contentSlug

type

ContentSlug_ContentQuery

slug

ContentPageContentQuery

content

trendingContent

query ContentSlug_ContentQuery(
  $contentSlug: String!
  $type: [ContentType!]
) {
  ...ContentPageContentQuery_13QmVO
}

fragment CompanyDetails_Content on Content {
  __isContent: __typename
  companies {
    name
    description
    pageUrl
    id
  }
}

fragment ContentBasicInfo on Content {
  __isContent: __typename
  id
  type
  title
  lang
  createdAt
  ... on Video {
    liveTime
  }
  ... on Webcast {
    liveTime
  }
  companies {
    viewerIsFollowing
    id
    name
    pageUrl
    forum {
      threadUrl
    }
    defaultInstrument {
      symbol
      id
    }
  }
  ...PublishingDetails
  ...Reactions
}

fragment ContentMetadata on Content {
  __isContent: __typename
  type
  title
  lang
  pageUrl
  alternatePageUrls: translations {
    __typename
    pageUrl
    lang
  }
  imgUrl
  description
  createdAt
  changedAt
  isPremium
  authors {
    __typename
    name
    pageUrl
    id
  }
  companies {
    name
    pageUrl
    id
  }
  tags {
    name
    id
  }
  ... on Video {
    liveTime
    videoUrl
    videoEmbedUrl(location: "inderes")
  }
  ... on Webcast {
    liveTime
    videoUrl
    videoEmbedUrl(location: "inderes")
  }
}

fragment ContentPageContentQuery_13QmVO on Query {
  content(slug: $contentSlug, type: $type) {
    __typename
    id
    type
    title
    isPremium
    lang
    htmlBody
    summary
    companies {
      forum {
        threadUrl
        latestPosts {
          ...ForumPosts
        }
      }
      name
      id
      viewerIsFollowing
      pageUrl
      defaultInstrument {
        isin
        id
        symbol
        marketOpen
        marketClose
        marketplace {
          region
        }
        returns {
          total
        }
      }
    }
    tags {
      viewerIsFollowing
      id
      name
      pageUrl
    }
    createdAt
    ... on Video {
      liveTime
    }
    ... on Webcast {
      liveTime
    }
    slug
    ... on CompanyReport {
      reportUrl
      researchContentUrl
      researchContent {
        title
        lang
        pdfUrl
        relatedContent {
          __typename
          ...PublishingDetails
          ...Reactions
          id
        }
        content {
          title
          lang
          htmlBody
          publishedAt
          createdAt
          changedAt
          isOutdated
          isPremium
        }
      }
    }
    ... on ThirdPartyCompanyReport {
      reportUrl
    }
    ... on StockExchangeRelease {
      reportUrl
    }
    ...ContentBasicInfo
    ...ContentMetadata
    ...PriceAndRecommendation_Content
    ...CompanyDetails_Content
    ...ReportLink_Content
    ...KeyFigures_Content
  }
  ...TrendingContent_1jQ2Cn
}

fragment ForumPosts on ForumPost {
  text
  likesCount
  url
  author
  postedAt
  authorImgUrl
}

fragment KeyFigures_Content on Content {
  __isContent: __typename
  companies {
    defaultInstrument {
      estimateData {
        modelType
        reportingCurrency
      }
      snapshot {
        transaction {
          date
          actualized {
            year
            quarter
            revenue
            revenueGrowth
            ebitAdjusted
            ebitReported
            ebitda
            enterpriseValue
            epsAdjusted
            dividend
            dividendYield
            sharePrice
            nav
            navPerShare
            opexOfNav
            quarterlySharePrice
          }
          estimates {
            year
            quarter
            revenue
            revenueGrowth
            ebitAdjusted
            ebitReported
            ebitda
            enterpriseValue
            epsAdjusted
            dividend
            dividendYield
            sharePrice
            nav
            navPerShare
            opexOfNav
            quarterlySharePrice
          }
        }
      }
      id
    }
    id
  }
}

fragment PriceAndRecommendation_Content on Content {
  __isContent: __typename
  createdAt
  companies {
    name
    pageUrl
    defaultInstrument {
      priceData {
        tradeCurrency
      }
      snapshot {
        priceData {
          date
          lastPrice
          tradeCurrency
        }
        transaction {
          date
          recommendation
          targetPrice
        }
        prevTransaction {
          recommendation
        }
      }
      id
    }
    id
  }
}

fragment PublishingDetails on Content {
  __isContent: __typename
  publishers {
    name
    imgUrl
  }
  authors {
    __typename
    id
    name
    slug
    imgUrl
    jobTitle
  }
}

fragment Reactions on Content {
  __isContent: __typename
  id
  reactionGroups {
    reactionType
    reactionsCount
    viewerReacted
  }
}

fragment ReportLink_Content on Content {
  __isContent: __typename
  type
  isPremium
  ... on CompanyReport {
    reportUrl
  }
  ... on ThirdPartyCompanyReport {
    reportUrl
  }
  ... on StockExchangeRelease {
    reportUrl
  }
}

fragment TrendingContent_1jQ2Cn on Query {
  trendingContent(type: ARTICLE) {
    __typename
    id
    title
    lang
    pageUrl
    createdAt
    type
    imgUrl
    companies {
      squareLogoUrl
      name
      id
    }
    authors {
      __typename
      imgUrl
      id
    }
    publishers {
      imgUrl
    }
  }
}


__typename

title

isPremium

lang

htmlBody

summary

companies

createdAt

publishers

authors

reactionGroups

pageUrl

translations

imgUrl

description

changedAt

HAV Group operates in the energy and manufacturing industries. The company works with the development of energy solutions for the maritime industry. The product portfolio is broad and includes systems for hydrogen energy and ballast management. In addition to the main business, aftermarket service, support and maintenance are offered. Operations are held on a global level, with the largest presence in Scandinavia. The HAV Group was founded in 2021.

Juuri tästä yhtiöstä en tiedä mitään ja myin osakkeeni pois jo 1,5 vuotta sitten $140 tasoilla. Siksi uskaltaudun haastamaan: Jos AI-laskenta todella kasvaa seuraavan 5–10 vuoden aikana 10–100-kertaiseksi, miksi juuri Nvidia olisi se toimija, jonka markkinaosuus romahtaisi ensimmäisenä?

Olen viimeiset viikot ja kuukaudet ryhtynyt vakavasti pohtimaan oman (suhteettoman suuren) Nvidia-positioni likvidoimista ja hajauttamista laajemmin läpi tech-, AI- ja mahdollisesti jopa ensimmäisen aallon sovelluskerroksen toimijoihin - erityisesti cyber- yms. toimijat. Nyt tulee pitkä viesti, jonka kirjoitan lähinnä itselleni jäsentääkseni omaa ajatuksen kulkua. Tiedän, että numeroperusteisesti Nvidia näyttää juuri nyt poikkeuksellisen halvalta - halvemmalta kuin oikeastaan juuri koskaan historiansa aikana - mutta oma luottoni siihen, että Nvidia olisi täysin ylivertainen AI-arvoketjun voittaja on pikkuhiljaa hiipumassa. Raa’an laskennan saturaatio Nvidian meganousu on perustunut monoliittisten mallien skaalautumiseen zero-shot paradigmassa (Deepmind, 2022). Tämä murtuu nyt ainakin kolmesta eri suunnasta 1) fyysiset reunaehdot (sähkö, rakentaminen, yms.) 2) datan saatavuuden reunaehdot (Epoc AI:n, Shumailov et al. yms. jo 1.5-2v vanhat tutkimuspaperit) 3) taloudelliset reunaehdot (pienten mallien parvet näyttäisivät tuottavan yhtä hyviä tuloksia kuin jättimäisten parametrien monoliitit). Pre-training varmasti jatkaa vielä kehittymistä, mutta itselle alkaa näyttämään siltä, että se ei voi jatkua kovin pitkään enää niin, että kasvava määrä kilpailevia yhtiöitä treenaa kilpailevia base-malleja - ekonomiat eivät vain kestä tätä. Näyttää myös siltä, että erilaiset AGI-viritelmät ovat hiipumassa ja nyt pyritään saamaan enemmän ulos olemassa olevasta rakentemalla ympärille harnesseja, fiksumpaa rägäystä, muistin/kontekstin hallintaa ja optimointia yms - näistä lisää myöhemmin. Kaiken lisäksi tämän hetken parhaita malleja treenataan jo kilpailevilla siruilla (Google 8-sarjan TPU:t ja Antropic Amazonin Trainiumit). Painopisteen siirtymä inferenssiin ja agenttiseen orkestrointiin Tässä on tapahtunut lopullinen läpimurto viimeisen 6kk aikana. Nvidialla ei ole raa’an rinnakkaislaskennan tasoista kilpailuetua täällä. Se vasta rakentaa CPU-tarjoamaansa ja erilaiset inferenssin ja test-time optimoinnin jipot tapahtuvat paljon kauempana raudasta kuin trainingissa. Tämä näkyy hyvin benchmarkeissa. Siinä missä zero-shot inference monoliiteillä on saturoitunut jo viimeistään o1 / R1 -reasoning mallien myötä, ARC-AGIt ja vastaavat ovat lähteneet nousuun, kun inferencestä on saatu enemmän irti (osoittaa myös osaltaan monoliittimallien raa’an laskennan saturoitumista). Aito, abstrakti yleistäminen näyttäisi lopulta tapahtuvan, kun pyöritetään sopivilla topologioilla agenttiparvia, joilla on pääsy oikeisiin työkaluihin. Myös tutkimus näyttää painottuvan hyvin vahvasti siihen, että jo olemassa olevista malleista otetaan niiden ympärille innovoimalla enemmän irti kuin siihen, että yritettäisiin keksiä jotain aivan uutta malliin itseensä (mikä vaatisi joustavaa laskentarautaa á la Nvidia). Uudet RAG-arkkitehtuurit, SML-parvet / Multi-agent-järjestelmät ovat nyt se juttu, joka innostaa myös uusien ja helppokäyttöisten orkestrointityökalujen (Copilot Studio, Codex, Claude code, LangGraph jne.) myös AI-skenen ulkopuolella jopa Suomessakin - ainakin oman empirian perusteella. Kilpailijoiden vertikaalistrategia Tämän olen muistaakseni kirjoittanut jo aiemminkin. Haaste Nvidialle ei tule välttämättä edes AMD:ltä, Cerebrakselta tai Huaweilta. Se tulee siitä, että niin hyperskaalajat kuin OpenAI että Antropickin ovat avanneet tai avaamassa peliä omaan vertikaaliseen stackkiin, jossa kaikki raudasta sovellukseen on itsekehitettyä. Se on järkevää, jos sen saa onnistumaan: vähentää strategisia riskejä ainakin yhden monopolitoimittajan osalta (Nvidia) ja toisaalta mahdollistaa syvien kilpailuetujen kaivamisen itselleen. Chippien rakentaminen ei ole helppoa ja toimialan vitsi taitaa olla, että aikaisintaan kolmas / neljäs sukupolvi on käyttökelpoinen. Googlella on jo vertikaali-stack, MSFT:llä on kohta huhujen mukaan MAIA:n kolmas sukupolvi tulossa, AWS / Antropic muodostavat yhdessä stackin jne. Jonkinlainen keikahduspiste olisi siis mahdollista nähdä mahdollisesti kohtuu piankin. Synkroninen koulutus vs. asynkroniset agentit (ja CUDA-vallihaudan murtuminen) Monoliittisen mallin pre-training on luonteeltaan tiukasti kytketty ja synkroninen prosessi. Tämä fyysinen vaatimus on ollut Nvidian ohjelmistovallihaudan, CUDA:n, sekä myös rack-/DC-scale -strategian (Mellanox / Infiniband) ylin suojamuuri. Agenttinen orkestrointi on sen sijaan pitkälti asynkroninen prosessi. Kun agenttiparvi ratkoo ongelmaa, tehtävät ovat toisistaan irrallisia. Ja koska tehtävät on pilkottu pieniin, asynkronisiin osiin ja ajetaan usein pienemmillä malleilla (SLM), ne mahtuvat yhden tai kahden sirun muistiin. Tämä asynkronisuus tuhoaa vallihautaa kahdesta suunnasta:  Kommunikaation tarve katoaa: Kun mallia ei tarvitse jakaa tuhansien sirujen kesken, Nvidian ylivertaisten NCCL-kirjastojen ja NVLink-kytkinten tarve poistuu. Näin siis ainakin nykyparadigmassa - voi toki olla, että edistynyt agenttikommunikaatio toteutuu joskus laitteistotasolla eikä .md-, .json- yms. dokumenteilla ja MCP- / API-kutsuilla. Kun raskaasta synkronoinnista on päästy eroon, itse inferenssi voidaan ajaa laitteistoriippumattomilla ohjelmistoilla. OpenAI:n Triton-kääntäjän kaltaiset avoimet standardit mahdollistavat sen, että tekoälymalli voidaan kääntää suoraan esimerkiksi AMD:n, Googlen tai AWS:n siruille ilman riviäkään CUDA-koodia.  Ensimmäiset varoitukset CAPEX-syklin tasaantumisesta Colossuksen ja Metan ylikapasiteetti on itselleni pieni red flag. Olen joskus sanonut, että Capex-investoinnit (yhdessä TSMC:n kysyntänäkymien kanssa) on tärkein signaali itselleni alkaa miettimään altistusta AI hakuille ja lapioille. Vielä tämä ei ole deal breaker johtuen ennen kaikkea siitä, että (Colossuksen) ylikapasiteetin myyntihinta oli todella korkea indikoiden siis, että kokonaislaskentakysyntää on kyllä - se vain ei enää jakaudu yhtä tasaisesti kuin aiemmin. ### En siis ajattele, että tekoäly olisi varsinaisesti kuplaantunut. Päinvastoin Jehvonsin paradoksin mukaisesti ajattelen, että kysyntä tulee jatkamaan kasvuaan hintojen tippuessa. Mutta tämä väistämättä siirtää arvoketjun painopistettä sen kapeimpiin kohtiin - ja nähdäkseni nämä eivät välttämättä ole enää Nvidiassa samalla tavalla kuin viimeiset 2-3 vuotta. Toivottavasti joku haastaa yllä olevia ajatuksia

Tässä Mag7-arvostustasot viimeisimpien konsensusennusteiden valossa. NVidia on edullisin sekä P/E että PEG-luvulla

Aliarvostus on termi mistä voi kirjoittaa kirjoja ja keskustella vaikka kuinka pitkään vaan. Itse nyt otan asiaan kantaa näin, hieman kierrän tuota hankalaa termiä aliarvotus. Ite ajattelen niin, että markkinoiden painopiste, jonne mennään rotaation kautta, on nyt muualla. Alla olevasta kuvasta näkyy Nvidian volyymi alimpana tummat palkit. Kaupankäynnin volyymi on hiljentynyt Nvidian osakkeen osalta.  Pörssi on huutokauppa, ja hinta muodostuu kysynnän ja tarjonnan kautta. Useimmiten volyymin kasvu tai lasku johtaa kurssin vastaavan liikkeeseen. Kun osake kiinnostaa, niin kauppaa käydään ja kun rotaatio siirtää markkinan painopistettä muualle, niin volyymi laskee ja kurssi laskee. Nvidian osaltahan ollaa lähes ATH:ssa, ts. rotaatiokaan ei ole kurssia juurikaan painanut. Vahva funda kannattelee kurssia. Nvidia on hyvä esimerkki siitä, että osakekurssiin vaikuttaa parin vuoden sihdillä eniten juurikin nämä pörssien rotaatiot (“muoti-ilmiöt”). Nvidian kaupankäyntivolyymia on siirtynyt esim. sen alihankkijoihin, kuten muistiyhtiöt. Ja näin Nvidiasta on tullut arvostusmittareiden valossa aliarvostettu. Kiinnostavaa on pohtia sitä, purkautuuko aliarvostus kasvavaan kysyntään eli nouseviin kapankäyntivolyymeihin. Itte ajattelen niin, että aliarvostus purkautuu parin vuoden sisällä.

Tviitin mukaan Nvidia on aliarvostettu. Tviittaaja uskoo AI:n kasvattavan sirujen kysyntää vielä ainakin vuosikymmenen ajan, mikä vähentää alan suhdannevaihteluiden merkitystä.  It’s trading at just 16x 2027 earnings despite almost 32% annual growth expectation by 2028. Cheapest of the major designers.  https://x.com/oguzerkan/status/2075318004124930058

Nvidian seuraavan sukupolven Kyber-palvelinjärjestelmän julkaisu on tutkimusyhtiön mukaan siirtymässä vuoteen 2028 valmistusongelmien vuoksi. Viivästys herättää huolta yhtiön tärkeästä kilpailuedusta eli tiheästä tuotejulkaisutahdista ja voi tarjota kilpailijoille, kuten AMD:lle ja Googlelle harvinaisen mahdollisuuden kilpailla AI-laskennan huippuluokan ratkaisuissa. No kuitenkin nykyiset Rubin-järjestelmät etenevät kuitenkin tuotantoon suunnitellusti.  Key Points  The Kyber NVL144 has been pushed to 2028 due to difficulties in manufacturing a key circuit board: SemiAnalysis. The reported delay adds to concerns that Nvidia’s breakneck annual release cadence contested manufacturing limits. That delay could give rivals, such as AMD and Google, a rare technical opening at the high end of the market.   https://www.cnbc.com/2026/07/06/nvidia-kyber-rack-system-delays-manufacturing-taiwan-rubin-chips-.html

Ja vielä edullisemmalta näyttää kun vertaa 2027 konsensusennusteisiin

HAV Group

HAV Group ASA (the "Company") has on 10 July 2026 sold 35.856 of its own shares at a price of NOK 13,39 per share (average closing price week 28 2026), in connection with the share purchase ...

<pre>HAV Group ASA (the "Company") has on 10 July 2026 sold 35.856 of its own shares at a price of NOK 13,39 per share (average closing price week 28 2026), in connection with the share purchase program for employees. The maximum subscription amount per employee was set at NOK 40,000, and a discount of NOK 1,500 has been given for each NOK 10,000 of subscription. After the sale of own shares, the Company owns zero treasury shares. This information is published in accordance with the Market Abuse Regulation (EU) 596/2014 Article 5, as supplemented by delegated Commission Regulation (EU) 2016/1052, and is subject to disclosure requirements in accordance with the Securities Trading Act § 5-12. s Trading Act § 5-12. \ </pre>

HAV: Sale of own shares

HAV: Sale of own shares