NVIDIA ist das erste Unternehmen in der Geschichte der Chipindustrie, dessen Kapitalisierung eine Billion Dollar überstieg. Was ist das Erfolgsgeheimnis?
Ich bin mir sicher, dass viele von Ihnen schon einmal von der Firma NVIDIA gehört haben, und die meisten von Ihnen verbinden es mit Grafikprozessoren, denn fast jeder hat den Begriff „NVIDIA GeForce“ gehört.
NVIDIA hat kürzlich Finanzgeschichte in der IT-Branche geschrieben. Es ist das erste Unternehmen für integrierte Schaltkreise, dessen Marktwert eine Billion Dollar überschritten hat. Es ist außerdem das fünfte technologiebezogene Unternehmen in der Geschichte, das einen derart großen Erfolg (gemessen an der Marktkapitalisierung) erzielt. Bisher konnten sich nur Menschen einer so hohen Bewertung rühmen Apple, Microsoft, Alphabet (Eigentümer von Google) und Amazon. Deshalb nannten es Finanziers manchmal den „Club der Vier“, zu dem jetzt auch NVIDIA gehört.
Darüber hinaus liegt es hinsichtlich der Marktkapitalisierung weit hinter AMD, Intel, Qualcomm und anderen Technologieunternehmen. Dies wäre ohne die vor einem Jahrzehnt eingeführte visionäre Unternehmenspolitik nicht möglich gewesen.
Lesen Sie auch: Gibt es eine Zukunft für TruthGPT von Elon Musk?
Unglaubliche Nachfrage nach NVIDIA H100 Tensor Core
Was ist das Geheimnis einer solchen Erhöhung der Kapitalisierung? Dies ist zunächst einmal die Reaktion der Börse auf den Erfolg des NVIDIA H100 Tensor Core-Chips, der bei führenden Anbietern von Cloud-Infrastruktur und Online-Diensten stark nachgefragt wird. Diese Chips werden von Amazon, Meta und Microsoft gekauft (für den eigenen Bedarf und den Bedarf ihres Partners – der Firma OpenAI). Sie sind besonders energieeffizient bei der Beschleunigung von Berechnungen, die für generative künstliche Intelligenz wie ChatGPT oder Dall-E typisch sind. Dies ist ein unglaublicher Sprung um eine Größenordnung für beschleunigtes Rechnen. Mit der NVIDIA H100 Tensor Core GPU erhalten wir beispiellose Leistung, Skalierbarkeit und Sicherheit für jede Arbeitslast.
Mit NVIDIA NVLink Switching können bis zu 256 H100-GPUs verbunden werden, um Arbeitslasten im Exa-Maßstab zu beschleunigen. Die GPU enthält außerdem einen speziellen Transformer Engine, um Sprachmodelle mit Billionen von Parametern zu lösen. Die kombinierten Technologieinnovationen des H100 können große Sprachmodelle (LLMs) im Vergleich zur Vorgängergeneration um das unglaubliche 30-fache beschleunigen und so branchenführende Konversations-KI liefern. Die Entwickler halten es für nahezu ideal für maschinelles Lernen.
H100 erschien jedoch nicht aus dem Nichts. Und um die Wahrheit zu sagen, es ist nicht besonders revolutionär. Wie kein anderes Unternehmen investiert NVIDIA seit vielen Jahren enorme Ressourcen in künstliche Intelligenz. Infolgedessen kann ein Unternehmen, das hauptsächlich mit der Grafikkartenmarke GeForce in Verbindung gebracht wird, den Verbrauchermarkt fast wie ein Hobby behandeln. Dies schafft echte Macht auf dem Markt der IT-Giganten, da NVIDIA bereits auf Augenhöhe mit ihnen kommunizieren kann.
Auch interessant: Was sind 6G-Netze und warum werden sie benötigt?
Ist künstliche Intelligenz die Zukunft?
Davon ist heute fast jeder überzeugt, selbst skeptische Experten auf diesem Gebiet. Jetzt ist es fast ein Axiom, eine Binsenweisheit. Obwohl NViDIA schon vor 20 Jahren davon wusste. Habe ich dich überrascht?
Technisch gesehen erfolgte der erste enge Kontakt von NVIDIA mit künstlicher Intelligenz im Jahr 1999, als der GeForce 256-Prozessor auf den Markt kam, der in der Lage war, Berechnungen des maschinellen Lernens zu beschleunigen. Allerdings begann NVIDIA erst 2006 ernsthaft in künstliche Intelligenz zu investieren, als es die CUDA-Architektur einführte, die es ermöglichte, die parallelen Verarbeitungsfähigkeiten von Grafikprozessoren für Ausbildung und Forschung zu nutzen.
Was ist CUDA? Es lässt sich am besten als parallele Computerplattform und Anwendungsprogrammierschnittstelle (API) definieren, die es Software ermöglicht, Allzweck-Grafikprozessoren (GPGPUs) zu verwenden. Dieser Ansatz wird als General-Purpose-Computing auf GPUs bezeichnet. Darüber hinaus ist CUDA eine Softwareschicht, die direkten Zugriff auf den virtuellen Befehlssatz und parallele Rechenelemente des Grafikprozessors ermöglicht. Es ist für die Zusammenarbeit mit Programmiersprachen wie C, C++ und Fortran konzipiert.
Es ist diese Zugänglichkeit, die es parallelen Entwicklern im Gegensatz zu früheren APIs wie Direct3D und Op einfacher macht, GPU-Ressourcen zu nutzenenGL, was fortgeschrittene Kenntnisse in der Grafikprogrammierung erforderte.
Ein wichtiger Durchbruch war die Bereitstellung von Rechenleistung durch NVIDIA für das bahnbrechende neuronale Netzwerk AlexNet. Es handelt sich um ein Convolutional Neural Network (CNN), das vom Ukrainer Alex Kryzhevsky in Zusammenarbeit mit Ilya Sutzkever und Jeffrey Ginton entwickelt wurde.
Convolutional Neural Networks (CNNs) waren schon immer das bevorzugte Modell für die Objekterkennung – sie sind leistungsstarke Modelle, die leicht zu steuern und noch einfacher zu trainieren sind. Bei der Verwendung auf Millionen von Bildern kommt es bei ihnen nicht zu einer besorgniserregenden Überanpassung. Ihre Leistung ist nahezu identisch mit standardmäßigen Feed-Forward-Neuronalen Netzen gleicher Größe. Das einzige Problem besteht darin, dass sie schwierig auf hochauflösende Bilder anzuwenden sind. Der Umfang von ImageNet erforderte Innovationen, die für GPUs optimiert waren, die Trainingszeit verkürzten und gleichzeitig die Leistung verbesserten.
Am 30. September 2012 nahm AlexNet an der ImageNet Large Scale Visual Recognition Challenge teilenge. Das Netzwerk erreichte im Test mit den fünf häufigsten Fehlern eine Punktzahl von 15,3 %, mehr als 10,8 % weniger als der Zweitplatzierte.
Die wichtigste Schlussfolgerung aus der ursprünglichen Arbeit war, dass die Komplexität des Modells auf seine hohe Leistung zurückzuführen war, die ebenfalls sehr rechenintensiv war, aber durch die Verwendung von Grafikprozessoren (GPUs) während des Trainingsprozesses ermöglicht wurde.
Das Faltungs-Neuronale Netzwerk AlexNet selbst besteht aus acht Schichten; Die ersten fünf sind Faltungsschichten, denen teilweise maximal gekoppelte Schichten vorangehen, und die letzten drei sind vollständig verbundene Schichten. Das Netzwerk ist bis auf die letzte Schicht in zwei Kopien aufgeteilt, die jeweils auf einer einzelnen GPU laufen.
Das heißt, dank NVIDIA glauben die meisten Experten und Wissenschaftler immer noch, dass AlexNet ein unglaublich leistungsstarkes Modell ist, das in der Lage ist, bei sehr komplexen Datensätzen eine hohe Genauigkeit zu erreichen. AlexNet ist die führende Architektur für jede Objekterkennungsaufgabe und kann im Computer-Vision-Bereich für Probleme der künstlichen Intelligenz sehr weitreichend eingesetzt werden. In Zukunft könnte AlexNet im Bereich Bildgebung häufiger als CNN eingesetzt werden.
Auch interessant: Das Bluesky-Phänomen: Was für ein Dienst und für eine lange Zeit?
Künstliche Intelligenz gibt es nicht nur in Laboren und Rechenzentren
NVIDIA sah große Chancen für KI auch in Verbrauchergerätetechnologien und im Internet der Dinge. Während Konkurrenten gerade erst anfangen, umfangreichere Investitionen in einen neuen Typ integrierter Schaltkreise in Betracht zu ziehen, arbeitet NVIDIA bereits an deren Miniaturisierung. Besonders wichtig dürfte der Tegra K1-Chip sein, der in Zusammenarbeit mit Tesla und anderen Autokonzernen entwickelt wurde.
Der Tegra K1-Prozessor ist einer der ersten NVIDIA-Prozessoren, der speziell für KI-Anwendungen in mobilen und eingebetteten Geräten entwickelt wurde. Tegra K1 verwendet die gleiche GPU-Architektur wie die Grafikkarten und -systeme der Serien NVIDIA GeForce, Quadro und Tesla, was eine hohe Leistung und Kompatibilität mit Grafik- und Computerstandards wie OpenGL 4.4, DirectX 11.2, CUDA 6.5 und OpenCL 1.2. Dadurch kann der Tegra K1-Prozessor fortschrittliche Algorithmen der künstlichen Intelligenz wie tiefe neuronale Netze, Reinforcement Learning, Bild- und Spracherkennung sowie Datenanalyse unterstützen. Tegra K1 verfügt über 192 CUDA-Kerne.
Im Jahr 2016 veröffentlichte NVIDIA eine Reihe von Pascal-Prozessoren, die für die Unterstützung tiefer neuronaler Netze und anderer Modelle der künstlichen Intelligenz optimiert sind. Innerhalb eines Jahres erschien eine Reihe von Volta-Prozessoren für Anwendungen rund um künstliche Intelligenz auf dem Markt, die noch effizienter und energiesparender sind. Im Jahr 2019 übernimmt NVIDIA Mellanox Technologies, einen Hersteller von Hochleistungs-Computernetzwerken für Rechenzentren und Supercomputer.
Daher verwenden sie alle NVIDIA-Prozessoren. Im Consumer-Markt nutzen Gamer beispielsweise den revolutionären DLSS-Bildrekonstruktionsalgorithmus, der es ihnen ermöglicht, schärfere Grafiken in Spielen zu genießen, ohne viel Geld für eine Grafikkarte auszugeben. Auf dem Geschäftsmarkt ist man sich darüber im Klaren, dass NVIDIA-Chips in vielerlei Hinsicht über das Angebot der Konkurrenz hinausgehen. Allerdings ist es nicht so, dass Intel und AMD die intellektuelle Revolution komplett verschlafen hätten.
Auch interessant: Die besten Tools basierend auf künstlicher Intelligenz
Intel und AMD im Bereich der künstlichen Intelligenz
Lassen Sie uns über die direkten Konkurrenten von NVIDIA in diesem Marktsegment sprechen. Intel und AMD arbeiten hier immer aktiver, allerdings mit großer Verzögerung.
Intel hat mehrere KI-Unternehmen wie Nervana Systems, Movidius, Mobileye und Habana Labs übernommen, um sein Portfolio an KI-Technologien und -Lösungen zu stärken. Intel bietet auch Hardware- und Softwareplattformen für künstliche Intelligenz an, etwa Xeon-Prozessoren, FPGAs, NNP-Chips und Optimierungsbibliotheken. Intel arbeitet auch mit Partnern aus dem öffentlichen und privaten Sektor zusammen, um KI-Innovation und Bildung voranzutreiben.
AMD hat eine Reihe von Epyc-Prozessoren und Radeon Instinct-Grafikkarten entwickelt, die für KI- und Deep-Learning-Anwendungen optimiert sind. AMD hat auch mit Unternehmen wie Google, Microsoft, IBM und Amazon zusammengearbeitet, um cloudbasierte KI-Lösungen bereitzustellen. AMD ist außerdem bestrebt, sich durch Partnerschaften mit akademischen Institutionen und Branchenorganisationen an der KI-Forschung und -Entwicklung zu beteiligen. Das ist alles schön und gut, auch wenn NVIDIA ihnen bereits deutlich voraus ist und der Erfolg im Bereich der Entwicklung und Unterstützung von KI-Algorithmen ungleich größer ist.
Auch interessant: Rückblick auf die Google I/O 2023: Android 14, Pixel und jede Menge KI
NVIDIA wird seit Jahrzehnten mit Videospielen in Verbindung gebracht
Auch dies sollte nicht vergessen werden. NVIDIA macht keine genaue Aufschlüsselung seiner Umsätze zwischen Verbraucher- und Geschäftsmärkten, diese können jedoch auf der Grundlage der Geschäftssegmente geschätzt werden, die das Unternehmen in seinen Finanzberichten offenlegt. NVIDIA unterscheidet vier Geschäftssegmente: Gaming, professionelle Visualisierung, Rechenzentren und Automobile.
Es ist davon auszugehen, dass sich das Gaming-Segment hauptsächlich auf den Verbrauchermarkt konzentriert, da es den Verkauf von GeForce-Grafikkarten und Tegra-Chips für Spielekonsolen umfasst. Das Segment der professionellen Visualisierung konzentriert sich hauptsächlich auf den Geschäftsmarkt, da es den Verkauf von Quadro-Grafikkarten und RTX-Chips für Workstations und professionelle Anwendungen umfasst. Auch das Rechenzentrumssegment konzentriert sich hauptsächlich auf den Geschäftsmarkt, da es den Verkauf von GPUs und NPUs (also Chips der nächsten Generation – keine GPUs mehr, sondern ausschließlich für KI konzipiert) für Server und Cloud-Dienste umfasst. Das Automobilsegment zielt sowohl auf Verbraucher- als auch auf Geschäftsmärkte ab, da es den Verkauf der Tegra- und Drive-Systeme für Infotainment und autonomes Fahren umfasst.
Basierend auf diesen Annahmen ist es möglich, den Anteil der Umsätze aus den Verbraucher- und Geschäftsmärkten an den Gesamtumsätzen von NVIDIA abzuschätzen. Laut dem neuesten Finanzbericht für 2022 waren die Umsätze von NVIDIA nach Geschäftssegmenten wie folgt:
- Spiele: 12,9 Milliarden US-Dollar
- Professionelle Visualisierung: 1,3 Milliarden US-Dollar
- Rechenzentren: 9,7 Milliarden US-Dollar
- Automobile: 0,8 Milliarden US-Dollar
- Alle anderen Segmente: 8,7 Milliarden US-Dollar
Der Gesamtumsatz von NVIDIA betrug 33,4 Milliarden US-Dollar. Unter der Annahme, dass sich das Automobilsegment ungefähr zu gleichen Teilen auf den Verbraucher- und den Geschäftsmarkt aufteilt, lassen sich folgende Anteile berechnen:
- Einkommen aus dem Verbrauchermarkt: (12,9 + 0,4) / 33,4 = 0,4 (40 %)
- Einkommen aus dem Gewerbemarkt: (1,3 + 9,7 + 0,4 + 8,7) / 33,4 = 0,6 (60 %)
Das bedeutet, dass etwa 40 % des Umsatzes von NVIDIA aus dem Verbrauchermarkt und etwa 60 % aus dem Geschäftsmarkt stammen. Das heißt, die Hauptrichtung ist das Geschäftssegment. Aber auch die Spielebranche bringt recht gute Einnahmen. Das Wichtigste ist, dass sie jedes Jahr wachsen.
Auch interessant: Tagebuch eines mürrischen alten Aussenseiters: Bing gegen Google
Was wird uns die Zukunft bringen?
Offensichtlich hat NVIDIA bereits den Plan, sich an der Entwicklung von Algorithmen für künstliche Intelligenz zu beteiligen. Und es ist viel breiter und vielversprechender als alle seine direkten Konkurrenten.
Allein im vergangenen Monat hat NVIDIA zahlreiche neue Investitionen in künstliche Intelligenz angekündigt. Einer davon ist der GET3D-Mechanismus, der in der Lage ist, komplexe dreidimensionale Modelle verschiedener Objekte und Charaktere zu erzeugen, die die Realität genau widerspiegeln. GET3D kann mit einem einzigen Grafikchip etwa 20 Objekte pro Sekunde generieren.
Ein weiteres interessantes Projekt sollte ebenfalls erwähnt werden. Israel-1 ist ein Supercomputer für Anwendungen der künstlichen Intelligenz, den NVIDIA in Zusammenarbeit mit dem israelischen Ministerium für Wissenschaft und Technologie und Mellanox baut. Die Maschine wird voraussichtlich über eine Rechenleistung von mehr als 7 Petaflops verfügen und mehr als 1000 NVIDIA A100 Tensor Core GPUs verwenden. Israel-1 wird für Forschung und Entwicklung in Bereichen wie Medizin, Biologie, Chemie, Physik und Cybersicherheit eingesetzt. Und das sind angesichts der langfristigen Perspektiven bereits vielversprechende Kapitalanlagen.
Außerdem gibt es bereits ein weiteres Projekt – NVIDIA ACE. Es handelt sich um eine neue Technologie, die die Spielebranche revolutionieren soll, indem sie es dem Spieler ermöglicht, auf natürliche und realistische Weise mit einem Nicht-Spieler-Charakter (NPC) zu interagieren. Diese Charaktere können einen offenen Dialog mit dem Spieler führen, auf seine Emotionen und Gesten reagieren und sogar ihre eigenen Gefühle und Gedanken ausdrücken. NVIDIA ACE nutzt fortschrittliche Sprachmodelle und Bildgeneratoren, die auf künstlicher Intelligenz basieren.
NVIDIAs erste Billion Dollar. Es sieht so aus, als ob es bald mehr davon geben wird. Wir werden den Erfolg des Unternehmens selbstverständlich verfolgen und Ihnen berichten.
Lesen Sie auch:
