Nvidia berichtete über einen Rekordumsatz von $39,3 Milliarden im letzten Quartal, was 12% mehr als im vorherigen Quartal und 78% mehr als vor einem Jahr entspricht. CEO Jensen Huang erklärte, dass die Verkäufe der Blackwell-Chips „alle Erwartungen übertreffen“ und die Cloud-GPUs ausverkauft sind. Für das nächste Quartal prognostiziert das Unternehmen $43 Milliarden.
Parallel dazu baut Elon Musk in Memphis über xAI den größten Cluster der Welt zum Trainieren von KI. Colossus 2 wird nach der Fertigstellung im Jahr 2026 mehr als eine halbe Million Nvidia-GPUs enthalten. Die ersten 110.000 Chips werden bereits installiert.
Zahlen, die von der Dominanz sprechen
Die Dimensionen sind beeindruckend. Nvidia macht jetzt etwa 8 % des Gesamtgewichts des S&P 500-Index aus – das ist die höchste Konzentration für eine Aktie seit einem halben Jahrhundert. Das Unternehmen verlangt etwa 3 Millionen Dollar für ein Rack mit 72 Blackwell-GPUs und liefert etwa 1000 solcher Racks pro Woche.
Auf der GTC-Konferenz im März verlagerte Huang den Fokus von Chips auf „KI-Fabriken“ – spezialisierte Rechenumgebungen, in denen die Massenverarbeitung von Daten KI-Systeme schafft und bereitstellt. Jedes GB200 NVL72-System enthält über 600.000 Komponenten und funktioniert wie ein riesiger Computer, der eine 30-fache schnellere Leistung im Vergleich zu früheren Systemen für KI-Modelle mit einer Billion Parametern bietet.
Die Komplexität schafft eine Schutzbarriere. Es sind keine Server, die aus Standardkomponenten zusammengesetzt werden können. Es handelt sich um präzise konzipierte Systeme, die eine Flüssigkeitskühlung von 120 Kilowatt pro Rack, spezielle Verbindungen mit 130 Terabyte pro Sekunde zwischen GPUs und Software erfordern, die Zehntausende von Chips als eine einzige Maschine behandelt.
Warum eigene Chips die Kluft nicht schließen
Auf dem Papier sieht der neue TPU Ironwood von Google wettbewerbsfähig aus. Jeder Chip liefert 4,6 Petaflops Berechnungen für KI – etwas mehr als die 4,5 Petaflops des Nvidia B200. Google kann sie in Module mit 9216 Chips skalieren, mit theoretischer Unterstützung für bis zu 400.000 Beschleuniger in einem Cluster.
Aber es gibt einen Haken: TPUs funktionieren nur innerhalb von Google Cloud. Wenn Sie Aufgaben bei mehreren Cloud-Anbietern ausführen, Ihre eigene Infrastruktur aufbauen oder Frameworks außerhalb des Google-Ökosystems nutzen möchten, bleibt Nvidia die einzige Option.
Die Trainium-Chips von Amazon stehen vor ähnlichen Einschränkungen. AWS behauptet, einen Preis-Leistungs-Vorteil von 30-40 % im Vergleich zu anderen Anbietern zu haben, aber nur für Aufgaben, die vollständig in der Amazon-Cloud ausgeführt werden. Die Chips sind für spezifische Aufgaben spezialisiert und haben nicht die universelle Flexibilität, die Nvidia-Hardware beim Training, Feintuning und der Ausgabe in jedem Framework bewältigen kann.
Für ein Unternehmen, das 100 Milliarden Dollar in Infrastruktur investiert, die in zwei Jahren rentabel sein soll, ist der Einsatz auf proprietäre Hardware eines Cloud-Anbieters ein Risiko, das die meisten nicht eingehen werden.
Die wahre Barriere: das Ökosystem
Der Vorteil von Nvidia liegt nicht nur im Silizium. Es geht um Jahrzehnte der Softwareentwicklung, Werkzeuge und Ausbildung von Ingenieuren.
Die CUDA-Programmierplattform, die Nvidia seit 2006 entwickelt, bedient praktisch alle großen KI-Frameworks, einschließlich PyTorch, TensorFlow und JAX. Der Wechsel zu Chips eines Wettbewerbers bedeutet oft, den Code neu zu schreiben, das Personal neu zu schulen und zu akzeptieren, dass einige Funktionen einfach nicht funktionieren werden.
Stellenangebote mit dem Begriff „CUDA“ übersteigen weiterhin erheblich die Zahl derer, in denen Alternativen erwähnt werden. Als der Kurs für maschinelles Lernen an der Stanford-Universität 2025 das Google-Framework JAX als Standardoption hinzufügte, war dies bemerkenswert, weil CUDA seit über zehn Jahren der Standard bleibt.
Nvidia hat auch Beziehungen in der gesamten Lieferkette aufgebaut. Das Unternehmen arbeitet mit mehr als 200 Technologiepartnern an über 150 Fabriken weltweit. Energieunternehmen, Kühlungsspezialisten, Datenzentrum-Entwickler und sogar große Investmentfirmen sind jetzt Teil des Nvidia-Netzwerks.
Dieses Ökosystem bedeutet, dass der CEO, der in Nvidia-Infrastruktur investiert, nicht nur Chips erhält. Er erhält eine umfassende Strategie mit globalem Support.
Was kann sich ändern
Die Ökonomie verändert sich in bestimmten Bereichen. Bei stark belasteten Ausgabeverarbeitungsaufgaben, bei denen Sie ein Modell in großem Maßstab mehrfach ausführen, können Googles TPU und Amazons Trainium-Chips im Vergleich zu universellen GPUs von Nvidia einen besseren Preis pro Token bieten.
Einige Unternehmen wechseln leise. Anthropic hat im Oktober 2025 Verpflichtungen für eine Million TPU von Google übernommen. Midjourney hat Berichten zufolge einen Großteil seiner Bildgenerierungslast von Nvidia-Hardware auf TPU Google Cloud verlagert und dabei die monatlichen Kosten erheblich gesenkt.
Aber das Training neuer fortschrittlicher Modelle? Hier wird immer noch Nvidia benötigt. Als xAI das leistungsstärkste System der Welt zum Trainieren von KI aufbauen wollte, suchten sie nicht nach Alternativen. Colossus 2 verwendet Nvidia GB200-Chips.
Die Wettbewerbslandschaft ist real: Der TPU Ironwood von Google hat sich zum ersten Mal in den grundlegenden Eigenschaften mit Nvidia verglichen. Die MI350-Serie von AMD bietet eine Alternative für Unternehmen, die einen zweiten Anbieter haben möchten. Aber die Einhaltung der Spezifikationen in Tests ist nicht dasselbe wie die Einhaltung des gesamten Software-, Support- und Lieferkettenpakets, das Nvidia über Jahrzehnte aufgebaut hat.
Was bedeutet das für alle anderen
Für Investoren ist die Lage klar: Die Dominanz von Nvidia ist nicht zerbrechlich, aber auch nicht für immer garantiert. Das Unternehmen muss weiterhin schneller sein als die Wettbewerber, die endlich ernsthafte Alternativen schaffen.
Für Unternehmen, die KI-Systeme entwickeln, hängt die Berechnung von der Situation ab. Wenn Sie fortschrittliche Modelle trainieren oder Flexibilität im Umgang mit verschiedenen Clouds und Frameworks benötigen, bleibt Nvidia der Standard. Wenn Sie massive Ausgabeverarbeitungsaufgaben innerhalb einer Cloud durchführen, verdient die Ökonomie spezialisierter Chips ernsthafte Prüfung.
Für alle anderen hat dieses Infrastrukturrennen Auswirkungen, unabhängig davon, ob Sie KI direkt oder nicht verwenden. Der Strom, der diese Datenzentren speist, führt zu steigenden Tarifen. Die Lieferketten, die diese Fabriken bedienen, verändern die globale Produktion.
Nvidia verkauft nicht nur Hardware. Das Unternehmen baut die Grundlage für das, was Huang die „Ära der KI“ nennt. Ob diese Grundlage exklusiv Nvidia gehört oder wettbewerbsfähiger wird, wird viel darüber entscheiden, wie sich das nächste Jahrzehnt entwickeln wird.
Die Meinung zur KI
Aus der Sicht der maschinellen Datenanalyse ähnelt die aktuelle Dominanz von Nvidia der Situation von Intel in den 1990er Jahren, als das Unternehmen kritische Infrastruktur für die Berechnung kontrollierte. Die Geschichte zeigt, dass eine solche Konzentration unvermeidlich die Aufmerksamkeit der Regulierungsbehörden auf sich zieht – insbesondere im Kontext der nationalen Sicherheit von den USA und China.
Die makroökonomische Analyse zeigt ein verborgenes Risiko für die Energieversorgung. Gigawatt-Datenzentren wie Colossus 2 verbrauchen den Strom ganzer Städte, was 2026-2027 auf Einschränkungen in den Stromnetzen stoßen könnte. Quantenberechnungen und neuromorphe Chips bleiben „schwarze Schwäne“, die die Architektur der KI-Berechnungen grundlegend verändern könnten. Die Situation zeigt auch ein Paradox: Je mehr Unternehmen Alternativen zu Nvidia entwickeln, desto höher wird das systemische Risiko für die gesamte Branche bei Störungen in den Lieferketten taiwanesischer Halbleiter.
