এনভিডিয়ার ঋণ-সহায়তা অ্যানথ্রপিকের ৪৫ বিলিয়ন ডলারের ক্লাউড চুক্তি সম্প্রসারিত করতে পারে
প্রতিবেদন অনুযায়ী, এআই অবকাঠামো প্রতিষ্ঠান Nscale-এর সঙ্গে Anthropic-এর ছয় বছর মেয়াদি, প্রায় ৪৫ বিলিয়ন ডলারের ক্লাউড কম্পিউটিং চুক্তির জন্য Nvidia কয়েক বিলিয়ন ডলারের ঋণ-সহায়তা নিয়ে আলোচনা করছে। ২০২৬ সালের আগস্টে স্বাক্ষরিত চুক্তিতে West Virginia-তে Nscale-এর ক্যাম্পাসে প্রাথমিকভাবে ৪৬০ মেগাওয়াট সক্ষমতা অন্তর্ভুক্ত রয়েছে। সেখানে Nvidia-র Vera Rubin চিপ ব্যবহারের কথা রয়েছে এবং ২০২৭ সালের শেষদিকে কার্যক্রম শুরুর পরিকল্পনা করা হয়েছে। নতুন প্রস্তাবে আরও ৪৬০ মেগাওয়াট যোগ হতে পারে, ফলে ওই স্থানে Anthropic-এর পরিকল্পিত সক্ষমতা দ্বিগুণ হবে। তবে প্রতিষ্ঠানগুলো সম্প্রসারণের বিষয়টি নিশ্চিত করেনি এবং অর্থায়নও চূড়ান্ত হয়নি। Anthropic-এর আইপিও-সংক্রান্ত নথিতে Nscale-এর সঙ্গে প্রায় ৪৪.৬ বিলিয়ন ডলারের কম্পিউটিং অঙ্গীকারের কথা উল্লেখ আছে। Nvidia-র ঋণ-সহায়তা ডেটা সেন্টার নির্মাণে অর্থ জোগাতে এবং তাদের এআই চিপের চাহিদা নিশ্চিত করতে সাহায্য করতে পারে; একই সঙ্গে এটি এআই অবকাঠামো খাতে বিপুল ব্যয়ের মাত্রা তুলে ধরে। প্রতিবেদনটির ক্রিপ্টোকারেন্সিতে সরাসরি কোনো প্রভাব নেই; তবে প্রযুক্তি ও এআই অবকাঠামো শেয়ার নিয়ে সামগ্রিক মনোভাব বোঝার জন্য ব্যবসায়ীরা ঘটনাপ্রবাহটি নজরে রাখতে পারেন।
Neutral
প্রতিবেদনটি Nvidia, Anthropic এবং Nscale-কে নিয়ে; এটি কোনো ক্রিপ্টোকারেন্সি বা ব্লকচেইন প্রকল্প নিয়ে নয়। তাই ক্রিপ্টোর মৌলিক বিষয়, টোকেনের সরবরাহ, নেটওয়ার্কের কার্যকলাপ বা নিয়ন্ত্রক পরিস্থিতিতে এতে সরাসরি কোনো পরিবর্তন আসে না। ফলে ক্রিপ্টোর দামে তাৎক্ষণিক প্রভাব নগণ্য হওয়ারই কথা; সম্ভাব্য প্রভাব ছড়ানোর প্রধান মাধ্যম হলো সামগ্রিক ঝুঁকি-মনোভাব। স্বল্পমেয়াদে, পরবর্তী খবরের প্রতিক্রিয়ায় ব্যবসায়ীরা প্রযুক্তি বা এআই-সংশ্লিষ্ট সম্পদে তাঁদের বিনিয়োগের মাত্রা সমন্বয় করতে পারেন, তবে ক্রিপ্টোতে এর কোনো পার্শ্বপ্রভাব হবে কি না তা অনিশ্চিত এবং তা সম্ভবত সীমিত। দীর্ঘমেয়াদে, এআই অবকাঠামোতে অব্যাহত বিনিয়োগ প্রবৃদ্ধিমুখী ও ঝুঁকিপূর্ণ সম্পদের প্রতি সামগ্রিক বাজারের আগ্রহকে প্রভাবিত করতে পারে। তবে এই প্রস্তাব এখনো নিশ্চিত নয় এবং ক্রিপ্টো থেকে আয় বা এর গ্রহণযোগ্যতার সঙ্গে কোনো সরাসরি যোগসূত্র স্থাপন করে না। ক্রিপ্টোকারেন্সি বাজারে এর প্রভাবকে নিরপেক্ষ হিসেবে শ্রেণিবদ্ধ করাই সবচেয়ে উপযুক্ত।