NVIDIA (NVDA) Spotlight: Vom Grafikgiganten zum KI-Titan

Der KI-Riese

Während sich die Aufmerksamkeit der Tech-Investoren seit mehr als einem Jahrzehnt auf „Big Tech“ (Microsoft (MSFT ), Google (GOOG ), Facebook (META ), etc.), haben die letzten Jahre einen deutlichen Wandel hin zu Hardware statt Software erlebt. Das erste Anzeichen war der spektakuläre Aufstieg von Tesla (TSLA ) von einer Nischenaktie mit Kultcharakter zu einem der größten Unternehmen der Welt.

Doch es gäbe ein Unternehmen an der Schnittstelle zwischen Software und Hardware, das ebenso gute, wenn nicht sogar bessere Renditen erzielen würde: NVIDIA (NVDA ).

NVIDIA wird heute vor allem als KI-Unternehmen mit plötzlichem Erfolg angesehen, hat jedoch seine einzigartige Technologie und Marktposition in 20 bis 30 Jahren geduldig aufgebaut. Dies könnte dem Unternehmen eine starke Position verschaffen, um auch in den kommenden Jahren ein dominanter Akteur in der Technologiewelt zu bleiben.

NVIDIAs Weg zum Erfolg

CPU gegen GPU

NVIDIA war lange Zeit ein erfolgreiches, aber auf eine Nische spezialisiertes Computerhardwareunternehmen, das sich auf die Herstellung von Grafikkarten oder Grafikprozessoren (GPUs) spezialisierte. Damals galten GPUs als wichtiges Computerhardwareelement, das aber der überaus wichtigen zentralen Verarbeitungseinheit (CPU) untergeordnet war.

CPUs sind dafür ausgelegt, sehr schnelle Berechnungen durchzuführen, die nacheinander ausgeführt werden müssen, weshalb sie sich hervorragend für komplexe Berechnungen eignen.

GPUs hingegen sind zwar weniger leistungsstark, dafür aber darauf ausgelegt, viele Berechnungen gleichzeitig parallel durchzuführen, wodurch sie besser in der Lage sind, große Datenmengen zu verarbeiten.

In dieser Zeit von den 1990er bis zu den 2010er Jahren haben CPU-Hersteller wie Intel (INTC ) dominierte die Branche, während hochwertige GPUs meist nur von Gamern und Grafikdesignern für High-End-PCs verwendet wurden.

Aufbau eines GPU-Geschäfts

NVIDIA-Gründer Jensen Huang und seine Mitbegründer kamen zu dem Schluss, dass die Geschwindigkeit der Computertechnik die CPU-Kapazität übersteigen würde.. Jensen war maßgeblich an der Entwicklung der ersten GPUs für Sun Microsystems beteiligt, heute Oracle (ORCL ).

Im Jahr 1993 wurde er dann einer der Mitbegründer von NVIDIA und war Anfang der 1990er Jahre von der PC-Revolution begeistert.

„Wir dachten, vielleicht wäre 3D-Grafik das, was wirklich cool wäre. Und zum allerersten Mal haben wir eine Plattform, die sowohl ein Computer sein als auch für alles verwendet werden kann, wofür wir sie verwenden möchten. Man kann sie auch zum Spielen verwenden. Und wir müssen nur einen Chip bauen, der das Spielen ermöglicht.

Keiner von uns hatte je zuvor einen PC gesehen. Also mussten wir losgehen und uns einen PC kaufen. Wir kauften einen Gateway 2000. Niemand weiß, wie man Windows oder DOS programmiert. Niemand hat DOS je gesehen. Also mussten wir ihn auseinandernehmen und uns mit der Branche vertraut machen.“

Jensen Huang im Interview mit Sequoia

Es ist merkwürdig, wenn man bedenkt, dass Gaming damals im Vergleich zu lukrativeren und größeren, unternehmensorientierten Geschäftsmodellen kein sehr „seriöser“ Markt war. Die ersten Karten waren kein kommerzieller Erfolg. Ihre 2^nd Die GPU der ersten Generation war besser, wurde jedoch plötzlich obsolet, als sich der Markt für Videospiele der DirectX-Architektur von Microsoft zuwandte.

Letztendlich brauchte NVIDIA sechs Jahre und drei Produktlinien, um die passende Produkt-Markt-Kombination zu finden, was für das Unternehmen viele Beinahe-Todesfälle mit sich brachte.

Der Erfolg kam mit der Riva 128: In den ersten vier Monaten wurden 1 Million Einheiten verkauft. Es folgte eine lange Reihe erfolgreicher Grafikkartendesigns, darunter die GeForce-Serie, bis heute der dominierende Akteur auf dem Markt neben AMDs (AMD ) Radeon.

Quelle: Kaufen

CUDA und Krypto

NVIDIA, mittlerweile ein etablierter GPU-Marktführer, veröffentlichte 2006 CUDA, eine universelle Programmierschnittstelle für NVIDIA-GPUs und öffnete damit die Tür für andere Anwendungen als Spiele. Grund dafür war, dass einige Forscher bereits GPUs anstelle der üblichen Supercomputer für Berechnungen nutzten.

Quelle: NVIDIA

„Forscher haben festgestellt, dass man mit dem Kauf dieser Gaming-Karte namens GeForce, die man zu seinem Computer hinzufügt, im Wesentlichen einen persönlichen Supercomputer hat. Molekulardynamik, seismische Verarbeitung, CT-Rekonstruktion, Bildverarbeitung – eine ganze Reihe verschiedener Dinge.“

Jensen Huang im Interview mit Sequoia

Diese breitere Verbreitung von GPUs und insbesondere NVIDIA-Hardware erzeugte eine positive Rückkopplungsschleife basierend auf Netzwerkeffekte: Je mehr Verwendungsmöglichkeiten, je mehr Endbenutzer und Programmierer damit vertraut sind, desto mehr Verkäufe, desto höher das F&E-Budget, desto mehr Beschleunigung der Rechengeschwindigkeit, desto mehr Verwendungsmöglichkeiten usw.

Quelle: NVIDIA

Heute umfasst die installierte Basis Hunderte Millionen CUDA-GPUs.

Quelle: NVIDIA

Dies wäre nicht nur für Forscher äußerst nützlich, sondern auch eine neue Technologie würde die GPU-Parallelverarbeitung hervorragend nutzen: Blockchain und Kryptowährungen.

Krypto-Boom

Kryptographie war die erste großangelegte Anwendung von GPUs jenseits von Gaming und wissenschaftlicher Forschung, die inzwischen durch die Begeisterung für KI etwas in den Hintergrund geraten ist. Viele Blockchains und Kryptoprojekte erfordern eine Menge Rechenleistung. Schnell wurden NVIDIA-GPUs zur zentralen Hardware für die Durchführung dieser Berechnungen.

Dies löste einen Boom bei den NVIDIA-Verkäufen aus und die Aktien des Unternehmens begannen im Gleichschritt mit dem sich abzeichnenden Krypto-Boom zu steigen, wobei sich der Aktienkurs um mehr als das Zehnfache erhöhte.

Die Kursentwicklung der Kryptowährungen verlor im Jahr 2022 etwas an Schwung, bevor die Märkte erkannten, dass NVIDIA seit vielen Jahren eine bemerkenswerte KI-Strategie aufbaut.

AI

Neuronale Netze

Ab Anfang der 2010er Jahre begannen Forscher, GPUs einzusetzen, um Neuronale Netze. Dabei handelt es sich um eine Art von Rechenmethode, die sich von der üblichen Programmierung unterscheidet und 2 mit zwei verschiedenen Nobelpreisen ausgezeichnet, in Physik und Medizin.

Neuronale Netze sind die technische Grundlage für das, was heute gemeinhin als „KI“ bezeichnet wird.

2009 half mir einer meiner damaligen Studenten, Ian Goodfellow, der auch mein Bachelor-Student war, in seinem Studentenwohnheimzimmer einen GPU-Server aufzubauen. Und diesen Server verwendeten wir schließlich für unsere ersten Deep-Learning-Experimente zum Trainieren neuronaler Netzwerke.

Beim Training neuronaler Netzwerke auf GPUs stellten wir eine 10- oder sogar 100-fache Beschleunigung fest, weil wir tausend oder 10,000 Dinge parallel tun konnten, anstatt einen Schritt nach dem anderen.

Andrew Ng | - DeepLearning.AI Gründer und geschäftsführender Gesellschafter von AI Funds, im Interview mit Sequoia

Dies war vor AlexNet, dem ersten Durchbruch in der Computerbilderkennung im Jahr 2012, und Jahre vor AlphaGo.

NVIDIA auf KI umstellen

NVIDIA erkannte das Potenzial der KI schon früh, lange bevor sich irgendjemand außer den spezialisierten Forschern für neuronale Netzwerke interessierte.

Dies war damals ein riskanter Vorstoß in einen noch nicht erprobten, kaum existierenden Sektor, oder wie Jensen Huang es ausdrückte:

"Wir investieren in Null-Milliarden-Dollar-Märkte."

In den Jahren 2016 und 2017 veröffentlichte NVIDIA tDie Pascal- und Volta-Architekturen, der erste GPU-basierte KI-Beschleuniger, während Volta die Tensor Cores einführte, die Deep-Learning-Aufgaben um das bis zu 12-fache beschleunigten.

Es war eine komplette Wende in diese neue Richtung. Als wir das Schiff in diese Richtung lenkten, suchten wir jeden einzelnen KI-Forscher auf dem Planeten auf.

Und dass unsere Plattform für sie nützlich war, zeigte sich in dem positiven Feedback, das wir damals erhielten. Das ist der Grund, warum ich mit allen großen KI-Forschern der Welt befreundet bin.

Sie alle haben mir auf meinem Weg geholfen, erste Hinweise auf zukünftige Erfolge zu geben, und aus diesen kleinen Erfolgen muss man eine große Sache machen.

Jensen Huang im Interview mit Sequoia

Dies wäre ein Vorbote des Aufbaus einer KI-Computerinfrastruktur, die im Jahr 2023 mit der Veröffentlichung beliebter LLMs (Large Language Models) wie Chat GPT massiv ins öffentliche Bewusstsein rücken würde.

Tatsächlich basiert dies jedoch auf der langsamen und oft vergessenen Entwicklung immer leistungsstärkerer KI-spezifischer GPUs durch NVIDIA seit 2016.

Quelle: NVIDIA

Ein weiterer bemerkenswerter Aspekt der Entwicklung der Rechenleistung von KI ist, dass sie einem Exponentialgesetz folgt und nicht dem eher linearen Mooreschen Gesetz für CPUs. Dies liegt daran, dass nicht nur die GPU-Hardware besser wird, sondern auch die erforderliche Rechenleistung aufgrund radikaler Verbesserungen beim Training neuronaler Netzwerke gesunken ist.

Darüber hinaus wird das Training durch mehr verfügbare Daten effizienter und bietet den Forschern zahlreiche Möglichkeiten, parallel zu arbeiten und die Leistung zu steigern.

Dies hat im Laufe der Zeit zu einer radikalen Senkung des Energieverbrauchs geführt, der zum Trainieren desselben GPT-Modells erforderlich ist (350-mal weniger in 8 Jahren), und zu einer noch extremeren Reduzierung des Energiebedarfs zum Stellen einer Anfrage an diese LLMs.

Quelle: NVIDIA

NVIDIA-Partnerschaften

NVIDIA ist seit seiner Gründung ein Unternehmen, das eng mit der Branche verbunden ist. Statt ein vertikal integriertes Unternehmen zu sein, versucht es, enge Verbindungen zu den Besten aufzubauen, während es sich gleichzeitig messerscharf auf seine eigenen Wettbewerbsvorteile konzentriert.

NVIDIA ist beispielsweise ein sogenannter „Fabless“-Hardwarehersteller, der sich auf Design und Konzepte konzentriert und die Fertigung weltweit führenden Halbleiterfabriken überlässt, wie TSMC (TSM ) um seine GPUs herzustellen.

Da NVIDIA weder eigene LLMs noch KI-Systeme entwickelt, ist das Unternehmen auch ein vertrauenswürdiger Partner für praktisch alle „Big Tech“- und KI-Startups, die das Unternehmen eher als unverzichtbaren Partner denn als potenziellen Konkurrenten betrachten. Dies wiederum verschafft NVIDIA die Umsatzgröße, um weiterhin in Forschung und Entwicklung zu investieren und technologisch an der Spitze zu bleiben.

Dies erwies sich als die richtige Entscheidung, da NVIDIA der größte Nutznießer der beeindruckendsten Investitionsausgaben (Capex) in der Geschichte der Technologiebranche war.

Es werden Investitionen in KI erwartet bis 200 bis zu 2025 Milliarden Dollar erreichen, zusätzlich zu den seit 2016 ständig steigenden kumulierten Investitionsausgaben der größten Technologieunternehmen der Welt.

Quelle: Sherwood

Finanzen

Allein das Wachstum von NVIDIA von 2023 bis 2024 war für ein Unternehmen dieser Größe unglaublich:

• Der Umsatz stieg um 126 %, von 27 Milliarden Dollar auf 60 Milliarden Dollar.
• Das Betriebsergebnis verdreifachte sich (311 %) von 9 Milliarden US-Dollar auf 37.1 Milliarden US-Dollar
• Die Bruttomarge stieg von 59.2 % auf 73.8 %

Insgesamt ist das Unternehmen hoch bewertet, aber nicht einmal so hoch aufgrund seines Gewinnwachstums. Dennoch gehen Anleger, die NVIDIA kaufen, bei einem KGV von über 60 und einer Dividendenrendite von nur 0.03 % von einem hohen zukünftigen Wachstum aus, um den aktuellen Aktienkurs zu rechtfertigen.

Quelle: NVIDIA

Die Zukunft von NVIDIA

Nachhaltiges Wachstum?

NVIDIAs dreistellige Wachstumsrate war erstaunlich und spiegelte sich im Aktienkurs des Unternehmens wider. Natürlich hat alles Gute irgendwann ein Ende, und die Anleger befürchten, dass dies eher früher als später der Fall sein könnte.

Dieselben Bedenken gab es schon, als die NVIDIA-Umsätze aufgrund von Krypto-Verkäufen boomten oder in der Frühphase des KI-Booms. Pessimismus ist also nicht unbedingt eine solide Anlagestrategie.

In ein Interview über die BG2Pod-PodcastHuang erklärte, dass die Welt Rechenzentren und Computer im Wert von bis zu einer Billion Dollar modernisieren muss, um KI zu integrieren und sich an sie anzupassen. Und dass bisher nur 1 Milliarden Dollar dieser Summe ausgegeben wurden.

Ihm zufolge gibt es also noch viel Spielraum für NVIDIA, den Umsatz weiter zu steigern, selbst wenn dies nur auf den bestehenden Computerbedarf zurückzuführen ist. Und das, bevor noch mehr Anwendungen für KI zum Mainstream wurden, wie zum Beispiel selbstfahrenden Autos.

Solche Sorgen hinsichtlich der Gesamtnachfrage ignorieren zudem, dass letztlich wahrscheinlich alle Branchen KI auf die eine oder andere Weise auf mehreren Ebenen einsetzen werden, darunter auch Sektoren wie das Gesundheitswesen, die einen zweistelligen Prozentsatz des BIP ausmachen.

Quelle: NVIDIA

Blackwell

Im März 2024 veröffentlichte NVIDIA die Blackwell-Plattform, „Damit können Organisationen überall generative KI in Echtzeit auf Basis von Billionen-Parameter-Sprachmodellen erstellen und ausführen – und das bei bis zu 25-mal geringeren Kosten und geringerem Energieverbrauch als mit dem Vorgängermodell.".

Quelle: NVIDIA

Dies ist ein sehr wichtiger Schritt, da der Energieverbrauch schnell zu einem der Hauptanliegen von KI-orientierten Unternehmen wird, wie dies zeigt: der jüngste Microsoft-Deal zur Wiederinbetriebnahme eines ganzen Atomkraftwerks und zur Nutzung alle seine Stromproduktion für die nächsten 20 Jahre zu einem vorab vereinbarten Preis.

Eigene Designs

Ein Risiko für NVIDIA besteht darin, dass das Unternehmen zwar ein wichtiger Partner der größten Unternehmen der Welt ist, aber gleichzeitig auch sehr teuer und profitabel (Bruttogewinnspanne 70 %). Wenn Unternehmen mit der Größe und dem Know-how von Alphabet/Google Hunderte von Milliarden Dollar für KI-Chips ausgeben, sind sie versucht, dies selbst zu tun.

Und das ist nicht nur hypothetisch, denn zum Beispiel Tesla hat seine eigene Hardware entwickelt und dafür Top-Designer vom NVIDIA-Konkurrenten AMD angeworbenBis 2019 verwendete Tesla stattdessen die KI-Computerplattform NVIDIA Drive PX 2. Da Tesla offenbar kurz davor steht, Robotaxis tatsächlich zu kommerzialisieren, könnte dies für NVIDIA zu einem riesigen entgangenen Verkauf werden.

Gleichzeitig könnte der Fall Tesla eher eine Ausnahme von der Regel sein, da Tesla und die anderen Unternehmen von Elon Musk, wie SpaceX, berüchtigt dafür, immer nach mehr vertikaler Integration und einer stärkeren Kontrolle über seine Hardware zu suchen.

Unternehmen wie Facebook oder Microsoft, die weniger Erfahrung im Hardwarebereich haben oder eher auf Software und/oder Marketing fokussiert sind, können sich wahrscheinlich gut auf die beste und neueste NVIDIA-Technologie verlassen.

Darüber hinaus werden viele KI-Modelle derzeit in der Annahme erstellt und codiert, dass sie auf NVIDIA-Architekturen laufen und die KI-Programmierer Erfahrung mit der Hardware von NVIDIA haben. Beides sind wertvolle Geschäftsvorteile für das Unternehmen.

KI-Marktrisiken

Der KI-Markt insgesamt stellt möglicherweise ein größeres Risiko dar, über das NVIDIAs exzellentes Management weniger Kontrolle hat. Derzeit boomt er. Es gibt jedoch zunehmende Bedenken, dass die veröffentlichten KI-Anwendungen nicht in massive neue Umsätze umschlagen, wie es das iPhone damals für Apple tat.

Dies ist wahrscheinlich lediglich ein Zeichen dafür, dass die Technologie noch immer versucht, sich zu etablieren und ihren Markt zu entwickeln.

Hält diese Situation jedoch zu lange an, besteht die Gefahr, dass wir uns einer Situation wie in den späten 1990er-Jahren gegenübersehen, als die Vorhersagen über die Bedeutung des PCs und des Internets zwar richtig waren, der Zeitpunkt jedoch zu optimistisch gewählt wurde, was zum Platzen der Dotcom-Blase führte.

Dass Jensen Huang im Juni 2024 auf der Brust einer Frau ein Autogramm gibt, ist sicherlich ein ziemlich überraschendes Zeichen und für Anleger, die sich Sorgen über eine mögliche Finanzmanie rund um KI machen, vielleicht auch ein wenig beunruhigend.

Die Finanzgeschichte wiederholt sich nicht unbedingt, aber Investoren sollten dieses Risiko für NVIDIA sorgfältig analysieren und mögliche Parallelen zum Telekommunikations- und Internet-Hardwarehersteller Sun Microsystems (Jensen Huangs erster Arbeitgeber) im Jahr 2000 betrachten.

Um Ihnen bei einem 10-fachen Umsatz eine Amortisierung innerhalb von 10 Jahren zu ermöglichen, muss ich Ihnen 100 Jahre lang 10 % des Umsatzes als Dividende auszahlen. Das setzt voraus, dass ich das von meinen Aktionären bekommen kann. Das setzt voraus, dass ich keine Kosten für verkaufte Waren habe, was für ein Computerunternehmen sehr schwierig ist. Das setzt voraus, dass ich keine Ausgaben habe, was bei 39,000 Mitarbeitern wirklich schwierig ist. (…)

Nun, nachdem Sie das getan haben, möchte irgendjemand von Ihnen meine Aktien zu 64 Dollar kaufen? Ist Ihnen klar, wie lächerlich diese Grundannahmen sind? Sie brauchen keine Transparenz. Sie brauchen keine Fußnoten. Was haben Sie sich dabei gedacht?

Scott McNealy – damals CEO von Sun Microsystems

Zum Vergleich: Das aktuelle P/S-Verhältnis von NVIDIA beträgt 35.

Quelle: YChart

Fazit

NVIDIA ist ein Unternehmen, das darauf aufgebaut ist, die richtig kalkulierten Risiken mehrmals hintereinander zum richtigen Zeitpunkt einzugehen, von PC-Grafikkarten über die CUDA-Veröffentlichung für neue Anwendungen bis hin zur frühzeitigen Nutzung neuronaler Netzwerke. Dies hat seinen Gründer Jensen Huang zu so etwas wie einem Rockstar in der Halbleiter- und IT-Branche gemacht.

Die jüngste Performance des Unternehmens hat den Markt überrascht und eine enorme Begeisterung für die Aktie ausgelöst, wie sie nur Tesla in den letzten Jahren vorweisen kann. Dies eröffnet eine enorme Chance, wie viele frühe Tesla-Investoren wissen, die fast ein Jahrzehnt lang mit Skeptikern zu kämpfen hatten, die jeden Moment mit dem Scheitern des Unternehmens und seiner Aktie rechneten.

Dies bringt jedoch auch einige Risiken mit sich, da der KI-Boom bislang noch nicht die Art von Umsätzen generiert hat, die die aktuellen Investitionsausgaben rechtfertigen, und es zu einem Abschwung kommen könnte, bevor er sich als voll etablierter Wirtschaftssektor entwickelt.