テキストからビデオへの革命には大規模な GPU ライブラリが必要です

AI 生成ビデオの出現により GPU 需要が急増しており、TikTok や YouTube などのプラットフォームでクリエイター コミュニティをサポートするには、驚異的な 720,000 個のハイエンド Nvidia H100 GPU が必要であると推定されています。このようなモデルのトレーニング プロセスには、GPT-4 や静止画像生成をも超える膨大な計算能力が必要です。導入が進むにつれて、推論の需要がトレーニングをさらに上回るようになり、テキストからビデオへの生成を主流にするためには巨額のハードウェア投資が必要になります。

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

テキストからビデオへの革命は膨大な GPU 兵器にかかっています: 数百万ドルが必要

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).

OpenAI の Sora に代表される、テキストからビデオへのジェネレーターの画期的な機能は、人工知能 (AI) への興奮と投資の急増を引き起こしました。ただし、主流の AI 生成ビデオの実現は、グラフィックス プロセッシング ユニット (GPU) として知られる前例のない数の特殊な処理ユニットが利用できるかどうかにかかっています。

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.

Factorial Funds の見積もりによると、TikTok や YouTube などのプラットフォームの膨大なクリエイター コミュニティに対応するには、720,000 個という驚異的なハイエンド Nvidia H100 GPU が必要であることが明らかになりました。この計算需要の巨大な規模は、Sora のトレーニング プロセスで明らかです。このプロセスでは、1 か月間最大 10,500 個の強力な GPU が必要ですが、推論中に GPU ごとに 1 時間あたり約 5 分のビデオしか生成できません。

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.

データが示すように、テキストからビデオへのモデルをトレーニングするには、GPT4 のような大規模な言語モデルをトレーニングしたり、静止画像を生成したりするよりもはるかに多くのコンピューティング能力が必要になります。さらに、Sora のような AI モデルが広く採用されるようになると、推論に必要な計算、つまりトレーニングされたモデルを使用して新しいビデオを生成するプロセスが、初期トレーニングに必要な計算を上回ってしまうでしょう。

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.

これを大局的に見ると、Nvidia は 2023 年に約 550,000 枚の H100 GPU を出荷しました。Statista の統計によると、Nvidia の H100 GPU を利用している最大手 12 社がこれらのカードを合わせて 650,000 枚所有しており、そのうち 300,000 枚をテクノロジー大手の Meta と Microsoft が占めています。

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.

カードあたり 30,000 ドルのコストがかかると仮定すると、AI で生成されたテキストをビデオに変換するという Sora のビジョンを主流にするために必要な GPU を調達するには、216 億ドルという天文学的な金額が必要になります。この数字は、現在のAIトークン全体の時価総額とほぼ一致する。

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.

このような膨大な量の GPU の調達は、供給の制約と AI 駆動アプリケーションに対する需要の高まりにより、大きな課題となります。注目すべきは、Nvidia が GPU 市場における唯一のプレーヤーではないということです。ライバルのチップメーカーであるAMDは競争力のある製品を提供しており、投資家は同社の技術革新に対して惜しみなく報酬を与えており、同社の株価は2012年の2ドル台から現在では175ドル以上にまで上昇している。

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.

コンピューティング能力を GPU ファーム (Render (RNDR) や Akash Network (AKT) など) にアウトソーシングするための代替オプションが存在します。ただし、これらのネットワーク上の GPU の大部分は小売グレードのゲーム GPU で構成されており、Nvidia のサーバー グレードの H100 や AMD の同等の製品よりも大幅に性能が劣ります。

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.

これらの課題にもかかわらず、Sora やその他のプロトコルが構想しているテキストからビデオへの生成という魅力的な期待には、莫大なハードウェア投資が必要になります。ハリウッドのような業界のクリエイティブ ワークフローに革命をもたらす可能性は否定できませんが、AI 生成ビデオが差し迫った主流の採用についての期待を和らげることが重要です。

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.

現在、業界は AI 駆動アプリケーションの急増する需要に応えるため、チップ生産量の大幅な増加という差し迫った必要性に直面しています。この供給ギャップが解消されない限り、AI 生成ビデオを広く利用できるようにすることは、依然として難しい目標となります。