Partnered With:

Yapay Zeka Endüstri Zincirinde Bellek Fiyatlarının Patlamasından Sonra Hangi Alan En İyi Bahsi Yatırmaya Değer?

Bu makaleyi okumak için 15 Dakika

Stanford'un Popüler Yapay Zeka Endüstrisi Dersi, Bir Yatırım Çerçevesi Sunuyor

Son iki yılda, ABD hisse senedi yapay zeka endüstriyel zinciri ile ilgili sektör, trilyonlarca dolarlık bir piyasa değeri yarattı. Ancak artan pazar büyüklüğü çok dengesiz dağılmış durumda: Nvidia'nın piyasa değeri 4.5 trilyon dolar, brüt marjı %73; OpenAI ve Anthropic'in birlikte yıllık geliri sadece 450 milyar dolar; CoreWeave, Cursor, Perplexity gibi orta-altı şirketler bir yandan finansman alırken bir yandan harcama yapıyorlar. Yapay zeka endüstrisi, yukarı doğru çıkıldıkça brüt marjın kalınlaştığı bir üçgen yapı sergiliyor.

Para nereye akıyor ve 10 yıl sonra nereye akacak? Bu, Stanford'un bu dönem başlattığı MS&E 435 dersinin ayrıştırmaya çalıştığı temel sorudur. Sunucu Apoorv Agrawal, yatırım şirketi Altimeter'den geliyor ve endüstrideki dokuz anahtar figürü davet etti, endüstri liderlerinin bakış açılarından yapay zeka endüstrisinin gelecekteki değer akışını bir araya getirmeye çalıştı.

Üçgen Değer Dağıtımı

2024'ün başlarında, Agrawal, "Üretken Yapay Zeka Ekonomisi" adlı bir rapor yayınladı ve endüstri zincirinin çip tabakasının brüt marjının %83'ünü yediğine dair bir sonuca vardı.

İki yıl geçti, ekosistemin toplam büyüklüğü 900 milyar dolar olan bir seviyeden 4,350 milyar dolara genişledi. Çip tabakasının brüt kar payı hala egemen konumda ve %83'ten %79'a düştü.

Ayrıntılara bakıldığında, çip tabakasının yıllık geliri yaklaşık 3 trilyon dolar, Nvidia'nın aldığı payın %80'i; altyapı katmanı yaklaşık 750 milyar; uygulama katmanı yaklaşık 600 milyar. Üç katmanın brüt marj oranları sırasıyla %73, %55, %33'tür. Brüt kar miktarına çevrildiğinde, sırasıyla 2,250 milyar, 400 milyar, 200 milyar dolardır.

Yapay zeka endüstrisinin kar profilinin, önceki teknoloji büyüme döngüsünü iten bulut bilişim endüstrisinden tamamen farklı olduğu görülmektedir. Geleneksel bulut bilişim yığınında, çip tabakası yalnızca %6 brüt marj alırken, uygulama katmanı %70'i alır.

Agrawal, mevcut rekabet ortamını keskin bir şekilde özetledi: çip tabakası tek kişilik oyun, uygulama katmanı çift kişilik oyun, aradaki altyapı katmanı ise gerçekten rekabet edilen tek çok kişilik savaş alanıdır.

Nvidia'nın Tek Kişilik Gösterisi

İkinci ders, Altimeter'ın ortağı Brad Gerstner ve Nvidia'dan Sunny Madra tarafından verildi. Sunny, önceden Groq'un yatırımcısıydı, Groq'un Nvidia tarafından satın alındığı anlaşmada rol oynadı, bu iki kişi Nvidia'nın neden çip tabakasında tek başına liderliğini sürdüreceğini açıkladı.

Brad, sezgisel mantığa aykırı bir değerleme yapmış: Nvidia'nın piyasa değeri 4.5 trilyon dolar, P/E oranı 13 kat, yalnızca piyasa ortalamasının yarısına kadar ve yıllık gelir artışı %70. Açıkça Nvidia'nın küresel olarak ilk 1 trilyon dolarlık şirket olacağını öngördü. Gerekçesi ise, önümüzdeki sekiz çeyrek boyunca Nvidia'nın trilyonlarca dolarlık siparişleri olduğunu ve talebin arzın çok üzerinde olduğunu belirtti. Huang Renxun, Brad'e talebin 10 milyar kat artacağını iddia etmişti.

Bu özgüvenin arkasındaki şey, önceden eğitimden akıl yürütme çağına teknik mantık — her bir jeton üretmek için gereken hesaplama miktarının, model parametre sayısının bağlam uzunluğunun karesi ile çarpımıdır.

Özel yonga üreticileri az değil. Google'ın yedinci nesil TPU'su Ironwood üretime başladı, Anthropic 1 milyon adet sipariş verdi. İddialara göre bu, Nvidia'nın bazı müşterilere %30 indirim yapmasını doğrudan zorladı; Amazon'un Trainium2 çipi 1.4 milyon örnek üzerinde çalıştı ve ilgili işletme yıllık gelirini 10 milyar doların üzerine çıkardı; Microsoft'un Maia 200'si bu yılın Ocak ayında Azure'de piyasaya sürüldü, OpenAI ayrıca Broadcom ile 10 gigavatlık özel ASIC sözleşmesini imzaladı.

Huang Renxun buna dikkat çekerek şöyle dedi: "Birçok ASIC projesinin sonunda iptal edileceği masaldır." Tarihe bakıldığında, yanılmadı. Geri adım atarsak, TPU, Trainium, Maia hepsi başarılı olsa bile, Nvidia hala önde. Yapılanlar, Nvidia'nın değiştirilemez olduğunu göstermiyor, bunun yerine bu pazarın ne kadar büyük olduğunu gösteriyor.

Masraflı Elektrikçi

Üçüncü dersin konuşmacısı Crusoe'un kurucu ortağı Chase Lochmiller'dı. Crusoe, Teksas'ın batısındaki Abilene adlı küçük bir kasabada 2.1 gigavatlık bir veri merkezi kompleksi kurdu, bu Amerika'nın en büyük özel elektrik santralidir ve enerji tüketimi iki Denver şehriyle eşdeğerdir. İlk yerleşen şirketler Oracle ve OpenAI'dır. Komplekste yıl boyunca 9000 inşaat işçisi bulunmaktadır ve bu küçük kasabanın nüfusu sadece 120.000'dir.

Chase, her megavat elektriğin maliyet yapısını bir slaytta açıkladı: Toplam maliyet yaklaşık 19 milyon dolar ve en büyük kalemi işçilik oluşturuyor, her megavat için 470 milyon dolar, yonga ve soğutma ekipmanı maliyetleri oldukça geride kalmaktadır. Bu hesaba göre, bir gigavatlık bir kompleks için sadece işgücü maliyeti yılda 5 milyar doları aşmaktadır.

İşgücü maliyetinin dışında, her megavat başına gaz türbini maliyeti, üç yıl içinde 1 milyon dolardan 3 milyon dolara çıktı. Bunun arkasındaki neden, GE Vernova, Siemens, Mitsubishi Heavy Industries ve Pratt & Whitney gibi dört büyük üreticinin kapasitesinin yerinde sayması ve talebin birkaç kat artmasıydı.

Chase markası, Eaton, Schneider gibi yıllardır fazla hareket etmemiş elektrik ekipmanı devlerine karşı açık bir tavır sergiliyor. Uzun vadede, elektrik mimarisi, 765 kilovolt yüksek gerilimden 900 volt doğru akıma kadar tüm sistemlerin yeniden tasarlanmasını gerektirecek, hatta kısa vadede bile, bu eski marka fabrikaların yine de fayda sağlamaya devam edeceği görülecektir.

Örgütsel Yapı, Yapay Zeka Gelişimine Ayak Uyduramıyor

Dördüncü derste konuğumuz yazılım şirketi Databricks'in CEO'su Ali Ghodsi'ydi. Hemen ortaya önemli bir görüş attı: Genel Yapay Zeka (AGI) zaten gerçekleşti. Şu anki yapay zeka modelleri, aslında 2009'da Berkeley AMP Laboratuvarı'nın AGI için belirlediği tanıma zaten uygun. Topu aslında ağın içine attık, sadece insanlar sürekli olarak ağzından almaya çalışıyorlar.

İnsanlar neden hala yapay zekanın beklentileri karşılamadığını düşünüyor, sorun kendilerinde yatıyor.

MIT tarafından yapılan bir rapor, işletmelerin %95'inin yapay zeka denemelerinin başarısız olduğunu gösterdi, Ali'nin açıklaması ise, modellerin organizasyondaki asla yazılı olmayan bağlamlardan yoksun olmasındaydı.

Her şirketin, hiçbir zaman yazıya dökülmemiş olan o bağlamdan yoksun kalmış yirmi yılını doldurmuş bir eski çalışanı vardır, herkes sorunla karşılaştığında ona gider ve akıllarındaki bilgiler hiçbir modele girmedi.

Karşılaştırma olarak, elektrik motoru 1880'de icat edildi ve 1920'de, üretkenlik açısından istatistiksel olarak belirgin bir şekilde artmaya başladı. Bu kırk yıl boyunca, işletmeler buhar motorunu elektrik motoruyla değiştirmeyi açık bir şekilde doğru buldu ancak hiç kimse tüm fabrika düzenini yeniden tasarlamak gerektiğini düşünmedi.

Databricks kendi hatalarını yaptı, başlangıçta üç dönem sürecek olan bir veri bağlayıcıyı ilk kez yapay zekaya devrettiğinde, sadece bir buçuk ay zaman kazandı. Sonra, tüm süreci baştan başlayıp yeniden yapmayı cesaret eden bir sorumlu yöneticiye geçiş yaptıklarında, bir dönemde tüm teslimatlar yapıldı. Gerçekten zaman kazandıran şey, modelin sürüm yükseltmeleri değil, süreci baştan sona değiştiren o kişiydi.

Ali, uygulama katmanında büyük fırsatların eninde sonunda ortaya çıkacağını ve bu fırsatların, organizasyon mantığını yeniden yazmaya cesaret eden oyunculara odaklanacağını düşünüyor. Bu olayın ilerleme hızını, GPT-6, Opus-5'e değil, insanlara bağlı olduğunu düşünüyor.

Yanı Ters Üçgen

Teknoloji yığınında, değer doğal olarak alt seviye donanımdan yazılım ve uygulama üst seviyelerine tırmanacaktır.

Bulut bilişim endüstrisi, donanımdan yazılıma geçişi tamamladı ve tam 15 yıl sürdü. Yapay Zeka yığını da aynı değer dönüşümünü tamamlamalıdır. Ya uygulama seviyesinden patlama yaparak devam edecek ya da yonga seviyesindeki brüt marj, bulut çağı donanımının %6 seviyesine doğru yaklaşırken 73% seviyesinden düşmeye devam edecek. Şu anda her iki taraf da gerçekleşiyor, ancak her ikisi de yeterince hızlı değil. Geçmiş iki yılın değişim hızına göre, uygulama katmanı, kar payı payında bulut bilişim platformunun seviyesine yetişmek için en az on yıl başlangıç yapmalıdır.

Bu nedenle, mevcut durumda, çip seviyesine bahse girerek, bahsiniz iki yıl içinde cebinizde olacak nakit akışıdır; uygulama seviyesine bahse girerek, kesin buna bakan, gelecekte beş ila on yıl içinde değer kazanımının büyük eğilimidir.