそ2倍にする。さらに、パッケージングされた光学部品が信号をチップの近くで光に変換し、電力コストを大幅に削減する。高速なファブリックはGPUのアイドル時間も減らすため、ラック内のすべてのチップがジュールあたりでより生産的になる。

カスタムシリコン（$GOOGL TPU、$AMZN Trainium）：GPUは柔軟だが、その分が無駄なジュールとして支払われる。カスタムチップはAIが必要とする正確な演算以外をそぎ落とすため、ほぼすべてのジュールが有用な仕事に回る。設計の作業フローは$AVGOと$MRVLに戻ってくる。

これがAI効率のトレードだ。電気を知能に変えるスタックを握れ。