• Filozofia inwestycyjna i dobór spółek wzrostowych:

  • Opieranie decyzji na rachunku prawdopodobieństwa i powtarzalnych metodach, a nie poszukiwaniu przypadkowych „złotych strzałów” [00:03:38].
  • Kluczowy filtr selekcji to prognozowana 2-letnia dynamika przychodów (w dłuższym terminie kurs podąża za sprzedażą) oraz konsensus analityków z Wall Street, który odrzuca stagnujące biznesy (analogia z początku roku: odrzucenie Novo Nordisk na rzecz AMD) [00:01:21].
  • Reagowanie i zamykanie pozycji, gdy pierwotny scenariusz inwestycyjny przestaje się realizować [00:04:59].

• Redukcja sektora nieruchomości (REIT-y) o niemal połowę:

  • Zmiana otoczenia makroekonomicznego: inflacja nie spadła tak szybko, rentowności obligacji USA wybiły wieloletnie szczyty, a stopy procentowe zostały podniesione ze względu na cła oraz geopolitykę na Bliskim Wschodzie [00:05:24], [00:07:27].
  • Przeniesienie kapitału do znacznie bardziej przecenionego i perspektywicznego sektora półprzewodników [00:08:15].
  • Optymalizacja podatkowa – zrealizowanie strat z części REIT-ów pozwoliło zrównoważyć tegoroczne zyski z innych udanych transakcji [00:09:20].

• Transfer 50 000 USD do sektora półprzewodników i infrastruktury AI:

  • AI jako trwała nakładka na każdą dziedzinę życia, generująca konieczność ciągłej rozbudowy centrów danych oraz wojnę o dominację technologiczną (egzystencjalny wyścig hiperskalerów i rywalizacja USA-Chiny) [00:11:51], [00:12:54].
  • Wykorzystanie korekty trwającej od czerwca do powiększenia pozycji:
    • ASML: spadek o ~20% od szczytów przy jednoczesnym podnoszeniu prognoz przez analityków; wyceny i prognozowany upside na historycznie atrakcyjnych poziomach [00:13:34].
    • TSMC: kluczowy monopolista produkcyjny, notowany wyraźnie taniej niż w czerwcu [00:14:28].
    • Nvidia & Broadcom: wskaźniki C/Z bazujące na 2-letnich prognozach zysków na historycznie niskich poziomach (Nvidia C/Z fwd ~10) [00:14:36], [00:15:11].
    • Pozostałe zakupy: Monolithic Power Systems, a także Arista Networks oraz Vertiv (po 40-procentowej korekcie) [00:11:05], [00:16:02].

• Bieżący stan i struktura portfela:

  • Portfel technologiczny stanowi obecnie ponad 10% całego majątku autora (łącznie z ETF na Nasdaq i strategią momentum to ponad 20%) [00:17:05].
  • Cztery główne filary portfela: TSMC, Broadcom, Nvidia oraz ASML [00:17:35].
  • Łączny wkład w strategię wynosi 110 000 USD, a jej wycena to ponad 132 000 USD (zysk rzędu 20 000 USD po 9 miesiącach) [00:18:06].
  • Strategia zorientowana na wysokie momentum cenowe i wynikowe – z pełną świadomością ryzyka głębokich obsunięć (nawet do 50% w trakcie bessy) w zamian za ponadprzeciętne stopy zwrotu w fazach hossy [00:18:21].

• Nowe wąskie gardło AI: pamięć zamiast GPU [00:00:06]

  • Wraz z przechodzeniem sztucznej inteligencji z fazy trenowania do masowej inferencji (obsługa zapytań, długie okna kontekstowe, agenci), głównym problemem staje się przepustowość i pojemność pamięci [00:03:13].
  • Niewystarczająca pamięć sprawia, że drogie akceleratory marnują moc obliczeniową, czekając na transfer danych [00:01:33].

• Ograniczenia pamięci HBM (High Bandwidth Memory) [00:01:43]

  • HBM jest niezwykle szybka, lecz bardzo droga, fizycznie ograniczona przestrzennie obok GPU oraz trudna w zaawansowanym pakowaniu warstwowym [00:01:51].
  • Deficyt HBM pozwala producentom (Samsung, SK Hynix, Micron) dyktować wyższe ceny, co odbija się również na podwyżkach i ograniczonej dostępności standardowego DRAM-u [00:02:11].

• HBF (High Bandwidth Flash) jako nowa warstwa pamięci [00:00:16]

  • Nowy standard rozwijany wspólnie przez SK Hynix i SanDisk (w ramach Open Compute Project), angażujący także firmy takie jak Google, Meta czy Tenstorrent [00:04:14].
  • HBF łączy ideę pionowo ułożonych warstw komórek NAND (flash) z architekturą umożliwiającą masowy odczyt równoległy [00:04:32].
  • Specyfikacja przewiduje pakiety o pojemności do 512 GB (w stosach 8 lub 16 warstw), przepustowość od 0,4 do 3 TB/s oraz interfejs UCIe [00:05:16].
  • Szacuje się, że HBF zaoferuje 8–16 razy większą pojemność niż HBM przy porównywalnym koszcie pakietu [00:06:04].

• Wielopoziomowa architektura pamięci [00:06:57]

  • HBF nie ma na celu zastąpienia HBM, lecz wprowadzenie pośredniej warstwy pamięci: HBM dla danych krytycznych pod kątem latencji, HBF dla dużych wag modeli i pamięci podręcznej (KV cache), a niżej DRAM i tradycyjne SSD [00:07:06].
  • Inne koncepcje rynkowe (np. Samsung) to m.in. pionowe układanie pamięci bezpośrednio nad GPU (zHBM) czy obliczenia w pamięci (LPDDR5X-PIM) [00:08:01].

• Horyzont czasowy i wdrożenie [00:10:04]

  • Projekt pierwszego układu HBF zaliczył tape-out w sierpniu 2026 r., a pierwsze próbki urządzeń spodziewane są w 2027 r. [00:10:13].
  • Jednocześnie SK Hynix inwestuje ponad 4 mld USD w nowy zakład HBM w Indianie (planowane uruchomienie w 2029 r.), co potwierdza wieloletnią koegzystencję obu technologii [00:10:49].

Summary: Nvidia is the Central Bank of AI

Skyrocketing Valuation and Financial Engineering

• Nvidia reached a valuation surpassing $5.4 trillion, fueled not only by surging demand for AI hardware but also by aggressive financial engineering orchestrated by CEO Jensen Huang.
• The company has transitioned from pure chip manufacturing into acting as a pivotal industry financier, prompting observers to label it the "central bank of AI."
• Over the past three years, Nvidia has pledged more than $70 billion in startup investments and backed customers with roughly $300 billion in financial commitments and guarantees.

Novel Financing Mechanisms and Backstops

• Residual-Value Guarantees: Partnering with major Wall Street institutions to unlock $500+ billion in infrastructure capital, Nvidia underwrites up to 25% of equipment value to reassure lenders against hardware depreciation.
• Neocloud Revenue Floors: To help capital-constrained "neoclouds" (such as CoreWeave, Sharon AI, and Firmus) secure affordable debt, Nvidia guarantees baseline revenue by agreeing to buy unused compute capacity over multi-year periods (up to six years or more).
• Direct Leases and Infrastructure Guarantees: Backed massive buildouts—including a $105 billion backstop for a 1.5-million-chip SoftBank data center in Ohio leased to OpenAI, guaranteeing power purchase agreements and real estate leases.
• Open-Source and Ecosystem Stakes: Direct investments in software platforms (e.g., Hugging Face, Poolside) to cultivate independent, non-hyperscaler demand for open-weight models powered by Nvidia GPUs.

Underlying Drivers: Hyperscaler Competition

• Hyperscalers (Microsoft, Google, Amazon, Meta) generate ~50% of Nvidia's revenue but are actively developing in-house custom silicon (TPUs, Trainium, custom ASICs) that cost a fraction of Nvidia GPUs.
• Custom chips are projected to capture up to 50% of the AI processor market by 2030, pressuring Nvidia to empower alternative buyers and secure future chip pipelines.

Critical Risks and Parallels to Dot-Com Telecom

• Dot-Com Vendor Financing Parallels: Critics draw comparisons to late-1990s vendor financing by Cisco and Lucent, which suffered massive losses when debt-funded telecom customers collapsed.
• Depreciation & Pricing Exposure: Nvidia's guarantees assume GPUs retain durable collateral value and that demand expands indefinitely; however, chip supply proliferation, specialized inference chips, and architectural efficiencies could compress GPU margins and rental rates.
• Off-Balance-Sheet Liabilities: Potential non-balance-sheet commitments could reach $175 billion to $300 billion; while Nvidia holds substantial cash ($99 billion) and strong cash flow, a sharp industry downturn or growth shortfall could trigger vast compute repurchase obligations and lease liabilities.

Hacker News Discussion

• Monetary Scale and Circular Financing:
  • Commenters noted that Nvidia's commitments rival Federal Reserve interventions in liquidity impact, while cautioning that circular vendor financing makes Nvidia vulnerable if cash-burning AI labs or neoclouds become insolvent simultaneously.
• Shift Toward Smaller, Specialized Models:
  • A major technical debate centered on compute efficiency, with several practitioners arguing that small, well-tuned models (e.g., 27B-parameter models) increasingly match or exceed massive 100B+ models for coding and domain-specific tasks, threatening projected compute demand growth.
  • Others countered that large frontier models remain essential due to cross-domain reasoning and transfer learning capabilities, and noted that thinking/reasoning token generation keeps overall inference compute consumption high.
• Hardware Diversification and Global Alternatives:
  • Users highlighted rapid progress in alternative hardware, including hyperscaler ASICs, NPUs, and domestic Chinese silicon (such as Huawei processors running GLM models), pointing out that Nvidia's near-monopoly pricing power faces inevitable margin compression.
• Solvency vs. Hardware Collateral:
  • Participants debated whether GPUs serve as solid collateral; some argued Nvidia can easily repurpose or resell hardware if a client defaults, while skeptics argued that a major customer bankruptcy would coincide with an industry-wide compute glut, crashing resale values.

• Analiza rynku półprzewodników i AI: Wyniki finansowe gigantów takich jak TSMC i ASML pokazują, że hossa na sztuczną inteligencję wchodzi w nową fazę – popyt rozszerza się z samych akceleratorów GPU na procesory CPU, pamięci HBM/DDR, układy sieciowe i zaawansowane pakowanie.
• Wyniki i plany TSMC: Podniesienie prognozy wzrostu przychodów na 2026 rok do ponad 40% r/r oraz zwiększenie CapEx-u do 60–64 mld USD. Wciąż kluczowym wąskim gardłem dla klientów pozostaje dostępność zaawansowanego pakowania (np. CoWoS).
• Wyniki i plany ASML: Podniesienie prognozy przychodów na 2026 rok do 43–45 mld EUR, znaczny wzrost sprzedaży systemów dla pamięci (+75%) oraz logiki (+25%). Produkcja maszyn Low-NA EUV na 2027 rok jest niemal całkowicie wyprzedana.
• Przegląd 5 spółek z potencjałem wzrostu:
  • Alphabet (Google): Silna pozycja finansowa, ogromny backlog w segmencie chmury/data center oraz rekordowe wykorzystanie narzędzi AI mimo niedawnych roszad kadrowych.
  • Amkor Technology: Lider w obszarze zewnętrznego pakowania i testowania półprzewodników (OSAT), posiadający 10-letnie partnerstwo z TSMC oraz nową fabrykę w Arizonie.
  • Aehr Test Systems: Producent urządzeń do testowania i wygrzewania chipów (Burn-in), charakteryzujący się rekordowymi zamówieniami, ale i wysoką zmiennością kursu.
  • Nvidia: Dominujący dostawca GPU/CPU dla AI z nadchodzącą generacją Rubin, uznawany za atrakcyjną pozycję długoterminową po korektach cenowych.
  • Meta Platforms: Szybko rozwijająca się spółka technologiczna, wymieniana jako jeden z najtańszych podmiotów z grupy Big Tech pod kątem wyceny.

The simultaneous trillion-dollar crossings of all three memory giants signal that the market has recognized memory as the new bottleneck in AI infrastructure. XCENA's founders — veterans of Samsung and SK Hynix — are well-positioned to understand where these incumbents can't or won't move fast enough.

This is existing yet also still developing tech. a third of 5G base stations uses FPGA chips. The point seems to be: are there any FPGA producers in Europe?

Wow, even TSMC is cancelling Fabs?