Den første ekte brikke-syklusen på 18 år er her: AI-superboomen som forandrer alt

Rasgon peker på at de fire største skyleverandørene i USA – Amazon, Microsoft, Google og Meta – planlegger å bruke omtrent 725 milliarder dollar på kapitalinvesteringer i 2026, det meste rettet mot AI-infrastruktur . Minneprisene har skutt i været: DRAM-prisene steg med omtrent 90 prosent kvartal over kvartal frem mot 2026 .

«Whack-a-mole»-effekten: Mangel overalt

Et av Rasgons mest slående poeng er det han kaller «whack-a-mole»-effekten – flaskehalser som forplanter seg gjennom hele brikkeforsyningskjeden. «Alt blir dratt av denne umettelige etterspørselen etter AI-regnekraft. Jeg har aldri sett noe lignende i min karriere,» sier Rasgon .

Han sporer spredningen: Mangelen startet med GPU-akseleratorer, beveget seg til HBM-minne, deretter til produksjonsutstyr for halvledere, så til nettverk og optikk, videre til strømbrikker, og nå er til og med CPU-er i ferd med å bli knappe .

Et konkret eksempel på etterspørselsrekkevidden: Selv Intel, som hadde «tidligere nullstilt lageret», har solgt ut alt . Kunder skal ha sagt til Intel: «Vi bryr oss ikke; bare selg det til oss» .

HBM: Den skjulte silisiumslukeren

En kritisk flaskehals er høyhastighetsminnet HBM, som utgjør mer enn 85 prosent av silisiumarealet i en AI-brikke . På grunn av stableutbytte og logikkdekke krever produksjon av 1 GB HBM omtrent fire ganger så mye silisiumareal som standard DRAM . Denne regnestykket forklarer hvorfor minnetilbudet ikke har klart å holde tritt med GPU-etterspørselen, og hvorfor minneprisene har blitt en dominerende faktor i brikkekostnadene.

Nvidias CPU-inntekter: Ett rack forteller historien

Rasgon trekker frem et overraskende tall: I et rack med 72 GPU-er genererer de 36 CPU-ene omtrent 20 milliarder dollar i CPU-inntekter for Nvidia. Dette viser hvordan AI-utbyggingen skaper enorm etterspørsel etter brikker langt utover selve GPU-akseleratorene.

Fra trening til inferens: Kommersialiseringens skifte

Rasgon understreker at markedets fokus er i ferd med å flytte seg fra modelltrening til AI-inferens – selve veien til inntjening . Han viser til at Anthropics inntekter har steget fra 9 milliarder til 30 milliarder dollar som et direkte bevis på dette skiftet . Når AI-modeller går fra forskningsprosjekter til produksjon, vil regnekraften som kreves for inferens sannsynligvis overgå treningsarbeidet flere ganger.

ASIC vs GPU: Sameksistens, ikke konkurranse

Et vanlig spørsmål blant investorer er om spesialtilpassede ASIC-er (som de Broadcom lager) til slutt vil erstatte Nvidias GPU-er. Rasgon mener begge vil leve side om side på lang sikt i et voksende marked . Hans rammeverk: Programmerbare GPU-er er best egnet for forskning og utforskende inferens, mens ASIC-er utmerker seg ved forutsigbar, høyvolumsinferens. Det totale adresserbare markedet er stort nok til å romme begge.

Den ultimate flaskehalsen: Strøm

Rasgon avslutter med en alvorspreget observasjon. Den endelige begrensningen er ikke brikker, ikke minne, ikke nettverk – det er energi. AI-infrastruktur krever omtrent 5 prosent årlig økning i amerikansk strømnettkapasitet for å opprettholde vekstbanen . Dette er en svimlende belastning på et nett som har sett minimal kapasitetsvekst i flere tiår.

Han argumenterer for at neste bølge av AI-innovasjon og flaskehalser uunngåelig vil falle på energiproduksjon, kjøling og kjernekraft . Uten betydelige nettverksinvesteringer kan supersyklusen selv treffe et strømtak.

Hva dette betyr for investorer

Rasgons budskap er tydelig: Så lenge AI-etterspørselen ikke kollapser, er brikke-supersyklusen reell og bærekraftig. Men mulighetenes natur er i ferd med å skifte. De enkle pengene i GPU-aksjer kan være i ferd med å vike for et mer sammensatt landskap der selve «flaskehalsen» – enten det er i HBM, strømbrikker eller energiinfrastruktur – blir verdigeneratoren .