Talent og Capex er to av de viktigste trendene å se etter innen AI 1/ Hvem et selskap må bygge AI-modeller 2/ Hvor mye penger et selskap har for å trene neste generasjons modeller Hadde en ledig dag til å leke med 03 Pro, så jeg delte noen bilder og tabeller om disse emnene 🧵

Talentstrømmer siden starten av året Av de 100 beste personene innen AI tiltrakk @meta seg mest (+11), etterfulgt av @thinkymachines (+5), @xai (+4), @Microsoft (+3) og @AnthropicAI (+2) @OpenAI hadde den største utstrømningen av talenter (-19) Microsoft kjøpte bøyningstalent, Google for karakterAI og OpenAI til Meta for det meste og SSI/TM Zuckberg er overbevisende.

Anslått investeringer til 2030 De fleste tror vi oppnår AGI innen 2030, så virket passende. Massiv distribusjon av kraftlover med Microsoft, Google, OpenAI og Meta som bruker mest (76 % av det totale forbruket!) Dette diagrammet vil vise seg å være veldig feil når selskaper børsnoteres, øker tilbakevendende inntekter, skaffer kapital og bruker den på treningsløp. Veldig vanskelig å bryte ut capex også, så jeg vil anta at dette er feil, men retningsriktig.

Jeg snakket med OpenAI o3 Pro hele dagen, så hva er tankene om samtalen vår? - Spend er fortsatt å kjøpe lederskap, men hvert inkrementelle ytelsespunkt koster nå eksponentielt mer, så vi er i et klart avtagende avkastningsregime - GPU-forsyning har blitt den ultimate porten. Den som låser Nvidia Blackwell- eller MI300-kapasiteten gjennom 2027 beholder en strukturell fordel - Eliteforskningstalenter sprer seg inn i mindre venturelaboratorier og kinesiske utfordrere, noe som utvanner det historiske DeepMind / OpenAI-monopolet og øker gjennomføringsrisikoen for etablerte aktører - Balansedybde avgjør utholdenhet: Meta Google Microsoft Amazon kan selvfinansiere klynger på flere milliarder mens OpenAI Anthropic xAI må fortsette å tappe eksterne kontanter til stadig høyere innsatser - Gjennombrudd for algoritmisk effektivitet som DeepSeeks store MoE og Metas veikart for lamaer med åpen kildekode kan snu løpet ved å kutte kostnadene per poeng med en størrelsesorden

Tidsbruk for slutninger Jeg brukte sannsynligvis opp 3-4 timer med o3 Pro Deep Research Thinking Time. Gjør med det hva du vil. Alt dette er langt fra superkorrekt gitt åpenhetsproblemer, capex-fordelingsproblemer og lignende. Du kan lære MYE med 03 Pro hele dagen. På vei til middag!

Hvis du er en AI-grunnlegger i tidlig fase som samler inn kapital, vennligst ta kontakt, jeg vil gjerne snakke!

Send inn dokumentet eller kortstokken din til @VenturesRobot min AI, så ser jeg den eller sender en DM!