텍스트-비디오 혁명은 놀라운 컴퓨팅 성능에 달려 있습니다. 즉, 수백만 개의 GPU가 필요합니다.

텍스트-비디오 생성에 대한 전망으로 인해 AI 토큰에 대한 관심이 급증했지만 널리 채택하려면 엄청난 컴퓨팅 성능 향상이 필요합니다. TikTok과 YouTube의 제작자 커뮤니티를 지원하려면 약 216억 달러에 달하는 약 720,000개의 고급 Nvidia H100 GPU가 필요할 것입니다. 이는 Meta 및 Microsoft와 같은 거대 기술 기업이 보유하고 있는 현재 리소스를 훨씬 초과하는 것입니다. 이는 AI 생성 비디오를 주류로 가져오는 데 있어 중요한 하드웨어 문제와 잠재적인 제약을 강조합니다.

Text-to-Video Revolution Hinges on Staggering Compute Power: Millions of GPUs Required

텍스트-비디오 혁명은 엄청난 컴퓨팅 성능에 달려 있습니다: 수백만 개의 GPU 필요

The advent of text-to-video generation has ignited excitement within the crypto market, with AI tokens soaring following the unveiling of OpenAI's "Sora" demo. However, making this technology mainstream poses a formidable challenge, requiring an astronomical amount of compute power.

텍스트-비디오 세대의 출현은 OpenAI의 "Sora" 데모 공개 이후 AI 토큰이 급등하면서 암호화폐 시장에 흥분을 불러일으켰습니다. 그러나 이 기술을 주류로 만들려면 천문학적인 양의 컴퓨팅 성능이 필요하다는 엄청난 과제가 있습니다.

The Sheer Number: Hundreds of Thousands of GPUs Needed

엄청난 숫자: 수십만 개의 GPU가 필요합니다.

A groundbreaking report from Factorial Funds estimates that a staggering 720,000 high-end Nvidia H100 GPUs would be necessary to support the content-creator communities on platforms like TikTok and YouTube. This number dwarfs the combined GPU arsenal of tech giants such as Microsoft, Meta, and Google.

Factorial Funds의 획기적인 보고서에 따르면 TikTok 및 YouTube와 같은 플랫폼에서 콘텐츠 제작자 커뮤니티를 지원하려면 엄청난 720,000개의 고급 Nvidia H100 GPU가 필요할 것으로 추정됩니다. 이 숫자는 Microsoft, Meta, Google과 같은 거대 기술 기업의 GPU 무기고를 합친 것보다 작습니다.

Training vs. Inference: An Exponential Power Demand

훈련과 추론: 기하급수적인 전력 수요

Training text-to-video models like Sora requires colossal compute power. According to Factorial Funds, Sora requires up to 10,500 GPUs for a month's training and generates a mere 5 minutes of video per hour per GPU during inference. As adoption grows, inference will surpass training, demanding even more computational resources to produce new videos.

Sora와 같은 텍스트-비디오 모델을 교육하려면 엄청난 컴퓨팅 성능이 필요합니다. Factorial Funds에 따르면 Sora는 한 달 동안의 훈련을 위해 최대 10,500개의 GPU가 필요하며 추론 중에 GPU당 시간당 5분의 비디오를 생성합니다. 채택이 증가함에 따라 추론은 훈련을 능가하게 되므로 새로운 비디오를 제작하는 데 훨씬 더 많은 컴퓨팅 리소스가 필요합니다.

Nvidia's Dominance, but Not a Monopoly

엔비디아의 지배력, 그러나 독점은 아니다

Nvidia reigns supreme as the leader in AI-specific GPUs, but it's not the only player. Rival AMD offers competitive products, and its stock has witnessed a meteoric rise in recent years. Alternative options exist for outsourcing compute power to GPU farms, but these networks largely rely on gaming GPUs, significantly less potent than Nvidia's server-grade offerings.

Nvidia는 AI 전용 GPU 분야의 선두주자로 군림하고 있지만 Nvidia가 유일한 플레이어는 아닙니다. 경쟁사인 AMD는 경쟁력 있는 제품을 제공하며 최근 몇 년간 주가가 급등했습니다. GPU 팜에 컴퓨팅 성능을 아웃소싱하기 위한 대체 옵션이 있지만 이러한 네트워크는 주로 게임용 GPU에 의존하며 Nvidia의 서버급 제품보다 훨씬 덜 강력합니다.

The Hardware Hurdle: A Call for More Chips

하드웨어 장애물: 더 많은 칩에 대한 요구

The promise of text-to-video generation hinges on a herculean hardware investment. Nvidia, with its annual production capacity of 550,000 H100 GPUs, falls short of meeting the projected demand. Combined, the twelve largest users of H100 GPUs possess 650,000 of the cards, with Meta and Microsoft collectively holding 300,000.

텍스트-비디오 생성의 가능성은 막대한 하드웨어 투자에 달려 있습니다. 연간 550,000개의 H100 GPU 생산 능력을 갖춘 Nvidia는 예상 수요를 충족시키지 못합니다. H100 GPU를 사용하는 최대 12명의 카드를 합치면 650,000장의 카드를 보유하고 있으며 Meta와 Microsoft는 합쳐서 300,000장을 보유하고 있습니다.

A Multi-Billion Dollar Endeavor

수십억 달러의 노력

Acquiring the necessary number of H100 GPUs would incur a staggering cost of $21.6 billion, nearly matching the current market capitalization of AI tokens. Even if the financial hurdles could be overcome, the physical availability of these GPUs remains a significant constraint.

필요한 수의 H100 GPU를 확보하려면 216억 달러라는 엄청난 비용이 발생하며 이는 현재 AI 토큰의 시가총액과 거의 일치합니다. 재정적 장애물을 극복할 수 있더라도 이러한 GPU의 물리적 가용성은 여전히 ​​중요한 제약으로 남아 있습니다.

Conclusion: Mainstream Adoption Remains Elusive

결론: 주류 채택은 여전히 ​​어렵다

The allure of text-to-video generation is undeniable, but its widespread adoption faces a formidable challenge in the form of massive compute power requirements. While the premise holds promise for revolutionizing creative workflows, expecting mainstream adoption anytime soon is unrealistic. The road to unleashing the full potential of this technology requires a substantial increase in chip production and a concerted effort to address the immense hardware demands.

텍스트-비디오 생성의 매력은 부인할 수 없지만 광범위한 채택은 엄청난 컴퓨팅 성능 요구 사항이라는 형태로 엄청난 도전에 직면해 있습니다. 전제는 창의적인 작업 흐름을 혁신할 것이라는 약속을 갖고 있지만 조만간 주류에 채택될 것이라고 기대하는 것은 비현실적입니다. 이 기술의 잠재력을 최대한 활용하려면 칩 생산량을 크게 늘리고 막대한 하드웨어 수요를 해결하기 위한 공동의 노력이 필요합니다.