Der Nvidia-CEO über den KI-Goldrausch

Drei Stunden, ein Gesprächspartner, kein Teleprompter: Jensen Huang, Gründer und Chef von Nvidia, saß im Podcast von Lex Fridman und sprach so offen über Chips, künstliche Intelligenz und die Zukunft des Rechnens, wie man es von einem der mächtigsten Konzernlenker der Welt selten erlebt. Was das Gespräch offenbart: Huang ist nicht nur ein Unternehmer, der im richtigen Moment am richtigen Ort war – er ist jemand, der die Regeln des Spiels fundamental anders versteht als die meisten seiner Konkurrenten.

Ein Unternehmen erfindet sich neu – und wieder – und wieder

Jensen Huang ist kein CEO, der Erfolg verwaltet. Er ist einer, der ihn erzwingt – auch dann, wenn das bedeutet, das eigene Geschäftsmodell zu kannibalisieren. Im Fridman-Gespräch schilderte er mehrfach Momente, in denen Nvidia hätte scheitern können: der Kampf um Marktanteile gegen 3dfx in den späten Neunzigern, der schwierige Übergang zu programmierbaren Grafikchips, die jahrelange Wette auf CUDA – eine Softwareplattform, mit der Entwicklerinnen und Entwickler Nvidia-Chips für allgemeine Rechenaufgaben nutzen können, lange bevor KI ein Massenphänomen wurde.

Gerade CUDA ist der entscheidende Mosaikstein, den viele Analysten unterschätzen. Technisch gesehen ist CUDA eine Programmierschnittstelle, die es erlaubt, die parallele Rechenarchitektur von Nvidia-GPUs (Graphics Processing Units, also Grafikprozessoren) für wissenschaftliche Berechnungen, Simulationen und schließlich maschinelles Lernen zu nutzen. Nvidia baute dieses Ökosystem über mehr als eineinhalb Jahrzehnte auf – und schuf damit eine technologische Abhängigkeit, die heute schwer zu überwinden ist. Wer heute neuronale Netze trainiert, arbeitet in der Regel mit CUDA. Wer von Nvidia wegwechseln will, muss oft auch seinen gesamten Software-Stack neu schreiben. Das ist kein Zufall, sondern Strategie.

Wie Nvidia zu dem geworden ist, was es heute darstellt, lässt sich kaum in wenigen Sätzen zusammenfassen. Wer die tiefere Geschichte des Unternehmens verstehen will, findet in unserer Aufarbeitung der unwahrscheinlichsten Erfolgsgeschichte der Tech-Welt einen guten Ausgangspunkt.

Die Physik des KI-Goldrausches

Huang benutzte im Gespräch mit Fridman immer wieder eine Formulierung, die es wert ist, genauer betrachtet zu werden: „Accelerated Computing" – beschleunigtes Rechnen. Gemeint ist damit der Paradigmenwechsel weg von allgemeinen Prozessoren (CPUs), die einen Befehl nach dem anderen abarbeiten, hin zu spezialisierten Chips, die Tausende von Rechenoperationen gleichzeitig ausführen können. Für KI-Anwendungen ist dieser Unterschied existenziell: Das Training eines großen Sprachmodells wie GPT-4 würde auf herkömmlicher CPU-Hardware Jahre dauern – auf modernen Nvidia-Beschleunigern sind es Wochen oder Tage.

Was Huang im Podcast besonders betonte: Die Nachfrage nach Rechenleistung für KI wächst schneller, als selbst optimistische Prognosen es vorhergesagt hatten. Das liegt nicht nur daran, dass mehr Unternehmen KI einsetzen, sondern auch daran, dass die Modelle selbst rechenintensiver werden – ein Phänomen, das Fachleute als „Scaling" bezeichnen. Je mehr Rechenleistung man in ein Modell steckt, desto leistungsfähiger wird es – zumindest bis zu einem Punkt, den die Forschung noch nicht endgültig definiert hat.

Laut Gartner wird der globale Markt für KI-Halbleiter in den nächsten Jahren zweistellig wachsen, angetrieben vor allem durch Rechenzentren der großen Cloud-Anbieter wie Microsoft, Amazon und Google. Statista beziffert den weltweiten Umsatz im KI-Chip-Segment für das laufende Jahr auf mehrere hundert Milliarden US-Dollar – Tendenz steil steigend. Der Bitkom-Verband weist darauf hin, dass auch deutsche Unternehmen zunehmend in KI-Infrastruktur investieren, wobei der Bedarf an spezialisierter Hardware als zentrales Engpassthema gilt (Quelle: Bitkom).

Blackwell und die Engpässe der Chipproduktion

Huang sprach im Podcast offen über die Herausforderungen, die mit der Produktion der neuesten Chip-Generation verbunden sind. Nvidias aktuelle Architektur – Blackwell genannt, benannt nach dem Mathematiker David Harold Blackwell – ist derzeit so stark nachgefragt, dass Lieferengpässe die Auslieferung verlangsamen. Das ist kein Marketing-Trick, sondern ein echtes strukturelles Problem: Hochleistungschips dieser Komplexität können weltweit nur von wenigen Auftragfertigern hergestellt werden, allen voran TSMC aus Taiwan.

Die Produktionslinie für moderne KI-Chips ist eine globale Lieferkette mit enormen geopolitischen Verwundbarkeiten: Spezialchemikalien aus Japan, Lithografieanlagen aus den Niederlanden, Waferfabriken in Taiwan und Südkorea, Verpackungstechnologie wiederum an anderen Standorten. Huang deutete im Gespräch an, dass Nvidia intensiv daran arbeite, diese Lieferkette robuster zu machen – ließ aber offen, wie das konkret aussehen soll. Eine detaillierte Analyse dazu findet sich in unserem Bericht zu Nvidias Blackwell-Chip und den anhaltenden Lieferengpässen.

Die Konkurrenz schläft nicht – aber sie hinkt hinterher

Huang ist kein Mann, der die Konkurrenz kleinredet. Im Gespräch mit Fridman anerkannte er ausdrücklich, dass AMD und Intel technologisch aufgeholt haben – und dass Custom-Chips von Google (TPUs), Amazon (Trainium, Inferentia) und Microsoft (Maia) ernstzunehmende Alternativen für bestimmte Anwendungsfälle darstellen. Der entscheidende Punkt sei jedoch das Software-Ökosystem: Wer einmal auf CUDA aufgebaut hat, wechselt nicht leichtfertig.

Das bedeutet nicht, dass die Herausforderer chancenlos sind. AMD hat mit seiner MI300-Serie Marktanteile gewonnen, insbesondere bei Kunden, die bewusst eine Alternative zu Nvidia suchen. Intel versucht mit seiner Gaudi-Plattform Fuß zu fassen, kämpft aber mit Kompatibilitätsproblemen und einem kleineren Entwickler-Ökosystem. Wie realistisch eine echte Machtverschiebung im KI-Chip-Markt ist, haben wir in unserem Vergleich zur nächsten KI-Chip-Generation von AMD und Intel untersucht.

Physische KI und die nächste Stufe

Eines der spannendsten Segmente des Fridman-Gesprächs betraf nicht Rechenzentren, sondern Roboter. Huang sprach ausführlich über „Physical AI" – also künstliche Intelligenz, die nicht nur Text oder Bilder verarbeitet, sondern in der physischen Welt agiert. Autonome Fahrzeuge, Industrieroboter, humanoide Maschinen: Nvidia positioniert sich hier mit seiner Plattform „Isaac" und dem Simulator „Omniverse" als Infrastrukturanbieter für eine Branche, die noch am Anfang steht.

Die Idee dahinter: Bevor ein Roboter in der realen Welt lernt, soll er Milliarden von Situationen in einer digitalen Simulation durchlaufen. Das spart Zeit, Kosten und verhindert physische Schäden. Huang beschrieb diesen Ansatz als eine der wichtigsten Entwicklungen der kommenden Jahre – und Nvidia will die Plattform dafür liefern, nicht die Roboter selbst. Das ist ein klassisches Infrastruktur-Spiel: Wer den Pick und die Schaufel verkauft, muss nicht selbst nach Gold graben.

IDC prognostiziert, dass der Markt für KI-gestützte Robotik in den nächsten fünf Jahren dreistellig wachsen wird, angetrieben durch den Fachkräftemangel in Produktion und Logistik sowie durch sinkende Hardwarekosten (Quelle: IDC). Ob Nvidia diese Wette gewinnt, ist offen – die Konkurrenz durch spezialisierte Startups und etablierte Industrieautomatisierer ist erheblich.

Was das Gespräch über Huang selbst verrät

Jenseits der Technik war das Fridman-Interview auch ein Porträt eines Unternehmers, der aus Einwandererfamilie stammt, als Kind in ärmlichen Verhältnissen aufwuchs und heute eines der wertvollsten Unternehmen der Welt führt. Huang sprach über Demut, über die Bereitschaft zu scheitern, und über die Überzeugung, dass technologischer Fortschritt nie linear verläuft.

Was auffällt: Huang meidet den Jargon der Selbstoptimierungs-Kultur. Er spricht nicht über „Disruption" oder „Moonshots". Er spricht über Physik, über Materialwissenschaft, über die konkrete Komplexität von Halbleiterfertigung. Das wirkt – ob inszeniert oder nicht – erfrischend nüchtern in einer Branche, die zum Hype neigt wie kaum eine andere.

Gerade diese Bodenhaftung macht deutlich, warum Nvidia so schwer zu kopieren ist: nicht weil das Unternehmen besonders visionär war, sondern weil es jahrzehntelang an technischen Grundlagen arbeitete, die damals niemand für relevant hielt. CUDA war ein Projekt ohne klares Geschäftsmodell. Die Investitionen in KI-Forschung kamen zu einem Zeitpunkt, als die meisten Analysten KI als akademisches Nischenthema betrachteten.

Dass diese Geschichte von einem breiten Publikum gehört wird – auch durch Podcasts wie den von Fridman –, ist Teil eines bewussten Kommunikationsansatzes. Nvidia verkauft nicht nur Chips: Das Unternehmen verkauft eine Erzählung davon, wer die Infrastruktur des 21. Jahrhunderts baut. Und Jensen Huang ist dabei der überzeugendste Erzähler dieser Geschichte.

Die breitere Debatte über digitale Infrastruktur und Konnektivität – von der Abschaltung älterer Mobilfunkstandards bis hin zu Konsolidierungen im Telekommunikationsmarkt – zeigt, wie tiefgreifend der Umbau unserer technologischen Grundlagen gerade vonstattengeht. So hat A1 Telekom Austria den 2G-Mobilfunkstandard beendet, während gleichzeitig Vodafone Three für fünf Milliarden Euro übernimmt – beides Zeichen dafür, dass die Infrastrukturschicht der digitalen Wirtschaft gerade grundlegend neu sortiert wird. Nvidia spielt in diesem Umbau eine Schlüsselrolle – als Lieferant der Rechenleistung, die all das erst möglich macht.

Ob der Goldrausch anhält oder ob sich die KI-Investitionswelle als Übertreibung herausstellt, weiß derzeit niemand mit Sicherheit. Was Huangs Auftritt bei Fridman zeigt: Er hat zumindest einen klaren Plan, wie Nvidia auch dann relevant bleiben will, wenn die erste Begeisterungswelle verebbt. Und der beruht nicht auf Versprechen, sondern auf Silizium.