Προόδους εμπνευσμένες από τη NVIDIA μειώνουν τις ενεργειακές απαιτήσεις εκπαίδευσης AI κατά 100 φορές

Η τεχνητή νοημοσύνη (AI) έχει καταλάβει ολόκληρο τον κόσμο, και κανένας τομέας δεν έχει παραμείνει ανεπηρέαστος από τη μαγεία αυτής της τεχνολογικής προόδου. Σήμερα, το 77% των συσκευών ενσωματώνει τεχνολογία AI, παρά το γεγονός ότι μόνο το ένα τρίτο των καταναλωτών πιστεύει ότι χρησιμοποιεί πλατφόρμες AI. 

Αυξάνεται ο αριθμός των οργανισμών που υιοθετούν AI για επιχειρηματική ανάπτυξη, με 9 στις 10 εταιρείες να υποστηρίζουν την τεχνολογία για ανταγωνιστικό πλεονέκτημα. Η χρήση αυτή προβλέπεται να εξαφανίσει 85 εκατομμύρια θέσεις εργασίας, αλλά ταυτόχρονα να δημιουργήσει 97 εκατομμύρια νέες. 

Αυτοί οι αριθμοί αντανακλούν τις εκτιμήσεις ότι η αγορά AI θα συνεισφέρει 15,7 τρισεκατομμύρια δολάρια στην παγκόσμια οικονομία μέχρι το 2030. Το μέγεθος της αγοράς AI αναμένεται επίσης να αυξηθεί τουλάχιστον κατά 120% ετησίως. 

Ωστόσο, καθώς η υιοθέτηση AI αυξάνεται, αυξάνεται και η ζήτηση ενέργειας για την τροφοδότηση των κέντρων δεδομένων, τα οποία είναι εξαιρετικά ενεργοβόρα. Η λειτουργία και ψύξη χιλιάδων διακομιστών όλο το εικοσιτετράωρο απαιτεί τεράστιες ποσότητες ενέργειας. Προς το παρόν, αυτή η ενέργεια λαμβάνεται από το ηλεκτρικό δίκτυο, γεγονός που προκαλεί προβλήματα κατά τις ώρες αιχμής και επιβαρύνει το σύστημα. Σύμφωνα με Chevron (CVX ) CEO Mike Wirth:

“Η αύξηση και η ζήτηση ενέργειας μπορούν να επιβαρύνουν ένα δίκτυο που είναι ήδη υπό πίεση. Θα μπορούσε να αυξήσει το κόστος για τους καταναλωτές. Το φυσικό αέριο θα βοηθήσει στην τροφοδότηση της ταχείας ανάπτυξης της τεχνητής νοημοσύνης με την αχόρταστη ζήτηση για αξιόπιστη ηλεκτρική ενέργεια.”

Σε απάντηση σε αυτή τη ζήτηση, η Chevron ανακοίνωσε πρόσφατα ότι θα συνεργαστεί με GE (GE ) Verona και Engine No. 1 για την παραγωγή ηλεκτρικής ενέργειας για AI, κατασκευάζοντας φυτά φυσικού αερίου που συνδέονται άμεσα με κέντρα δεδομένων.

Προς το παρόν, τα κέντρα δεδομένων αντιπροσωπεύουν περίπου το 1% της παγκόσμιας κατανάλωσης ηλεκτρικής ενέργειας, σύμφωνα με έκθεση του Διεθνούς Οργανισμού Ενέργειας (IEA). 

Αλλά αυτό είναι μόνο η αρχή, καθώς οι εταιρείες ξοδεύουν δισεκατομμύρια δολάρια για την κατασκευή ακόμη περισσότερων κέντρων δεδομένων. 

Microsoft (MSFT ) σχεδιάζει να επενδύσει 80 δισεκατομμύρια δολάρια σε κέντρα δεδομένων με δυνατότητα AI, με το ήμισυ του ποσού να διατεθεί στις ΗΠΑ. Σύμφωνα με τις εκτιμήσεις της Blackstone (BX ), πάνω από 1 τρισεκατομμύριο δολάρια θα επενδυθούν σε κέντρα δεδομένων των ΗΠΑ μέχρι το 2030, με την Google (GOOGL ), τη Meta (META ), και την Amazon (AMZN ) μεταξύ των τεχνολογικών γιγάντων που κατασκευάζουν κέντρα δεδομένων σε όλη τη χώρα.

Έτσι, η κατανάλωση ενέργειας του τομέα θα επιταχυνθεί περαιτέρω. Η Goldman Sachs (GS ) εκτιμά ότι η ζήτηση ενέργειας των κέντρων δεδομένων θα αυξηθεί κατά 160% τα επόμενα πέντε χρόνια, γεγονός που θα οδηγήσει φυσικά σε πρωτοφανή αύξηση της χρήσης ηλεκτρικής ενέργειας.

Σύμφωνα με τις εκτιμήσεις του Ινστιτούτου Έρευνας Ηλεκτρικής Ενέργειας (EPRI), η κατανάλωση ενέργειας από αυτές τις εγκαταστάσεις στις ΗΠΑ μπορεί να φτάσει μεταξύ 4,6% και 9,1% της συνολικής παραγωγής ηλεκτρικής ενέργειας μέχρι το τέλος της δεκαετίας. 

Εν τω μεταξύ, στην Ευρώπη, συγκεκριμένα στη Γερμανία, τα κέντρα δεδομένων κατανάλωσαν περίπου 16 δισεκατομμύρια kWh ενέργειας το 2020 για υπολογισμούς, αποθήκευση και μετάδοση, με την εκτίμηση ότι ο αριθμός αυτός θα αυξηθεί σε 22 δισεκατομμύρια kWh μέχρι το 2025.

Ως αποτέλεσμα, οι ερευνητές εξερευνούν συνεχώς τρόπους μείωσης των ενεργειακών απαιτήσεων της AI. 

Μείωση της Κατανάλωσης Ενέργειας από την AI

Η τεχνολογία AI παίζει καθοριστικό ρόλο στη βελτίωση της ενεργειακής αποδοτικότητας σε διάφορους τομείς, βελτιστοποιώντας την κατανάλωση ενέργειας, προβλέποντας τη ζήτηση και επιτρέποντας τη διαχείριση έξυπνων δικτύων, οδηγώντας τελικά σε μειωμένη σπατάλη ενέργειας και χαμηλότερες εκπομπές άνθρακα. 

Για παράδειγμα, η Vodafone UK χρησιμοποίησε AI για να μειώσει την καθημερινή κατανάλωση ενέργειας των 5G ραδιομονάδων (RUs) χρησιμοποιώντας προηγμένες λύσεις λογισμικού AI και μηχανικής μάθησης της Ericsson. Έχουν ήδη μειώσει επιτυχώς την κατανάλωση κατά 33% σε επιλεγμένες τοποθεσίες στο Λονδίνο.

Η Vodafone UK εφάρμοσε τρία κύρια χαρακτηριστικά εξοικονόμησης ενέργειας στο πλαίσιο του πειράματος. 

Αυτό περιλαμβάνει έναν Χάρτη Αποδοτικότητας Ραδιοσυχνότητας, ο οποίος χρησιμοποιεί ML για την αναγνώριση και κατάταξη υποαποδοτικών τοποθεσιών ώστε να βελτιωθεί η αποδοτικότητα μέσω οπτικής αναπαράστασης όλων των κυψελών του δικτύου. Στη συνέχεια υπάρχει η Ορχήστρωση Λειτουργίας Ύπνου Κυψελών 4G, η οποία ανέπτυξε ένα μοντέλο συμπεριφοράς των κυψελών του δικτύου για τη λεπτομερή ρύθμιση των παραμέτρων ύπνου, δημιουργώντας ισορροπία μεταξύ εξοικονόμησης ενέργειας και απόδοσης. Η 5G Deep Sleep, εν τω μεταξύ, χρησιμοποιεί αλγόριθμους πρόβλεψης με AI, μειώνοντας την κατανάλωση ενέργειας κατά 70% κατά τις ώρες μη αιχμής.

Αλλά τι γίνεται με την κατανάλωση ενέργειας της AI; Οι ερευνητές και οι εταιρείες στοχεύουν σε πολλούς διαφορετικούς τομείς για να μειώσουν την κατανάλωση ενέργειας αυτής της ταχέως αναπτυσσόμενης τεχνολογίας.

Αυτό περιλαμβάνει τη βελτιστοποίηση μοντέλων AI, τη χρήση ενεργειακά αποδοτικού υλικού και την υιοθέτηση βιώσιμων πρακτικών όπως η ανανεώσιμη ενέργεια και η αποδοτική ψύξη στα κέντρα δεδομένων.

Όσον αφορά τη βελτιστοποίηση μοντέλων AI, μπορούν να υιοθετηθούν διαφορετικές προσεγγίσεις όπως η περικοπή, η κβαντοποίηση και η απόσταξη. Στην περικοπή μοντέλου, αφαιρούνται περιττές παράμετροι και συνδέσεις από ένα μοντέλο χωρίς να επηρεάζεται η ακρίβεια. Η κβαντοποίηση αφορά τη μείωση της ακρίβειας των παραμέτρων του μοντέλου για τη μείωση των απαιτήσεων υπολογισμού και της κατανάλωσης ενέργειας. Στην απόσταξη, μικρότερα μοντέλα εκπαιδεύονται ώστε να μιμούνται τη συμπεριφορά ενός μεγαλύτερου, πιο σύνθετου μοντέλου, παρέχοντας ένα πιο ενεργειακά αποδοτικό μοντέλο με παρόμοια απόδοση. 

Όπως σημειώνει το MIT Technology Review στην ετήσια έκδοσή του, τα μικρότερα μοντέλα αποτελούν μία από τις τεχνολογικές επαναστάσεις που θα καθορίσουν την επόμενη εποχή. Αυτά τα μοντέλα εκπαιδεύονται σε πιο εξειδικευμένα σύνολα δεδομένων και μπορούν να προσφέρουν εξειδικευμένη ακρίβεια, αποδοτικότητα κόστους και ενισχυμένη ασφάλεια δεδομένων σε σύγκριση με τα μεγάλα γλωσσικά μοντέλα (LLMs). 

Το GPT-4o mini της OpenAI, το Phi της Microsoft, το Gemini Nano της Google DeepMind και το Haiku του Claude 3 της Anthropic είναι μερικά παραδείγματα μικρότερων εκδόσεων μεγαλύτερων μοντέλων AI από τεχνολογικούς γίγαντες.

Όσον αφορά το υλικό, η έμφαση έχει δοθεί στη χρήση GPU και άλλων εξειδικευμένων επεξεργαστών AI που έχουν σχεδιαστεί ειδικά για εργασίες υψηλής απόδοσης. 

Στη συνέχεια, υπάρχουν επιλεγμένοι ενεργειακά αποδοτικοί διακομιστές και επεξεργαστές που προσαρμόζουν τη χρήση ενέργειας ανάλογα με τις απαιτήσεις του φορτίου, η εικονικοποίηση για καλύτερη αξιοποίηση πόρων τρέχοντας πολλαπλές διεργασίες σε λιγότερες φυσικές μηχανές, και οι προηγμένες τεχνολογίες ψύξης που μειώνουν την ανάγκη για ενεργοβόρα συστήματα κλιματισμού.

Όπως μοιραστήκαμε μόλις τον περασμένο μήνα, ερευνητές από το Πανεπιστήμιο Tohoku, τον Ιαπωνικό Οργανισμό Ατομικής Ενέργειας και το Εθνικό Ινστιτούτο Επιστημών Υλικών επέτυχαν εξαιρετικά αποδοτικό και εξοικονομικό υλικό AI. Οι ερευνητές χρησιμοποίησαν συσκευές σπιντρονικής για χαμηλής κατανάλωσης τσιπ AI και παρουσίασαν μια συσκευή προγραμματισμένης ροής σπιντοροδίνη (SOT) που ανοίγει το δρόμο για μια νέα γενιά υλικού AI.

Άλλη μια μέθοδος μείωσης της κατανάλωσης ενέργειας από την AI είναι μέσω βιώσιμων πρακτικών. Τα κέντρα δεδομένων μπορούν να αξιοποιούν ανανεώσιμες πηγές ενέργειας, να εφαρμόζουν αποδοτικά συστήματα ψύξης και να σχεδιάζουν αποδοτικές διατάξεις για τη μείωση της κατανάλωσης ενέργειας.

Οι εταιρείες αναλαμβάνουν ενεργά δεσμεύσεις προς αυτό, με τη Google να προοδεύει στην γεωθερμική ενέργεια. Η Microsoft είναι άλλη μια, η οποία σχεδιάζει να ανοίξει ξανά το πυρηνικό εργοστάσιο Three Mile Island για να γίνει ουδέτερη ως προς το άνθρακα μέχρι το 2030.

Παράξενο, η AI χρησιμοποιείται για να φέρει ενεργειακή αποδοτικότητα στην ίδια την AI. Η τεχνολογία χρησιμοποιείται για τη βελτιστοποίηση της κατανάλωσης ενέργειας σε κτίρια και βιομηχανίες, προβλέποντας πότε χρειάζεται συντήρηση ο εξοπλισμός και μειώνοντας τη ζήτηση κορυφής αξιοποιώντας τις συνθήκες του δικτύου σε πραγματικό χρόνο.

Σε αυτό το πλαίσιο, ερευνητές από το Τεχνικό Πανεπιστήμιο του Μονάχου (TUM) ανέπτυξαν μια καινοτόμο μέθοδο που εκπαιδεύει νευρωνικά δίκτυα έως και 100 φορές πιο γρήγορα, μειώνοντας σημαντικά την κατανάλωση ενέργειας που σχετίζεται με τις εφαρμογές AI.

Για αυτό, οι ερευνητές υπολόγισαν τις παραμέτρους άμεσα βάσει πιθανοτήτων αντί για επαναληπτική προσέγγιση, αλλά τα αποτελέσματα μέχρι τώρα είναι συγκρίσιμα σε ποιότητα με τις υπάρχουσες επαναληπτικές μεθόδους.

Ένας Νέος Τρόπος για τη Σημαντική Μείωση της Κατανάλωσης Ενέργειας από την AI 

Εκτός από την αυξημένη χρήση της AI, η κυκλοφορία πιο σύνθετων εφαρμογών AI τα επόμενα χρόνια θα οδηγήσει σε σημαντική αύξηση των απαιτήσεων χωρητικότητας των κέντρων δεδομένων. 

Αυτές οι εφαρμογές θα καταναλώνουν τεράστιες ποσότητες ενέργειας για την εκπαίδευση νευρωνικών δικτύων. Έτσι, η νέα μελέτη επικεντρώνεται στη μείωση της τεράστιας ενέργειας που απαιτείται για την εκπαίδευση νευρωνικών δικτύων AI. 

Τα νευρωνικά δίκτυα χρησιμοποιούνται στην AI για την αναγνώριση εικόνων και την επεξεργασία γλώσσας, μεταξύ άλλων εργασιών. Η λειτουργία αυτών των δικτύων εμπνέεται από τον τρόπο λειτουργίας του ανθρώπινου εγκεφάλου.

Το νευρωνικό δίκτυο αποτελείται από αλληλοσυνδεδεμένους κόμβους που ονομάζονται τεχνητοί νευρώνες. Εδώ, τα σήματα εισόδου ζυγίζονται με συγκεκριμένες παραμέτρους πριν αθροιστούν και εάν το καθορισμένο όριο ξεπεραστεί, το σήμα μεταβιβάζεται στον επόμενο κόμβο.

Τώρα, για την εκπαίδευση του δικτύου, η αρχική επιλογή των τιμών των παραμέτρων είναι συνήθως τυχαία και στη συνέχεια προσαρμόζεται σταδιακά για τη βελτίωση των προβλέψεων του δικτύου.

Αυτή η προσέγγιση, φυσικά, απαιτεί πολλές επαναλήψεις, καθιστώντας την εκπαίδευση εξαιρετικά απαιτητική, με αποτέλεσμα τη μεγάλη κατανάλωση ηλεκτρικής ενέργειας.

Έτσι, μια ομάδα ερευνητών υπό την ηγεσία του Felix Dietrich, καθηγητή Φυσικής-ενισχυμένης Μηχανικής Μάθησης, ανέπτυξε μια νέα μέθοδο. Ο Dietrich είναι βασικό μέλος του Munich Data Science Institute (MDSI) και συνεργάτης του Munich Center for Machine Learning (MCML).

Αυτή η νέα τεχνική χρησιμοποιεί πιθανότητες αντί να καθορίζει επανειλημμένα τις παραμέτρους μεταξύ των κόμβων. Αυτή η probabilistic μέθοδος χρησιμοποιεί στοχευμένα τιμές σε κρίσιμες θέσεις των δεδομένων εκπαίδευσης, όπου συμβαίνουν μεγάλες και γρήγορες αλλαγές τιμών. 

Με αυτήν την προσέγγιση, η μελέτη στοχεύει στην εξαγωγή ενεργειακά εξοικονομικών δυναμικών συστημάτων από τα δεδομένα. Τέτοια δυναμικά συστήματα αλλάζουν με το χρόνο σύμφωνα με κανόνες. Αυτά τα συστήματα μπορούν να βρεθούν στις χρηματοοικονομικές αγορές και στα κλιματικά μοντέλα.

«Η μέθοδός μας καθιστά δυνατή την καθορισμό των απαιτούμενων παραμέτρων με ελάχιστη υπολογιστική ισχύ. Αυτό μπορεί να κάνει την εκπαίδευση των νευρωνικών δικτύων πολύ πιο γρήγορη και, ως αποτέλεσμα, πιο ενεργειακά αποδοτική. Επιπλέον, έχουμε παρατηρήσει ότι η ακρίβεια της νέας μεθόδου είναι συγκρίσιμη με αυτή των επαναληπτικά εκπαιδευμένων δικτύων.»

– Dietrich

Αυτή η πρόοδος έχει τη δυνατότητα να μειώσει σημαντικά το περιβαλλοντικό αποτύπωμα της AI μειώνοντας την ενέργεια που απαιτείται για την εκπαίδευση νευρωνικών δικτύων. Θα μπορούσαμε να δούμε βιομηχανίες που υλοποιούν μεγάλης κλίμακας μοντέλα AI να υιοθετούν αυτή τη μέθοδο μέσα στα επόμενα 1 έως 3 χρόνια, οδηγώντας σε πιο βιώσιμες και οικονομικά αποδοτικές λύσεις AI.

Καινοτόμος Εταιρεία

NVIDIA Corporation

Ηγέτης στην υπολογιστική AI, η NVIDIA (NVDA ) αναπτύσσει ενεργειακά αποδοτικές GPU και επιταχυντές AI, καινοτομώντας συνεχώς για τη βελτίωση της απόδοσης ενώ μειώνει την κατανάλωση ενέργειας.​

Τον περασμένο χρόνο στο AI Summit DC, η εταιρεία ανέφερε ότι η κατανάλωση ενέργειας των GPU της έχει μειωθεί κατά 2.000 φορές στην εκπαίδευση κατά την τελευταία δεκαετία. Κατά τη διάρκεια αυτής της περιόδου, σημειώθηκε επίσης μείωση ενέργειας κατά 100.000 φορές στην παραγωγή tokens. Η βελτίωση στην αποδοτικότητα ήταν 2.000 φορές, ενώ η απόδοση υπολογισμών βελτιώθηκε 4.000 φορές τα τελευταία δέκα χρόνια.

Σύμφωνα με τον Bob Pette, VP της Nvidia για πλατφόρμες επιχειρήσεων εκείνη την εποχή:

“Αν τα αυτοκίνητα είχαν βελτιώσει την αποδοτικότητά τους όσο βελτιώσαμε την απόδοση της επαγωγής, θα μπορούσατε να διανύσετε πάνω από 300 χρόνια με ένα μόνο ρεζερβουάρ βενζίνης. Στον πυρήνα της επιταχυμένης υπολογιστικής βρίσκεται η βιώσιμη υπολογιστική.”

Το Blackwell της Nvidia είναι η νέα κορυφαία αρχιτεκτονική GPU, που ακολουθεί το Hopper και έχει σχεδιαστεί για να ενισχύσει την απόδοση AI «με σημαντικό τρόπο». Αυτή η πλατφόρμα είναι εξοπλισμένη με το πιο ισχυρό chip παγκοσμίως, τη δεύτερης γενιάς μηχανή μετασχηματιστών και την πέμπτης γενιάς NVLink, ενώ είναι εξαιρετικά ενεργειακά αποδοτική για επαγωγή και εκπαίδευση.

Η NVIDIA Corporation είναι στην πραγματικότητα μια εταιρεία υποδομής υπολογιστών πλήρους στοίβας, με τμήματα που περιλαμβάνουν Compute & Networking και Graphics.

Το Compute & Networking καλύπτει κέντρα δεδομένων, δικτύωση, λύσεις αυτόνομων και ηλεκτρικών οχημάτων, υπηρεσίες υπολογιστικού νέφους DGX, και Jetson, ενώ το τμήμα Graphics καλύπτει τις GPU GeForce, το GeForce NOW, το λογισμικό εικονικών GPU, τις GPU NVIDIA RTX και το λογισμικό Omniverse Enterprise.

Με κεφαλαιοποίηση αγοράς 2,96 τρισεκατομμυρίων δολαρίων, οι μετοχές της NVIDIA, κατά τη στιγμή της συγγραφής, διαπραγματεύονται στα 121,50 δολάρια, με πτώση 9,4% ετησίως. Η εταιρεία έχει EPS (TTM) 2,94 και P/E (TTM) 41,40, ενώ η απόδοση μερισμάτων είναι 0,03%.

Παρά την πτώση των τιμών των μετοχών της NVIDIA που παρατηρείται πρόσφατα, κάτι που δεν είναι αποκλειστικό για τον κατασκευαστή τσιπ, η εταιρεία συνεχίζει να προσελκύει επενδυτές. Τελικά, η αξία της μετοχής της έχει εκτοξευθεί πάνω από 1.800% από το 2020, καθιστώντας την μία από τις πιο πολύτιμες εταιρείες παγκοσμίως.

Το ενδιαφέρον για τη NVIDIA είναι ιδιαίτερα έντονο μεταξύ των νέων επενδυτών, καθώς ξεπερνά την Tesla (TSLA ) ως την πιο διακρατούμενη μετοχή στο Robinhood (HOOD ). Η πλειονότητα (75%) των χρηματοδοτούμενων λογαριασμών σε αυτήν την πλατφόρμα χωρίς προμήθεια ανήκει σε Millennials και Gen Z. 

Ο CEO του Robinhood, Vlad Tenev, πιστεύει επίσης ότι η Nvidia θα γίνει πιο σημαντική από ποτέ, χάρη στην AI.

“Πιστεύω ότι η AI θα κάνει τις επενδύσεις πιο σημαντικές, επειδή εάν ο έλεγχος της τεχνολογίας θα κεντρωθεί στις εταιρείες τεχνολογίας, τότε πρέπει να είστε επενδυτής σε αυτές τις εταιρείες για να επωφεληθείτε.”

– Tenev

Όσον αφορά τα οικονομικά της εταιρείας, η Nvidia ανακοίνωσε το τέταρτο τρίμηνο που έληξε στις 26 Ιανουαρίου 2025, αποκαλύπτοντας έσοδα 39,3 δισεκατομμυρίων δολαρίων, αύξηση 12% και 78% σε σχέση με το προηγούμενο τρίμηνο και το προηγούμενο έτος, αντίστοιχα. 

Στο τμήμα κέντρων δεδομένων, τα έσοδα της εταιρείας για το τέταρτο τρίμηνο έφτασαν σε ρεκόρ 35,6 δισεκατομμύρια δολάρια. Κατά τη διάρκεια αυτής της περιόδου, η NVIDIA επιλέχθηκε ως βασικός τεχνολογικός εταίρος του έργου Stargate αξίας 500 δισεκατομμυρίων δολαρίων.

Άλλες εξελίξεις περιλαμβάνουν παρόχους υπηρεσιών νέφους όπως AWS, CoreWeave (CRWV ), Google Cloud Platform (GCP), Microsoft Azure και Oracle (ORCL ) Cloud Infrastructure (OCI) που χρησιμοποιούν συστήματα NVIDIA® GB200 για την κάλυψη της αυξανόμενης ζήτησης AI, καθιστώντας την πλατφόρμα υπολογισμού AI NVIDIA DGX™ Cloud και τις μικρουπηρεσίες NVIDIA NIM™ διαθέσιμες μέσω AWS Marketplace, την Cisco που ενσωματώνει το NVIDIA Spectrum-X™ στο χαρτοφυλάκιο δικτύωσης, τη συνεργασία με τη Verizon για ενσωμάτωση του NVIDIA AI Enterprise, και τη συνεργασία με IQVIA (IQV ), Mayo Clinic, Illumina και Arc Institute για την προώθηση της ανακάλυψης φαρμάκων, της γονιδιωματικής και της υγειονομικής περίθαλψης.

Τα έσοδα από Gaming και AI PC μειώθηκαν σε 2,5 δισεκατομμύρια δολάρια, ενώ η NVIDIA ανακοίνωσε νέες κάρτες γραφικών GeForce RTX™ 50 Series και φορητούς υπολογιστές με αρχιτεκτονική Blackwell, κυκλοφόρησε τις κάρτες γραφικών GeForce RTX 5090 και 5080 και παρουσίασε το DLSS 4. 

Εκτός από αυτά, τα έσοδα από επαγγελματική Οπτικοποίηση ανήλθαν σε 511 εκατομμύρια δολάρια και 570 εκατομμύρια δολάρια προέρχονται από το τμήμα Αυτοκινήτων και Ρομποτικής.

Κατά το τρίμηνο αυτό, τα κέρδη GAAP ανά αραίωση μετοχής της εταιρείας ήταν 0,89 δολάρια, αυξημένα κατά 14% σε σχέση με το προηγούμενο τρίμηνο και κατά 82% σε σχέση με το προηγούμενο έτος. Τα μη-GAAP κέρδη ανά αραίωση μετοχής ήταν επίσης 0,89 δολάρια.

Για το οικονομικό έτος 2025, τα έσοδα ανήλθαν σε 130,5 δισεκατομμύρια δολάρια, με αύξηση 114% σε σχέση με το προηγούμενο έτος. Τα κέρδη GAAP ανά αραίωση μετοχής για την περίοδο ήταν 2,94 δολάρια και τα μη-GAAP κέρδη ανά αραίωση μετοχής ήταν 2,99 δολάρια. 

«Η ζήτηση για το Blackwell είναι καταπληκτική καθώς η AI λογικής προσθέτει έναν ακόμη νόμο κλιμάκωσης — η αύξηση του compute για την εκπαίδευση κάνει τα μοντέλα πιο έξυπνα και η αύξηση του compute για τη μακρά σκέψη κάνει την απάντηση πιο έξυπνη.»

– Διευθύνων Σύμβουλος και ιδρυτής Jensen Huang

Έτσι, η εταιρεία έχει ενισχύσει την παραγωγή των υπερυπολογιστών Blackwell AI, επιτυγχάνοντας πωλήσεις δισεκατομμυρίων δολαρίων.

Για το πρώτο τρίμηνο του οικονομικού έτους 2026, η εταιρεία προβλέπει έσοδα 43 δισεκατομμυρίων δολαρίων, λειτουργικά έξοδα GAAP 5,2 δισεκατομμύρια δολάρια και άλλα μη-GAAP έσοδα περίπου 400 εκατομμύρια δολάρια.

“Η AI προοδεύει με ταχύτητα φωτός καθώς η πράκτορια AI και η φυσική AI θέτουν το σκηνικό για το επόμενο κύμα AI που θα επαναπροσδιορίσει τις μεγαλύτερες βιομηχανίες.”

– Huang

Τελευταία Ειδήσεις για την NVIDIA Corporation

Συμπέρασμα

Η AI πρόκειται να επαναπροσδιορίσει τις επιχειρήσεις σε όλους τους τομείς, αλλά αυτό σημαίνει μια πρωτοφανή αύξηση της ζήτησης ενέργειας. Αυτή η ζήτηση παρουσιάζει μια μεγάλη πρόκληση, την οποία πολλοί ερευνητές προσπαθούν να ξεπεράσουν. 

Η ανάπτυξη μιας νέας probabilistic μεθόδου εκπαίδευσης αποτελεί σημαντική πρόοδο στην ενεργειακά αποδοτική AI, μειώνοντας τις ενεργειακές ανάγκες έως και 100 φορές. Με την προβλεπόμενη αύξηση της κατανάλωσης ενέργειας από την AI καθώς τα κέντρα δεδομένων επεκτείνονται, αυτή η πρόοδος θα μπορούσε να μειώσει σημαντικά το λειτουργικό κόστος και το περιβαλλοντικό αποτύπωμα. 

Σε συνδυασμό με την εστίαση της Nvidia σε ενεργειακά αποδοτικές GPU και επιταχυντές AI, αυτές οι καινοτομίες μπορούν να βοηθήσουν στην επιτάχυνση της υιοθέτησης AI και στην ενίσχυση της παραγωγικότητας.

Κάντε κλικ εδώ για να μάθετε τα πάντα σχετικά με την επένδυση στην τεχνητή νοημοσύνη.