Ich bin \u00fcberzeugt, dass die Story von NVIDIA erst anf\u00e4ngt.<\/p>\n\n\n\n
Zuk\u00fcnftig entwickeln vermutlich so ziemlich alle entscheidenden Unternehmen der Tech-Branche eigene Chips: Amazon, Alphabet, Microsoft, Meta, Oracle, Dell oder auch Snowflake.<\/p>\n\n\n\n
Ich erkl\u00e4re hier, warum sich NVIDIA freut, wenn die Tech-Giganten ihre eigenen Chips entwickeln:<\/p>\n\n\n\n
Nvidia hat den Markt der KI-GPUs erfunden und entwickelt. <\/strong><\/p>\n\n\n\n Nat\u00fcrlich gibt es Nachahmer, die g\u00fcnstigere Chips entwickeln. Doch die Chips von AMD schlie\u00dfen nach einem Jahr maximal mit der Performance der Nvidia-Chips auf und kosten dann weniger. Doch gleichzeitig zeigen Studien, dass die Chips von AMD mehr Strom verbrauchen als die Chips von Nvidia. Die „total costs of ownership“, also die Vollkosten f\u00fcr die Entwicklung eines funktionst\u00fcchtigen KI-Modells sind bei den AMD-Chips noch immer deutlich h\u00f6her als bei den Nvidia-Chips, wenn man die Stromkosten einbezieht. Tats\u00e4chlich entwickeln Amazon, Alphabet, Microsoft und viele andere Mega-Techs ihre eigenen „KI-Chips“. <\/strong><\/p>\n\n\n\n Doch diese Chips sind f\u00fcr die „Inferenz“ optimiert, nicht f\u00fcr das Trainieren. Mit Inferenz meint man die Anwendung des trainierten KI-Modells f\u00fcr den beabsichtigten Zweck. ChatGPT beantwortet Ihnen alle Fragen. Dazu greift er auf ein Datenmodell zu, das \u00fcber 9 Monate trainiert wurde. Doch zur Beantwortung Ihrer konkreten Frage durchforstet er das Datenmodell und stellt die bestm\u00f6gliche Antwort zusammen. Diesen Prozess nennt man „Inferenz“. Das Modell verfeinert die Antwort, daher k\u00f6nnen Sie auf die gleiche Frage sp\u00e4ter eine unterschiedliche Antwort erhalten. In meinem kompletten Artikel „Nvidias Q-Zahlen sprengen jegliche Vorstellungskraft“<\/strong> zeige ich auf, wie fr\u00fch in der Entwicklung der KI wir uns noch befinden, und wie solide der Vorsprung von Nvidia gegen\u00fcber der Konkurrenz ist. Und selbst wenn die Konkurrenz aufschlie\u00dfen sollte, der Markt ist gro\u00df genug f\u00fcr mehrere Anbieter von Trainings-GPUs.<\/p>\n\n\n\n Hier ein paar Ausz\u00fcge meines Artikels:<\/p>\n\n\n\n Jensen Huang machte auf der Telefonkonferenz eine Nebenbemerkung, die Tesla-Gr\u00fcnder Elon Musk gefallen hat: Kein anderes Unternehmen sei so weit bei der Entwicklung des autonomen Fahrens wie Tesla, noch im laufenden Jahr werde man atemberaubende Ergebnisse von Tesla sehen. Noch ein paar Zahlen, damit Sie die Dimension besser erfassen k\u00f6nnen, \u00fcber die wir hier sprechen: Bislang gr\u00f6\u00dfter Kunde von Nvidia ist Meta. Mark Zuckerberg kaufte 24.000 H100 GPUs von Nvidia, um seine ausgelieferte Werbung und seine Vorschl\u00e4ge auf Facebook und insbesondere Instagram zu verbessern. Er nutzt KI-Modelle, die das Vorschlagswesen optimieren. Seit einigen Quartalen liefert Meta kontinuierlich bessere Zahlen ab als von Analysten erwartet. Je mehr Daten f\u00fcr das Trainieren der KI zur Verf\u00fcgung stehen, desto besser das Ergebnis. Doch mit der Zunahme der Datenmenge wuchs die erforderliche Zeit f\u00fcr das Training exponentiell. Erst die GPUs von Nvidia, die diese Prozesse parallel laufen lassen konnten, f\u00fchrten zu einem Stand, mit dem binnen weniger Jahre ein gutes KI-Modell ausreichend trainiert werden kann, um brauchbare Ergebnisse zu liefern. Ende 2022 wurde pl\u00f6tzlich ChatGPT der \u00d6ffentlichkeit zug\u00e4nglich gemacht und die Resonanz war \u00fcberw\u00e4ltigend. Offensichtlich hatte man die f\u00fcr brauchbare KI-Ergebnisse kritische Masse an Daten in einer \u00fcberschaubaren Zeit f\u00fcrs Training verwenden k\u00f6nnen. Dank Nvidias GPUs. F\u00fcr das aktuelle Gesch\u00e4ftsjahr, das bei Nvidia bis zum 31.01.2025 l\u00e4uft, erwarten Analysten einen Gewinnsprung je Aktie von 120% auf 26,56 USD. Das entspricht beim aktuellen Kurs von 1.038 USD einem KGV von 39. Wenngleich das KGV von 39 also erneut recht teuer aussieht, relativiert sich diese Kennziffer schnell, wenn wir sie ins Verh\u00e4ltnis zum Wachstum setzen. Das KGV\/ Wachstum, auch PEG-Ratio genannt, betr\u00e4gt also 0,3. Nvidia ist nach wie vor g\u00fcnstig. Die alles entscheidende Frage f\u00fcr Sie als Anleger lautet nun also: Ist es schon zu sp\u00e4t, Nvidia-Aktien zu kaufen? Oder sollte man noch auf den fahrenden Zug aufspringen?<\/p>\n\n\n\n Nat\u00fcrlich kann eine Aktie, die sich seit Jahresbeginn mehr als verdoppelt hat, im Rahmen einer Verschnaufpause an den Aktienm\u00e4rkten schnell an 10%, 20%, vielleicht sogar 30% verlieren. Doch ein solcher R\u00fcckschlag sollte \u00fcber die Zeit mehr als ausgeglichen werden, Sie m\u00fcssen dann nur die Nerven behalten.
Und sobald AMD in Sachen Leistungsf\u00e4higkeit aufschlie\u00dft, bringt Nvidia bereits die n\u00e4chste Generation auf den Markt. Ich habe nicht den Eindruck, dass sich Jensen Huang auf seinen Lorbeeren ausruht, im Gegenteil, er sieht die KI-Revolution noch in einem sehr fr\u00fchen Stadium und arbeitet mit Hochdruck an besseren GPUs und an der z\u00fcgigen Verf\u00fcgbarkeit neuer GPUs.<\/p>\n\n\n\nInferenz vs. Training: Der wahre Nutzen eigener KI-Chips<\/h2>\n\n\n\n
Diese Inferenz ist ebenfalls sehr rechenintensiv und es ist vorteilhaft, spezielle Chips f\u00fcr diese Anwendung zu optimieren. Jedoch im Vergleich zum Training ist diese Rechenoperation niedlich. Daher sagt Jensen Huang bei jeder Gelegenheit, er begr\u00fc\u00dfe die Entwicklung unternehmenseigener KI-Chips. Denn damit sind die Inferenz-Chips gemeint, nicht die Trainings-Chips. Und je mehr Inferenz-Chips entwickelt werden, desto st\u00e4rker werden sich KI-Angebote verbreiten. Doch jedes KI-Angebot ben\u00f6tigt zun\u00e4chst einmal eine KI, die auf Nvidia-GPUs wie der H100 oder H200 trainiert wird.
Je mehr Unternehmen also die Entwicklung eigener KI-Chips ank\u00fcndigen, desto mehr Nvidia-Chips werden nachgefragt. Wer sich nicht ein wenig mit diesem Sachverhalt besch\u00e4ftigt hat, der sieht jeden „KI-Chip“ als Konkurrenz f\u00fcr Nvidia an. Doch das Gegenteil ist der Fall.<\/p>\n\n\n\nNvidia’s Innovationskraft: Die Zukunft der KI gestalten<\/h2>\n\n\n\n
Tesla im Fokus: Jensens Prophezeiung<\/strong><\/h3>\n\n\n\n
Sie erinnern sich: Tesla ist der Autobauer, der fr\u00fcher mal beliebt war unter Anlegern. Doch seit zweieinhalb Jahren hat sich der Kurs mehr als halbiert, weil das autonome Fahren doch nicht so schnell kommt wie von Elon Musk in Aussicht gestellt. Ist nun der Zeitpunkt gekommen? Jensen Huang wird schon fast wie ein Prophet verehrt. Wenn er Tesla hervorhebt, dann sollten wir die Tesla Aktie im Auge behalten.<\/p>\n\n\n\nNvidia’s Boom: Milliardenauftr\u00e4ge von Meta und Tesla<\/strong><\/h3>\n\n\n\n
Eine H100 GPU kostet rund 40.000 USD. Meta hat 24.000 davon gekauft. Also hat allein Meta knapp 1 Mrd. USD an Nvidia \u00fcberwiesen, um die erforderliche Hardware f\u00fcr KI-Modelle zu haben.
Nun wurde bekannt, dass Tesla bereits 35.000 H100 GPUs gekauft hat. Das sind 1,4 Mrd. USD. Das Gesch\u00e4ft mit der Automobilbranche werde f\u00fcr Nvidia lauf Jensen Huang im laufenden Jahr ein Umsatz von 1,4 Mrd. USD erwirtschaften. F\u00fcr das kommende Jahr erwarte er eine Umsatzverdopplung. Und mittelfristig werde die Automobilbranche zum wichtigsten Kunden von Nvidia heranwachsen, so Huang.<\/p>\n\n\n\nGPU-Power: Wie Nvidia die KI-Entwicklung beschleunigt<\/strong><\/h3>\n\n\n\n
Pl\u00f6tzlich konnte man berechnen, wie viele Daten wie intensiv f\u00fcrs Training verwendet werden m\u00fcssen, um brauchbare KI-Ergebnisse zu erhalten. Nvidia stellte die H100 GPU vor, die Graphikkarte, mit der mit einer ausreichenden Datenmenge binnen 9 Monaten eine brauchbare KI trainiert werden konnte.
Wer die ausreichende Menge an Daten hat, der kauft nun so viele H100-Graphikkarten, wie er kriegen kann. Meta, Amazon, Tesla, Alphabet, Microsoft, Oracle, … auch SAP. KI-Angebote schie\u00dfen aus dem Boden: Bildbearbeitung, Stimmenmodifikation, Entwicklertools etc. Diese Welle ist erst am Anfang, doch da stellt Nvidia bereits die H200 vor, die Folgegeneration der GPUs mit dem Namen Blackwell. Die bislang 9 Monate, die f\u00fcr das Trainieren einer KI bislang erforderlich sind, k\u00f6nnen mit der Blackwell-Technologie auf wenige Wochen verk\u00fcrzt werden. Die H200 ist so leistungsstark, dass nun auch Videos in gro\u00dfen Mengen f\u00fcr das Training der KI verwendet werden k\u00f6nnen.<\/p>\n\n\n\nGewinnexplosion und Analystenerwartungen<\/strong><\/h3>\n\n\n\n
Noch vor nicht einmal f\u00fcnf Monaten, also zum Jahresbeginn, erwarteten Analysten f\u00fcr das laufende Gesch\u00e4ftsjahr einen Gewinn von 20,80 USD\/Aktie. Die Gewinnerwartung wurde also binnen weniger Monate um 27% angehoben. Und dennoch konnte Nvidia diese Erwartungen \u00fcbertreffen.
F\u00fcr das darauf folgende Gesch\u00e4ftsjahr erwarten Analysten einen Gewinnanstieg um „nur noch“ 30% auf 34,29 USD\/Aktie. Das KGV st\u00fcnde dann bei 30, die PEG-Ratio w\u00e4re bei einer fairen 1. Sp\u00e4testens jetzt winken die Skeptiker ab und sagen, die Aktie hat ihre maximale Bewertung erreicht und muss nun erst einmal in diese Bewertung hinein wachsen.
Das w\u00e4re richtig, wenn das Wachstum im Anschluss unter 10% f\u00e4llt. Doch schon die aktuellen Erwartungen von durchschnittlich 30% Gewinnwachstum f\u00fcr 2025 erscheinen viel zu konservativ (= niedrig). Analysten heben ihre Erwartungen f\u00fcr Nvidia seit Jahren kontinuierlich an. Und wenn wir nun mal mit dem Zahlenreigen aufh\u00f6ren und uns die Aussagen von CEO Jensen Huang anschauen, dann deutet vieles daraufhin, dass dies auch noch lange so bleiben wird.<\/p>\n\n\n\nJetzt noch einsteigen? Chancen und Risiken bei Nvidia<\/strong><\/h2>\n\n\n\n
Wir kaufen unsere Aktienpositionen stets in zwei Schritten: Einen ersten Kauf f\u00fchren wir eher schnell durch, mit dem zweiten warten wir auf einen kr\u00e4ftigen R\u00fccksetzer. Bei Nvidia kamen wir bislang nur einmal zum Zug, doch immerhin sind wir an Bord dieser Rallye. Vielleicht ist das auch eine Vorgehensweise f\u00fcr Anleger, die bislang noch z\u00f6gerten.<\/p>\n\n\n\n