Μπορεί η AI να Λειτουργεί Αποδοτικά; Οι Ερευνητές Μπορεί να Έχουν Βρει έναν Τρόπο

Η τεχνητή νοημοσύνη (AI) συνεχίζει να διαμορφώνει το μέλλον μας σε σχεδόν κάθε βιομηχανία καθώς η υιοθέτησή της αυξάνεται για την αυτοματοποίηση κρίσιμων επιχειρηματικών διαδικασιών, τη μείωση του κόστους και την ενίσχυση της παραγωγικότητας. 

Τα δεδομένα δείχνουν ότι πάνω από το 80% των επιχειρήσεων χρησιμοποιούν AI σε κάποιο βαθμό, θεωρώντας το ως βασική τεχνολογία εντός των οργανισμών τους. Η οικονομική δέσμευση προς την AI έχει επίσης αυξηθεί καθώς η υιοθέτησή της αποφέρει σημαντικά οφέλη και πολύ υψηλότερο ROI.

Με αυτόν τον τρόπο, το μέγεθος της αγοράς AI ξεπέρασε τα 184 δισεκατομμύρια δολάρια το 2024 και προβλέπεται να ξεπεράσει τα 826 δισεκατομμύρια δολάρια μέχρι το τέλος της δεκαετίας, σύμφωνα με τη Statista.

Όλη αυτή η ανάπτυξη και η έκρηξη του ενδιαφέροντος για την AI οδήγησαν σε έναν αγώνα εξοπλισμού για την ανάπτυξη της τεχνολογίας. Μοντέλα AI όπως τα μεγάλα γλωσσικά μοντέλα (LLMs) που δημιουργούνται από οργανισμούς χρησιμοποιούν αλγόριθμους για την κατανόηση, περίληψη, μετάφραση και δημιουργία ανθρώπινου λόγου και εκπαιδεύονται σε τεράστιες ποσότητες δεδομένων χρησιμοποιώντας επεξεργαστές υψηλής κατανάλωσης ενέργειας.

Για αυτό, εταιρείες και λειτουργοί κέντρων δεδομένων επενδύουν μεγάλα κεφάλαια για την κατασκευή νέων κέντρων δεδομένων υψηλής χωρητικότητας. Η επένδυση σε νέα κέντρα δεδομένων, σύμφωνα με τη Διεθνή Υπηρεσία Ενέργειας (IEA), έχει ήδη αυξηθεί δραματικά τα τελευταία δύο χρόνια, με ηγετικό ρόλο τις ΗΠΑ. Το 2023, η συνολική κεφαλαιακή επένδυση από τη Microsoft (MSFT ), τη Google και την Amazon (AMZN ) μόνη της ήταν μεγαλύτερη από αυτήν ολόκληρης της βιομηχανίας πετρελαίου και φυσικού αερίου της χώρας.

Αυτά τα κέντρα δεδομένων απαιτούν πολύ ηλεκτρική ενέργεια για τη λειτουργία τους. Το 2022, η IEA ανέφερε ότι τα κέντρα δεδομένων κατανάλωσαν 1,65 δισεκατομμύρια γιγατζάουλ ηλεκτρικής ενέργειας, που αντιστοιχεί περίπου στο 2% της παγκόσμιας ζήτησης. 

Η παγκόσμια ζήτηση ενέργειας από τα κέντρα δεδομένων προβλέπεται επίσης να αυξηθεί κατά 50% μέχρι το 2027 και κατά 165% μέχρι το 2030, σύμφωνα με την έρευνα της Goldman Sachs (GS ) από τις αρχές αυτού του μήνα.

Η τρέχουσα κατανάλωση ενέργειας των κέντρων δεδομένων εκτιμάται περίπου στα 55 γιγαβάτ (GW), με ποσοστό 54% για φορτία υπολογιστικού νέφους, 32% για παραδοσιακά φορτία όπως αποθήκευση, και 14% για AI. Η μοντελοποίηση της μελλοντικής ζήτησης για αυτούς τους τύπους φορτίων προβλέπει ότι η ζήτηση ενέργειας μέχρι το 2027 θα είναι 84 GW, όπου το AI θα αυξηθεί στο 27% ενώ το νέφος θα μειωθεί στο 50% και τα παραδοσιακά φορτία θα πέσουν στο 23%.

Η παγκόσμια χωρητικότητα της αγοράς κέντρων δεδομένων, εν τω μεταξύ, είναι αυτή τη στιγμή περίπου 59 GW, με το 60% να παρέχεται από υπερκλιμακωτές παρόχους νέφους όπως η Google και η Alibaba και από τρίτους λειτουργούς κέντρων δεδομένων, ενώ το υπόλοιπο προέρχεται από παραδοσιακά εταιρικά και τηλεπικοινωνιακά κέντρα δεδομένων.

Η ζήτηση ενέργειας αυτών των μεγάλων υπερκλιμακωτών κέντρων δεδομένων είναι 100 MW ή περισσότερο, με ετήσια κατανάλωση ηλεκτρικής ενέργειας περίπου ίση με τη ζήτηση ηλεκτρικής ενέργειας από έως και 400.000 ηλεκτρικά αυτοκίνητα.

Καθώς οι οργανισμοί συνεχίζουν να υιοθετούν την AI, μπορούμε επίσης να περιμένουμε την άνοδο των κέντρων δεδομένων αφιερωμένων στην AI, μια αναδυόμενη κατηγορία υποδομής σχεδιασμένη ειδικά για τις ιδιαίτερες απαιτήσεις των φορτίων εργασίας AI. Παρόλο που μέχρι στιγμής υπάρχουν πολύ λίγα, βρίσκονται κυρίως στην Ασία-Ειρηνικό και τη Βόρεια Αμερική, κυρίως στο Πεκίνο, τη Σαγκάη, τη Βόρεια Βιρτζίνια και την περιοχή του κόλπου του Σαν Φρανσίσκο. 

Σύμφωνα με τις εκτιμήσεις της Goldman Sachs Research, μέχρι το τέλος του 2030 θα υπάρχουν περίπου 122 GW χωρητικότητας κέντρων δεδομένων σε λειτουργία. Λόγω των υψηλότερων απαιτήσεων επεξεργασίας των φορτίων εργασίας AI, η πυκνότητα χρήσης ενέργειας στα κέντρα δεδομένων πιθανότατα θα αυξηθεί επίσης στα 176 κιλοβατώρα ανά τετραγωνικό πόδι σε δύο χρόνια.

Με τα κέντρα δεδομένων να συμβάλλουν στην αυξανόμενη ανάγκη για ενέργεια, το ηλεκτρικό δίκτυο θα χρειαστεί επίσης σημαντικές επενδύσεις, που εκτιμώνται στα 720 δισεκατομμύρια δολάρια δαπανών δικτύου μέχρι το 2030.

Επιπλέον, οι εκπομπές διοξειδίου του άνθρακα των κέντρων δεδομένων μπορούν επίσης να διπλασιαστούν μεταξύ 2022 και 2030. Έτσι, η κατανάλωση ηλεκτρικής ενέργειας των κέντρων δεδομένων, η οποία είναι αυτή τη στιγμή 1-2% της συνολικής ενέργειας και πιθανότατα θα αυξηθεί στο 3-4% μέχρι το τέλος της δεκαετίας, έχει γίνει πηγή ανησυχίας, αν και δεν είναι εντελώς άσκοπο.

Οι αριθμοί, αν και τεράστιοι, είναι μετριοπαθείς όταν εξετάζονται στο ευρύτερο πλαίσιο της παγκόσμιας αύξησης της συνολικής κατανάλωσης ηλεκτρικής ενέργειας, η οποία προβλέπεται από την IEA να αυξηθεί κατά 6.750 TWh μέχρι το 2030, ενισχυμένη όχι μόνο από την AI αλλά και από τη συνεχιζόμενη οικονομική ανάπτυξη, τα ηλεκτρικά οχήματα, τα κλιματιστικά και τη βιομηχανία με υψηλή ενεργειακή κατανάλωση.

Επιπλέον, όχι μόνο η ταχύτητα χρήσης της AI παραμένει αβέβαιη, αλλά οι συνεχείς βελτιώσεις στην αποδοτικότητα τόσο του υλικού όσο και του λογισμικού μπορούν να βοηθήσουν στην αντιμετώπιση των ενεργειακών απαιτήσεων της τεχνολογίας AI.

Η αποδοτικότητα των υπολογιστικών τσιπ που σχετίζονται με την AI έχει διπλασιαστεί περίπου κάθε 2,5-3 χρόνια. Ένα σύγχρονο τσιπ AI καταναλώνει τώρα 99% λιγότερη ενέργεια ενώ εκτελεί τους ίδιους υπολογισμούς με ένα μοντέλο του 2008. Επιπλέον, τα ίδια τα μοντέλα AI γίνονται πιο αποδοτικά. Σε συνδυασμό με νέες τεχνολογίες ψύξης και καινοτόμες επιστημονικές λύσεις, αυτές οι εξελίξεις μειώνουν τη χρήση ενέργειας και ελαχιστοποιούν τις περιβαλλοντικές τους επιπτώσεις.

Κάντε κλικ εδώ για να μάθετε γιατί η παραδοσιακή αποθήκευση δεν μπορεί να συμβαδίσει με την AI.

Επιστήμονες Αναπτύσσουν μια Επαναστατική Λύση 

Εικονογραφική εικόνα. Δεν είναι πραγματική φωτογραφία.

Στο πλαίσιο της εξέλιξης της AI και των αυξανόμενων ενεργειακών της απαιτήσεων, ερευνητές στην Ιαπωνία έχουν αναπτύξει μια καινοτόμο σπιντρονική συσκευή που υπόσχεται σημαντική μείωση της κατανάλωσης ενέργειας επιτρέποντας τον ηλεκτρικό έλεγχο των μαγνητικών καταστάσεων. 

Αυτή η επανάσταση μπορεί να μεταμορφώσει το υλικό AI δημιουργώντας τσιπ που αντικατοπτρίζουν τον τρόπο λειτουργίας των νευρωνικών δικτύων και είναι πολύ πιο ενεργειακά αποδοτικά. Αντί να χρησιμοποιούν ηλεκτρικό ρεύμα για την αποθήκευση πληροφοριών, αυτές οι συσκευές χρησιμοποιούν την περιστροφή των ηλεκτρονίων για το ίδιο σκοπό, καθιστώντας τα πιο γρήγορα και πιο αποδοτικά.

Οι σπιντρονικές συσκευές χρησιμοποιούνται σε συσκευές μαζικής αποθήκευσης και υπολογιστές για την αύξηση της ταχύτητας και της απόδοσης των υπολογιστών.

Ερευνητές από το Εθνικό Ινστιτούτο Επιστήμης Υλικών, το Πανεπιστήμιο Tohoku και τον Ιαπωνικό Οργανισμό Ατομικής Ενέργειας χρησιμοποιούν τώρα αυτή τη συσκευή για τσιπ AI χαμηλής κατανάλωσης και παρουσίασαν μια απόδειξη-έννοιας συσκευής με προγραμματισμένο ρεύμα spin-orbit torque (SOT).

Το SOT προσφέρει έναν υποσχόμενο μηχανισμό για την ηλεκτρική κωδικοποίηση πληροφοριών σε μαγνητικές καταστάσεις. Ωστόσο, στα υπάρχοντα σχήματα, καθορίζεται παθητικά από το υλικό και τις δομές της συσκευής. 

“Ενώ η έρευνα στη σπιντρονική έχει σημειώσει σημαντική πρόοδο στον ηλεκτρικό έλεγχο της μαγνητικής τάξης, οι περισσότερες υπάρχουσες σπιντρονικές συσκευές διαχωρίζουν το ρόλο του μαγνητικού υλικού ώστε να ελέγχεται και το υλικό που παρέχει τη δύναμη κίνησης.”

– Σουνσούκε Φουκάμι, Πανεπιστήμιο Tohoku

Οι σπιντρονικές συσκευές, μόλις κατασκευαστούν, έχουν ένα σταθερό σχήμα λειτουργίας με το οποίο συνήθως αλλάζουν τις πληροφορίες σε δυαδικό τρόπο· από “0” σε “1”. Η νέα έρευνα, ωστόσο, έχει σημειώσει πρόοδο στον ηλεκτρικά προγραμματιζόμενο διακόπτη πολλαπλών μαγνητικών καταστάσεων. Η διαχείριση της ενδογενούς πολικότητας του SOT επιτρέπει ευέλικτα προγραμματιζόμενες συσκευές SOT.

Σύμφωνα με τα αποτελέσματα της μελέτης που δημοσιεύτηκε στο Nature Communications ¹ αυτόν τον μήνα, αυτή η σπιντρονική συσκευή επιτρέπει τον ηλεκτρικό αμοιβαίο έλεγχο μη-γραμμικών αντιμαγνητών και φερρομαγνητών για αποδοτική εναλλαγή των μαγνητικών καταστάσεων. 

Ο ηλεκτρικός έλεγχος των μαγνητικών καταστάσεων αποτελεί τη βάση της μαγνητικής μνήμης, λογικής και υπολογισμού, και το SOT προσφέρει μια αποδοτική προσέγγιση για τον έλεγχό τους. 

Αυτό σημαίνει ότι η επαναστατική συσκευή SOT μπορεί να αποθηκεύει και να επεξεργάζεται πληροφορίες πολύ παρόμοια με ένα AI τσιπ εμπνευσμένο από τον εγκέφαλο, χρησιμοποιώντας σημαντικά λιγότερη ενέργεια, ανοίγοντας το δρόμο για μια νέα γενιά υλικού AI που είναι εξαιρετικά αποδοτικό και εξοικονομεί ενέργεια.

Η μελέτη χρησιμοποίησε το Mn3Sn, έναν μη-γραμμικό αντιμαγνήτη, ως το κύριο μαγνητικό υλικό και εφάρμοσε σε αυτό ηλεκτρικό ρεύμα, το οποίο οδήγησε στην παραγωγή ενός σπιντ ρεύματος που προκάλεσε την εναλλαγή του CoFeB, του γειτονικού φερρομαγνήτη. Αυτό έγινε μέσω μιας διαδικασίας που ονομάζεται μαγνητικό φαινόμενο spin Hall.

Το φαινόμενο spin Hall (SHE) είναι ένα βασικό στοιχείο της σύγχρονης σπιντρονικής που επιτυγχάνει τη «σύνδεση μεταξύ ρευμάτων φορτίου και συλλογικής δυναμικής σπιντ σε μαγνητικά διατεταγμένα συστήματα».

Προηγούμενη έρευνα² από το Πανεπιστήμιο Tohoku, σε συνεργασία με άλλα ινστιτούτα, έδειξε ότι σε σύγκριση με μη-μαγνητικά υλικά, οι αντιμαγνήτες έχουν ισχυρότερες ιδιότητες spin Hall. Επίσης, στο Mn3Sn, το SHE παρουσιάζει μια ανώμαλη αλλαγή προσήμου όταν οι τριγωνικά διατεταγμένες στιγμές του αλλάζουν προσανατολισμό. Επιπλέον, αποδίδεται στο Mn3Sn το υψηλό μαγνητικό μηχανισμό του λόγω του διαχωρισμού σπιντ, το οποίο εξαρτάται από την ορμή και παράγεται από τη μη-γραμμική μαγνητική τάξη, επεκτείνοντας το πεδίο της αντιμαγνητικής σπιντρονικής.

Στην πιο πρόσφατη έρευνα, ο φερρομαγνήτης αντέδρασε στο ρεύμα με πόλωση σπιντ και, πάνω από αυτό, επηρέασε τη μαγνητική κατάσταση του Mn3Sn. Αυτό επέτρεψε τον ηλεκτρικό αμοιβαίο διακόπτη μεταξύ των δύο υλικών.

Η ομάδα πραγματικά έδειξε στο πείραμά της ότι οι πληροφορίες που γράφονται στον φερρομαγνήτη μπορούν να ελεγχθούν ηλεκτρικά με τη βοήθεια της μαγνητικής κατάστασης του Mn3Sn. Κατάφεραν να αλλάξουν τη μαγνητοποίηση του CoFeB σε διαφορετικές διαδρομές που αντιπροσωπεύουν πολλαπλές καταστάσεις, ρυθμίζοντας το καθορισμένο ρεύμα.

Αυτή η πολικότητα του ρεύματος που αλλάζει το πρόσημο των γραμμένων πληροφοριών, το οποίο αποτελεί έναν αναλογικό μηχανισμό εναλλαγής, είναι μια βασική λειτουργία στα νευρωνικά δίκτυα και μιμείται τον τρόπο λειτουργίας των αναλογικών τιμών στην επεξεργασία AI.

Η ανακάλυψη, σύμφωνα με τον Φουκάμι, αποτελεί μια κρίσιμη προόδους στην παραγωγή πιο ενεργειακά αποδοτικών τσιπ AI. 

“Με την υλοποίηση του ηλεκτρικού αμοιβαίου διακόπτη μεταξύ ενός μη-γραμμικού αντιμαγνήτη και ενός φερρομαγνήτη, ανοίξαμε νέες δυνατότητες για νευρωνικά δίκτυα προγραμματιζόμενα από ρεύμα,” πρόσθεσε, σημειώνοντας ότι η εστίασή τους είναι τώρα στην “περαιτέρω μείωση των λειτουργικών ρευμάτων και αύξηση των σημάτων ανάγνωσης, κάτι που θα είναι κρίσιμο για πρακτικές εφαρμογές σε τσιπ AI”.

Με τα κέντρα δεδομένων να καταναλώνουν τόσο ενέργεια, μια άλλη μελέτη στόχευε στη μείωση της κατανάλωσης ενέργειας με τη μνήμη SOT Magnetic Random-Access Memory (MRAM).

Αυτή η ξεχωριστή μελέτη³, η οποία δημοσιεύτηκε στο Nature Communications τον προηγούμενο μήνα, προέρχεται από ερευνητές του Πανεπιστημίου Johannes Gutenberg στο Μάιντς (JGU), οι οποίοι ανέπτυξαν μια ισχυρή και εξαιρετικά αποδοτική λύση για την επεξεργασία και αποθήκευση δεδομένων, μειώνοντας ταυτόχρονα την κατανάλωση ενέργειας.

Το πρωτότυπο “ανοίγει το δρόμο για πιο γρήγορες, πιο αποδοτικές λύσεις μνήμης,” δήλωσε ο κύριος συγγραφέας της μελέτης, Δρ. Ραχούλ Γκούπτα, ο οποίος είναι πρώην μεταδιδακτορικός ερευνητής στο Ινστιτούτο Φυσικής του JGU.

Βασίζεται στη SOT MRAM, η οποία είναι γνωστή για την ανώτερη ενεργειακή αποδοτικότητά της, τη μη-εξατμισιμότητα και την απόδοση σε σύγκριση με τη στατική RAM. Η τεχνολογία που χρησιμοποιεί ηλεκτρικά ρεύματα για την εναλλαγή μαγνητικών καταστάσεων αντιμετωπίζει προκλήσεις όσον αφορά τη μείωση του υψηλού εισαγόμενου ρεύματος που απαιτείται κατά τη διαδικασία εγγραφής. Αυτό σημαίνει διατήρηση επαρκούς θερμικής σταθερότητας για την αποθήκευση των δεδομένων για μεγάλο χρονικό διάστημα και ελαχιστοποίηση της ενέργειας που απαιτείται για την εκτέλεση του αποθηκευτικού έργου.

Αντί του SHE, αυτή η μελέτη χρησιμοποίησε το Orbital Hall Effect (OHE), όπου μια εγκάρσια ροή ορbιτικής γωνιακής ορμής παράγεται σε ένα υλικό όταν εφαρμόζεται ηλεκτρικό ρεύμα. Χρησιμοποιώντας αυτό το φαινόμενο, οι ερευνητές κατάφεραν να επιτύχουν μεγαλύτερη ενεργειακή αποδοτικότητα χωρίς να εξαρτώνται από ακριβά ή σπάνια υλικά.

Το μοναδικό μαγνητικό υλικό που αναπτύχθηκε χρησιμοποιεί στοιχεία όπως το ρουθένιο ως κανάλι SOT για την ενίσχυση της απόδοσης. Με αυτόν τον τρόπο, η ομάδα κατάφερε να επιτύχει μείωση του εισαγόμενου ρεύματος κατά 20%, αύξηση της αποδοτικότητας κατά 30% και μείωση της συνολικής κατανάλωσης ενέργειας κατά πάνω από 50%.

Εταιρείες που Ηγούνται

Τώρα, ας ρίξουμε μια ματιά σε εξέχοντα ονόματα που βοηθούν στην προώθηση του χώρου AI:

1. NVIDIA Corporation

Η Nvidia (NVDA ) σχεδιάζει και κατασκευάζει μονάδες επεξεργασίας γραφικών ή GPU. Ένα GPU είναι ένα ηλεκτρονικό κύκλωμα που εκτελεί μαθηματικούς υπολογισμούς με υψηλή ταχύτητα και αποτελεί δημοφιλή επιλογή για την ανάπτυξη μοντέλων AI.

Κατά την τελευταία δεκαετία, η εταιρεία έχει βελτιώσει σημαντικά την απόδοση ανά watt των GPU της, έως και 4.000 φορές, σύμφωνα με τον κύριο επιστήμονα William Dally, και συνεχίζει να αναπτύσσει εξειδικευμένα κυκλώματα σε αυτά τα τσιπ που είναι ειδικά σχεδιασμένα για υπολογισμούς AI.

Η Nvidia είναι η δεύτερη μεγαλύτερη εταιρεία παγκοσμίως κατά κεφαλαιοποίηση αγοράς 3,21 τρισεκατομμυρίων δολαρίων. Οι μετοχές της διαπραγματεύονται αυτή τη στιγμή στα 130,86 δολάρια, με πτώση 2,35% ετησίως. Το EPS (TTM) της εταιρείας είναι 2,54 και ο δείκτης P/E (TTM) είναι 51,67, ενώ η απόδοση μερισμάτων είναι 0,03%.

Όσον αφορά τα οικονομικά της εταιρείας, η Nvidia θα δημοσιεύσει τα στοιχεία του 4ου τριμήνου FY25 στις 26 Φεβρουαρίου. Τώρα, για το Q3, τα κέρδη GAAP ανά αραίωση μετοχής ήταν 0,78 δολάρια και τα κέρδη μη-GAAP ανά αραίωση μετοχής ήταν 0,81 δολάρια.

Για αυτό το τρίμηνο, η Nvidia ανακοίνωσε έσοδα ρεκόρ 35,1 δισεκατομμυρίων δολαρίων, αύξηση 17% από το Q2 και 94% από το προηγούμενο έτος. Τα έσοδα της από κέντρα δεδομένων ανήλθαν σε 30,8 δισεκατομμύρια δολάρια. Για το Q4, προέβλεψε έσοδα 37,5 δισεκατομμυρίων δολαρίων.

“Η εποχή της AI είναι σε πλήρη άνθιση, προωθώντας μια παγκόσμια στροφή στην υπολογιστική NVIDIA,” είπε ο Διευθύνων Σύμβουλος και ιδρυτής Jensen Huang, επισημαίνοντας τη “απίστευτη” ζήτηση για το Hopper καθώς και την προσδοκία για το Blackwell, που επιτρέπει υπολογισμούς υψηλών επιδόσεων (HPC) για επιταχυμένη εκπαίδευση, επαγωγή και αποδοτικότητα στην γενετική AI.

Η Nvidia έχει περάσει από μια φανταστική πορεία, καθώς η τιμή της μετοχής της αυξήθηκε από κάτω των 11 δολαρίων τον Οκτ. 2022 σε πάνω από 152 δολάρια στις αρχές Ιανουαρίου 2025. Πρόσφατα, έχασε λίγο όγκο μετά την κυκλοφορία του νέου μοντέλου AI από την κινεζική startup DeepSeek. Η αρχική αντίληψη ήταν ότι η DeepSeek θα υπονόμευε τη ζήτηση για τα υψηλής απόδοσης GPU της Nvidia, αλλά μπορεί στην πραγματικότητα να είναι θετική για τη Nvidia, καθώς οι χαμηλότερες ανάγκες υπολογιστικής ισχύος της startup μπορεί να ανοίξουν περισσότερες ευκαιρίες AI, ενισχύοντας τις τιμές του μεγαλύτερου κατασκευαστή τσιπ.

“Η AI μετασχηματίζει κάθε βιομηχανία, εταιρεία και χώρα,” είπε ο Huang κατά τα οικονομικά του τελευταίου τριμήνου και πρόσθεσε ότι οι επιχειρήσεις υιοθετούν AI με πράκτορες, ενώ σημειώνονται προόδους στην φυσική AI στη βιομηχανική ρομποτική. Οι χώρες, πρόσθεσε, έχουν επίσης ξυπνήσει στην σημασία της δημιουργίας της δικής τους υποδομής AI.

#2. Broadcom Inc.

Η Broadcom (AVGO ) βρίσκεται μεταξύ των 10 μεγαλύτερων εταιρειών, με κεφαλαιοποίηση αγοράς 1,1 τρισεκατομμυρίων δολαρίων. Εμπλέκεται στον σχεδιασμό, την ανάπτυξη και την προμήθεια μιας ευρείας γκάμας ημιαγωγών και λύσεων λογισμικού υποδομής. Η εταιρεία έχει συνεργασίες με μεγάλους παίκτες όπως η Google, η Meta Platforms (META ) και η ByteDance. Επίσης συνεργάζεται με την OpenAI και την Apple (AAPL ) για την κατασκευή των δικών τους τσιπ AI.

Κατά τη συγγραφή, οι μετοχές της Broadcom διαπραγματεύονται στα 235 δολάρια, με άνοδο 1,95% ετησίως. Το EPS (TTM) της εταιρείας είναι 1,28 και ο δείκτης P/E (TTM) είναι 184,78, ενώ η απόδοση μερισμάτων είναι 1%.

Τώρα, στο 4ο τρίμηνο του 2024, η Broadcom είχε έσοδα άνω των 14 δισεκατομμυρίων δολαρίων, αύξηση 51% σε σχέση με την προηγούμενη χρονική περίοδο, ενώ το καθαρό εισόδημα GAAP ήταν 4,324 δισεκατομμύρια δολάρια. Για το 1ο τρίμηνο του οικονομικού έτους 2025, η εταιρεία παρείχε πρόβλεψη εσόδων περίπου 14,6 δισεκατομμυρίων δολαρίων.

Στο τέταρτο τρίμηνο, τα έσοδα ημιαγωγών της εταιρείας έφτασαν σε ρεκόρ 30,1 δισεκατομμυρίων δολαρίων, κάτι που ο Διευθύνων Σύμβουλος και Πρόεδρος Hock Tan σημείωσε ότι οφείλεται στα έσοδα AI ύψους 12,2 δισεκατομμυρίων δολαρίων. Η ετήσια αύξηση 220% στα έσοδα AI τροφοδοτήθηκε από τα XPUs της.

Το GAAP diluted EPS της Broadcom ανήλθε στα 0,90 δολάρια και το μη-GAAP diluted EPS ήταν 1,42 δολάρια. Τα ταμειακά ροές από λειτουργίες ήταν 5,6 δισεκατομμύρια δολάρια. Η εταιρεία ανέφερε επίσης αύξηση 11% στο τριμηνιαίο μερίδιο κοινών μετοχών σε 0,59 δολάρια ανά μετοχή, που ήταν η δεκατέταρτη συνεχόμενη αύξηση. Η ελεύθερη ταμειακή ροή χωρίς αναδιάρθρωση ήρθε «ισχυρή» στα 21,9 δισεκατομμύρια δολάρια, ενώ τα μετρητά και τα ισοδύναμα μετρητών ήταν 9,348 δισεκατομμύρια δολάρια.

“Βλέπουμε την ευκαιρία μας στα επόμενα τρία χρόνια στην AI ως τεράστια. Συγκεκριμένοι υπερκλιμακωτές εταιρείες έχουν ξεκινήσει τις αντίστοιχες πορείες τους για την ανάπτυξη των δικών τους προσαρμοσμένων επιταχυντών AI.”

– Tan είπε στην κλήση κερδών

Μοιράστηκε επίσης ότι η εταιρεία αναπτύσσει τσιπ AI με τρεις μεγάλους πελάτες νέφους, καθένας από τους οποίους αναμένεται να εγκαταστήσει 1 εκατομμύριο τσιπ AI σε δικτυωμένα σμήνη μέχρι το 2027.

Συμπέρασμα

Καθώς η δημοτικότητα και η χρήση της τεχνητής νοημοσύνης συνεχίζουν να αυξάνονται, αυξάνεται και η ενεργειακή τους κατανάλωση. Τα μοντέλα AI, ιδιαίτερα η βαθιά μάθηση, απαιτούν σημαντική ποσότητα ενέργειας για υπολογισμούς, και οι συμβατικές λύσεις αντιμετωπίζουν όρια στην αποδοτικότητα ενέργειας.

Σε αυτό το πλαίσιο, η έρευνα που στοχεύει στη βελτίωση της ενεργειακής αποδοτικότητας των τσιπ AI και στη μείωση των περιβαλλοντικών τους επιπτώσεων μπορεί να βοηθήσει τον κόσμο να αξιοποιήσει το πλήρες δυναμικό της τεχνολογίας, μειώνοντας τα αρνητικά της αποτελέσματα.

Οι συσκευές μνήμης και λογικής βασισμένες στο SOT μπορούν να κάνουν μεγάλη διαφορά παρέχοντας μια λύση χαμηλής κατανάλωσης ενέργειας, χρησιμοποιώντας μαγνητικές καταστάσεις για υπολογισμούς αντί για λογική βασισμένη σε φορτίο. Η διατήρηση δεδομένων χωρίς συνεχές ρεύμα μπορεί να μειώσει το κόστος ενέργειας για την επαγωγή AI, να επιτρέψει πιο ενεργειακά αποδοτικούς επιταχυντές AI για λήψη αποφάσεων σε πραγματικό χρόνο μιμώντας τον εγκέφαλο, και να ενισχύσει την ταχύτητα επεξεργασίας των εργασιών AI ενσωματώνοντας λογική και μνήμη.

Συνεχείς προσπάθειες όπως αυτές κάνουν το υλικό και το λογισμικό AI πιο ενεργειακά αποδοτικά, ταχύτερα και ικανά να διαχειρίζονται σύνθετους υπολογισμούς, εν τέλει οδηγώντας σε ευρύτερη υιοθέτηση AI σε όλο το φάσμα των βιομηχανιών, μειώνοντας το αποτύπωμα άνθρακα!

Κάντε κλικ εδώ για να μάθετε γιατί το 2025 είναι το έτος των επενδύσεων που καθοδηγούνται από την AI.