Citadel: La scarsità di potenza di calcolo rimane il principale collo di bottiglia per l’AI, i giganti del cloud potrebbero essere i vincitori finali
Il panorama competitivo dell'industria AI sta accelerando la propria differenziazione, e la variabile chiave per determinare il vincitore non è la capacità del modello, ma la disponibilità della potenza di calcolo fisica.
L’ultima analisi di Citadel Securities sottolinea che la domanda di potenza di calcolo continua a superare il ritmo di crescita dell’offerta,il vero asset raro non sono i chip stipati nei magazzini, ma la potenza di calcolo già alimentata e immediatamente pronta all’uso.
Questo vincolo strutturale non può essere rimosso nel breve termine: la connessione alla rete elettrica e i tempi di approvazione dei progetti sono spesso misurati in anni, e persino piani di spesa in conto capitale su larga scala non possono colmare rapidamente il divario, il che significa che la liquidità attuale degli hyperscaler potrebbe sottovalutare il reale potenziale reddituale delle infrastrutture esistenti.
Secondo i segnali di mercato, il prezzo di affitto della potenza di calcolo, compresi i vecchi modelli di GPU, rimane robusto,il che indica che la produzione attuale viene ancora costantemente assorbita e che la stretta tra domanda e offerta non si è alleviata in modo evidente nonostante gli ingenti investimenti in capacità.Nel frattempo, la crescita degli agent AI sta amplificando il consumo di potenza di calcolo: un singolo comando umano può attivare decine se non centinaia di chiamate di modello, aumentando così il consumo di potenza per ogni singolo compito e sostenendo ulteriormente la domanda.
01
L’essenza del collo di bottiglia della potenza di calcolo: non solo chip
L’analista di Citadel Securities Nohshad Shah sottolinea che la “potenza di calcolo” non si riferisce solo alle GPU,bensì a un insieme di GPU, alimentazione, spazio nei data center, memoria, networking, sistemi di raffreddamento e capacità operative professionali. Ciò che è veramente raro è “la potenza di calcolo già alimentata, pronta all’uso”, non semplici hardware fermi in magazzino.
I dati delle curve a termine della potenza di calcolo mostrano che anche se l’offerta sta aumentando, la domanda cresce più velocemente. Poiché la connessione alla rete e le approvazioni richiedono anni, anche piani di spesa in conto capitale di grandi dimensioni non possono colmare rapidamente questo gap. Il limite attuale per l’AI non è la mancanza di utenti, bensì la mancanza di potenza di calcolo realmente operativa.
È degno di nota che una grande quantità della capacità odierna di calcolo è legata a contratti siglati tra il 2024 e il 2025, in un periodo in cui l’intensità della domanda non era ancora pienamente emersa. Quando questi contratti scadranno, le infrastrutture esistenti potrebbero essere ri-prezzate mentre il tasso di utilizzo aumenta, con la base dei costi sostanzialmente fissa e l’effetto leva operativo che progressivamente si libera.L’analisi suggerisce che il mercato tende attualmente a contabilizzare subito i costi in conto capitale, sottovalutando forse il potenziale di crescita futura dei profitti.
Inoltre, il calo dei prezzi dei token non è necessariamente una cattiva notizia. Costi di intelligenza più bassi aumenteranno la fattibilità economica di molte applicazioni, mentre, grazie alla moltiplicazione del consumo di potenza dovuto agli agent AI, la domanda complessiva di calcolo potrà continuare ad espandersi. La variabile chiave è l’elasticità della domanda: se la crescita di utilizzo supera la diminuzione del prezzo unitario, un prezzo basso espanderà il mercato invece di comprimerlo; lo scenario davvero negativo si verifica se i token diventano più economici ma il volume d’uso non cresce in maniera significativa.
02
La differenziazione del settore si intensifica, gli hyperscaler dominano in doppio vantaggio
L’analisi di Citadel Securities delinea una struttura sempre più bipolare per il settore AI:da un lato laboratori all’avanguardia come OpenAI, Anthropic, che fanno dell’intelligenza stessa il proprio prodotto; dall’altro giganti diversificati e hyperscaler come Google, Microsoft, i quali potranno monetizzare comunque vadano le sorti del singolo modello grazie a una copertura full-stack.
In questo schema, i modelli di frontiera si concentreranno sulle attività a più alto valore, come pianificazione, ragionamento, programmazione e orchestrazione di task, ricavando profitti premium da una quota relativamente piccola di token; i modelli più economici o open source si occuperanno invece dell’esecuzione ad alta concorrenza. I laboratori di frontiera potrebbero mantenere il potere di prezzo su attività di fascia alta, ma hyperscaler e fornitori di servizi di inferenza traggono vantaggi da entrambi i livelli—perché ogni carico di lavoro richiede chip, memoria, rete ed energia.
Il punto focale di questa logica è: i modelli di frontiera pianificano, quelli economici eseguono, ma i titolari di potenza di calcolo già attiva raccoglieranno il valore economico di entrambe le estremità. Per gli investitori, in un contesto ancora incerto sul percorso di monetizzazione dell’AI, possedere infrastrutture fisiche di calcolo rende gli hyperscaler i “beni rifugio” a rischio/rendimento più favorevoli dell’intera competizione.
Se trovi interessante, clicca su “Visto”
Esclusione di responsabilità: il contenuto di questo articolo riflette esclusivamente l’opinione dell’autore e non rappresenta in alcun modo la piattaforma. Questo articolo non deve essere utilizzato come riferimento per prendere decisioni di investimento.
Ti potrebbe interessare anche
La borsa americana ha mancato le "buone notizie" davanti agli occhi? Le previsioni sui profitti sono state riviste al rialzo in modo raro, strategisti: i fondamentali sono così forti da sembrare "incredibili".
Seaport Research Partners ritiene che il mercato azionario statunitense stia affrontando una evidente divergenza tra i profitti aziendali e le performance delle azioni: gli utili del secondo trimestre sono stati solidi e le previsioni degli analisti continuano a essere riviste al rialzo, tuttavia, i timori riguardo ai tassi d'interesse elevati e alla sostenibilità degli utili stanno comprimendo le valutazioni. Settori come quello industriale e dei trasporti potrebbero presentare opportunità di mispricing. Tuttavia, se la Federal Reserve dovesse nuovamente segnalare un aumento dei tassi d'interesse, ciò potrebbe esercitare pressioni a breve termine sul mercato azionario.
Le elezioni di medio termine negli Stati Uniti si avvicinano, Wall Street scommette su un Congresso diviso e il mercato potrebbe godere di una pausa moderata?
Con l'avvicinarsi delle elezioni di metà mandato negli Stati Uniti, Wall Street scommette generalmente su un Congresso "diviso", con i Democratici che riacquistano la Camera dei Rappresentanti e i Repubblicani che mantengono il controllo del Senato, ritenendo che ciò possa limitare le politiche radicali e ridurre l'incertezza. I dati storici mostrano che, dal 1950, quando un presidente Repubblicano governa con un Congresso diviso, il mercato azionario degli Stati Uniti registra una crescita media annua del 13,7%, superiore all'8,3% quando il Congresso è controllato solo dai Repubblicani e al 4,9% quando è controllato solo dai Democratici. Se i risultati elettorali dovessero discostarsi dalle aspettative, il mercato potrebbe comunque subire forti fluttuazioni.
Il famoso investitore del mercato azionario statunitense Eric Jackson si unisce al comitato consultivo di Shengda Technology (SDA.US) per supportare la strategia di internazionalizzazione e la costruzione delle relazioni con gli investitori dell’azienda.
Eric Jackson, fondatore di EMJ Capital e noto investitore nel settore tecnologico, è entrato ufficialmente a far parte del comitato consultivo dell'azienda.
L'era dell'inferenza AI fa esplodere la domanda di "interconnessione ottica"! Lumentum (LITE.US), "alla luce", anticipa NPO ed espande OCS per prepararsi a un momento di crescita dei profitti
Dal punto di vista dell'ingegneria di base, la crescita della domanda di interconnessione ottica deriva da uno scambio di dati più frequente e rigoroso tra un numero maggiore di nodi di calcolo: la parallelizzazione degli esperti nei modelli a esperti misti (MoE) richiede la distribuzione e l’aggregazione dei dati tra GPU; la separazione tra prefill e decode (Prefill–Decode Disaggregation) necessita della trasmissione della cache chiave-valore (KV Cache); i flussi di lavoro degli agenti complessi aumentano la concorrenza nelle chiamate ai modelli, l’esecuzione degli strumenti e l’accesso ai dati.
Prezzi delle criptovalute
Altro
