Nvidia, lange Zeit führend im Bereich der Grafikprozessoren (GPUs) für Künstliche Intelligenz, verlagert seinen Schwerpunkt. Das Unternehmen stärkt seine Position im KI-Markt, indem es sich zunehmend auf die effiziente Orchestrierung von Rechenzentrumssystemen konzentriert, anstatt sich ausschließlich auf die Leistung einzelner Prozessoren zu verlassen. Dieser Strategiewechsel wurde nach den jüngsten Quartalsergebnissen des Unternehmens deutlich.
Vom GPU-Monopol zur Systemintegration
In den Anfangsjahren des KI-Booms war Nvidia nahezu der einzige Anbieter modernster GPUs, was dem Unternehmen immense Gewinne bescherte. In den letzten Jahren haben jedoch große Cloud-Anbieter, sogenannte Hyperscaler wie Amazon und Google, begonnen, eigene KI-Chips zu entwickeln. Dies führte zu Spekulationen über die Nachhaltigkeit von Nvidias Wettbewerbsvorteil, was sich auch in einem moderateren Aktienkursverlauf nach einer zehnfachen Marktkapitalisierung zwischen Anfang 2023 und Mitte 2025 widerspiegelte.
Angesichts des wachsenden Energiebedarfs von KI-Rechenzentren im Gigawatt-Bereich ist die Orchestrierung von Daten und Systemen zu einer immer komplexeren Aufgabe geworden. Nvidia hat darauf reagiert, indem es Hardware für die Bewältigung dieser Komplexität entwickelt hat. Dies verschafft dem Unternehmen einen erheblichen Vorteil bei den Systemen, die die GPUs umgeben, selbst wenn der Wettbewerb bei den GPUs selbst zunimmt.
Die Vera Rubin Architektur und die Vera CPU
Ein zentrales Element dieser neuen Strategie ist Nvidias Vera Rubin Architektur. Diese Architektur kombiniert die Rubin GPU mit weiteren Einheiten, darunter die Vera CPU, den Groq 3 LPX Inferenzbeschleuniger sowie spezielle Racks für Speicher und Netzwerk. Diese Komponenten sind darauf ausgelegt, die Effizienz des gesamten Systems außerhalb der GPU zu maximieren. Während die GPU als „Motor“ dient, stellen die anderen Komponenten den „Rest des Autos“ dar, um die Daten optimal zu verwalten.
Insbesondere die Vera CPU ist auf die Orchestrierung von Datenströmen fokussiert. Jason Hardy, Nvidias Vizepräsident für Speichertechnologie, betonte die Bedeutung der Vera CPU, da die Speicherkapazität innerhalb eines einzelnen Servers oder einer Compute-Plattform begrenzt ist. Obwohl die Speicherkapazität in Rechenzentren mit der Rechenleistung skaliert ist, ist es entscheidend, die Daten zur richtigen Zeit an die GPU zu liefern, um die Effizienz (Tokens pro Watt) zu optimieren. Hardy berichtet von einer bis zu dreifachen Leistungssteigerung bei diesen Operationen, wodurch Flash-Speicher ohne Engpässe voll ausgeschöpft werden können.
Parallele Entwicklungen und neuer Wettbewerb
Ähnliche Herausforderungen werden auch von anderen Unternehmen adressiert. OpenAI beispielsweise hat seinen Jalapeño-Chip entwickelt, um die Notwendigkeit der Datenbewegung zu minimieren. Durch die Ausführung ganzer Workloads innerhalb eines einzigen, verbundenen Systems sollen Kommunikationsverzögerungen reduziert und die Effizienz gesteigert werden. Obwohl der Ansatz unterschiedlich ist – Nvidia optimiert die Datenbewegung, OpenAI versucht sie zu vermeiden – verfolgen beide das gleiche Ziel: Effizienzsteigerung durch intelligente Steuerung statt nur durch mehr Rechenzyklen.
Dieser neue Fokus auf Datenorchestrierung eröffnet eine neue Ebene des Infrastrukturwettbewerbs. Nvidia wird sich hier, ähnlich wie bei GPUs, mit konkurrierenden Chipherstellern und Hyperscalern messen müssen. Der Wettbewerb verschiebt sich jedoch dahin, weniger eine konkurrierende GPU zu bauen, sondern vielmehr das gesamte System effizient zum Laufen zu bringen. In dieser frühen Phase scheint Nvidia einen deutlichen Vorsprung zu haben.
Thema: Nvidia. Quelle/Inspiration: TechCrunch.