輝達NVDA上半年漲不停，未來小心這2大威脅（上）

本篇您將了解2件事：

1.市場看好輝達的理由是什麼？

2.這個理由足以支撐輝達長期上漲嗎？

上半年的AI競賽中，每家公司最想證明的就是能利用大型語言模型（LLM）所建構的生成式 AI，帶給公司變現以及成長的機會，儘管這些應用未來會如何發展是個未知數，但無疑的是，AI的發展都需要有一定的算力和完整生態系的支撐，在這之中輝達（美股代號：NVDA）技術的領先者，這也使其股票為上半年 S&P500中的最大贏家。

本文並不會一昧看多輝達未來的發展，而是想檢視目前的看多論述是否為一個長久、有力，且足以支撐輝達股價不斷上漲的動能。

市場上看多輝達主要是基於 LLM模型所需的參數量會越來越大，也就是模型越來越大，同時代表需要更多算力來訓練模型，但參數量真的是需要無限擴張的嗎？另一個看多論述是輝達擁有非常完善的生態系，這主要受惠於早年開發的 CUDA平台，但這護城河真的那麼強大嗎？

AI模型並非越大越好，OpenAI表示逐漸轉往多模型並提升效能

輝達第一個看多論述先從AI模型的建構說起，在建構過程中最核心的步驟是訓練、微調、推論，其中最需要算力的是訓練，這也是目前最受市場關注的部分。在訓練的過程中，又有 3個因素能決定模型的表現，分別為訓練數據量、模型訓練的時間、模型參數量，在資源無窮的情況下，這3個因素越多越好，但現實來看，數據量、時間、算力都是有限的。

根據 OpenAI的研究發現，若以數據量和模型參數來說，不能單獨增加某一個變數，而是要先增加模型參數量後，再來增加訓練數據量， Google的 AI研究機構 DeepMind也得到差不多的結論。

Google和 OpenAI的研究都顯示訓練數據量的重要性，而目前市場的看法是聚焦於模型參數越多越好、模型越大越好（需要更多算力），隱含出大多數的人並沒有意識到模型大小的成長將來到一個趨緩期。 OpenAI執行長 Sam Altman也曾公開表示過，大家太過關注參數量，而他們的工作是提升模型的效能，把模型縮小並多個並用，反而是較好的做法。

這也引出另一個 LLM模型發展的方向，模型效能的提升也意味著未來微調和推論的重要程度會逐漸增加，將與訓練並行或甚至超越，這對於輝達的威脅會更大，因為目前輝達完善的生態系，主要是在訓練上有明顯優勢，若以上轉變持續下去，加上超微或其他家廠商的 GPU有較好的性價比，那麼輝達的市占率恐逐漸流失。

下篇重點：第二個看多論述是輝達完整且強大的軟、硬體生態系，真的有我們想像的那麼強大？