Nvidia overgik alle forventninger onsdag med et kraftigt stigende overskud drevet af deres grafikprocessorer (GPU'er), der udmærker sig ved at drive kunstig intelligens-arbejdsbelastninger. Men andre klasser af AI-chips begynder at vinde momentum.

Alle større cloud-udbydere designer nu deres egne applikationsspecifikke integrerede kredsløb (ASIC'er), fra Googles TPU til Amazons Trainium til OpenAIs planer med Broadcom. Disse chips er mindre, billigere, nemmere at bruge og kan reducere disse virksomheders afhængighed af Nvidias GPU'er. Daniel Newman fra Futurum Group fortalte CNBC, at han forventer, at ASIC-chips "vil vokse hurtigere end GPU-markedet i løbet af de næste par år."

Udover GPU'er og ASIC'er findes der feltprogrammerbare gate arrays (FPGA'er), som kan omkonfigureres efter fremstilling til anvendelser som signalbehandling, netværk og AI. Og der findes en hel generation af AI-chips designet til at køre direkte på enheder i stedet for via skyen – et segment anført af virksomheder som Qualcomm og Apple.

CNBC talte med eksperter og insidere fra store tech-virksomheder for at nedbryde dette overfyldte landskab og de forskellige typer AI-chips.

GPU'er til generel databehandling

GPU'er blev engang primært brugt til videospil, men de gjorde Nvidia til verdens mest værdifulde børsnoterede virksomhed, da de blev motoren bag moderne AI. Nvidia leverede cirka 6 millioner enheder af sin nuværende generation af "Blackwell" GPU'er sidste år.

Skiftet fra spil til AI begyndte i 2012, da forskere trænede det neurale netværk AlexNet ved hjælp af Nvidia GPU'er – et gennembrud, som mange ser som gnisten for den moderne AI-revolution. AlexNet konkurrerede i en højprofileret billedgenkendelseskonkurrence og brugte GPU'er i stedet for CPU'er, hvilket leverede enestående nøjagtighed og en betydelig konkurrencefordel.

Den samme parallelle processeringsevne, der gør GPU'er i stand til at gengive naturtro grafik, gør dem også ideelle til træning af deep-learning-modeller, som lærer af data snarere end eksplicit programmering.

I dag sælges GPU'er i datacentersystemer parret med CPU'er for at køre cloudbaserede AI-arbejdsbelastninger. CPU'er har en håndfuld kraftfulde kerner til sekventielle opgaver, mens GPU'er har tusindvis af mindre kerner specialiseret i parallelle operationer såsom matrixmultiplikation.

Fordi de kan udføre et enormt antal operationer samtidigt, er GPU'er ideelle til både træning og inferens. Træning lærer AI-modeller at finde mønstre i enorme datasæt; inferens bruger disse modeller til at træffe beslutninger baseret på ny information.

GPU'er er fortsat den primære motor for Nvidia og dens nærmeste konkurrent AMD. Software er en vigtig differentiator mellem dem: Nvidia er afhængig af sit CUDA-økosystem, mens AMD tilbyder en stort set open source-stak.

Begge virksomheder sælger cloud-GPU'er til udbydere som Amazon, Microsoft, Google, Oracle og CoreWeave, som derefter udlejer computerkraften til AI-udviklere.

Anthropics aftale på 30 milliarder dollars med Nvidia og Microsoft inkluderer for eksempel, hvad der svarer til 1 gigawatt computerkapacitet bygget på Nvidia-hardware. AMD har for nylig også sikret sig store forpligtelser fra OpenAI og Oracle.

Nvidia sælger også direkte til regeringer og AI-virksomheder – herunder mindst 4 millioner GPU'er til OpenAI – og til udenlandske regeringer såsom Sydkorea, Saudi-Arabien og Storbritannien.

Virksomheden fortalte CNBC, at den opkræver cirka 3 millioner dollars pr. serverkabinet, der indeholder 72 Blackwell GPU'er, og at den sender omkring 1.000 sådanne kabinetter hver uge.

Dion Harris, Nvidias seniordirektør for AI-infrastruktur, sagde, at han aldrig havde forestillet sig, at efterspørgslen ville vokse til dette niveau. "Da vi talte med virksomheder om et system med otte GPU'er for år siden, syntes de, det var overdrevent."

ASIC'er til specialiseret cloud-AI

GPU-baseret træning drev den første bølge af store sprogmodeller, men inferens er blevet stadig vigtigere i takt med at modellerne modnes. Inferens kan køres på mindre fleksible, billigere chips, der er bygget specifikt til bestemte matematiske operationer – og det er her, ASIC'er kommer ind i billedet.

Hvis en GPU er en "schweizerkniv", der kan udføre mange forskellige parallelle opgaver, er en ASIC et værktøj med et enkelt formål - ekstremt hurtigt og effektivt, men låst til én type operation, når det er fremstillet.

"Man kan ikke ændre disse chips, når de først er ætset ind i silicium," sagde Chris Miller, forfatter til *Chip War*. "Der er en afvejning mellem effektivitet og fleksibilitet."

Nvidias GPU'er er alsidige nok til at opfylde utallige AI-behov, men de er dyre (op til $40.000 pr. enhed) og vanskelige at få fat i. Startups er afhængige af dem, delvist fordi design af en brugerdefineret ASIC kan koste titusindvis af millioner.

Cloud-giganter investerer imidlertid kraftigt i ASIC'er, fordi de lover store besparelser i stor skala.

"Disse virksomheder ønsker mere kontrol over de arbejdsbyrder, de opbygger," sagde Newman. "Men de vil fortsætte med at arbejde med Nvidia og AMD – computerbehovet er enormt."

Google var den første til at bygge en brugerdefineret AI ASIC og lancerede Tensor Processing Unit (TPU) i 2015. Arbejdet begyndte i 2006, men det blev presserende i 2013, da Google indså, at AI kunne fordoble størrelsen af deres datacenter-fodaftryk. I 2017 hjalp TPU'en med at muliggøre Transformer-arkitekturen, der understøtter det meste moderne AI.

Google afslørede den syvende generation af TPU'en i november. Anthropic vil træne sin Claude-model på en million TPU'er. Nogle mener, at TPU'er konkurrerer med – eller overgår – Nvidia GPU'er.

"Mange mennesker forventer, at Google med tiden vil gøre TPU'er tilgængelige for mere bredt," sagde Miller.

AWS fulgte efter med sine egne chips efter at have opkøbt Annapurna Labs i 2015. De lancerede Inferentia i 2018 og Trainium i 2022, og Trainium3 forventes snart.

Amazon siger, at Trainium leverer 30% til 40% bedre pris-ydelse end alternativer. Anthropic bruger i øjeblikket en halv million Trainium2-chips til at træne sine modeller.

For at bygge brugerdefinerede ASIC'er er cloududbydere afhængige af virksomheder som Broadcom og Marvell – der leverer kritisk IP- og netværksekspertise. "Derfor er Broadcom blevet en af de største vindere af AI-boomet," sagde Miller.

Broadcom hjalp med at designe Googles TPU'er og Metas 2023-acceleratorer og bygger brugerdefinerede chips til OpenAI fra 2026.

Microsoft har udviklet Maia 100. Qualcomm har A1200. Intel tilbyder Gaudi-serien. Tesla arbejder på sin AI5-chip. Startups som Cerebras og Groq fremmer nye arkitekturer.

I Kina designer Huawei, ByteDance og Alibaba deres egne ASIC'er på trods af amerikanske eksportrestriktioner.

AI på enhedsniveau med NPU'er og FPGA'er

En tredje kategori af AI-chips er bygget til at køre modeller direkte på enheder i stedet for via skyen. Disse chips er typisk integreret i system-on-a-chip (SoC)-designs og er kendt som edge-AI-processorer. De tillader AI-funktioner at køre lokalt og effektivt, hvilket bevarer batterilevetid og privatliv.

"Du vil være i stand til at køre AI-opgaver direkte på din telefon med ekstremt lav latenstid," sagde Saif Khan, tidligere AI- og teknologirådgiver i Det Hvide Hus. "Og uden at sende data til et datacenter."

Neurale processorer (NPU'er) er en vigtig del af denne kategori, udviklet af Qualcomm, Intel, AMD og andre.

Apple bruger ikke udtrykket NPU, men integrerer en "neurale motor" i sine M-serie Mac-chips og sine A-serie mobilchips.

"Den tilgang har vist sig utrolig effektiv," sagde Tim Millet, Apples vicedirektør for platformarkitektur. "Den er hurtig og giver os mere kontrol over oplevelsen."

Snapdragon-chips i Android-telefoner, Samsungs brugerdefinerede NPU'er og edge-AI-processorer fra NXP og Nvidia driver AI i biler, robotter, kameraer og smart-home-enheder.

"Størstedelen af udgifterne i dag foregår stadig i datacentre," sagde Miller. "Men det vil ændre sig, efterhånden som AI spreder sig til telefoner, biler, wearables og alt andet."

FPGA'er tilbyder endnu mere fleksibilitet, fordi de kan omprogrammeres efter fremstilling, selvom de er mindre energieffektive end ASIC'er eller NPU'er.

AMD blev den største FPGA-producent efter at have opkøbt Xilinx for 49 milliarder dollars i 2022. Intel er nummer to efter at have købt Altera for 16,7 milliarder dollars i 2015.

Konklusion: Nvidia er stadig langt foran

Alle disse AI-chipvirksomheder er afhængige af én producent: TSMC i Taiwan.

TSMC bygger et massivt produktionsanlæg i Arizona, hvor Apple vil flytte en del af sin produktion hen. Nvidias administrerende direktør, Jensen Huang, sagde i oktober, at Blackwells GPU'er også har nået "fuld produktion" der.

Trods det stadig mere overfyldte marked er det fortsat ekstremt vanskeligt at afsætte Nvidia.

"Nvidia er i denne position, fordi de har fortjent den," sagde Newman. "De har brugt år på at opbygge dette udviklerosystem – og det er dem, der har vundet."

De fleste amerikanske aktieindeks steg fredag, da optimismen omkring potentielle rentenedsættelser fra Federal Reserve genopstod.

John Williams, præsident for New York Fed, sagde fredag, at han forventer, at centralbanken vil have mere råderum til at sænke renten. Den indflydelsesrige politiker bemærkede, i en tale i Chile, at risiciene for arbejdsmarkedet nu opvejer dem, der er relateret til inflation, hvilket afspejler holdningen hos de mere dueagtige medlemmer af FOMC.

Williams sagde: "Jeg ser pengepolitikken som stadig moderat restriktiv, dog mindre end før vores seneste handlinger. Så jeg ser fortsat mulighed for en yderligere kortsigtet justering af målintervallet for den føderale rente for at bringe politikken tættere på neutral og opretholde balancen mellem vores to mål."

I handlen steg Dow Jones Industrial Average med 0,4% (185 point) til 45.937 kl. 16:15 GMT. Det bredere S&P 500 steg med 0,1% (7 point) til 6.545, mens Nasdaq Composite steg med 0,1% (38 point) til 22.040.

Palladiumpriserne fortsatte deres fald fredag, presset af en stærkere amerikansk dollar, usikkerhed om efterspørgslen og forventninger om højere udbud.

Reuters rapporterede med henvisning til informerede kilder, at USA privat presser Ukraine til at acceptere en våbenhvileaftale med Rusland. En sådan udvikling vil sandsynligvis øge den globale forsyning af industrimetaller, efterhånden som sanktionerne mod Rusland - en af verdens største palladiumeksportører - lettes.

Ifølge Capital.com er palladiumpriserne steget med omkring 26 % siden starten af oktober til omkring 1.500 dollars pr. ounce. Stigningen kom sideløbende med stigninger på platinmarkedet og en bredere lempelse af de globale finansielle forhold.

Satsninger på amerikanske rentesænkninger og tidligere dollarsvaghed har også understøttet palladium som en del af den såkaldte "guld + likviditet"-rally, der har løftet ædelmetaller i de seneste uger.

Palladium bruges næsten udelukkende i katalysatorer til benzinmotorer, hvilket betyder, at enhver prisvolatilitet direkte påvirker omkostningsstrukturerne for amerikanske bilproducenter og elektronikproducenter.

Teknisk analyse fra Monex indikerer modstand mellem $1.500 og $1.520 pr. ounce, med forventninger om en samlet bullish trend, men fortsat ustabil handel forude. Analytikere hos CPM Group bemærkede, at palladiums nylige styrke er "tæt knyttet til platins præstation", samtidig med at de advarer om, at et afmattende amerikansk arbejdsmarked og vedvarende inflation kan tynge efterspørgslen.

Trods en nyligt annonceret handelshvile mellem USA og Kina tyder kommentarer fra amerikanske embedsmænd på, at spændingerne fortsat er høje. Den amerikanske finansminister sagde, at Kina fortsat er en upålidelig handelspartner, mens præsident Donald Trump gentog, at hans administration ikke vil tillade eksport af avancerede Nvidia-chips til Kina eller andre lande.

Det amerikanske dollarindeks steg en smule med 0,1 % til 100,2 kl. 14:43 GMT og blev handlet mellem et højdepunkt på 100,4 og et lavpunkt på 99,9.

Palladium-futures til levering i december faldt med 0,9 % til 1.374 dollars pr. ounce kl. 14:43 GMT.

Bitcoin faldt kortvarigt til $81.871,19 tidligt fredag, før det stabiliserede sig nær $82.460, et fald på omkring 10,2% i løbet af de sidste 24 timer.

Efter næsten en måneds vedvarende salg handles Bitcoin nu 10% under niveauet ved årets start, efter at have slettet de fleste af de gevinster, den opnåede efter Donald Trumps valgsejr sidste år.

Sidste gang Bitcoin faldt til under $82.000 var i april – hvor den faldt til $75.000 – under et bredt markedsudsalg udløst af Trumps annoncering af omfattende toldsatser ved "Liberation Day"-arrangementet.

Baseret på data fra Deribit — options- og futuresbørsen ejet af Coinbase — rapporterede CoinDesk, at handlende positionerer sig for yderligere nedgang.

Ethereum, den næststørste kryptovaluta målt på markedsværdi, faldt til under $2.740, et fald på mere end 9,6% over 24 timer. Andre store tokens kom også under hårdt pres, hvor XRP, BNB og SOL faldt henholdsvis 9,1%, 8,4% og 10,6%. Dogecoin - den største meme-mønt - tabte 10,3% i samme periode.

Efter at have nået nye rekordhøjder i begyndelsen af sidste måned har kryptomarkedet oplevet støt fald efter et hidtil uset enkeltdags kollaps den 10. oktober, hvor gearede positioner for 19,37 milliarder dollars blev likvideret på 24 timer. Begivenheden blev udløst af Trumps annoncering af en yderligere 100% told på kinesisk import - et skridt, han senere trak tilbage. Digitale aktiver har også været fanget i bredere markedsvolatilitet i de seneste dage, hvor mere end 2,2 milliarder dollars er likvideret over 24 timer, ifølge CoinGlass.

Den samlede markedsværdi af alle kryptovalutaer ligger nu på 2,92 billioner dollars ifølge CoinGecko – et fald på 33 % fra toppen på omkring 4,38 billioner dollars, der blev nået i begyndelsen af oktober. Siden starten af denne måned er Bitcoins markedsværdi faldet med omkring 25 %, hvilket markerer det stejleste månedlige fald siden kryptokrakket i 2022, ifølge Bloomberg.

Aktier i Strategy (tidligere MicroStrategy) – bredt set som en reference for Bitcoin på grund af dens massive beholdninger – faldt med 2,44% i før-markedshandelen fredag, efter at være faldet med 11% i løbet af den sidste uge og 41% i løbet af de sidste 30 dage. Virksomheden ejer i øjeblikket 649.870 BTC til en gennemsnitlig købspris på $74.430.

I en note tidligere på ugen advarede JPMorgan-analytikere om, at Strategy står over for en risiko for at blive fjernet fra store indeks som Nasdaq 100 og MSCI USA. En sådan udelukkelse kan føre til yderligere fald i aktien og potentielt tynge kryptomarkederne, hvis virksomheden bliver tvunget til at sælge en del af sine Bitcoin-beholdninger.