Nvidias Geschichte: Vom Grafik-Startup zur KI-Infrastruktur

Warum Nvidias Geschichte wichtig ist

Nvidias Aufstieg erklärt, wie aus einem Spezialchip für Grafik die Grundlage moderner KI-Rechenleistung wurde. Das Unternehmen begann mit 3D-Grafik für Endkunden, überstand einen beinahe tödlichen Architekturfehler, baute früh eine programmierbare Plattform auf und entwickelte einzelne Beschleuniger über Jahre zu vollständigen Rechenzentrumssystemen.

Spieler kennen GeForce, Raytracing und KI-gestütztes Rendering. Forschende kennen CUDA-Bibliotheken und Beschleuniger für wissenschaftliches Rechnen. Cloud-Betreiber kaufen dichte Systeme aus GPUs, CPUs, Netzwerken, Switches und Verwaltungssoftware. Anleger sehen ein Unternehmen, dessen Umsatz mit ungewöhnlicher Geschwindigkeit von Gaming zu KI-Infrastruktur wanderte.

Dahinter steht eine wiederkehrende Idee: Eine CPU sollte nicht jede Berechnungsart erledigen. Nvidia sucht Lasten mit viel paralleler Arbeit, entwickelt passende Prozessoren und ergänzt sie mit Software. Grafik war der erste Massenmarkt, wissenschaftliches Rechnen brachte anspruchsvolle Frühkunden, Deep Learning machte beschleunigtes Rechnen zur Priorität für Rechenzentren.

Das war keineswegs sicher. NV1 setzte auf die falschen Grafikgrundlagen. CUDA erforderte jahrelange Softwareinvestitionen, bevor nennenswerte Umsätze entstanden. Nvidia trat gegen etablierte CPU-Anbieter an, kaufte Mellanox für 6,9 Milliarden US-Dollar und verpflichtete sich zu flüssigkeitsgekühlten Rack-Systemen, die erheblich komplexer sind als Steckkarten.

Drei Entscheidungen erklären viel vom Ergebnis:

• Nvidia behandelte Software, Bibliotheken und Entwicklerunterstützung als Produkte, nicht als Zubehör zum Silizium.
• Gaming-Stückzahlen finanzierten Architekturen, die später Forschung und Rechenzentren bedienen konnten.
• Das Unternehmen erweiterte die GPU-Plattform, sobald Speicherbewegung, Netzwerke oder andere Engpässe die nutzbare Leistung begrenzten.

Ein Prozessor wird erst dann zu einer dauerhaften Plattform, wenn Entwickler ihn programmieren können, Systeme ihn skalieren, Kunden ihn betreiben können und neue Generationen bestehende Software mit wenig Unterbrechung ausführen.

Nvidia gründen und die erste falsche Abzweigung überstehen

Nvidia wurde am 5. April 1993 von Jensen Huang, Chris Malachowsky und Curtis Priem gegründet. Ihr Ziel war leistungsfähige 3D-Grafik für PCs. Huang hatte bei AMD an Mikroprozessoren und bei LSI Logic an Chipeinbindung gearbeitet. Malachowsky und Priem brachten Grafik- und Systemerfahrung von Sun Microsystems mit, Priem hatte auch bei IBM gearbeitet. Bei Treffen in einem Denny's-Restaurant formten sie den Plan für Nvidia.

Der Markt war groß, aber unruhig. Professionelle 3D-Grafik lief vor allem auf teuren Workstations für CAD, Visualisierung und Medienproduktion. PCs wurden schneller, bekamen CD-ROM-Laufwerke und bessere Bildschirme, während der Spielemarkt wuchs. Gleichzeitig war die Grafikhardware zersplittert und Dutzende Halbleiterfirmen kämpften um dieselbe Chance.

Nvidias erstes Produkt NV1 kam 1995 in der Diamond Edge 3D auf den Markt. Es vereinte 2D- und 3D-Grafik, Audio und Sega-Controller-Unterstützung. Seine folgenreichste Entscheidung war quadratisches Texture Mapping mit gekrümmten Flächen statt Dreieckspolygonen, die in Microsoft Direct3D und weiten Teilen der Branche zum Standard wurden.

NV1 konnte Programme für seine Architektur ausführen, darunter eine PC-Version von Segas Virtua Fighter. Doch nachdem dreiecksbasierte APIs an Schwung gewannen, gab es für Entwickler kaum Anlass, ein kleines proprietäres Ziel zu unterstützen. Ein ambitionierter Chip litt genau dann unter Softwaremangel, als Plattformkompatibilität entscheidend wurde.

Die Zusammenarbeit mit Sega brachte ein weiteres Grafikprojekt hervor, meist NV2 genannt. Huang kam zu dem Schluss, dass die Fortführung beiden Firmen Zeit kosten würde. Sega beendete das Konsolenprojekt, leistete aber finanzielle Unterstützung, mit der Nvidia seine verbleibenden Mittel neu ausrichten konnte.

Nvidia reduzierte Personal, übernahm Dreiecks-Rendering und entwickelte NV3 rund um Direct3D. Daraus wurde 1997 der RIVA 128. Der Chip verkaufte sich in den ersten vier Monaten mehr als eine Million Mal und verschaffte Nvidia Umsatz und Glaubwürdigkeit bei PC-Herstellern.

Die Rettung prägte die Arbeitsweise: Nvidia würde ein elegantes Design aufgeben, wenn der Markt einen anderen Programmierstandard gewählt hatte. Es würde Hardware und Treiber schnell aktualisieren und eng mit Entwicklern arbeiten, denn ein Grafikprozessor ohne kompatible Spiele ist Lagerbestand, keine Plattform.

1998 festigte Nvidia sein fabless-Modell durch die Fertigungspartnerschaft mit TSMC. Statt eigene teure Fabriken zu bauen, konzentrierte das Unternehmen Ausgaben auf Architektur, Software und Produktdesign. Das ermöglichte schnelles Wachstum, schuf aber auch eine Abhängigkeit, die mit der Konzentration fortschrittlicher Fertigung in Taiwan wichtiger wurde.

Im Januar 1999 ging Nvidia zu 12 US-Dollar je Aktie an die Börse. Der Druck ließ dadurch nicht nach: Grafikgenerationen wechselten schnell, die Treiberqualität prägte jede Produktrezension, und 3dfx, ATI, Matrox sowie S3 konnten mit einer starken Veröffentlichung Kunden gewinnen.

RIVA, GeForce und der Wettbewerb um PC-Grafik

RIVA und GeForce etablierten Nvidia durch konkurrenzfähige Chips, verlässliche Treiber und breite Kompatibilität. Der RIVA 128 bewies die Erholung von NV1, RIVA TNT und TNT2 verbesserten Farbtiefe, Bildqualität, Multitexturing und Leistung in den APIs, die Entwickler nutzten.

Ende der 1990er reichte eine schnelle Karte nicht, wenn Treiber abstürzten, Spiele falsch darstellten oder neue DirectX-Versionen zu spät unterstützten. Nvidia behandelte Treiber als dauerhafte technische Aufgabe und veröffentlichte häufige Updates für neue Spiele und Fehlerkorrekturen. Später half diese Praxis beim Aufbau eines viel größeren Software-Stacks.

1999 führte Nvidia die GeForce 256 ein und vermarktete sie als erste Graphics Processing Unit, kurz GPU. Entscheidend war weniger der Begriff als die Architektur: Hardware für Transformation und Beleuchtung verlagerte Geometrieberechnungen von der CPU in den Grafikprozessor.

Damit blieb Entwicklern mehr Spielraum für Spiellogik, Physik und reichere Szenen. Die GPU war nicht länger ein starres Gerät, das nur texturierte Pixel auf einen Bildschirm setzte. Mit jeder Generation übernahm sie mehr Teile der Rendering-Pipeline und gab Software mehr Kontrolle.

Wichtige PC-Hersteller und Spieleentwickler festigten Nvidias Stellung. OEM-Designgewinne brachten Chips in Mainstream-Systeme, Entwicklerbeziehungen halfen Studios beim Abstimmen auf GeForce-Hardware. Nvidia erhielt auch den Grafikauftrag für die erste Xbox von Microsoft und lernte so, eine vollständige Plattform unter strengen Vorgaben zu Leistung, Kosten und Lieferterminen zu liefern.

Der Wettbewerb blieb hart. 2000 vereinbarte Nvidia die Übernahme zentraler 3dfx-Vermögenswerte, deren Voodoo-Karten frühes 3D-Gaming geprägt hatten. ATI blieb zunächst eigenständig und wurde später Teil von AMD. Nvidia konnte eine Generation führen und in der nächsten stolpern, wie die teilweise schlecht aufgenommene GeForce-FX-Familie in der DirectX-9-Ära zeigte.

GeForce 6 stellte die Wettbewerbsfähigkeit wieder her. Spätere Generationen brachten Unified Shader, bessere Programmierbarkeit und mehr Gleitkommaleistung. Nvidia führte getrennte Marken: GeForce für Verbraucher, Quadro für professionelle Visualisierung und später Tesla für Rechenbeschleuniger.

Grafik lieferte weiterhin Ideen für KI. Programmbare Shader zeigten, wie Entwickler parallele Ausführung nutzen. Textur- und Framebuffer-Anforderungen trieben Speicherbandbreite, Multi-GPU-Gaming brachte Erfahrung mit Verbindungen und Lastverteilung. Die Unterstützung alter Spiele bei neuer Hardware verlangte zudem Softwarekompatibilität.

2018 erneuerte Nvidia mit Turing und GeForce RTX das Rendering-Modell. Dedizierte RT Cores beschleunigten Strahlschnittberechnungen, Tensor Cores unterstützten neuronale Verfahren wie Deep Learning Super Sampling. Rasterisierung, Raytracing und gelernte Rekonstruktion wurden zunehmend kombiniert.

Die 2025 vorgestellte Blackwell-basierte GeForce-RTX-50-Familie setzte dies mit RT Cores der vierten Generation, Tensor Cores der fünften Generation, Neural Shaders und DLSS 4 fort. Gaming blieb damit ein großer Auslieferungskanal für KI-gestützte Grafik und lokale Modellausführung.

Programmbare Shader ebneten den Weg zum allgemeinen Rechnen

Programmbare Shader änderten Nvidias Richtung, weil sie zeigten, dass ein Grafikprozessor über eine feste Rendering-Pipeline hinaus nützliche Programme ausführen kann. Frühe GPUs hatten spezialisierte Stufen für Geometrie, Beleuchtung, Texturen und Pixelausgabe. Sie waren schnell, aber nur begrenzt steuerbar.

GeForce 3 unterstützte 2001 programmierbare Vertex-Shader. Pixel- und Fragmentprogramme wurden in den folgenden Generationen leistungsfähiger. Spieleentwickler nutzten sie für Licht, Wasser, Haut, Schatten und Nachbearbeitung, während Forschende dieselben Prozessoren als günstige Parallelmaschinen betrachteten.

Diese Experimente waren umständlich. Wer Matrixoperationen ausführen wollte, musste Daten oft als Texturen und Berechnungen als Zeichenoperationen ausdrücken. Ergebnisse landeten im Framebuffer und wurden über Grafik-APIs zurückgelesen. Die Hardware lieferte hohe Leistung, doch die Programmierung verlangte Grafikkenntnisse, die mit dem wissenschaftlichen Problem nichts zu tun hatten.

Gaming finanzierte große Chips mit vielen Recheneinheiten und speicherstarker Anbindung. Forschende konnten sie weit günstiger als maßgeschneiderte Wissenschaftsprozessoren kaufen. Derselbe Transistoraufwand konnte Unterhaltung und technisches Rechnen bedienen, wenn Nvidia eine geeignete Programmierschicht bereitstellte.

Mit der Unified-Shader-Architektur konnten Gruppen programmierbarer Prozessoren verschiedene Shader-Stufen bearbeiten, statt für jede Stufe eigene Hardware vorzusehen. Die GeForce-8-Familie mit G80 machte dieses Modell wirtschaftlich bedeutsam. Der einheitliche Pool verbesserte die Auslastung und bot allgemeinem Rechnen ein regelmäßigeres Ziel.

GPU-Computing hat Grenzen. Parallele Hardware ist stark bei vielen ähnlichen, unabhängigen Operationen. Verzweigter, serieller Code läuft oft besser auf CPUs. Kleine Datenmengen wiederholt zwischen Prozessoren zu verschieben kann jeden Beschleunigungsvorteil aufzehren. Schnelle Rechenwerke helfen nur, wenn Kapazität, Bandbreite und Kommunikation sie versorgen.

Diese Grenzen erklären Nvidias Ausbau: CUDA verbesserte die Programmierbarkeit, High-Bandwidth Memory die lokale Datenversorgung, NVLink den Austausch zwischen Prozessoren und Mellanox die Kommunikation zwischen Servern. Jeder gelöste Engpass machte den nächsten sichtbar.

CUDA machte GPU-Hardware zur Rechenplattform

CUDA gab Programmierern ein direktes Modell für paralleles Rechnen und schuf eine Softwarebindung, die Konkurrenten nicht allein mit einem schnelleren Chip beantworten konnten. Nvidia kündigte die Architektur 2006 an und veröffentlichte 2007 die ersten Werkzeuge. Entwickler konnten C-ähnliche Kernel schreiben, ohne Probleme in Grafikoperationen übersetzen zu müssen.

Das Modell machte Threads, Blöcke, Grids, Shared Memory und Gerätespeicher sichtbar. Entwickler mussten parallele Arbeit und Datenbewegung weiterhin verstehen, aber ein numerisches Array nicht mehr als Bild behandeln. Das öffnete die Hardware für Wissenschaftler, Ingenieure und quantitative Entwickler.

Nvidia finanzierte auch die weniger sichtbaren Teile der Einführung: Compiler, Debugger, Profiler, Dokumentation, Beispiele, Universitätskurse und Kompatibilität über GPU-Generationen hinweg. Bibliotheken waren besonders wichtig. cuBLAS lieferte optimierte lineare Algebra, cuFFT schnelle Fourier-Transformationen, weitere Bibliotheken deckten dünnbesetzte Operationen, Zufallszahlen, Bildverarbeitung und Datenanalyse ab.

Frühe Nutzer kamen aus Lasten mit klarer Parallelstruktur:

• Molekulardynamik und Computerchemie
• Seismische Verarbeitung und medizinische Bildgebung
• Optionsbewertung und Monte-Carlo-Simulation
• Lineare Algebra und wissenschaftliche Solver
• Signalverarbeitung und Strömungssimulation

Leistungsangaben brauchten Einordnung. Eine GPU konnte einen Kernel von Stunden auf Minuten verkürzen, während die Gesamtanwendung weiter durch Eingabe, serielle Arbeit oder Kommunikation begrenzt blieb. Der dauerhafte Nutzen entstand, wenn Teams ganze Workloads um den Beschleuniger herum neu strukturierten.

Forschungsförderung, Universitätsprogramme, Entwicklerveranstaltungen und die GPU Technology Conference verstärkten die Verbreitung. Studierende lernten eine Umgebung, Forschende veröffentlichten Code darin und Arbeitgeber stellten später Personen ein, die die Werkzeuge kannten. Bibliotheken sammelten jahrelange Optimierung und numerische Tests.

Das erzeugte Wechselkosten, doch Lock-in allein erklärt die Nutzung nicht. Entwickler bleiben, wenn der Wechsel mehr kostet als er nützt und die Plattform sich weiter verbessert. Nvidia sicherte das durch Rückwärtskompatibilität, Framework-Unterstützung, optimierte Bibliotheken und neue Hardwarefunktionen.

CUDA veränderte auch Nvidia selbst. Ein Chiphersteller kann ein Produkt mit dem Fertigungsstart für fertig erklären. Eine Rechenplattform verlangt fortlaufende Compilerarbeit, Sicherheitsupdates, Bibliothekspflege, Dokumentation und Unterstützung neuer Frameworks. Die Verpflichtungen bestehen über die Nutzungszeit eines Boards hinweg.

Vor der Reife des GPU-Markts wirkte das teuer. Mit der KI-Nachfrage wurde es Nvidias stärkste Verteidigung, weil neue Anbieter gegen Jahre funktionierenden Codes und Entwicklererfahrung antreten mussten.

Tesla und der Weg in die Rechenzentren

Die Tesla-Produktlinie gab Nvidia einen direkten Weg in Server und Supercomputer und trennte Rechenprodukte von Grafikkarten für Bildschirme. Tesla-Beschleuniger wurden 2007 eingeführt und konzentrierten sich auf numerische Leistung, Speicherkapazität, Zuverlässigkeit und dichte Systeme.

Rechenzentrumskunden achten auf Dauerleistung, Fehlerbehandlung, Thermik, Software-Support, Wartbarkeit, Clusterkommunikation und Leistung pro Watt. Doppelte Genauigkeit ist für viele Simulationen wichtig, selbst wenn sie für Spiele kaum zählt. Fehlerkorrigierender Speicher kann unverzichtbar sein, wenn Berechnungen tagelang auf Tausenden Geräten laufen.

Nationale Labore und Universitäten wurden frühe Referenzkunden. Der Titan-Supercomputer im Oak Ridge National Laboratory kombinierte CPUs mit Nvidia-K20X-Beschleunigern und nahm 2012 den Forschungsbetrieb auf. Solche Systeme bewiesen GPU-Beschleunigung im wissenschaftlichen Produktionseinsatz.

Cloud-Zugang vergrößerte den Markt. Amazon Web Services führte GPU-Instanzen ein, gefolgt von Microsoft Azure, Google Cloud und anderen. Forschende und Startups konnten Beschleuniger stundenweise mieten, statt eigene Server zu kaufen und zu betreiben.

Der Fahrplan führte über Kepler, Pascal, Volta, Ampere und Hopper. Pascal verband P100 mit High-Bandwidth Memory und NVLink. Voltas V100 brachte Tensor Cores für dichte Matrixoperationen. A100 erweiterte Mixed Precision und Partitionierung. H100 zielte mit Transformer Engine und schnelleren Verbindungen auf Transformer-Training und Inferenz.

Die nutzbare Clusterleistung hängt jedoch vom ganzen System ab: Host-Prozessoren, Speicher, Netzwerkadapter, Switches, Stromversorgung, Kühlung, Firmware, Scheduler, Container und Monitoring müssen zusammenpassen. Ein Spitzenbeschleuniger hilft wenig, wenn ein unausgewogenes Cluster auf Daten wartet.

Darum wandte sich Nvidia der Systemtechnik zu. Nach Referenzdesigns und enger Zusammenarbeit mit Serverherstellern lieferte das Unternehmen integrierte Systeme. Kunden kauften Zeit bis zum Ergebnis, und Nvidia kontrollierte zunehmend die Komponenten, die diese Leistung bestimmen.

AlexNet machte Deep Learning zu einer kommerziellen Richtung

AlexNet zeigte, dass GPU-trainierte neuronale Netze etablierte Methoden der Bilderkennung im relevanten Maßstab übertreffen konnten. Im ImageNet-Wettbewerb 2012 trainierten Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton das Netz rund fünf bis sechs Tage lang auf zwei GeForce GTX 580 mit jeweils 3 GB Speicher. Die Fehlerrate lag deutlich unter der konkurrierender Systeme.

Neuronale Netze passen zu GPUs, weil Training wiederholt Matrixmultiplikationen, Faltungen, Aktivierungen und Reduktionen auf großen Arrays ausführt. Diese Operationen enthalten viel parallele Arbeit. Speicherbandbreite versorgte die Berechnungen, doch Modellgröße und Kommunikation wurden rasch zu neuen Grenzen.

Der Durchbruch war eine Demonstration, kein fertiger kommerzieller Stack. Es brauchte zuverlässige Grundoperationen, Framework-Integration, Multi-GPU-Kommunikation und Verfahren für niedrigere Genauigkeiten. Nvidia reagierte mit Software- und Architekturänderungen für neuronale Netze.

cuDNN lieferte ab 2014 optimierte Deep-Learning-Operationen. Framework-Betreuer mussten die Bibliothek einmal integrieren, sodass viele Nutzer GPU-Beschleunigung ohne eigene Kernel erhielten. Caffe, Theano, Torch, TensorFlow und PyTorch rückten weiter von einzelnen Gerätebefehlen ab.

Geringere Genauigkeit veränderte die Trainingsökonomie. Viele Operationen benötigen keine 64-Bit-Gleitkommazahlen. Hardware für 32-, 16-, 8-Bit- und kleinere Formate kann Durchsatz erhöhen und Speicher sparen, wenn die Software die Genauigkeit korrekt steuert. Voltas Tensor Cores von 2017 beschleunigten solche Matrixoperationen.

Mit DGX-1 bündelte Nvidia 2016 acht Tesla-P100-Beschleuniger, NVLink, Speicher, Netzwerk und vorbereitete Software in einem 3U-System. Labore konnten eine integrierte Maschine kaufen, statt Komponenten und Konfiguration selbst zusammenzustellen.

Aus dem Verkauf eines Prozessors wurde der Verkauf eines KI-Computers. HGX lieferte Basisplatinen und Referenzplattformen, DGX wuchs zu größeren Systemen und SuperPOD-Designs. Cloud-Anbieter boten Instanzen derselben Generationen an, während Unternehmen verwandte Software auf eigenen Servern einsetzen konnten.

Transformer erhöhten den Wert von Skalierung. Große Sprachmodelle verlangen mehr Rechenleistung, Beschleunigerspeicher und kollektive Kommunikation. Beim Bereitstellen zählt zusätzlich Kosten und Latenz der Token-Erzeugung. Nvidias Stack deckte Training, Kommunikation, Inferenzoptimierung und Model Serving ab.

Das Software-Ökosystem wurde zum Wettbewerbsvorteil

Nvidias Software-Ökosystem reduziert den Aufwand, Beschleuniger in funktionierende Anwendungen zu verwandeln. Sein Wert entsteht durch mehrere Schichten.

CUDA stellt Programmiergrundlage und Laufzeit bereit. CUDA-X-Bibliotheken liefern optimierte Funktionen für Mathematik, Datenverarbeitung, Kommunikation, Bildverarbeitung und maschinelles Lernen. NCCL koordiniert kollektive GPU-Operationen. TensorRT optimiert trainierte Modelle für die Inferenz, Triton Inference Server verwaltet die Bereitstellung über Frameworks und Hardwarekonfigurationen hinweg.

Höhere Schichten decken vollständige Abläufe ab. RAPIDS beschleunigt Datenvorbereitung und Analytik. NeMo hilft bei Entwicklung und Anpassung generativer Modelle. NIM bündelt ausgewählte Modelle und Inferenzkomponenten als einsetzbare Microservices. Nvidia AI Enterprise bietet unterstützte Software mit geregelten Releases und Wartung.

Der praktische Vorteil wächst mit der Zeit. Frameworks nutzen optimierte Kernel, ohne dass jeder Nutzer GPU-Spezialist werden muss. Bibliotheken können neue Architekturmerkmale übernehmen und ihre Schnittstellen vertraut halten. Unternehmen können geprüfte Kombinationen aus Treibern, Containern, Orchestrierung und Servern einsetzen.

Kompatibilität entsteht nicht von selbst. Neue Genauigkeiten können Modellqualität beeinflussen, Compileränderungen Annahmen in altem Code sichtbar machen. Treiber-, Firmware-, Container- und Framework-Versionen müssen zusammenpassen. Nvidia investiert stark in diese Integration, weil zuverlässiger Betrieb den Wert der Hardware schützt.

Das Ökosystem umfasst Partner: Serverhersteller bauen HGX- und MGX-Systeme, Cloud-Anbieter betreiben GPU-Instanzen, Softwareanbieter zertifizieren Anwendungen, Integratoren setzen Cluster um und Hochschulen bilden Entwickler aus.

Branchenspezifische Plattformen nutzen dieselbe Basis:

• DRIVE verbindet Automotive-Computing, Simulation, Wahrnehmungssoftware und Werkzeuge.
• Isaac unterstützt Robotikentwicklung, synthetische Daten, Wahrnehmung und Steuerung.
• Clara bündelt Gesundheits- und Life-Sciences-Workflows wie Bildgebung und Genomik.
• Omniverse verbindet Simulation und kollaborative 3D-Abläufe rund um OpenUSD.
• Jetson bündelt Beschleunigerhardware und Software für Roboter, Kameras und Edge-Systeme.

Das garantiert keine Einführung in jeder Branche. Fahrzeuge benötigen lange Validierung, Gesundheitsanwendungen unterliegen klinischen und regulatorischen Vorgaben, Industriesimulationen brauchen korrekte Modelle und bestehende Betriebsdaten.

Der Vorteil kann schwächer werden. Offene Frameworks entkoppeln Anwendungen zunehmend von herstellerspezifischem Code. Compilerprojekte zielen auf mehrere Beschleunigerarten. AMDs ROCm ist reifer geworden, und Cloud-Unternehmen kontrollieren eigene Dienste um kundenspezifische Chips. Große Käufer können Portierungsaufwand für Lieferdiversität oder niedrigere Betriebskosten akzeptieren.

Nvidias Verteidigung muss deshalb fortlaufender Nutzen sein: schnelle Bibliotheken, breite Framework-Unterstützung, rasch produktive neue Hardware und genug Betriebswert, damit Kunden die integrierte Plattform trotz Preis und Konzentrationsrisiko bevorzugen.

Strategische Wetten erweiterten Nvidia über die GPU hinaus

Nvidia ging über Grafikprozessoren hinaus, wenn benachbarte Technik die Systemleistung begrenzte oder neue Märkte öffnete. Manche Wetten wurden zentral, andere kosteten Jahre ohne das erwartete Ergebnis.

Tegra sollte Nvidia-Prozessoren in Telefone, Tablets, Autos und eingebettete Geräte bringen. Der Mobilfunkmarkt bevorzugte integrierte SoC-Anbieter mit starken Modempositionen, wo Nvidia keinen dauerhaften Vorteil hatte. Geeignetere Rollen fand Tegra in Automotive-Systemen, Shield, Entwicklungsboards und Nintendos Switch.

Leistung allein überwindet keine Plattformökonomie. Energiebedarf, Funkintegration, App-Kompatibilität, Liefervereinbarungen und Kunden-Roadmaps können wichtiger sein als Grafikleistung. Nvidia konzentrierte sich auf Märkte, in denen paralleles Rechnen und Grafik mehr zählen.

NVLink, 2014 angekündigt und mit Pascal eingeführt, beschleunigte die direkte Kommunikation zwischen GPUs und ermöglichte in ausgewählten Designs engere CPU-GPU-Verbindungen. NVSwitch verband mehr Beschleuniger über ein Hochgeschwindigkeits-Switching-Gewebe innerhalb eines Servers oder Racks.

Die 2019 angekündigte und 2020 abgeschlossene Mellanox-Übernahme für 6,9 Milliarden US-Dollar erweiterte Nvidias Kontrolle über Rechenzentrumsnetze. Mellanox brachte InfiniBand, schnelles Ethernet, Adapter, Switches und Erfahrung mit Remote Direct Memory Access. Das wurde mit dem Wachstum von KI-Clustern auf Tausende Beschleuniger immer wertvoller.

Verteiltes Training stockt, wenn Prozessoren auf Gradienten, Parameter oder Aktivierungen warten. Netzwerke mit niedriger Latenz und effiziente kollektive Operationen erhöhen den Rechenanteil der GPUs. Mellanox war damit entscheidend für die Wirtschaftlichkeit eines ganzen Clusters.

BlueField-DPUs verlagern Netzwerk-, Speicher-, Sicherheits- und Infrastrukturaufgaben von Host-CPUs. Spectrum-X richtet Ethernet auf KI-Clusterverkehr aus, Quantum führt InfiniBand fort. Nvidia kann so die Rechenstruktur von Verbindungen im Rack bis zum Netzwerk über viele Racks planen.

Die geplante Arm-Übernahme verfolgte einen anderen Weg. Nvidia schlug 2020 einen Kauf für 40 Milliarden US-Dollar vor, um beschleunigtes Rechnen mit Arms breit lizenzierter CPU-Befehlssatzarchitektur zu verbinden. Kunden und Regulierungsbehörden fürchteten um Arms neutrale Lizenzrolle. Nvidia beendete den Deal 2022 nach regulatorischem Widerstand.

Das Ende des Deals beendete die CPU-Pläne nicht. Die Arm-basierte Rechenzentrums-CPU Grace wird mit Hopper- und Blackwell-GPUs kombiniert. Damit kann Nvidia Speicher, Kohärenz, Energiebedarf und Chipkommunikation für beschleunigerlastige Workloads abstimmen, ohne das Arm-Ökosystem zu besitzen.

Blackwell und Rubin machten das Rack zum Produkt

Blackwell und Rubin markieren den Schritt vom Verkauf von Beschleunigern im Server zur Entwicklung des Rechenzentrumsracks als Recheneinheit. Modellgrößen und Inferenzlasten übersteigen Speicher-, Kommunikations- und Leistungsgrenzen einzelner Chips.

Nvidia kündigte Blackwell 2024 an. Eine Blackwell-GPU verbindet zwei große Dies über eine Verbindung mit hoher Bandbreite, sodass sie als ein logisches Gerät arbeiten. Der GB200 Grace Blackwell Superchip kombiniert zwei Blackwell-GPUs über NVLink-C2C mit einer Grace-CPU.

GB200 NVL72 erweitert das Konzept zu einem flüssigkeitsgekühlten Rack mit 72 Blackwell-GPUs und 36 Grace-CPUs, verbunden durch NVLink der fünften Generation. BlueField-DPUs sowie externe InfiniBand- oder Spectrum-X-Ethernet-Netze verbinden das Rack mit Speicher und anderen Systemen. Zur Produktgrenze gehören nun Kühlung, Verkabelung, Switching, Firmware und Orchestrierung.

Blackwell Ultra einschließlich GB300 erhöhte den Speicher und zielte auf Reasoning- und Inferenzlasten mit langen Kontexten oder großen Modellzuständen. Die Ergebnisse des Geschäftsjahrs 2026 zeigten den Einfluss: Wachstum kam von Blackwell-Rechenleistung ebenso wie von NVLink-, Ethernet- und InfiniBand-Produkten.

Die Rubin-Plattform ging 2026 in Produktion, Partnersysteme sollten in der zweiten Jahreshälfte bereitgestellt werden. Sie kombiniert Vera-CPU, Rubin-GPU, NVLink-6-Switch, ConnectX-9-Netzwerkadapter, BlueField-4-Datenprozessor und Spectrum-6-Ethernet-Switch für große Mixture-of-Experts-Modelle, lange Kontexte und KI-Agenten.

Käufer vergleichen nicht mehr nur isolierten GPU-Spitzendurchsatz. Sie müssen Tokens pro Watt, Anwendungs-Latenz, nutzbaren Speicher, Netzwerkauslastung, Softwarebereitschaft, Kühlung, Installationszeit und Umsatzertrag je Rack bewerten.

Die Rack-Integration schafft Vorteile und Pflichten. Nvidia kann den gesamten Kommunikationspfad abstimmen und mehr Inhalt pro Installation verkaufen. Kunden erhalten ein geprüftes Design mit weniger Integrationsentscheidungen. Zugleich muss Nvidia eine breitere Lieferkette koordinieren, Systemfehler behandeln, Flüssigkeitskühlung unterstützen und neue Architekturen schnell softwareseitig nutzbar machen.

Strom ist zu einer harten Grenze geworden. Rechenzentren erhalten Chips teils schneller als Netzkapazität, Umspannwerke, Generatoren, Kühlung oder Baugenehmigungen. Künftige Fortschritte hängen daher von sinnvoller Arbeit pro Watt und Rack ab, nicht nur von der Rechenoperationszahl im Datenblatt.

Wettbewerb prüft jede Ebene der Plattform

Nvidia konkurriert mit frei verfügbaren Beschleunigern, Cloud-eigenen Chips, alternativen Software-Stacks und Käufern, die mehr Verhandlungsmacht suchen. Je nach Workload sieht die Bedrohung anders aus.

AMD ist der engste direkte Rivale bei Gaming-Grafik und Rechenzentrums-GPUs. Instinct-Beschleuniger und ROCm richten sich an Training, Inferenz und High-Performance Computing. Nach der MI300-Generation folgten MI350 und 2026 die MI400-Familie mit Helios-Rackdesign. AMD setzt auf Speicherkapazität, offene Standards, Prozessorintegration und das Kundeninteresse an einem zweiten Lieferanten.

Intel verfügt über eine große Server-CPU-Basis und verfolgte diskrete GPUs sowie Gaudi-Beschleuniger. Die Strategie wechselte mehrfach und zeigt, wie schwer es ist, Chip-Rhythmus, Softwareakzeptanz und Systemverfügbarkeit zusammenzuhalten. Eine glaubwürdige Alternative braucht Framework-Unterstützung und Clusterbetrieb.

Cloud-Anbieter greifen einen anderen Teil von Nvidias Position an. Googles TPUs treiben interne Dienste an und sind über Google Cloud erhältlich, Ironwood zielt auf großes Training, Reasoning und Inferenz. AWS bietet Trainium für Modellentwicklung und Inferentia für Serving, darunter Trainium3-Systeme. Andere große Technologiefirmen entwickeln Chips oder Netzwerk-Silizium für eigene Workloads.

Kundenspezifische Chips können gewinnen, wenn ein Käufer Modelle, Compiler, Rechenzentren und Auslastung kontrolliert. Er kann unnötige Funktionen streichen und für vorhersehbare Software optimieren. Frei verfügbare GPUs bleiben im Vorteil, wenn Kunden breite Framework-Kompatibilität, viele Modellarten, schnelle Einführung und Zugang über mehrere Clouds brauchen.

Cerebras, Groq und viele Startups verfolgen Wafer-Scale-Prozessoren, Dataflow-Architekturen, Inferenzchips und optische Verbindungen. Ihre Aufgabe ist, technische Vorteile in verfügbare Systeme, verlässliche Software und ausreichende Produktionskapazität umzusetzen.

Auch Abstraktion ist Wettbewerb. PyTorch, JAX, portable Compiler, containerisierte Dienste und Inferenz-Engines verringern den sichtbaren herstellerspezifischen Aufwand. Wenn Teams Modelle mit wenigen Änderungen umziehen können, gewinnen Einkaufsabteilungen Einfluss.

Käufer sollten Systeme mit eigenen Workloads vergleichen statt mit Spitzenwerten. Wichtig sind Modellqualität bei gewählter Genauigkeit, Batch-Größe, Prefill und Decode, Speichergrenzen, Skalierung über Interconnects, Strom, Verfügbarkeit, Support und Entwicklungsaufwand. Ein günstiger Beschleuniger kann teuer werden, wenn er ungenutzt bleibt oder monatelange Portierung erfordert.

Exportkontrollen und Lieferkonzentration wurden zu Betriebsrisiken

Staatliche Regeln und konzentrierte Fertigung beeinflussen heute Nvidias Produktdesign, Lagerbestand, Kundenzugang und Margen. Fortschrittliche Beschleuniger gelten als strategische Technik, weil sie kommerzielle KI, Forschung, Nachrichtenauswertung und militärische Anwendungen unterstützen können.

US-Exportbeschränkungen von 2022 betrafen A100- und H100-Produkte für China und andere beschränkte Ziele. 2023 wurden die Regeln auf mehr Produkte und Leistungsmaße ausgeweitet. Nvidia entwickelte regelkonforme Varianten wie H20, doch die Politik änderte sich weiter.

Im April 2025 verlangten die USA Lizenzen für H20-Lieferungen nach China und in bestimmte verwandte Märkte. Nvidia verbuchte im Geschäftsjahr 2026 eine Belastung von 4,5 Milliarden US-Dollar für überschüssige Lagerbestände und Kaufverpflichtungen. Spätere begrenzte Lizenzen ermöglichten einige H20-Lieferungen, während eine Politik von 2026 H200-Anträge unter bestimmten Bedingungen einzeln prüfte. Ende des Geschäftsjahrs 2026 erklärte Nvidia weiterhin, praktisch nicht im chinesischen Markt für Rechenzentrums-Compute konkurrieren zu können.

Das zeigt ein spezielles Halbleiterrisiko: Ein Unternehmen verpflichtet sich Monate vor Lieferung zu Wafern, Speicher, Packaging und Systemen. Eine später eingeführte Regel kann ein regional zugeschnittenes Produkt zu schwer umlenkbarer Ware machen. Auch ein regelkonformes Redesign kann wirtschaftlich schwach sein.

Kartellfragen ergeben sich aus Nvidias Marktstellung und Full-Stack-Strategie. Behörden können Übernahmen, Lieferpraktiken, Bündelung, Cloud-Beziehungen und den Zugang zu Software oder Hardware prüfen. Der abgebrochene Arm-Deal zeigte die besondere Prüfung neutraler Infrastruktur.

Nvidia bleibt fabless und hängt bei fortschrittlichen Wafern stark von TSMC ab. Zusätzlich braucht es High-Bandwidth Memory, fortschrittliches Packaging, Substrate, Netzwerkkomponenten, Stromsysteme und Auftragsfertiger für komplexe Racks. Engpässe bei einer Komponente lassen sich nicht durch Überfluss bei einer anderen ausgleichen.

Taiwan ist zentral für Spitzenfertigung und Systemmontage, Südkorea wichtig für Speicher. Erdbeben, Stromunterbrechungen, Versandprobleme, Handelsbeschränkungen oder Konflikte könnten die Produktion stören. Geografische Diversifizierung dauert Jahre, weil sich fortschrittliche Anlagen, qualifizierte Prozesse und Zuliefernetze nicht einfach verlagern lassen.

KI-Rechenzentren haben weitere lokale Grenzen: Stromerzeugung, Übertragung, Kühlwasser oder andere Wärmeabfuhr, Fläche, Genehmigungen und qualifizierte Betreiber. Energie-, Datenstandort-, Datenschutz- und Investitionsregeln bestimmen mit, wo Systeme installiert werden.

Jensen Huangs Führung prägte Nvidias Betriebsmodell

Jensen Huangs lange Amtszeit gab Nvidia ungewöhnliche Kontinuität über Grafik, mobiles Rechnen, wissenschaftliche Beschleunigung und KI hinweg. Er ist seit der Gründung CEO und konnte technische Investitionen auch dann fortsetzen, wenn Kapitalmärkte ihnen wenig Wert beimaßen.

Huang verbindet Produktkommunikation mit detaillierter technischer Arbeit. Öffentliche Präsentationen übersetzen Architekturen in Workload- und Systemökonomie, interne Reviews sind für direktes Feedback und breiten Informationsaustausch bekannt. Die Lederjacke wurde zum Wiedererkennungszeichen, wichtiger ist sein Anspruch, die Wechselwirkung von Hardware, Software, Netzwerken und Märkten zu verstehen.

Nvidia arbeitet für seine Größe relativ flach. Informationen erreichen die Führung über knappe Statusmeldungen und große Review-Gruppen statt über lange Ketten privater Managementbesprechungen. Das kann Probleme früh sichtbar machen und Spezialisten erlauben, Annahmen über Teamgrenzen hinweg zu hinterfragen.

Das Modell erzeugt auch Druck. Direkte Kritik, hohe Erwartungen, schnelle Produktzyklen und Sichtbarkeit unfertiger Arbeit fordern Beschäftigte. Was einer kleineren Ingenieurfirma Tempo gab, braucht bei wachsender Mitarbeiterzahl, Regulierung und Kundenpflichten viel Disziplin.

Wiederkehrende kulturelle Grundsätze sind:

• Ehrliche Analyse zählt, wenn Architektur oder Marktannahme scheitert.
• Produktpläne verbinden lange Halbleiterzyklen mit schneller Softwareiteration.
• Entwickler sind zentrale Nutzer, deren Akzeptanz verdient werden muss.
• Technische Wetten können jahrelang laufen, wenn ihre Grundlage stimmt.
• Systemleistung ist wichtiger als die Optimierung einzelner Komponenten.

CUDA steht für geduldige Investition, die NV1-Wende für die Fähigkeit, einen Weg bei widerlegten Annahmen aufzugeben. Beständigkeit und Flexibilität passen zusammen, wenn Führungskräfte einen schwierigen Plan von einer falschen Prämisse unterscheiden.

Gründerkontrolle kann Konsistenz fördern, konzentriert aber auch Urteilskraft. Nvidias Zukunft hängt von Nachfolgeplanung, Führungskräften ab, die Huang widersprechen können, und Prozessen, die nicht seine Beteiligung an jeder großen Entscheidung benötigen. Mit der Größe kommen Aufgaben wie Compliance, Sicherheit, Arbeitsmanagement und zuverlässige Lieferung an Regierungen und globale Unternehmen.

Die finanzielle Transformation folgte der Produkttransformation

Nvidias Kennzahlen änderten sich, als Rechenzentrumssysteme zur wichtigsten Umsatzquelle wurden. Aus einem zyklischen Grafikanbieter wurde eines der größten Unternehmen für Recheninfrastruktur. Der Wandel verlief lange schrittweise und beschleunigte sich dann durch generative KI.

Nach dem Börsengang 1999 hing der Umsatz stark von PC-Grafik, Spielezyklen, Workstations sowie Herstellern von Grafikkarten und PCs ab. Gaming war profitabel, doch Lagerbereinigungen konnten hart ausfallen. Neue Grafikgenerationen verlangten hohe Forschungsausgaben, bevor Nachfrage sicher war.

Mehrere Abschwünge zeigten diese Zyklik. Die Finanzkrise 2008 senkte Technologieausgaben. Kryptowährungs-Mining trieb die Nachfrage nach Grafikkarten und führte 2018 zu einer Lagerkorrektur. Auf Nachfrage und Lieferstörungen der Pandemie folgte 2022 eine weitere Gaming-Anpassung.

Rechenzentrumsumsätze veränderten Umfang und Kundenkonzentration. Der Umsatz des Geschäftsjahrs 2024 lag bei 60,9 Milliarden US-Dollar, davon 47,5 Milliarden aus Data Center. 2025 stieg er auf 130,5 Milliarden, davon 115,2 Milliarden Data Center. 2026 erreichte Nvidia 215,9 Milliarden, davon 193,7 Milliarden Data Center.

Damit machte Data Center im Geschäftsjahr 2026 fast 90 Prozent des Jahresumsatzes aus. Im Quartal bis zum 26. April 2026 betrug der Gesamtumsatz 81,6 Milliarden und der Data-Center-Umsatz 75,2 Milliarden US-Dollar, als Blackwell-300-Systeme und Netzwerktechnik hochliefen.

Die Profitabilität spiegelt knappe, hochwertige Beschleuniger und die Kosten vollständiger Systeme wider. Nvidia meldete für das Geschäftsjahr 2026 eine GAAP-Bruttomarge von 71,1 Prozent nach 75,0 Prozent 2025. Der Rückgang hing mit dem Wechsel von Hopper-HGX-Produkten zu kompletten Blackwell-Lösungen und der H20-Lagerbelastung zusammen.

Große Cloud-Anbieter, KI-Labore, Serverhersteller und andere direkte Kunden können erhebliche Käufe tätigen. Ihre Investitionspläne können sich schnell ändern, und manche entwickeln eigene Chips, während sie Nvidia-Systeme kaufen. Gesamtnachfrage kann stark bleiben, obwohl einzelne Produkte oder Kunden Schwankungen auslösen.

Der Marktwert überschritt 2023 eine Billion US-Dollar, als Anleger das Ausmaß der KI-Infrastrukturnachfrage einpreisten. 2024 folgten weitere Billionenmarken. Ein Aktiensplit im Verhältnis 10 zu 1 wurde im Juni 2024 wirksam, nach einem Split von 4 zu 1 im Jahr 2021. Splits ändern Aktienzahl und Preis je Aktie, nicht den Unternehmenswert.

Eine solide Finanzanalyse trennt Nachfrage von dauerhafter Wirtschaftlichkeit. Kunden können KI-Kapazität weiter ausbauen und zugleich günstigere Inferenzchips wählen. Nvidia kann beim Umsatz wachsen, während die Bruttomarge sinkt, weil Systeme mehr Fremdanteile enthalten. Rasche Architekturwechsel können Lagerbelastungen verursachen, Energie- und Baugrenzen Projekte verzögern.

Der langfristige Optimismus stützt sich darauf, dass beschleunigtes Rechnen mehr Allzweckarbeit ersetzt, KI-Inferenz zu einer wiederkehrenden Produktionslast wird und Nvidia einen großen Anteil am System- und Softwarewert behält. Die Gegenposition verweist auf Kundenkonzentration, kundenspezifisches Silizium, alternative Beschleuniger, Exportkontrollen, Liefergrenzen und Ausgaben vor profitablen KI-Anwendungen.

Was Nvidias Vergangenheit über die nächste Phase sagt

Nvidias nächste Phase hängt davon ab, größere KI-Systeme wirtschaftlich zu betreiben, nicht nur einzelne Prozessoren schneller zu machen. Training bleibt anspruchsvoll, aber Produktionsinferenz, Reasoning-Modelle und Software-Agenten können Rechenleistung kontinuierlich verbrauchen. Für Kunden zählen zunehmend Latenz, Tokens pro Watt, Tokens pro Dollar, Verfügbarkeit und Umsatz je installierter Leistung.

Rubin zeigt Nvidias Antwort: jährliche Plattformveröffentlichungen, engere Integration von Prozessoren und Netzwerken, größere Speichersysteme und Software für sich wandelnde Modellstrukturen. Ein schnellerer Rhythmus kann Kunden auf der Plattform halten, verkürzt aber womöglich die wirtschaftliche Nutzungsdauer teurer Anlagen und belastet Zulieferer und Entwicklungsteams stärker.

Physical AI ist eine weitere große Wette. DRIVE, Isaac, Jetson, Omniverse und Simulation verbinden Modelltraining mit Maschinen, die die physische Welt wahrnehmen und beeinflussen. Roboter und Fahrzeuge brauchen lokale Inferenz mit geringer Latenz, während Cloud-Systeme Training, Flottenanalyse und Simulation übernehmen. Sicherheit, Zuverlässigkeit, Sensordaten und reale Einsatzökonomie zählen ebenso wie Beschleunigerleistung.

Digitale Zwillinge übertragen den Ansatz auf Fabriken, Lager, Energiesysteme und andere technische Umgebungen. Simulation kann Tests von Layouts oder Roboterverhalten günstiger machen, bevor physische Änderungen erfolgen. Ihr Wert hängt von genauen Modellen und gepflegten Betriebsdaten ab.

Für Anwendungsentwickler erklärt diese Geschichte, warum KI-Infrastruktur fern wirken kann, obwohl sie die tägliche Arbeit prägt. Ein nichttechnischer Gründer kann in Koder.ai eine Web-, Server- oder Mobilanwendung beschreiben, während Sprachmodelle und ein Verbund von Agenten die Arbeit hinter der Chat-Oberfläche erledigen. Beschleuniger, Netzwerke, Hosting und Modellsoftware bleiben dabei verborgen. Nvidias Chance wächst, wenn mehr Produkte KI nutzen, ohne dass Nutzer GPU-Kernel oder Cluster verwalten müssen.

Praktische Lehren für Builder sind klar: Eine dringende Anwendung wählen, die eine breitere Plattform finanzieren kann. In die Entwicklererfahrung investieren, bevor Wettbewerber sie priorisieren. Kompatibilität bewahren, wenn Nutzer Code und Schulung in ein Produkt investieren. Benachbarte Komponenten nur ausbauen, wenn sie einen messbaren Engpass beseitigen. Eine technische Prämisse aufgeben, wenn Standards oder Belege sie widerlegen.

Für politische Entscheidungsträger beeinflussen Beschleunigerversorgung, fortschrittliches Packaging, Speicher, Energie, Cloud-Zugang und Softwarekenntnisse heute die nationale Rechenkapazität. Exportkontrollen können Gegner einschränken, aber auch Lagerverluste verursachen, den Zugang zu ausländischen Entwicklern verringern und lokale Alternativen fördern. Wettbewerbspolitik muss Integration, die Systemleistung verbessert, von Praktiken unterscheiden, die Kunden von tragfähigen Alternativen fernhalten.

Nvidias Geschichte ist letztlich eine Folge sich verstärkender Verpflichtungen. Grafik finanzierte parallele Hardware. Programmbare Shader eröffneten allgemeines Rechnen. CUDA sammelte Software und Entwickler. AlexNet lieferte die prägende KI-Last. DGX, Mellanox, Grace, Blackwell und Rubin erweiterten die Produktgrenze, bis das Rack zum Computer wurde.

Diese Folge schuf Nvidias Vorsprung, macht ihn aber nicht dauerhaft. Das Unternehmen muss den nächsten Betriebsengpass lösen, während Wettbewerber Preis, Offenheit, Lieferdiversität und spezialisierte Leistung angreifen. Sein früherer Erfolg beruhte darauf, einen Wandel des Rechenmodells zu erkennen. Seine Zukunft hängt davon ab, das erneut zu tun, bevor das heutige Modell zu einer nicht hinterfragten Annahme wird.