- Der Autor hat zehn Jahre lang als Investmentanalyst bei verschiedenen Hedgefonds gearbeitet und verfügt über eine einzigartige Perspektive auf die Entwicklung von KI-Technologien und die Bewertung von Aktienmärkten.
- In den letzten Jahren hat er als Entwickler gearbeitet und mehrere Open-Source-Projekte rund um KI-Modelle und -Services betrieben.
# Nvidia : The Bull Case
Hintergrund des Kursanstiegs von Nvidia
- Wachstum von KI- und Deep-Learning-Technologien: Deep Learning und KI werden als die revolutionärsten Technologien seit dem Internet angesehen, und Nvidia hat sich im GPU-Bereich eine monopolartige Stellung gesichert, die große Investitionen und Infrastruktur-Ausgaben führender Unternehmen antreibt.
- Hohe Margen: Bei High-End-Produkten für Rechenzentren werden Gewinnmargen von über 90 % erzielt.
- Skalierbarer Markt: Mit dem Wachstum der KI-Technologie entsteht neue Nachfrage in verschiedenen Anwendungsfeldern wie Rechenzentren, Robotik und dem Ersatz menschlicher Arbeit.
- „Scaling Laws“: Die Modellleistung verbessert sich durch die Ausweitung von Daten und Rechenressourcen kontinuierlich, und Nvidia nutzt dies maximal aus.
Nvidias aktuelle Position und Wettbewerbsvorteile
- CUDA-Plattform: Nvidias Software-Ökosystem, das zum De-facto-Standard für GPU-Programmierung geworden ist.
- Übernahme von Mellanox: Bietet durch Hochleistungs-Verbindungstechnik zwischen GPUs Vorteile gegenüber Wettbewerbern im Rechenzentrum.
- Proprietäre Software und Treiberqualität: Bessere Treiber und höhere Software-Stabilität als bei AMD.
- Strategie zur Wahrung der Führungsrolle: Hohe Gewinne werden wieder in Forschung und Entwicklung (R&D) investiert, um den technologischen Vorsprung dauerhaft zu sichern.
# Zentrale Bedrohungen für Nvidia
Hardware-Wettbewerb
- Cerebras: Stellt mit wafergroßen KI-Chips einen neuen Ansatz vor, der Probleme der GPU-Parallelverarbeitung und -Vernetzung von Nvidia umgeht.
- Groq: Maximiert die Leistung bei KI-Inferenz mit einer auf „deterministischen Berechnungen“ basierenden Technologie.
- Entwicklung eigener Chips durch wichtige Kunden:
- Amazon: Einführung eigener Chips wie Trainium2 und Inferentia2
- Google: Eigenentwicklung von TPU-Chips der 6. Generation
- Microsoft und OpenAI: Ankündigung von Plänen zur Entwicklung eigener KI-Chips
- Apple: Potenzial, in verbraucherorientierten Chips aufgebaute Expertise auf KI-Chips anzuwenden
Software-Wettbewerb
- Frameworks mit hohem Abstraktionsgrad:
- Plattformen wie MLX, Triton und JAX verringern die Bedeutung von CUDA und erweitern die Möglichkeiten für Alternativen.
- Code-Transformationstechnologien: Technologien in Entwicklung, die mit LLMs CUDA-Code für andere Hardware umwandeln.
- Verbesserungen bei AMD-Treibern: Open-Source-Entwickler arbeiten an neuen Treibern, um die Leistung von AMD-GPUs zu optimieren.
Effizienzinnovationen bei KI-Modellen
- Das Auftreten von DeepSeek:
- DeepSeek erreicht mit FP8-Mixed-Precision-Training und hocheffizienter Inferenz die Leistung konkurrierender Modelle zu 1/45 der Kosten von Nvidia.
- Die Mixture-of-Experts-(MOE)-Architektur wird genutzt, um große Modelle speichereffizient umzusetzen.
- Mit Techniken wie „Multi-head Latent Attention“ wird der VRAM-Verbrauch deutlich gesenkt.
- Die Kosten für API-Aufrufe sind 95 % niedriger als bei OpenAI und Anthropic.
Veränderungen in der Branchenstruktur
- Die Rolle von TSMC: Da Nvidia seine Chips nicht selbst produziert, kann TSMC auch Chips anderer Wettbewerber im gleichen Fertigungsprozess herstellen.
- Bestrebungen aller Kunden zur Eigenentwicklung: Um die Abhängigkeit von Nvidias margenstarken Produkten zu senken, investieren wichtige Kunden in die Entwicklung eigener Chipdesigns.
Marktausblick und Nvidias Herausforderungen
- Der aktuelle Aktienkurs von Nvidia stützt sich auf ein sehr optimistisches Wachstumsszenario, das von dem 20-Fachen des Umsatzes 2025 und Gewinnmargen von über 75 % ausgeht.
- Aufgrund von Effizienzinnovationen sowie verschärftem Hardware- und Software-Wettbewerb besteht die Möglichkeit einer Abschwächung des Wachstums und sinkender Margen.
- Selbst wenn Nvidia im Bereich KI-Technologie weiterhin führend bleibt, dürften die anhaltenden Herausforderungen durch Wettbewerber Marktanteile und langfristiges Wachstum beeinflussen.
# Fazit
- Nvidia ist derzeit als Vorreiter der KI-Innovation in einer herausragenden Position, doch aufgrund vielschichtiger Wettbewerbsbedrohungen und des schnellen Wandels der Branche könnte es schwierig werden, die aktuelle hohe Bewertung aufrechtzuerhalten.
- Investoren sollten Nvidias technologischen Vorsprung und das Wachstumspotenzial des KI-Marktes zwar positiv bewerten, zugleich aber die Risiken durch technologische Innovationen der Konkurrenz und Veränderungen in der Marktstruktur aufmerksam beobachten.
1 Kommentare
Hacker-News-Kommentare
Die Erläuterung von DeepSeek erinnert an Networking-Erfahrungen aus den 80er- und 90er-Jahren. Damals war Video-on-Demand ein großer Markt, und das Potenzial fortschrittlicher Video-Coding-Algorithmen wurde ignoriert. Internetvideo wurde nicht durch schnelleres Internet möglich, sondern durch intelligentere Algorithmen.
Wenn DeepSeek mit weniger Ressourcen mehr leisten kann, wird das Jevons-Paradoxon greifen. Die GPU-Verkäufe werden steigen, weil selbst kleinere Unternehmen glauben werden, konkurrieren zu können. DeepSeek behauptet, mit rund 200 Mitarbeitenden konkurrierende Modelle mit 20-mal geringeren Kosten als Großunternehmen trainieren zu können.
Es wird der Nachteil des First Movers bei der Entwicklung von KI-Modellen betont. Wenn sich ein Modell zu 5 % der Kosten kopieren lässt, gibt es zwei rationale Entscheidungen:
Unternehmen wie OpenAI müssen sich zu Plattformen wandeln, die direkte Netzwerkeffekte genießen.
Der Großteil des KI-Computings konzentriert sich auf Inferenz. R1 (680B) lässt sich verteilt auf drei Consumer-Computer ausführen. Der Vorteil von NVIDIA liegt darin, Tausende GPUs effizient zu verbinden, doch das wird nur für einen kleinen Teil des KI-Computings wichtig sein.
Mehrere Vorteile von NVIDIA werden angegriffen. Da Wettbewerber jedoch jeweils nur einzelne Vorteile attackieren, wird NVIDIA wohl weiterhin das einzige Unternehmen bleiben, das alle Vorteile gleichzeitig besitzt.
Der wahre Test für humanoide Roboter-KI ist das Zusammenlegen von Wäsche. Mit der aktuellen Technologie ist das noch immer ein schwieriges Problem. Es stellt sich die Frage, ob es zuletzt Fortschritte bei Roboter-KI gab.
Die Effizienz, ein 687B-MoE-Modell auf gewöhnlicher Hardware bereitzustellen, wird überschätzt. Auf Apple-Hardware ist das unmöglich, und selbst auf Desktop-Computern nur gerade so machbar. Wegen PCIe-Bandbreitenproblemen dauert eine Programmieraufgabe 12 Minuten.
Es könnte eine illegale Strategie geben: auf eine Kurserholung von NVDA warten und dann durch den Aufbau eines OpenAI-Konkurrenten Gewinne erzielen.
Nur wenige sehen den Effekt von DeepSeek richtig. Wenn etwas 10-mal effizienter ist, bedeutet das nicht, dass man nur 1/10 der Ressourcen nutzt, sondern dass man 10-mal so viel nutzt. Technologische Produkte haben sich immer in diese Richtung entwickelt.
Auch ohne Interesse an Short-Strategien an der Börse enthalten die DeepSeek-v3- und R1-Papers viel hervorragenden technischen Inhalt, der interessante Ideen klar zusammenfasst.