尽管得到了市场宠儿科技巨头 Nvidia (NVDA-0.22%) 的支持,并在最后时刻以 2.5 亿美元的订单支撑 IPO,但事情并未如预期发展。
该公司最初目标是融资 27 亿美元,但最终只达到了 15 亿美元。股票定价为 40 美元,远低于此前预期的 47 至 50 美元区间,并在周五以 39 美元开始交易。周一,在交易的第二天,该股票在午盘交易时下跌近 10%。
CoreWeave 是一家云计算公司,为 Microsoft (MSFT+0.21%) 和 Meta (META-0.38%) 等主要科技公司提供 GPU 基础设施。该公司主要使用 Nvidia 的 GPU 来运营这些数据中心。由于业务成本高昂,CoreWeave 依靠积累债务来扩建其产能,押注未来对 AI 计算能力的需求。
CoreWeave 被视为纯 AI 公司,因为公司的成功直接押注于 AI 需求增长的未来。大多数纯 AI 公司——如在 2022 年通过 ChatGPT 掀起 AI 热潮的 OpenAI——都是私人持有,不公开财务状况,这使投资者难以衡量整个行业的状况。CoreWeave 的市场首秀被许多人视为了解 AI 交易在 AI 泡沫担忧升温之际的发展情况的一种方式。
一些行业专家认为,这次令人失望的 IPO 应该被视为炒作热度正在消退的指标。
纽约大学斯特恩商学院金融学教授 Aswath Damodaran 上周对 CNBC 表示:"如果一年前 CoreWeave 上市,'AI' 和 'Nvidia' 这两个词就足以让它成功。现在做不到这一点表明,仅仅基于 AI 或 Nvidia 这些词进行交易的势头已经不再有效了。"他补充说,他认为这是健康的,因为 AI 被过度炒作了。
"AI 产品和服务业务,也就是最终必须为所有这些付费的业务,并没有实质性起飞。我很难想到有任何公司在 AI 产品和服务业务中赚到大钱,"Damodaran 说。
根据 Bloomberg 上周报道的收入预期,OpenAI 预计到今年年底收入将增长两倍多,但该公司预计要到 2029 年才能实现现金流为正。
Damodaran 表示,市场对 AI 交易的怀疑始于去年年底,当中国 AI 初创公司 DeepSeek 今年早些时候推出了一个与 OpenAI 相媲美但成本和能耗更低的推理模型时,这种怀疑情绪进一步加剧。
Damodaran 说,上周 CoreWeave IPO 发生的事情表明,市场认识到"在实际市场存在的证据出现之前投入了太多资金"。
"我认为我们现在正处于 AI 业务的一个时刻,我们在寻找一些证据,证明 AI 产品和服务业务将是万亿美元级别,而不是数亿美元级别,"他说。
然而,并非所有专家都认为 IPO 的失望与 AI 交易的力量直接相关。
"虽然 CoreWeave 的 IPO 显然不太成功,但这不应被视为 AI 市场实力的指标,"D.A. Davidson 分析师 Gil Luria 告诉 Quartz。
Luria 认为 CoreWeave "有点像是 Nvidia 的一个高杠杆表外安排",他指出了 Nvidia 决定挽救该公司 IPO 的行为。CoreWeave 的杠杆支出有助于推动 Nvidia 的 GPU 销售,而不会给 Nvidia 带来任何直接财务风险。
在上周的初始评级报告中,Luria 表示,CoreWeave 的债务型商业模式只有在 AI 需求增长"快于超大规模数据中心建设速度"的情况下才能持续,这使得 CoreWeave 目前是一个有风险的投资。
关于 AI 是否处于泡沫中的猜测,Luria 将其类比于 2008 年金融危机,其中抵押债务债券 (CDO)——特别是次级抵押贷款——在制造房地产泡沫中发挥了重要作用。
"如果 AI 是一个 CDO,我们将 CoreWeave 视为次级部分,"Luria 写道。D.A. Davidson 目前对该股票持中性评级。
"AI 对技术未来发展道路的重要性超越了任何一家公司,当然也比 CoreWeave 更大,"Luria 告诉 Quartz。
好文章,需要你的鼓励
是德科技高级副总裁兼通信解决方案事业部总裁Kailash Narayanan现场指出,算力固然重要,但如果能耗过高,技术的实用性将大打折扣,因此,所有的高速、高性能计算,都必须在极低的功耗下实现,这是AI等技术能否大规模落地的核心前提。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
来自上海交通大学和浙江大学等机构的研究团队开发出首个AI"记忆操作系统"MemOS,解决了AI系统无法实现人类般持久记忆和学习的根本限制。该系统将记忆视为核心计算资源进行调度、共享和演化,在时间推理任务中相比OpenAI记忆系统性能提升159%。MemOS采用三层架构设计,通过标准化记忆单元实现跨平台记忆迁移,有望改变企业AI部署模式。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。