परिचक्र वित्त: क्या Nvidia की 110 अरब डॉलर की बाज़ी टेलीकॉम बबल की याद दिलाती है?

 (tomtunguz.com)
1 पॉइंट द्वारा GN⁺ 2025-10-06 | 1 टिप्पणियां | WhatsApp पर शेयर करें
  • Nvidia द्वारा 110 अरब डॉलर के निवेश के साथ OpenAI सहित AI इन्फ्रास्ट्रक्चर में बड़े पैमाने पर पूंजी लगाने के कारण, अतीत के टेलीकॉम बबल जैसी परिपत्र vendor financing संरचना की पुनरावृत्ति को लेकर चिंताएँ उठ रही हैं
  • 2025 में अमेरिका की प्रमुख IT कंपनियों ने 300~400 अरब डॉलर के AI इन्फ्रास्ट्रक्चर निवेश का संकेत दिया है, जिससे customer concentration और GPU-collateralized lending जैसे जोखिम बढ़ रहे हैं
  • Lucent की विफलता के इतिहास के विपरीत, Nvidia cash flow, customer credit quality, accounting transparency में अलग दिखती है, लेकिन customer concentration, asset valuation, custom silicon के प्रसार को चेतावनी संकेत माना जा रहा है
  • इस बात पर लगातार निगरानी की ज़रूरत बताई गई है कि AI की मांग वास्तविक है, cloud की तरह आवश्यक इन्फ्रास्ट्रक्चर बनेगी, या केवल एक बबल है
  • Lucent accounting fraud case की तरह अतीत के संरचनात्मक जोखिम दोहराए न जाएँ, इसके लिए Nvidia और पूरे उद्योग में asset value, revenue model, debt risk को सावधानी से देखना होगा

परिचय: Nvidia, परिचक्र वित्त, और टेलीकॉम बबल की छाया

  • 2025 में Nvidia ने OpenAI आदि के लिए 110 अरब डॉलर की vendor financing शुरू की, जिससे टेलीकॉम बबल दौर की बड़े पैमाने की परिपत्र वित्त संरचनाओं से समानता पर ध्यान गया
  • अमेरिकी Big Tech कंपनियों ने 2025 में 300~400 अरब डॉलर के रिकॉर्ड AI इन्फ्रास्ट्रक्चर निवेश का संकेत दिया है
  • यह निवेश स्तर किसी एक वर्ष के कॉर्पोरेट इन्फ्रास्ट्रक्चर निवेश के पिछले रिकॉर्ड से काफी ऊपर है

Lucent की रणनीति: परिचक्र वित्त से मिला सबक

  • 1999 में Lucent Technologies ने dot-com bubble के चरम पर 37.9 अरब डॉलर का revenue दर्ज किया, लेकिन सिर्फ 3 साल में यह 69% गिर गया और अंततः Alcatel के साथ merger की राह पर चली गई
  • उस समय Lucent, Nortel, Cisco जैसे equipment vendors ने अरबों डॉलर की vendor financing के जरिए अपने telecom operator ग्राहकों को उपकरण खरीदने के लिए सीधे फंड उपलब्ध कराए
    • Lucent 8.1 अरब डॉलर, Nortel 3.1 अरब डॉलर, Cisco 2.4 अरब डॉलर की loan commitments
  • यह रणनीति शुरुआत में सभी के लिए फायदेमंद लगी, लेकिन बाजार saturation और funding squeeze आते ही अधिकांश customer companies (47 CLECs) दिवालिया हो गईं, loans का 33~80% वसूल नहीं हो सका, और equipment value ध्वस्त हो गई
  • वास्तव में optical fiber networks अपनी उपलब्ध क्षमता का केवल 0.002% ही उपयोग कर रही थीं, यानी मांग की तुलना में निवेश बहुत जल्दी किया गया था

Nvidia की रणनीति: अलग तरह की परिचक्र वित्त संरचना

  • 2025 तक Nvidia 110 अरब डॉलर का direct investment (revenue का 85%) और 15 अरब डॉलर से अधिक के GPU-collateralized loans चला रही है
    • OpenAI के साथ 100 अरब डॉलर की ठोस commitment है (10 tranche में, infrastructure build-out के चरणों के अनुसार भुगतान, और वास्तविक funding GPU lease के रूप में)
    • CoreWeave, NVentures आदि में अतिरिक्त निवेश और GPU-backed loan market का विस्तार भी जारी है
  • CoreWeave के पास 10.45 अरब डॉलर का GPU-backed debt है, और Lambda Labs जैसे अन्य AI startups भी GPU को loan collateral के रूप में इस्तेमाल कर रहे हैं

संख्यात्मक तुलना: Lucent vs Nvidia (2024 डॉलर में)

मद Lucent (2000) Nvidia (2025)
Vendor financing 15 अरब डॉलर 110 अरब डॉलर
Operating cash flow 30 करोड़ डॉलर 15.4 अरब डॉलर (FY22 Q2)
Annual revenue 34 अरब डॉलर 130 अरब डॉलर
शीर्ष 2 ग्राहकों का हिस्सा 23% 39%

किन बातों पर ध्यान देना चाहिए: नए बाजार जोखिम की संरचना

1. और अधिक केंद्रित AI ग्राहक आधार

  • Nvidia की revenue का 46% शीर्ष 2~4 ग्राहकों से आता है, जो Lucent की तुलना में लगभग दोगुना customer concentration है
  • revenue का 88% data center से आता है

2. GPU-collateralized lending का विस्तार और inventory risk

  • GPU को 4~6 साल तक मूल्य बने रहने की धारणा पर 14% high-interest loans में इस्तेमाल किया जा रहा है (investment-grade corporate bonds की तुलना में 3 गुना)
  • लेकिन वास्तविकता में GPU की effective usable life 1~3 साल ही पाई गई है (Google designers और Meta के वास्तविक उदाहरण)
कंपनी 2020 से पहले 2020 2022~2023 2024~2025 बदलाव
Amazon 3 साल 4→5 साल 5 साल 6→5 साल पहली बार कमी
Microsoft लगभग 3 साल 4 साल 6 साल 6 साल +100%
Google लगभग 3 साल 4 साल 6 साल 6 साल +100%
Meta लगभग 3 साल 4 साल 4.5→5 साल 5.5 साल +83%
CoreWeave N/A N/A 4→6 साल 6 साल +50% (GPU)
Nebius N/A N/A 4 साल 4 साल उद्योग मानक

  • Amazon ने 2025 में depreciation period को 6 साल से घटाकर 5 साल किया, और ऐसा करने वाली पहली कंपनी बनी जिसने अधिक conservative accounting practice अपनाई

  • CPU आम तौर पर 5~10 साल तक उपयोग में रहते हैं, लेकिन AI data center के GPU वास्तविक उपयोग में 1~3 साल के भीतर अक्सर बदल दिए जाते हैं (Meta Llama 3: सालाना 9% failure rate → 3 साल में 27% defect का अनुमान)

  • प्रमुख वित्तीय संस्थान (जैसे Cerno Capital) ने सवाल उठाया है कि "क्या ये depreciation policies वास्तव में आर्थिक और तकनीकी वास्तविकता को दर्शाती हैं, या निवेशकों का ध्यान भटकाने के लिए एक 'optical illusion' रणनीति हैं"

4. SPV (special purpose vehicle) संरचना का उपयोग

  • बड़ी tech कंपनियाँ Apollo जैसे private equity firms के साथ SPV joint investment के जरिए data center निर्माण के लिए पूंजी जुटा रही हैं

    • SPV data center का स्वामित्व और संचालन करती है, और उसे long-term lease पर tech companies को देती है
    • SPV debt accounting के लिहाज से tech companies की balance sheet में नहीं आता (off-balance-sheet treatment)
    • आम तौर पर capital 10~30% और debt 70~90% की संरचना होती है

  • इस ढाँचे से credit profile की रक्षा और capex exposure कम दिखाने जैसे फायदे मिलते हैं, लेकिन यदि data center utilization घटे या GPU value गिरे, तो सबसे पहले पतली capital layer रखने वाले equity holders को नुकसान होगा

  • अभी data center assets प्रमुख REIT portfolios का 10~22% हिस्सा बन चुके हैं (2 साल पहले यह '0' था)

5. Custom silicon competition risk

  • Microsoft(Maia), Google(TPU), Amazon(Trainium/Inferentia), Meta(MTIA) जैसे in-house AI accelerators का उपयोग बढ़ रहा है
  • यदि ग्राहक अपने खुद के chips पर शिफ्ट होते हैं, तो CoreWeave जैसे GPU-backed assets की value घट सकती है और Nvidia की vendor financing risk बढ़ सकती है

Nvidia और Lucent के बीच मूलभूत अंतर

  • Lucent: 1.1 अरब डॉलर का revenue manipulation, 10 executives पर SEC charges, financial statements पर अविश्वास
  • Nvidia: PwC audit oversight, ratings improvement, हर साल 50 अरब डॉलर से अधिक cash generation, 46.2 अरब डॉलर का net cash (2024)
  • Lucent: अधिकांश ग्राहक अत्यधिक leveraged थे और loss-making स्थिति में थे
  • Nvidia: शीर्ष ग्राहक (Microsoft, Alphabet, Amazon, Meta आदि) के पास 2024 तक 451 अरब डॉलर का operating cash flow था, यानी fundamentals बेहतर हैं
  • Lucent में निवेश की तुलना में उपयोग दर केवल 0.002% थी, जबकि Nvidia के शीर्ष ग्राहक AI infrastructure shortage यानी supply constraints की रिपोर्ट कर रहे हैं

किन संकेतकों पर नज़र रखनी चाहिए

  1. GPU utilization: वास्तविक data center में GPU usage पर्याप्त है या सिर्फ inventory stocking हो रही है, इसकी लगातार निगरानी ज़रूरी है
  2. OpenAI profitability: बड़े पैमाने के infrastructure build-out से पर्याप्त कमाई हो रही है या नहीं, यह देखना होगा
  3. Debt stress signals: 15 अरब डॉलर के GPU-collateralized loan market में default के संकेतों पर नज़र रखनी होगी
  4. AR (Accounts Receivable) management trend: AR ratio में सुधार (68%→30%) हुआ है, लेकिन आगे गिरावट या बिगड़ने पर ध्यान देना होगा
  5. Customer diversification: क्या नया customer base बन रहा है, या कुछ बड़े ग्राहकों पर निर्भरता बनी रहेगी
  6. Custom silicon issue: hyperscalers के अपने chips पर जाने से Nvidia की financing exposure risk बढ़ सकती है
  7. Vendor consolidation trend: बाजार में कई विकल्पों के प्रयोग के बाद अंततः मांग कुछ vendors पर केंद्रित हो सकती है
  • अमेरिका में AI का वास्तविक उपयोग 2023 के 20% से बढ़कर 2025 में 40% हो गया है
  • लेकिन MIT के शोध के अनुसार AI adoption pilots में से 95% वास्तविक financial outcomes नहीं दे पाए, जिससे integration issues भी सामने आते हैं
  • फिर भी AI workers की wages 2 गुना बढ़ी हैं, और user productivity में 40% तक सुधार जैसे सकारात्मक संकेत भी मिले हैं
  • OpenAI ने 2025 की पहली छमाही में 4.3 अरब डॉलर revenue और 4.7 अरब डॉलर loss दर्ज किया (जिसका आधा stock compensation था), यानी कंपनी अभी भी घाटे में है
  • अतीत के विपरीत, आज के बड़े ग्राहकों के पास पर्याप्त cash है, performance-focused management है, और वास्तविक infrastructure demand भी मौजूद है

निष्कर्ष: परिचक्र वित्त के संरचनात्मक जोखिम और 2025 का AI बाजार

  • Nvidia की बड़े पैमाने की vendor financing strategy स्पष्ट growth और तकनीकी मांग का लाभ उठाती है, लेकिन इसमें customer concentration, asset value volatility, custom silicon adoption जैसे जोखिम अंतर्निहित हैं
  • Lucent की तरह यदि asset overvaluation, debt stress, या accounting transparency में गिरावट आती है, तो जोखिम बहुत तेजी से वास्तविक संकट में बदल सकता है; इसलिए प्रमुख metrics और market trends की सख्त निगरानी ज़रूरी है

परिशिष्ट: Lucent का accounting fraud और परिचक्र वित्त संकट

  • Lucent पर 2000 में accounting fraud (1.15 अरब डॉलर revenue, 47 करोड़ डॉलर pre-tax profit manipulation) को लेकर SEC investigation हुई
    • 'Channel stuffing': distributors को बिना बिके products पहले ही भेजना और उन्हें revenue के रूप में दर्ज करना
    • 'Side agreements': distribution contract से अलग return rights या special terms देना और फिर revenue recognize करना
    • 'Reserve manipulation': अत्यधिक loss reserves बनाना और छोड़ना, ताकि earnings volatility कम दिखे
  • Lucent पर 25 करोड़ डॉलर का penalty लगा और 10 executives पर मुकदमा चला
  • एक प्रमुख उदाहरण में, WinStar को 2 अरब डॉलर financing देने के बाद WinStar दिवालिया हो गई और Lucent को 70 करोड़ डॉलर का loss दर्ज करना पड़ा
  • इसी तरह के पैटर्न में 2001~2002 के दौरान 3.5 अरब डॉलर के bad debt reserves बनाने पड़े, जो वास्तविक credit risk उभरने का एक विशिष्ट उदाहरण था

संबंधित पढ़ाई

1 टिप्पणियां

 
GN⁺ 2025-10-06
Hacker News राय

  • 90 के दशक में स्थानीय छोटे ISP में काम करने का अनुभव है, उस समय Lucent इंटरनेट उपकरणों में सबसे आगे था, हम dial-up कनेक्शन संभालने के लिए Portmaster 3 इस्तेमाल करते थे और Lucent की शुरुआती wireless तकनीक भी देखी थी
    Telecommunications Act 1996 की वजह से telecom कंपनियों को अपना infrastructure दूसरी कंपनियों को lease पर देना पड़ता था, इससे ISP के T1 lease rates में बड़ी गिरावट आई (T1 1996 में $1800 प्रति माह से घटकर 1999 में $600 रह गया), उसके बाद telecom कंपनियों ने FCC पर मुकदमा किया और 2003 में यह कानून practically निष्प्रभावी हो गया
    competitive local exchange carrier पर Wikipedia विवरण

    • इलाके के हिसाब से कीमतों में बड़ा अंतर था, जिस छोटे ISP में मैं काम करता था वहाँ T1 की कीमत $1,500 प्रति माह से $500 तक आई, फिर customer तक जाने वाला T1 loop $100 प्रति माह था, और पूरी लाइन को data center तक backhaul करने वाले OC12 SONET ring पर हजारों डॉलर खर्च होते थे
      इन सारी price changes की जड़ telecom law में तय ILEC network facilities को unbundle करके बेचने की बाध्यता थी
      ज़्यादातर CLEC भी आखिरकार स्थानीय ILEC की physical network ही इस्तेमाल करते थे, इसलिए structural बदलाव बड़ा था
      दिलचस्प बात यह है कि 90 के दशक के आखिर में जब dial-up अभी भी मुख्यधारा में था, voice T1 PRI ($250 प्रति माह) data T1 ($500 प्रति माह) से सस्ता था, इसलिए उसका खूब इस्तेमाल होता था
      कानून निष्प्रभावी होने के बाद भी ILEC wholesale/unbundled services बेचते रहे, शायद वे समझ चुके थे कि यह business बहुत high-margin वाला है

    • मैंने telecom boom के दौरान एक startup में काम किया था
      उस समय Cisco जैसी कंपनियाँ ऐसे startup भी acquire कर लेती थीं जिनके पास अभी product भी नहीं था, IPO ही एकमात्र exit था, और engineers 6 महीने के lock-up में बंधे रहते थे
      किस्मत वाले लोग crash से पहले IPO या acquisition के जरिए निकल पाए, और bubble फूटने के बाद funding सूख गई, लगभग सारे startup बंद हो गए
      कई साल की मंदी के बाद नए IT companies फिर से उभरने लगीं

    • यह सुनना दिलचस्प है कि सिर्फ 4 साल के regulation से telecom दिग्गजों और छोटे ISP के बीच शक्ति संतुलन बदल गया, क्या वास्तव में ऐसा हुआ?
      यह व्याख्या कि एक खास regulation ने इंटरनेट के विकास को चिंगारी दी, पुराने अनुमान के उलट है कि regulation न हो तो सब बेहतर चलेगा
      इतने कम समय लागू रहे कानून के बारे में यह दावा पहली बार सुन रहा हूँ

    • telecom competition को खत्म करना और monopoly की अनुमति देना judicial system की बड़ी समस्या थी
      कानून साफ था, लेकिन courts ने "fiber बिछाना महंगा है" जैसी दलील से legislation को practically नज़रअंदाज़ कर दिया
      कीमतों की बात करें तो T1 और OCx जैसी lines अभी भी बहुत इस्तेमाल होती थीं, लेकिन 1996-99 में DSL आया और उसने कीमतों पर काफ़ी downward pressure डाला

    • legislative बदलाव ने price war और telecom bubble की timing को प्रभावित किया हो सकता है
      लेकिन price war खुद लगभग unavoidable थी, और bubble भी बहुत संभावित घटना थी
      telecom infrastructure investment dot-com stock bubble के पागलों जैसी बढ़त की प्रतिक्रिया थी

  • fiber network अपनी maximum capacity के 0.002% से भी कम पर चल रहे थे, और speed को 60,000 गुना तक बढ़ाने की गुंजाइश थी, बस समय बहुत जल्दी आ गया था
    मुझे नहीं लगता GPU के साथ ऐसा surplus होगा
    अगर इन्हें इस तरह इस्तेमाल किया जा सके कि "codebase पर रात भर सोचो, बेहतर refactoring तरीका निकालो और कल suggest करो," तो GPU usage अभी से कहीं अधिक होगा
    अगर GPU का 1 मिनट $0.1 पड़े, तो पूरी रात चलाने पर $48 बनते हैं, जो काफ़ी value लगती है (code improvement, car design, book cover, business plan, किसी भी तरह के काम के लिए)

    • मुझे भी नहीं लगता कि GPU बेकार पड़े रहेंगे, लेकिन मैं उल्टा यह मानता हूँ कि वे ज़रूर surplus में जाएंगे
      कंपनियाँ लगातार GPU खरीद रही हैं मानो मांग अनंत हो
      दूसरी तरफ LLM fatigue आ रहा है, models छोटे हो रहे हैं और consumer hardware भी बेहतर हो रहा है
      आख़िरकार बहुत सारे idle GPU बनना तय है

    • यह तर्क कि code improvement के लिए GPU चाहिए, बहुत छोटा argument है
      जल्द ही generative AI ultra-high-resolution, यहाँ तक कि HDR और 120fps movies भी generate करेगा
      ऐसे कामों की लागत $100 से $1000 प्रति मिनट तक होगी और इसके लिए भारी GPU चाहिए होंगे
      अमेरिकी सेना भी battlefield visualization के लिए generative AI की planning कर रही है, और उसमें high-resolution video से भी अधिक dense computation चाहिए

    • यह विचार दिलचस्प है कि AI codebase को “improve” कर सकता है
      असल दुनिया में मैंने ऐसा होते नहीं देखा, इसलिए देखे बिना भरोसा नहीं होगा

    • algorithm और techniques में सुधार के साथ पुराना hardware भी अब भी useful रह सकता है

    • "रात भर codebase के बारे में सोचो…" वाली कल्पना बुनियादी रूप से गलत premise पर आधारित है
      आज के LLM स्वतंत्र रूप से वास्तविक समस्याएँ खुद हल नहीं कर सकते
      बहुत लोग उम्मीद करते हैं कि कभी कर पाएँगे, लेकिन मेरा मानना है कि अभी जो हम देख रहे हैं वही LLM performance की सीमा है
      ताज़ा AI bubble तकनीकी S-curve की शुरुआती अवस्था का बहुत बड़ा over-interpretation है
      आज की तारीख में यह पर्याप्त नहीं है

  • पुराने bubble का इतिहास थोड़ा संदर्भ तो देता है, लेकिन बहुत meaningful नहीं है
    dot-com bubble, railway bubble आदि हर बार अलग थे
    मूल बात business viability और ROI है
    भले cash flow healthy हो, अगर economic returns ऐतिहासिक स्तर पर असाधारण न हों तो अंततः collapse का खतरा रहेगा
    सब लोग सोने के अंडे देने वाली हंस के पीछे भाग रहे हैं

    • Bezos ने 10GW से बड़े data center को space में बनाने की योजना का ज़िक्र किया, इससे लगता है कि लक्ष्य ROI से ज़्यादा future power structure हो सकता है, यानी ऐसी दुनिया बनाना जहाँ अति-धनाढ्य वर्ग को श्रमशक्ति की ज़रूरत न रहे
      संबंधित HN comment
      space data center पर Bezos के बयान की खबर

    • मेरा मानना है कि अगर हम सिर्फ पुराने mechanisms से चिपके रहें तो future possibility space को बहुत सीमित कर देंगे
      dot-com bubble भी कई "possible paths" में से सिर्फ एक राह पर चला था
      उसी तरह सोचेंगे तो अगला bubble किस तरह वास्तविकता लेगा, यह छूट सकता है

    • Lucent और Nvidia, Microsoft, OpenAI, Google के बीच accounting treatment का अंतर कहीं ऐसा तो नहीं कि "और ज़्यादा चालाक झूठ और वास्तविकता से बढ़ा-चढ़ाकर दिखाने की कला" ही विकसित हुई है
      bubble फूटने के बाद ही असली numbers सामने आते हैं

    • इस बार fiat currency और government backing भी साथ है, इसलिए यह अतीत से फिर अलग है

  • मैं dot-com और telecom collapse के बिलकुल बीच में था, और telecom तो कहीं ज़्यादा गंभीर था
    fiber जंग नहीं खाता, लेकिन उसमें भारी overbuild हुआ था, और 10 साल बाद DWDM तकनीक की वजह से 8 strands में से सिर्फ 2 ही वास्तव में इस्तेमाल हो रहे थे (wavelength पहले से कहीं अधिक विविध हो गए थे)
    सोचता हूँ 10 साल बाद GPU की second-hand value कितनी होगी, और क्या overinvested GPU में भी कोई 'DWDM जैसा समाधान' आ सकता है
    हम अभी बेहद दिलचस्प समय में जी रहे हैं

  • Nvidia की सबसे बड़ी समस्या यह है कि उसका revenue स्थायी नहीं है, फिर भी market उसे recurring revenue जैसा value दे रहा है, जबकि हकीकत में यह 1-2 साल तक चलने वाला CAPEX spend है
    मुझे साधारण रूप से नहीं लगता कि यह structure लंबे समय तक टिक सकता है

    • NVDA stock अत्यधिक महँगा भी नहीं है, यह सिर्फ 25x EPS पर है
      revenue growth तेज़ है, और इतिहास के सबसे महत्वपूर्ण technology transition में से एक हमारे सामने है
      market पहले से ही stock price में कुछ growth slowdown factor कर रहा है

    • Covid के समय Zoom, Peloton जैसी कंपनियों को भी market ने ऐसे price किया था मानो उनका future वैसा ही चलता रहेगा
      market structure बार-बार यही pattern दोहराता है, हाल के उदाहरण 3D printing और alternative meat भी हैं
      OpenAI में investment को CAPEX slowdown के hedge की तरह भी देखा जा सकता है

    • Nvidia कुछ announce करता है और graphics cards तुरंत sold out हो जाते हैं
      margin बहुत बड़ा है, फिर भी वह demand पूरी नहीं कर पाता

    • आखिरकार यह साधारण economics है
      मांग एक बार भी फिसली तो second-hand GPU की बाढ़ आ जाएगी, और नए products खरीदने की ज़रूरत नहीं रहेगी
      उस समय Nvidia के लिए आज वाला revenue बनाए रखना असंभव होगा

    • TSLA भी ऐसा ही है
      stock market असल में अमीरों के लिए बैंक जैसा है, जिसे loans और credit के रूप में पैक कर दिया गया है
      असल में यह bubble ही है, लेकिन इसकी चिंता अमीर लोग करते हैं
      हम जैसे आम लोग तो बस छोटे निवेशक हैं

  • जब मैं "telecom among telecoms" में काम करता था, तब mobile data demand की वजह से हमने dark fiber को पूरे 15 साल बाद, यानी 2015 में जाकर पहली बार light up किया
    overbuild का पैमाना सच में बहुत बड़ा था
    fiber cable हमेशा किसी न किसी काम आती रही, लेकिन GPU इतने लंबे समय तक useful रहेंगे या नहीं, इस पर संदेह है
    यह मैं निजी अनुभव से कह रहा हूँ

    • नई fiber से energy efficiency में कोई खास सुधार नहीं हुआ
      हाँ, ज़मीन खोदने वाले backhoe की efficiency भी ज़रा नहीं बदली

    • "क्या ये cards लंबे समय तक काम आएँगे?" इस सवाल पर, लेख में दिया उदाहरण कहता है कि stress इतना अधिक है कि इनकी उम्र 1-2 साल हो सकती है

    • 2005 के समय long-distance calling charges की वजह से telecom एक cash cow था, और जिनके पास पूरी तरह depreciated mechanical switches थे वे तो पैसे छाप रहे थे (regulation returns सुनिश्चित करता था)
      लेकिन वह structure भी बहुत लंबे समय तक नहीं चला, इसलिए कई इलाकों में companies ने "unregulated revenue" के लिए managed services (जैसे DataDog जैसी solutions) में विस्तार की कोशिश की
      business का मूल स्वभाव यही है, irrational optimism किसी भी company को कभी भी गिरा सकता है

    • chip खुद शायद लंबी उम्र वाले न हों, लेकिन उनमें गया R&D अब भी valuable है
      सवाल यह है कि उस value की recovery कितनी हो पाएगी

    • hyperscaler support के लिए बन रहे high-density data centers असल में dark fiber overbuild जैसे ही लगते हैं
      जब 2015 में fiber strands को light up किया गया, तब शायद 1998 में खरीदे गए वही line cards इस्तेमाल नहीं हुए होंगे

  • बुनियादी रूप से मुझे लगता है कि सबसे बड़ा issue AGI हासिल करने की अनिश्चितता है
    अभी top-line investment का 90% इसी धारणा पर टिका है कि यह 2-5 साल में आ जाएगा
    अगर यह पर्याप्त तेजी से नहीं आया तो investor interest अचानक गिर सकता है
    अभी benchmark growth के सहारे excitement बनाए रखी जा रही है, लेकिन मेरा अनुमान है कि 6-12 महीने में नए milestones भी खत्म होने लगेंगे
    असली अगला चरण software development, cancer research, robotics जैसे क्षेत्रों में वास्तविक परिणाम दिखाना होगा
    मुझे नहीं लगता कि मौजूदा structure से यह संभव है

    • मुझे लगता है AGI अभी दूर है
      सबसे बड़ा अवसर कानून और चिकित्सा जैसे क्षेत्रों में है, जहाँ knowledge base इतना विशाल है कि लोगों को graduate school तक जाकर सीखना पड़ता है
      coding में खास तौर पर LLM का उपयोग बढ़ेगा
      समस्या यह है कि legacy messy code refactoring जैसे backlog काम खत्म होने के बाद, सिर्फ नया code generation वर्तमान hardware demand bubble को बिल्कुल sustain नहीं कर पाएगा

    • hyperscalers भी AI investment (CAPEX) पर अपनी operating cash flow का आधा भी खर्च नहीं कर रहे हैं
      अगर वे सच में AGI achievement पर दाँव लगा रहे होते, तो scale इससे कहीं बड़ा होता

    • “तुम्हारा आज का skepticism भी उतना ही आधारहीन हो सकता है जितना 5 साल पहले यह कहना कि ‘सोचने वाली मशीनें असंभव हैं’, क्योंकि आज LLM तो पहले ही मौजूद हैं”

    • समझ नहीं आता लोग downvote क्यों कर रहे हैं
      AI researchers से बात करो तो वे काफी realistic expectations रखते हैं
      लेकिन business side के, यानी technology न समझने वाले लोग, बहुत अधिक inflated expectations रखते हैं
      वे "$20 प्रति माह में ChatGPT सारा काम कर देगा" जैसी गणना के आधार पर headcount घटा रहे हैं, budget, plans और hiring भी पहले ही बदल रहे हैं
      एक साल बाद जब साफ दिखेगा कि यह इतना अच्छा नहीं चला, तब AI के प्रति रवैया तुरंत पलट जाएगा (गुस्सा, बचाव, नए products पर अविश्वास आदि)
      अगर failures बढ़े तो growth rate धीमी होगी, और उसके साथ investor anxiety, stock crashes और valuation declines भी आएँगे

  • जो बात मुझे समझ नहीं आती, वह यह आशावाद है कि training के लिए GPU demand अभी की तरह ऊँची growth पर बनी रहेगी
    inference demand समझ में आती है, लेकिन पहले से ही बहुत अच्छे free models हैं, और Apple M4 या AMD Max APU जैसे consumer hardware पर भी वे ठीक चलते हैं
    ऐसी स्थिति में क्या वास्तव में अतिरिक्त GPU investment demand बहुत बची है, इस पर संदेह है

    • मेरा मानना है कि Reinforcement Learning नई GPU battlefield बनेगा
      उदाहरण: o1, o3, GPT-5, Sonnet 3.7, 4, 4.5 जैसे बदलाव
      जब सब लोग B200 पर inference करने लगेंगे तो models फिर बड़े हो सकते हैं, लेकिन फिलहाल RL training budgets में GPU की प्यास सबसे अधिक है

    • फिर भी एक तर्क यह है कि अंतिम लक्ष्य तो ज़्यादा से ज़्यादा GPU चलाकर AGI के थोड़ा और करीब पहुँचना ही है, यानी एक अनंत प्रतिस्पर्धा

    • मेरा अनुमान है कि Continuous Learning architecture अगला GPU demand driver बनेगा

    • inference आखिरकार cloud में shared basis पर जाना ही cost के हिसाब से सबसे सस्ता होगा
      ज़्यादातर B2B use cases AWS जैसे data center आधारित model पर shift होंगे
      कुछ खास मामलों (CERN या Apple Siri) में FPGA या low-power ASIC जैसे dedicated hardware होंगे, लेकिन बाकी सब में धीरे-धीरे “cloud-based” standard बन जाएगा

  • dot-com bubble के समय advertising ने circular effect बनाया था
    VC startup में पैसा लगाते थे, startup वही पैसा Yahoo जैसी कंपनियों के advertising पर खर्च करते थे
    Yahoo revenue तेज़ी से बढ़ता, stock ऊपर जाता, और यह signal बनता कि इंटरनेट से पैसा कमाया जा सकता है, जिससे दूसरे startup के IPO market को भी हवा मिलती
    जितना पैसा घूमता, उतना advertising → revenue → market cap → और VC investment → और advertising का चक्र चलता रहता

  • reference 14 में कहा गया कि OpenAI Nvidia के GPU एकमुश्त खरीदने के बजाय lease पर इस्तेमाल करेगा,
    इसलिए यह समझना मुश्किल है कि Nvidia इसे "यहाँ invest किया" क्यों कहता है
    अगर यह lease है तो उसे बस rental income मिलेगी, फिर इसे investment क्यों कहा जाए? Nvidia ने आखिर किस चीज़ में ‘invest’ किया?

    • Nvidia को शुरुआत में GPU बनाते और supply करते समय पहले पूंजी लगानी पड़ती है, और अगर यह asset allocation ठीक से settle न हो पाए (जैसे customer दिवालिया हो जाए) तो risk भी उसी पर आता है
      इस risk को उठाने के बदले उसे अतिरिक्त reward की उम्मीद होती है, इसलिए इस structure में investment जैसा character है

    • मैं accounting expert नहीं हूँ, लेकिन lease खत्म होने पर Nvidia के हाथ में शायद केवल heavily depreciated low-value assets ही बचेंगे
      vehicle lease की तरह GPU का second-hand market शायद इतना बड़ा नहीं होगा
      यानी Nvidia पूरी रकम upfront लिए बिना GPU को “installment” में दे रहा है
      सोचता हूँ total lease payments cost के बराबर भी होंगी या नहीं