Die Text-zu-Video-Revolution erfordert riesige GPU-Bibliotheken

Das Aufkommen von KI-generierten Videos hat zu einem Anstieg der GPU-Nachfrage geführt. Schätzungen gehen davon aus, dass unglaubliche 720.000 High-End-Nvidia-H100-GPUs erforderlich sind, um die YouTuber-Community auf Plattformen wie TikTok und YouTube zu unterstützen. Der Trainingsprozess für solche Modelle erfordert eine enorme Rechenleistung, die sogar GPT-4 und die Standbilderzeugung übertrifft. Mit zunehmender Akzeptanz werden die Anforderungen an Inferenzen die Anforderungen an die Schulung weiter übersteigen, was eine massive Investition in Hardware erforderlich macht, um die Text-zu-Video-Generierung zum Mainstream zu machen.

Text-to-Video Revolution Hinges on a Vast GPU Arsenal: Millions Required

Die Text-zu-Video-Revolution basiert auf einem riesigen GPU-Arsenal: Millionen erforderlich

The groundbreaking capabilities of text-to-video generators, exemplified by OpenAI's Sora, have sparked a surge of excitement and investment in Artificial Intelligence (AI). However, the realization of mainstream AI-generated video hinges on the availability of an unprecedented number of specialized processing units known as Graphics Processing Units (GPUs).

Die bahnbrechenden Fähigkeiten von Text-zu-Video-Generatoren, am Beispiel von Sora von OpenAI, haben zu einem Aufschwung und zu Investitionen in künstliche Intelligenz (KI) geführt. Die Realisierung von Mainstream-KI-generierten Videos hängt jedoch von der Verfügbarkeit einer beispiellosen Anzahl spezialisierter Verarbeitungseinheiten ab, die als Grafikverarbeitungseinheiten (GPUs) bekannt sind.

Estimates by Factorial Funds reveal that a staggering 720,000 high-end Nvidia H100 GPUs would be necessary to cater to the vast creator communities of platforms like TikTok and YouTube. The gargantuan scale of this computational demand is evident in Sora's training process, which requires up to 10,500 powerful GPUs for a month and can generate only about 5 minutes of video per hour per GPU during inference.

Schätzungen von Factorial Funds zeigen, dass unglaubliche 720.000 High-End-Nvidia-H100-GPUs erforderlich wären, um die riesigen Schöpfergemeinschaften von Plattformen wie TikTok und YouTube zu bedienen. Das gigantische Ausmaß dieses Rechenbedarfs wird im Trainingsprozess von Sora deutlich, der bis zu 10.500 leistungsstarke GPUs für einen Monat erfordert und während der Inferenz nur etwa 5 Minuten Video pro Stunde und GPU generieren kann.

As illustrated by the data, training text-to-video models demands significantly more computing power than training massive language models like GPT4 or even generating static images. Moreover, as AI models like Sora gain wider adoption, the computation required for inference - the process of using the trained model to generate new videos - will eclipse the computation required for initial training.

Wie die Daten zeigen, erfordert das Training von Text-zu-Video-Modellen deutlich mehr Rechenleistung als das Training umfangreicher Sprachmodelle wie GPT4 oder sogar das Erzeugen statischer Bilder. Darüber hinaus wird mit zunehmender Verbreitung von KI-Modellen wie Sora der für die Inferenz erforderliche Rechenaufwand – der Prozess der Verwendung des trainierten Modells zur Generierung neuer Videos – den für das anfängliche Training erforderlichen Rechenaufwand in den Schatten stellen.

To put this into perspective, Nvidia shipped approximately 550,000 H100 GPUs in 2023. Statistics from Statista indicate that the twelve largest customers utilizing Nvidia's H100 GPUs collectively possess 650,000 of these cards, with tech giants Meta and Microsoft accounting for 300,000 of them.

Um dies ins rechte Licht zu rücken: Nvidia hat im Jahr 2023 etwa 550.000 H100-GPUs ausgeliefert. Statistiken von Statista zeigen, dass die zwölf größten Kunden, die Nvidias H100-GPUs nutzen, zusammen 650.000 dieser Karten besitzen, wobei die Technologiegiganten Meta und Microsoft 300.000 davon ausmachen.

Assuming a cost of $30,000 per card, the astronomical sum of $21.6 billion would be required to procure the GPUs necessary to make Sora's vision of AI-generated text-to-video mainstream. This figure nearly matches the entire market capitalization of AI tokens at present.

Geht man von Kosten von 30.000 US-Dollar pro Karte aus, wäre die astronomische Summe von 21,6 Milliarden US-Dollar erforderlich, um die GPUs zu beschaffen, die notwendig sind, um Soras Vision von KI-generiertem Text-zu-Video zum Mainstream zu machen. Diese Zahl entspricht nahezu der gesamten Marktkapitalisierung von KI-Tokens derzeit.

The procurement of such a vast quantity of GPUs presents a formidable challenge due to supply constraints and escalating demand for AI-driven applications. Notably, Nvidia is not the sole player in the GPU market. Rival chipmaker AMD offers competitive products, with investors generously rewarding the company for its innovations, propelling its stock from the $2 range in 2012 to over $175 today.

Die Beschaffung einer so großen Menge an GPUs stellt aufgrund von Lieferengpässen und der steigenden Nachfrage nach KI-gesteuerten Anwendungen eine gewaltige Herausforderung dar. Insbesondere ist Nvidia nicht der einzige Player auf dem GPU-Markt. Der konkurrierende Chiphersteller AMD bietet wettbewerbsfähige Produkte an, wobei die Anleger das Unternehmen großzügig für seine Innovationen belohnen, wodurch der Aktienkurs von 2 US-Dollar im Jahr 2012 auf heute über 175 US-Dollar stieg.

Alternative options exist for outsourcing computing power to GPU farms, such as Render (RNDR) and Akash Network (AKT). However, the majority of GPUs on these networks consist of retail-grade gaming GPUs, significantly less potent than Nvidia's server-grade H100 or AMD's comparable offerings.

Es gibt alternative Möglichkeiten, Rechenleistung an GPU-Farmen wie Render (RNDR) und Akash Network (AKT) auszulagern. Allerdings handelt es sich bei den meisten GPUs in diesen Netzwerken um Gaming-GPUs der Einzelhandelsqualität, die deutlich weniger leistungsstark sind als Nvidias H100 in Serverqualität oder vergleichbare Angebote von AMD.

Despite these challenges, the tantalizing promise of text-to-video generation, as envisioned by Sora and other protocols, will necessitate a herculean hardware investment. While the potential for revolutionizing the creative workflow in industries like Hollywood is undeniable, it is crucial to temper expectations regarding the imminent mainstream adoption of AI-generated video.

Trotz dieser Herausforderungen wird das verlockende Versprechen der Text-zu-Video-Generierung, wie sie sich Sora und andere Protokolle vorstellen, eine herkulische Hardware-Investition erfordern. Während das Potenzial zur Revolutionierung des kreativen Workflows in Branchen wie Hollywood unbestreitbar ist, ist es wichtig, die Erwartungen hinsichtlich der bevorstehenden Mainstream-Einführung von KI-generierten Videos zu dämpfen.

At present, the industry faces a pressing need for a substantial increase in chip production to meet the burgeoning demand for AI-driven applications. Until this supply gap is addressed, the widespread availability of AI-generated video will remain an elusive goal.

Derzeit steht die Branche vor einem dringenden Bedarf an einer erheblichen Steigerung der Chipproduktion, um der wachsenden Nachfrage nach KI-gesteuerten Anwendungen gerecht zu werden. Bis diese Versorgungslücke geschlossen ist, wird die flächendeckende Verfügbarkeit von KI-generierten Videos ein schwer erreichbares Ziel bleiben.