Mula sa mortgage-backed securities hanggang sa GPU-backed securities, ginagaya ba ng Nvidia ang AIG?

Muling lumabas ang balita na may plano ang Nvidia na gawing securitized asset ang mga data center nito, at ang transaksiyong ito ay maaaring nagtutulak sa AI compute power frenzy sa isang mapanganib na bagong yugto.

Ayon sa pagsusuri ng Bloomberg macro strategist na si Simon White, ang plano ng Nvidia na gawing mga puhunan ang kanilang data center ay maaari umanong magdulot ng malalang labis na produksyon sa larangan ng AI compute power, lalo na habang ang result-based pricing model ay unti-unting nagiging pamantayan sa industriya. Ang sentrong lohika ng palagay na ito ay: Artipisyal na pinalalaki ng financialization ang senyales ng demand, kaya natatabunan ang tunay na sitwasyon ng sobra-sobrang supply sa merkado—tulad noong housing bubble bago ang 2008 financial crisis.

Tinukoy ni White na ang kasunduan ng Nvidia kasama ang Apollo, Brookfield, KKR, Blackstone, BlackRock, at Goldman Sachs ay naglalayong makahikayat ng mahigit $500 bilyong kapital patungo sa tinaguriang "AI factories." Magkakaloob ang Nvidia ng insurance para sa hanggang 25% ng GPU collateral sa ilang deal—na nagsisilbing garantiya sa pag-recover ng halaga. Hindi maikakaila ang pagkakahawig nito sa naganap noong housing bubble. Noon, nagbenta ang AIG ng insurance para sa priority bonds ng CDOs, kaya nagkaroon ng kakayahan ang mga bangko na magpakawala ng mas maraming "toxic debt"—na naging sanhi ng biglang pagtaas ng pagkakaugnay-ugnay at kinailangang sagipin ng estado sa huli.

Pinabilis ang Financialization: Ang "AIG Moment" ng GPU Bond Market

Ayon kay Simon White, ang kasalukuyang AI infrastructure frenzy ay mas malaki na kumpara sa mga nakaraang malalaking cycle ng pagpapalawak ng imprastraktura tulad ng interstate highway construction noong 1960s at broadband rollout noong 2000s.Upang mapanatili ang kasalukuyang bugso, naipatupad na ang ilang cross-financing at vendor-backed deals—at ang halaga ng mga nauugnay sa Nvidia pa lang ay aabot na sa $750 bilyon.

Maliwanag na ipinahayag ni Nvidia CEO Jensen Huang na layunin nilang gawing isang investable asset class ang “AI factory compute power.” Ang merkado para sa GPU-backed debt ay sumabog na ngayong taon, at ang bagong kasunduang ito ay nagpapatindi pa lalo nito—asset securitization at distribution. Magkakaloob ng kapital at eksperstisya sa imprastraktura ang mga partners, at magpapabilis ng securitization at distribution.

Sa pagtaas ng attractiveness ng mga deal, magreresulta ito na magkakaroon ng mas mataas na credit rating ang mga priority bonds sa debt structure. Samantala, kaka-relax lang ng US Securities and Exchange Commission (SEC) ng mga regulasyon sa securitization ng data center bonds. Inihalintulad ito ni White sa punto noong financial crisis kung kailan huling pumasok ang mga pension fund sa merkado—karaniwan itong hudyat na kakalat na ang panganib sa mas malawak pang bahagi ng liabilities chain, at iyon ang simula ng dulo ng krisis.

Sa superficial na tingin, limitado marahil ang risk para sa Nvidia. Ngunit pinapaalala ni White na ganito rin ang konklusyon noon ng AIG—kalaunan ay nagpatong-patong sila ng mga obligasyong inakalang walang panganib at madaling pagkakitaan, na naging sanhi ng sakuna nang biglang lumala ang correlation ng credit risks ng borrowers.

Senyal ng Labis na Produksyon: Natatabunan ng Financial Alchemy ang Imbalansya ng Supply at Demand

Ang pangunahing pag-aalala ni White ay sistematikong tinatabunan ng financialization ang mga senyal ng labis na produksyon mula sa merkado. Tulad sa crisis sa pabahay, mas malaki ngayon ang tsansang magpaakit ng sobrang kapital ang kasalukuyang capital expenditure boom, na posibleng magbunsod sa sobra-sobrang imprastraktura. Samantala, ang mga senyales na sapat na ang compute power ay waring hindi pinapansin.

Sa panig ng demand, binigyang-diin ni White na nagkakaroon na ng pundamental na pagbabago sa mismong metric na ginagamit. Karaniwang ginagawang batayan sa GPU rental ang per hour cost, at per token cost naman sa inference stage.Pero para sa end users, mas mahalaga ang output—gaano karaming intelligence value ang nakukuha nila bawat sentimo, o mas simple, magkano ang cost para matapos ang isang partikular na gawain?

Bumababa na ang “intelligent cost,” pero hindi pa agad ito napapansin sa presyuhan sa GPU level. Kung ang isang modelo ay kayang tapusin ang isang gawain gamit ang 10 beses na mas kaunting token, pero nananatili ang per token pricing ng GPU, ibig sabihin nito, ang aktwal na efficiency ng bawat GPU ay tumaas din ng 10 beses.

Habang lumalampas sa “token maximization” ang kasaysayan, parami nang parami ang ebidensya na puede nang malaki ang pag-iba-iba ng token usage ng isang modelo sa parehong gawain, at madali ring i-tweak ang large language models (LLMs) para kumonsumo ng mas maraming token; kaya naman nabibigyang pansin na ngayon ng enterprises ang result-based pricing model. Kapag ito ang naging mainstream, mapipilitang bawasan ng mga model providers ang token consumption—na magtutulak pababa ng GPU rental prices.

Dapat ding bigyang pansin, ang totoong GPU utilization ay napakababa. Ayon sa Cast AI report, ang average GPU utilization ay 5% lang; ang ClearML naman ay natuklasan na halos kalahati ng mga kumpanya ay nagsasayang ng milyon-milyong dolyar para sa mga idle na chips.

Limitasyon ng Jevons Paradox: Ang Tunay na Panganib ay Path Dependency

Sa harap ng mga argumento ukol sa papataas na efficiency, karaniwan nang kontra ang AI capital expenditure bulls gamit ang Jevons paradox: Ang pagbaba ng intelligent cost dahil sa lakas ng computing power ay hindi maiiwasang magtutulak ng mas mataas na demand—na volume ang babawi sa price drop.

Ngunit hindi naniniwala si White dito. Ayon sa kanya, hindi lahat ng panahon ay uubra ito, at kritikal para sa merkado ang path dependency. Naniniwala siyang habang dominado ng mga large language model ang AI development ngayon, darating ang punto na ang paglago ng intelligent demand (hindi token demand) sa kasalukuyang presyuhan ay babagal, at mauuwi sa tuloy-tuloy na pagbaba ng compute cost.

Bilang lender, kapag lumalala ang correlation ng collateral assets — at ang isa pang mahalagang panganib, ang credit quality ng borrower — ay pumapangit din, mabilis na iipon ang risk. Sa panahong iyon, obligado ang Nvidia na tuparin ang insurance commitment nila, at posibleng sabayan pa ng problema sa ibang sources ng kanilang financing — pati pagbagsak ng core product values. Ganoon din ang posibleng mangyari sa Google at iba pang kumpanya na sumusuporta rin sa capital expenditure boom gamit ang sariling balance sheet.

Tulad ng ipinakita ng housing crisis, kapag nagsimula na ang risk correlation, hindi ito hihinto hangga’t hindi tapos. Konklusyon ni White, ang planong transaksyon ng Nvidia ay lalo lang nagpalapit sa merkado sa panibagong demonstration ng natural financial forces na ito.