Prawdziwe znaczenie GPT-6 Astra: przeniesienie „narracji AI” z „dyskusji o zapotrzebowaniu” z powrotem do „fizycznych ograniczeń”

Publikacja nowego modelu zmienia kierunek dyskusji na rynku.

Rynek przez ostatnie miesiące dyskutował jedno zagadnienie: „Ile infrastruktury potrzeba, by zaspokoić znane potrzeby AI?” Pytanie zawiera podtekst: czy infrastruktura AI jest już nadmiernie inwestowana?

Według informacji z Wind Trading Desk, raport Morgan Stanley opublikowany 7 września wskazuje, że znaczenie GPT-6 Astra nie powinno być po prostu rozumiane jako kontynuacja narracji o kolejnym rozszerzeniu skali (Scaling). To nie jest zwykła aktualizacja modelu.

Astra oznacza rzeczywisty skok w zakresie szerokości możliwości (breadth of capabilities) oraz interoperacyjności, szczególnie w czterech obszarach: umiejętności wnioskowania, umiejętności inżynieryjnych, korzystania z komputerów oraz wykonywania zadań w świecie fizycznym. To oznacza, że AI zaczyna przechodzić na poziom wykonywania złożonych wnioskowań, profesjonalnych zadań inżynieryjnych, bezpośredniego sterowania komputerem, a nawet obsługi rzeczywistych zadań świata. Możliwości rosną, co oznacza więcej sytuacji generujących przychody. Najnowszy artykuł OpenAI również stwierdza, że lepsze modele otwierają nowe „obszary pracy”.

Narracja AI wraca z „dyskusji o popycie” do „fizycznych barier”

Pojawienie się Astra może odwrócić kluczowe pytanie rynku z „ile infrastruktury potrzeba do obsługi znanych potrzeb AI” na: „Wraz ze wzrostem inteligencji modeli, ile nowych obciążeń roboczych stanie się ekonomicznie opłacalnych?”

To pytanie jest zupełnie przeciwne w kierunku. Pierwsze dotyczy strony popytu, drugie strony podaży.

• Efekt elastyczności: więcej inteligencji za każdy dolar

Analitycy wskazali w raporcie kluczową logikę ekonomiczną: lepsze modele tworzą efekt elastyczności – im więcej inteligencji i praktyczności AI uzyskuje za każdy dolar, tym większa liczba, czas trwania i złożoność obciążeń związanych z wnioskowaniem.

To przypomina klasyczny „paradoks Jevonsa”: wzrost efektywności nie ogranicza zużycia, lecz całkowicie je zwiększa. Wzrost wydajności inteligencji na jednostkę kosztu → scenariusze wcześniej nieopłacalne stają się możliwe → napływ nowych obciążeń roboczych → wzrost zapotrzebowania na moc obliczeniową i infrastrukturę.

• Znacząco rozszerzony rynek dostępny

Analitycy sądzą, że jeśli możliwości Astra będą komercyjnie przydatne, dostępna pula dochodów AI zostanie znacząco rozszerzona, wykraczając daleko poza dzisiejsze scenariusze czatowania i kodowania.

Morgan Stanley szacuje, że TAM światowej pracy wiedzy to około 22,5 biliona dolarów (oparty na 900 milionach pracowników wiedzy, średnim rocznym wynagrodzeniu 25 200 dolarów); TAM światowych wydatków konsumenckich to około 30 bilionów dolarów, obejmując handel detaliczny + podróże (około 16 bilionów dolarów), autonomiczne pojazdy/podróże (około 4 biliony dolarów), dostawy żywności (około 4 biliony dolarów) i reklamę (około 3 biliony dolarów).

• Fizyczne ograniczenia po stronie podaży są prawdziwym wąskim gardłem

Wnioskiem analityków jest: pojawienie się Astra przenosi narrację o wąskich gardłach z „tworzenia popytu” z powrotem do „ograniczeń fizycznych po stronie podaży” – czy można dostarczyć tę inteligencję na skalę masową.

Co dokładnie? Moc obliczeniowa. Energia elektryczna. Materiały. Siła robocza. I inne.

Gdzie dokładnie są fizyczne wąskie gardła: ABF i HBM4E

Po stronie podaży są dwa konkretne punkty zaczepienia.

Pierwszy to podłoża ABF.

Morgan Stanley przewiduje, że od 2027 roku podłoża ABF będą niewystarczające, a deficyt będzie się powiększał do 2030 roku. Kluczowe ograniczenie: nowa zdolność produkcyjna wymaga minimum 2 lat, by wejść na rynek.

Drugi to złożoność procesów końcowych (BEOL) HBM4E.

Raport wskazuje, że procesy końcowe HBM4E oznaczają znaczącą zmianę paradygmatu w produkcji półprzewodników – HBM przekształca się z wyspecjalizowanej 3D pamięci w wysoce zintegrowane, niestandardowe systemy Chiplet logiczne.

Konkretne powiązania:

• Liczba warstw połączeń HBM4E rośnie (np. SK Hynix wprowadza dummy bump), duża część wydatków kapitałowych DRAM musi być przeznaczona na rozbudowę produkcji BEOL
• Wydatki kapitałowe na migrację procesów FEOL i przyspieszenie wysyłek DRAM GB, przewidywane do realizacji dopiero w drugiej połowie 2027 roku
• Producent DRAM priorytetowo wykorzystuje zdolności produkcyjne sprzętu, więc rozbudowa NAND może być opóźniona

Wspólna cecha obu wąskich gardeł: to zweryfikowane, mierzalne fizyczne ograniczenia, a nie emocje rynku.

Energia elektryczna: najprawdziwsze fizyczne wąskie gardło

Wraz ze wzrostem nacisku regulacyjnego na centra danych, zaopatrzenie w energię elektryczną staje się kolejnym kluczowym fizycznym wąskim gardłem. Analitycy przewidują, że łączna moc obliczeniowa największych firm chmurowych wzrośnie z około 35GW w 2025 roku do około 145GW w 2028 roku, czyli około 4 razy.

Analitycy zauważają, że USA czeka deficyt energii na poziomie 38 GW, a centra danych będą coraz częściej stosować rozwiązania samowytwarzania energii poza licznikiem (behind-the-meter).

Według kalkulacji banku, rozwiązania poza licznikiem zwiększą nakłady kapitałowe o około 30 miliardów dolarów na każdy GW. Na przykład Rubin Ultra generacji chipów Nvidia, całkowity koszt z uwzględnieniem samowytwarzania energii, wynosi około 50 miliardów dolarów na GW.

Co rynek niedocenia?

Analitycy uważają, że rynek obecnie niedocenia trzech kwestii:

Po pierwsze, globalni beneficjenci technologiczni GPT-6 Astra nie są jeszcze odpowiednio cenieni.

Po drugie, napięcie po stronie podaży może potrwać dłużej. Ograniczenia ABF i HBM4E BEOL nie zostaną rozwiązane w krótkim czasie.

Po trzecie, niektóre akcje niezwiązane z AI również zyskują na sile. Chipy analogowe (STM, NXP, Renesas) po ponad trzech latach L-formy dołka są teraz na etapie wczesnego ożywienia cyklu – optymalizacja zapasów, stabilizacja cen, poprawa zamówień przemysłowych.

Wniosek nie brzmi: „kupuj więcej AI”

Morgan Stanley wskazuje następujące priorytety inwestycyjne:

Moc obliczeniowa AI (najwyższy priorytet) > Sieć (kolejny) > Pamięć (wybiórczo) + Chipy analogowe (hedging w wczesnym cyklu), w tym:

• Moc obliczeniowa AI: GPU (Nvidia), ASIC (MediaTek, GUC), podłoża ABF (Unimicron, Ibiden), MLCC (Murata, Samsung Electro-Mechanics), końcowa obróbka (Advantest, Tokyo Electron, Wah Hong, ASE, KYEC), zasilanie (Delta)
• Sieć: GLW, LITE, COHR, KEYS, Furukawa Electric, Fujikura
• Pamięć: priorytet dla wzrostu udziału strukturalnego i lokalizacji (ChangXin Memory), SK Hynix, Samsung, Kioxia mają taktyczne szanse na wzrost przy utrzymującej się napiętej podaży
• Poza AI: chipy analogowe (STMicroelectronics, NXP, Renesas)

Bank stwierdza: „Skłaniamy się ku inwestowaniu w firmy znajdujące się na styku szerszego cyklu wnioskowania, ograniczonej fizycznej zdolności produkcyjnej, wzrastającej intensywności treści i rosnącej złożoności produkcji.”

Co trzeba mieć na uwadze

Raport Morgan Stanley nie jest jednostronnie optymistyczny i wyraźnie wskazuje trzy kwestie wymagające uwagi:

Po pierwsze, oczekiwania wobec AI są już bardzo wysokie. Tolerancja rynku wobec firm AI zmieniła się z „dobrych wyników” na „muszą być perfekcyjne”, więc nawet jeśli Astra osiągnie znaczący postęp, kursy mogą nie wzrosnąć, jeśli wyniki nie przekroczą znacząco oczekiwań.

Po drugie, przyrost wydatków kapitałowych przewidywany na 2028 rok ma ulec spowolnieniu. Wycena akcji zależy od kierunku zmiany tempa wzrostu, samo spowolnienie może hamować wyceny – nawet jeśli bezwzględne wydatki nadal rosną.

Po trzecie, przeciwny wiatr makroekonomiczny wciąż trwa. Raport wspomina o cenach ropy, inflacji, ścieżce stóp Fed oraz wyborach USA w 2028 roku, zwłaszcza analizując potencjalny polityczny opór wobec ekspansji centrów danych, jeśli administracja Demokratów wygra.

 

 

 

 

~~~~~~~~~~~~~~~~~~~~~~~~

Powyższe interesujące treści pochodzą z Wind Trading Desk.

Aby uzyskać szczegółowe analizy, w tym analizy na żywo i badania z pierwszej linii, dołącz do 【Wind Trading Desk ▪ Członkostwo roczne】