Ang paglunsad ng Kimi K3 ay nagdulot ng mas malaking pagkabigla sa Estados Unidos kaysa sa inisip natin. Pagkatapos ng viral na pagpapalaganap sa Twitter noong nakaraang weekend, kahit si Huang Renxun ay nagsimulang mag-alala—ang taong hindi gumagamit ng social media sa loob ng ilang dekada—ay agad nagsimula ng account, at ang kanyang unang post ay walang palatandaan: direktang isinampa ang isang liham ng pagkakaisa na humihingi na huwag maglagay ng limitasyon sa mga open-source model.
Kasabay ng matagal nang hindi tumataas na presyo ng NVIDIA, posibleng medyo nag-aalala na si Jensen Huang tungkol sa kuwento ng paglago ng NVIDIA:
Kung patuloy na pinamamahalaan ng ilang kompanya ng saradong modelo ang AI, nakabatay na ba ang pangangailangan sa computing power sa mga inaasahang market; kung patuloy na magkakalat ang mga open-weight model, kayabang ba ni NVIDIA na i-convert ang mas mura mga modelo sa mas malaking paggamit at mas maraming pangangailangan sa infrastraktura.
Malinaw ang sagot ni Huang Renxun. Kanyang pinalabas ang pagtutol sa pagsasara ng lahat ng modelo batay sa pinagmulan, at sinabi na ang mga modelo ng China ay "napakagaling," at dapat payagan ang mga Amerikanong kumpanya na gamitin ang mga ito. Para sa NVIDIA, ang mahalaga ay hindi ang pagpapanatili ng mataas na presyo para sa isang pribadong laboratorio, kundi ang pagpapahintulot sa kahit sino sa mga kumpanya, developer, at cloud provider na talagang gamitin ang AI.
Ito rin ay ang pagkakaiba sa pagitan ng pansamantalang presyong presyon sa mga stock ng chip at ang mahabang panahong kuwento ni NVIDIA. Ang pag-aalala ng merkado ay ang mga mura at bukas na modelo ay magdudulot ng pagbaba sa margin ng kita ng mga serbisyo ng AI sa Amerika at magiging mas mura ang unit inference; samantalang ang pagtaya ni NVIDIA ay ang pagbaba ng presyo ay magbubukas ng higit pang mga skena, na hahantong sa mas malaking kabuuang demand sa pagtawag, private deployment, at pagkonsumo ng computing power.
Hindi sapat sa NVIDIA ang patuloy na pagbili ng mga card ng mga malalaking kumpanyang may sariling source code
Sa nakalipas na dalawang taon, ang AI narrative ng NVIDIA ay malawak na nakabatay sa isang malinaw na lohika: ang mga avant-garde model ay lalong lumalaki, at ang pag-train at pag-reason ay nangangailangan ng higit pang GPU, kaya patuloy na papalawakin ng mga cloud provider at model lab ang kanilang infrastruktura.
Patuloy pa ring tama ang lohikang ito, ngunit dito ay nagdudulot ito ng isang impluwensyal na tanong: kung ang mga entry point, ritmo ng produkto, at kapangyarihan sa pagtatakda ng presyo ng AI industry ay nakakonsentrado sa ilang pribadong laboratorio at malalaking cloud platform, mas magiging nakabatay ang paglago ng pangangailangan para sa NVIDIA sa mga plano ng kapital expenditure ng ilang malalaking kliyente at sa bilis ng komersyalisasyon ng mga pribadong serbisyo.
Hindi ito masamang negosyo. Ang mga closed-source lab, cloud providers, at platform companies ay patuloy na isa sa mga pinakamalaking buyer ng AI infrastructure. Ngunit para sa NVIDIA, na already high-priced ng market, susundin pa rin ng mga investor: Saan darating ang next-stage growth?
Kung patuloy na panatilihin ng mga pampublikong modelo ang mataas na presyo, ang bilis ng paggamit ng AI ng mga kumpanya ay maaaring limitado ng gastos, mga hangganan ng data, at paraan ng pag-deploy. Maraming kumpanya ay magsisimula sa paggamit ng API, ngunit hindi laging isasama nang malalim ang AI sa kanilang sariling mga sistema ng negosyo. Para sa mga kumpanya sa itaas na chip, nangangahulugan ito na ang pangangailangan sa computing power ay kahit na nakatuon at malaki, ang pagkalat nito ay mas nakadepende sa bilis ng komersyalisasyon ng ilang kaunting platform.
Ang pagbubukas ng mga modelo na may libreng weights ay nagbabago sa istrukturang ito. Hindi ito agad na magpapalit sa pinakamalakas na mga saradong modelo, ngunit binibigyan nito ang mga negosyo, developer, at mga provider ng cloud ng isang alternatibong landas: pagkuha ng modelo sa kanilang sariling kapaligiran para sa pagpapatakbo, pagpapabuti, pagsusuri, at pag-integrar. Habang mas maraming organisasyon ang nagsisimula na ilapat ang AI sa customer service, programming, pananaliksik, automation ng proseso, at private deployment, may pagkakataon ang infrastrakturang layer na makakuha ng mas distributed at mas malawak na pinagmumulan ng pangangailangan.
Kaya ang hindi ipinaglalaban ng merkado ay “kung tatalsikin ba ng isang modelo ang OpenAI”, kundi “kung tataas ba ang pangangailangan sa AI mula sa ilang saradong entry point patungo sa mas maraming kumpanya at escenario”. Ito ang pinakamahalagang tanong para sa NVIDIA.
Ang pagbukas ng weights ay nagpapahina sa pricing power ng closed-source, at maaari ring palawigin ang compute pool
Ang pagbubukas ng weights ay maaaring maunawaan bilang ang pagbibigay ng mga "model parameters" na naitrain sa panlabas na paggamit. Pagkatapos ma-publish ang weights, ang mga negosyo ay maaaring i-run, i-micro-adjust, at i-audit ang model sa kanilang sariling server o cloud environment.
Para sa mga kumpanya ng saradong modelo, nagbabago ito ng posisyon sa negosasyon. Noon, kung gusto ng mga korporasyon gamitin ang pinakamalakas na modelo, kadalasan ay kailangan nilang tanggapin ang presyo, mga hangganan ng data, at ritmo ng mga tampok ng saradong API. Ngayon, kung sapat na mabuti ang isang modelo na maaaring i-deploy mismo sa isang partikular na gawain, kailangan ng mga tagapagbigay ng saradong modelo na ipaliwanag kung bakit dapat magbayad ang mga customer para sa mas mahal na serbisyo.
Ito rin ang presyong hinaharap ng mga kompanya tulad ng OpenAI, Anthropic, at Google na sumusunod sa closed-source approach. Patuloy pa rin nilang maipapakita ang kanilang pagkakaiba sa pamamagitan ng karanasan sa produkto, kakayahan ng agent, toolchain, safety alignment, enterprise compliance, at distribution ng ecosystem. Isang halimbawa ay ang Claude Science na ipinakilala ni Anthropic noong Hunyo, na isinama ang model bilang isang AI workstation para sa mga siyentipiko, na nagbibigay-diin sa integrasyon ng mga kasangkapan at auditabeng produkto.
Ngunit habang mas nagiging komersyal ang pangunahing pag-iisip, kailangan ng mga saradong modelo na patunayan na hindi sila nagbebenta ng “mas matalinong chat interface” kundi mas mapagkakatiwalaang workflow, mas malakas na pagpapatupad ng agent, mas mabuting seguridad at responsibilidad, at integrasyon sa industriya. Kung hindi, ang mga mura at bukas na modelo ay magpapababa ng presyo.
Hindi kailangang masama ang pagbabagong ito para sa NVIDIA. Ang pagkawala ng kontrol sa pagtatakda ng presyo ng mga saradong modelo ay maaaring mag-apekto sa margin ng kita ng mga serbisyong AI; ngunit kung mas mura ang mga modelo at mas maraming mga kumpanya ang magsisimula sa pag-deploy ng AI, maaaring lumawak ang kabuuang pangangailangan sa computing power para sa inference, fine-tuning, localization, at privatization.
Pagkatapos ng DeepSeek, naranasan na ng merkado ang katulad na talakayan. Ang mas mataas na efisiyensiya ng model ay sa maikling panahon ay tila “mas kaunting GPU”, ngunit kung bumaba ang presyo at aktibuhin ang mas maraming demand, sa gitna at mahabang panahon ay maaaring maging “mas maraming aplikasyon ng AI”.
Ang Nividia ay nagtataya sa huli. Ang pangunahing negosyo nito ay hindi ang model API, kundi ang mga chip, server, at data center. Habang tumataas ang paggamit ng AI, ang pangangailangan ay hahantong sa antas ng imprastruktura.
Huang Renxun ay sumasalungat sa pagkakapantay-pantay ng mga bukas na modelo sa panganib
Sa sesyong ito, ibinahagi ni Huang Renxun ang isang pribadong unang tweet na naglalaman ng isang pambungad na liham na sinuportahan ng NVIDIA na may pamagat na “Open Weights and American AI Leadership.” Ang mga sumuporta ay kasama ang Meta, Microsoft, Andreessen Horowitz, Hugging Face, IBM, Mistral AI, Palantir, Perplexity, Mozilla, NVIDIA, Y Combinator, at higit sa 20 iba pang teknolohiya at institusyon.
Ang pangunahang pahayag ng liham ay ang Amerika ay kailangan ng mga pinakamataas na saradong modelo at mga pinakamataas na bukas na modelo, at ang pamahalaan ay hindi dapat magbigay ng masyadong maagang pagbabawal sa bukas na AI. Sa ibang salita, ang mga nag-sign ay hindi nagtatanggol sa mga panganib sa kaligtasan, kundi nagtutol sa pagkakapantay-pantay ng bukas na timbang mismo bilang direktang pinagmulan ng panganib.
Mahalaga ang liham na ito dahil isinasaad nito ang pagkakasundo ng mga interes ng negosyo ng NVIDIA at ang mga problema sa istruktura ng ekosistema ng AI sa Estados Unidos. Nag-aalala ang NVIDIA sa paggamit ng AI at sa pangangailangan ng imprastruktura; kailangan ng mga platform na tulad ng Meta at Microsoft ang mas fleksibong ekosistema ng modelo; habang ang Hugging Face, Mistral AI, Mozilla at iba pa ay mas direktang nasa panig ng bukas na modelo at ekosistema ng mga developer.
Hindi ganap na magkakasundo ang interes ng mga kumpanyang ito, ngunit may pagkakatulad sila sa isang tanong: kung maagang mapigilan ng mga regulatoryong framework ang pagbubukas ng mga weight, mababawasan ang mga pagpipilian ng mga Amerikanong negosyo at developer sa paggamit ng mga murang modelo, at mas magiging nakadepende ang AI diffusion sa ilang pribadong serbisyo.
Hindi ito ang pinakamainam na istraktura ng merkado para sa NVIDIA. Kailangan nito higit pa sa ilang mga unang-lab na laboratorio na patuloy na pagsasanay ng mas malalaking modelo; kailangan nito rin ang mas maraming kumpanya na talagang gumagamit ng AI. Tanging kapag naging pangkalahatang pagpapalaganap ang AI bilang isang pangunahing kakayahan, at hindi lamang isang serbisyo ng ilang platform, maaari ng patuloy na ipaliwanag ng NVIDIA ang kuwento na “ang pangangailangan sa computing power ay patuloy na lumalawak.”
Kaya ang mga pahayag ni Jensen Huang tungkol sa mga Chinese model at ang kanyang liham-pampubliko ay hindi mga hiwalay na pangyayari. Kasama nila ang iisang direksyon: ayaw ng NVIDIA na gawing simpleng “pagsasara sa isang uri ng model” ang kompetisyon sa AI, kundi gustong pataasin ang bilang ng mga model, mas maraming aplikasyon, at mas maraming developer na pumasok sa pool ng pangangailangan sa computing power.
Ang mga limitasyon kaugnay ng Tsina ay magdudulot ng epekto sa inaasahang performance ng NVIDIA
Ang isa pang problema na kailangang harapin ng ibang merkado ay ang hangganan ng patakaran, ngunit hindi ito lamang tungkol sa “kaya ba limitahan ang Chinese model”, kundi “kung gagawin ba ng paglimita na mabawasan ang posisyon ng NVIDIA sa Chinese AI supply chain”.
Hindi lamang ang kakayahan ng modelo ang mahalaga sa Kimi K3, kundi pati na rin ang fakto na ito ay hindi binuo gamit ang pinakabagong henerasyon ng flagship chip ng NVIDIA. Ang mas sensitibong punto sa diskusyon ng merkado ay ang paggamit ng Kimi K3 ng mga chip tulad ng H800, na nasa ilalim na ng mga pagsasara sa pag-export at hindi ang pinakabagong spesipikasyon. Sa ibang salita, kahit na may limitasyon sa pagkakaroon ng advanced chips, patuloy pa ring kayang i-train ng mga Chinese model company ang kompetitibong mga frontier model.
Ito rin ang pangunahing lohika ni Huang Renxun laban sa mga pangkalahatang pagbabawal sa Chinese market. Ang pagbabawal ay hindi gagawing nawala ang pangangailangan sa AI ng China, kundi magpapakialam sa mga Chinese company na hanapin ang mga alternatibong daan: mas epektibong arkitektura ng modelo, mas mura para sa pag-train, at mas maraming lokal na chip na kompatibleng gamitin. Pagkatapos ng DeepSeek, nakikita na ng market ang presyong pinalabas ng mga Chinese company sa kanilang pagtutok sa efficiency; at ang pagkakasundo ng DeepSeek sa mga chip ng Huawei ay nangangahulugan na ang Chinese AI ecosystem ay hindi magiging ganap na nakabatay sa CUDA at GPU system ng NVIDIA.
Ito ang totoong dahilan kung bakit dapat mag-alala ang NVIDIA. Sa maikling panahon, ang pagtatakda sa China ay maaaring makaapekto sa ilang pagbebenta ng chip at mga inaasahang order; sa mahabang panahon, kung ang mga Chinese na developer ng model, cloud provider, at application company ay pilit na magpapabilis ng pag-adapt sa non-NVIDIA hardware, ang bahagi ng NVIDIA sa AI infrastructure sa China ay maaaring magpatuloy na mabawasan. Hindi kailangang makasunod agad ng mga kalaban ang NVIDIA, ngunit habang patuloy na tumataas ang availability, lalakas ang pagkilos ng mga customer na maglipat.
Kaya ang pagkakaiba-iba ng mga stocks ng chip ay hindi lamang tugon sa isang Chinese model, kundi isang pagrerate ng mga pangmatagalang inaasahan para sa NVIDIA: maaari pa bang suportahan ng closed-source approach ang mataas na paglago, babuksan ba ng open models ang bagong paglago, at babalewala ba ng patakaran ang potensyal na mga customer patungo sa mga alternatibo sa labas ng NVIDIA.
Mayroon pa ring kalamangan ang closed-source lab, ngunit mas mahirap ang valuation narrative.
Ang pag-usbong ng mga open-weight model ay hindi nangangahulugan na nawala na ang halaga ng mga closed-source frontier labs.
Ang mga pribadong modelo ay may malinaw na kahusayan. Maaari nilang itayo ang mga hadlang sa paligid ng karanasan sa produkto, pagpapatupad ng agent, mga kasangkapan, pagpapakasaligan sa seguridad, pagkakasundo sa korporasyon, at pagkakahati ng ekosistema. Para sa maraming kliyente sa negosyo, ang kakayahang gamitin, katatagan, hangganan ng responsibilidad, at kakayahang i-integrate ay maaaring mas mahalaga kaysa sa isang porsyento sa listahan ng modelo.
Ngunit mas mahirap na ang kuwento ng pagbabahagi. Noon, ang mga saradong laboratorio ay maaaring magbatay sa “pinakamalakas na modelo” upang ipaliwanag ang mataas na presyo at mataas na pagbabahagi; ngayon, kailangan nilang patunayan na hindi lamang mas malakas ang kanilang mga modelo, kundi kaya rin nilang magbigay ng mas kumpiyansa, mas kompletong, at mas mahirap palitan na enterprise-level na sistema.
May dual impact ito sa NVIDIA. Sa isang kamay, kung ang kita ng mga sariling laboratorio ay napapababa, maaaring mag-alala ang merkado sa kanilang ritmo ng pag-invest sa infrastruktura sa hinaharap. Sa kabilang kamay, kung ang mga bukas na modelo ay bababaan ang hadlang sa paggamit, mas maraming kumpanya, cloud provider, at developer ang maaaring sumali sa pag-deploy, na nagiging mas magkakalat ang mga pinagkukunan ng pangangailangan para sa NVIDIA.
Hindi kasama ang OpenAI, Anthropic, at Google sa listahan ng mga nag-sign sa pribadong liham tungkol sa open weights, at hindi ito nagpapahiwatig na suporta nila sa pagpapalimita sa mga modelong Tsino. Ito ay nagpapakita lamang na ang mga closed-source na advanced lab, hardware, at platform companies ay may iba’t ibang istruktura ng interes.
Nakatayo ang NVIDIA sa hardware layer at mas nais na magkaroon ng maraming parirala ng modelo. Patuloy na haharapin ng closed-source models ang mga pinakamataas na kakayahan, habang ang open-source models ay responsable sa pagbaba ng mga hadlang at pagpapalawak ng mga aplikasyon. Kung parehong itataas ng dalawa ang paggamit ng AI, ang NVIDIA ay isa sa pangunahing nakikinabang.
Ang dapat tandaan ng mga investor ay ang paggamit
Hindi magtatapos ang debate na ito sa isang pahayag ni Huang Renxun lamang. Ang pagpapasya sa presyo, ay ang patakaran ng Amerika kung saan ito magiging limitasyon, at kung makakapagpasok ba ang mga bukas na modelo sa pag-deploy ng mga negosyo.
Kung ang mga open-weight model ay nagdudulot lang ng kontrobersya sa public opinion ngunit hindi nabubuo ang mapagkakatiwalaang enterprise adoption, ang pangunahing pangangailangan ni NVIDIA ay babalik sa mga cycle ng capital expenditure ng ilang closed-source labs at malalaking cloud platforms. Ito ay nangangahulugan na ang mga inaasahang paglago ni NVIDIA ay kailangang patuloy na masusuri sa pamamagitan ng mga order mula sa mga malalaking kliyente.
Kung patuloy na papasukin ng open models ang mga corporate environment at dala ang makikita na pangangailangan sa inference, fine-tuning, private deployment, at industry integration, ang kuwento ni NVIDIA ay magsisilbi mula sa “ilang malalaking kompanya ang bumibili ng higit pang GPU” patungo sa “higit pa pang organisasyon ang nagsisimulang kumain ng AI computing power”.
Dapat mas pansinin ng mga investor ang dalawang variable. Isa ay kung tatama ba ang mga pagtataas ng limitasyon ng Estados Unidos sa mga pagbili, cloud services, at listahan ng mga entidad. Ang isa pa ay kung makakapasok ba ang mga open-weight model sa tunay na pag-deploy sa mga negosyo at magdudulot ng makikita na paggamit ng computing power.
Ang una ay nagdedesisyon sa panganib ng patakaran, habang ang pangalawa ay nagdedesisyon kung ang maling pag-unawa ng merkado, ayon kay Huang Renxun, ay maaaring maging totoong demand para sa mga order ni NVIDIA. Ang pagtrato sa mga stock ng chip ay hindi tungkol sa panalo o pagkatalo ng isang modelo, kundi tungkol sa kung maaari pa bang magpalawak ang demand para sa AI.
BlockBeats