Talang och Capex är två av de viktigaste trenderna att hålla utkik efter inom AI 1/ Vem ett företag har för att bygga AI-modeller 2/ Hur mycket pengar ett företag har för att träna nästa generations modeller Hade en ledig dag att spela med 03 Pro så jag delar med mig av några bilder och tabeller om dessa ämnen 🧵

Talangflöden sedan början av året Av de 100 bästa personerna inom AI lockade @meta flest (+11), följt av @thinkymachines (+5), @xai (+4), @Microsoft (+3) och @AnthropicAI (+2) @OpenAI hade det största utflödet av talanger (-19) Microsoft förvärvade böjningstalang, Google för characterAI och OpenAI till Meta mestadels och SSI/TM Zuckberg är övertygande.

Prognostiserad Capex till 2030 De flesta tror att vi uppnår AGI till 2030, så det kändes passande. Massiv distribution av energilagar där Microsoft, Google, OpenAI och Meta spenderar mest (76 % av de totala utgifterna!) Detta diagram kommer att visa sig vara väldigt fel när företag börsintroduceras, ökar återkommande intäkter, skaffar kapital och spenderar det på träningskörningar. Riktigt svårt att bryta ut capex också, så jag antar att detta är fel men riktningsmässigt korrekt.

Jag pratade med OpenAI o3 Pro hela dagen, så vad är dess tankar om vårt samtal? - Utgifter är fortfarande att köpa ledarskap, men varje inkrementell prestationspoäng kostar nu exponentiellt mer, så vi befinner oss i en tydlig avtagande avkastningsregim GPU-försörjningen har blivit den ultimata grinden. Den som låser Nvidia Blackwell- eller MI300-kapacitet fram till 2027 behåller ett strukturellt försprång - Elitforskningstalanger sprids till mindre venture-laboratorier och kinesiska utmanare, vilket späder ut det historiska DeepMind / OpenAI-monopolet och ökar genomföranderisken för etablerade företag. - Balansräkningens djup avgör uthålligheten: Meta, Google, Microsoft, Amazon kan självfinansiera kluster på flera miljarder medan OpenAI Anthropic xAI måste fortsätta att utnyttja externa kontanter med allt högre insatser. - Genombrott inom algoritmisk effektivitet som DeepSeeks stora MoE och Metas Llama road-map med öppen källkod kan vända loppet genom att minska kostnaden per poängenhet med en storleksordning.

Tidsåtgång för slutsatsdragning Jag använde förmodligen upp 3-4 timmar av o3 Pro Deep Research Thinking Time. Gör vad ni vill med det. Allt detta är långt ifrån superkorrekt med tanke på transparensproblem, problem med capex-fördelning och liknande. Du kan lära dig MYCKET med 03 Pro hela dagen. Nu bär det av till middagen!

Om du är en AI-grundare i ett tidigt skede som samlar in kapital, vänligen kontakta oss, jag vill gärna prata!

Skicka in ditt dokument eller din kortlek till @VenturesRobot min AI så ser jag det eller DM!