Die Geometrie der Macht
An einem Frühlingsmorgen im Jahr 1993 trafen sich drei Ingenieure in einem Diner in San Jose und beschlossen, ein Unternehmen rund um eine Intuition zu gründen: dass die Zukunft des Computings visuell, dreidimensional und hungrig nach paralleler Rechenleistung sein würde . Jensen Huang, Chris Malachowsky und Curtis Priem gründeten Nvidia am 5. April jenes Jahres und benannten es nach dem lateinischen Wort für Neid – eine merkwürdige Wahl für ein Unternehmen, das drei Jahrzehnte später zum Objekt der fiebrigsten Begierde der Wall Street werden sollte .
Bis Januar 2025 war aus dem Start-up vom Diner-Tisch das erste Unternehmen der Menschheitsgeschichte geworden, das sowohl die Vier- als auch die Fünf-Billionen-Dollar-Marke bei der Marktkapitalisierung durchbrach – der aktuelle Wert liegt bei 5,01 Billionen Dollar . Um das in Perspektive zu setzen: Nvidia ist mehr wert als das gesamte BIP Japans, mehr als der kombinierte Wert aller börsennotierten Unternehmen Frankreichs. Es ist, in den unverblümtesten finanziellen Begriffen, das wertvollste Unternehmen, das je aufgebaut wurde.
Doch Bewertungen, so schwindelerregend sie auch sein mögen, sind lediglich Symptome. Die interessantere Frage ist, was Nvidia in seiner Substanz geworden ist – und die Antwort ist zugleich einfacher und seltsamer, als die Billion-Dollar-Zahl vermuten lässt. Nvidia hat sich vom Grafikchip-Hersteller zum physischen Substrat der künstlichen Intelligenz selbst transformiert, zum Unternehmen, das die Schaufeln, die Eisenbahnen und zunehmend die gesamte Lieferkette für den neuen Goldrausch baut. Und nun versucht es mit seinen jüngsten Schritten in Robotik und Open-Source-Simulation, für verkörperte KI das zu tun, was es für maschinelles Lernen getan hat: sich unverzichtbar zu machen.
Der lange Marsch von Telefonen zu Planeten
Nvidias Weg zur Dominanz verlief nie linear. Jahrelang war es einfach das Grafikkarten-Unternehmen, der Name, den Gamer kannten, der Chip-Hersteller, der Pixel tanzen ließ. Doch das Unternehmen spielte immer ein längeres Spiel und diversifizierte mit geduldiger Aggressivität in angrenzende Märkte.
Bis 2011 hatte das Unternehmen seinen Vorstoß ins Mobile Computing begonnen und die Tegra-Prozessorenlinie für Smartphones und Tablets vorgestellt. In jenem Jahr dominierte Nvidia den Markt für Dual-Core-Android-Geräte in den Vereinigten Staaten und trieb sowohl Tablets als auch das an, was die Industrie damals „Superphones" nannte . Der kurz darauf angekündigte Tegra 3 war ein Quad-Core-Wunderwerk, die Art von Chip, die frühe Android-Flaggschiffe kurzzeitig wie die Zukunft anfühlen ließ .
Doch Mobile wurde nie Nvidias Königreich. Qualcomm und Apples Custom Silicon sorgten dafür. Was Tegra jedoch leistete, war, Nvidia beizubringen, wie man System-on-Chip-Architekturen für begrenzte Leistungsbudgets baut – Wissen, das sich als unschätzbar erweisen sollte, als das Unternehmen auf KI-Inferenz am Edge umschwenkte. Die Jetson-Familie eingebetteter Prozessoren, heute speziell für Robotik und physische KI entwickelt, stammt direkt von jener Tegra-Linie ab . Die Chips sind für Echtzeit-Inferenz auf führenden offenen Modellen optimiert, klein genug für Drohnen und Roboterarme, leistungsstark genug, um Sensordaten in der Millisekundengeschwindigkeit zu verarbeiten, die autonome Maschinen erfordern .
Nvidia setzte auch früh und vorausschauend auf Cloud Gaming und Remote Rendering. In den frühen 2010er-Jahren stellte es Nvidia Grid vor, eine Hardware-Software-Plattform zum Streamen von Spielen aus Rechenzentren auf Thin Clients . Die Technologie war ihrer Zeit voraus – die Bandbreite war unzureichend, die Latenz zu hoch –, doch das architektonische Denken nahm die späteren Cloud-KI-Angebote des Unternehmens vorweg. Nvidia lernte in jenen Jahren, nicht nur Chips zu bauen, sondern ganze Ökosysteme: Hardware, Treiber, APIs und den Software-Stack, der sie zusammenhält.
Dann kamen Übernahmen, die strategische Absichten signalisierten. 2019 kündigte Nvidia an, Mellanox Technologies für etwa 7 Milliarden Dollar in bar zu übernehmen – ein Deal, der Hochgeschwindigkeitsnetzwerke ins Portfolio brachte, kritisch für die Interconnects, die Tausende von GPUs in modernen KI-Supercomputern verbinden . In derselben Periode übernahm Nvidia Cumulus Networks, ein Open-Source-Netzwerkunternehmen, das sich auf Rechenzentrumsoptimierung spezialisiert hatte, und verschärfte damit seinen Griff auf die Infrastrukturebene weiter .
Und dann kam 2020 der kühnste Schritt von allen: Nvidia kündigte an, Arm Limited, das britische Chip-Design-Haus, dessen Architekturen praktisch jedes mobile Gerät der Welt antreiben, für 40 Milliarden Dollar zu übernehmen . Der Deal hätte, in den Worten eines Analysten, „einen Computing-Giganten" geschaffen . Er hätte Nvidia die Kontrolle über das geistige Eigentum gegeben, das Apples M-Serie-Chips, Qualcomms Mobile-Prozessoren und die überwiegende Mehrheit eingebetteter Systeme weltweit untermauert. Regulierungsbehörden in den USA, Europa und China blockierten die Übernahme letztlich aus kartellrechtlichen Gründen, doch allein der Versuch offenbarte Nvidias Ambition: nicht nur KI-Computing zu dominieren, sondern den gesamten Stack zu besitzen, von Mobile bis Cloud, von Edge bis Exascale.
Die Blackwell-Doktrin
Was Nvidia letztlich aufgebaut hat, ist ein Monopol nicht der Märkte, sondern der Fähigkeiten. Seine GPUs – Graphics Processing Units, umfunktioniert für parallele Berechnungen – sind zum De-facto-Standard für das Training großer KI-Modelle geworden. Google, Meta, OpenAI, Anthropic: alle lassen ihre Modelle auf Nvidia-Silizium laufen. Die CUDA-Programmierumgebung des Unternehmens, mittlerweile zwei Jahrzehnte alt, hat einen so breiten Burggraben geschaffen, dass Wettbewerber selbst für eine Berücksichtigung kämpfen müssen.
2024 stand Nvidias damaliger CEO Jensen Huang auf der Bühne und erklärte: „Wir haben einen Prozessor für die Ära der generativen KI geschaffen" . Er bezog sich auf die Blackwell-Plattform, Nvidias neueste Architektur, entwickelt für Echtzeit-generative KI auf Modellen mit Billionen von Parametern – bei bis zu 25-fach geringeren Kosten und Energieverbrauch als ihr Vorgänger . Die Blackwell-Plattform ist nicht nur schneller; sie ist effizient genug, um bestimmte Klassen von KI-Anwendungen erstmals wirtschaftlich rentabel zu machen. Das Training eines Modells mit einer Billion Parametern erforderte zuvor die elektrische Leistung einer Kleinstadt; Blackwell macht es mit dem Energiebudget eines großen Bürogebäudes möglich.
Dies ist die Alchemie, die Nvidia gemeistert hat: nicht nur rohe Leistung, sondern Leistung pro Watt, Leistung pro Dollar, Leistung im großen Maßstab. Die Blackwell-Chips werden, wie ihre Vorgänger, nicht als eigenständige Komponenten ausgeliefert, sondern als Teil integrierter Systeme – Server-Racks, Kühllösungen, Netzwerk-Fabric, alles optimiert für das Zusammenspiel. Nvidia ist, mit anderen Worten, zum Systemintegrator geworden und verkauft nicht Komponenten, sondern ganze KI-Fabriken.
Das Unternehmen reichte seinen Jahresbericht für das am 26. Januar 2025 endende Geschäftsjahr ein, ein Dokument, das, obwohl dicht mit der üblichen Unternehmensprosa, Umsätze und Margen offenbart, die ein Ölkartell erröten lassen würden . Nvidias Bruttomargen auf KI-Chips liegen bei nahezu 80 Prozent; das Unternehmen verfügt über Preissetzungsmacht, die ans Absolute grenzt. Wenn die Nachfrage das Angebot um Größenordnungen übersteigt, kann man seinen Preis nennen.
Die offene Frage der Offenheit
Doch Nvidias Dominanz war stets von einer gewissen Undurchsichtigkeit überschattet. Das Unternehmen war historisch zurückhaltend beim Öffnen seiner Hardware-Dokumentation, eine Haltung, die die Open-Source-Community seit Jahrzehnten frustriert hat. 2006 entschied Fedora, nicht auf X.org 7.1 zu aktualisieren, weil proprietäre Modulanbieter, darunter Nvidia, keine adäquate Unterstützung geboten hatten . Der Open-Source-Nouveau-Treiber, durch Reverse Engineering von Nvidias Hardware erstellt, erreichte nie Feature-Parität mit den proprietären Treibern des Unternehmens.
In den letzten Jahren jedoch hat Nvidia – teilweise, strategisch – in Richtung Offenheit geschwenkt, zumindest in bestimmten Bereichen. Es hat sich verpflichtet, im Laufe der Zeit mehr Dokumentation zu veröffentlichen und Anleitungen in spezifischen Bereichen anzubieten, soweit es die Ressourcen erlauben . Das DIB-R-Machine-Learning-Framework, das 3D-Modelle aus einzelnen 2D-Bildern generiert, wurde mit offener Lizenzierung veröffentlicht, eine Geste gegenüber der akademischen Community, die auf Nvidias Tools angewiesen ist . Jüngst veröffentlichte das Unternehmen Isaac Sim, eine umfassende Open-Source-Plattform zum Trainieren, Simulieren und Validieren KI-basierter Roboter in physikalisch präzisen virtuellen Umgebungen .
Isaac Sim ist mehr als ein Simulator; es ist eine Wette auf die Zukunft verkörperter KI. Einen Roboter in der realen Welt zu trainieren ist teuer, langsam und gefährlich. Ihn in der Simulation zu trainieren – über Tausende virtueller Umgebungen hinweg, mit Physik-Engines, die Reibung, Trägheit und Sensorrauschen modellieren – ermöglicht schnelle Iteration bei nahezu null Grenzkosten. Nvidia hat Isaac Sim auf seiner Omniverse-Plattform aufgebaut, einer ursprünglich für Film- und Architekturvisualisierung entwickelten Tool-Suite, nun umfunktioniert für das Robotik-Zeitalter.
Das Unternehmen hat auch Software veröffentlicht, um die Entwicklung selbstfahrender Fahrzeuge zu beschleunigen, indem es KI-Reasoning-Techniken nutzt, um Transparenz und Entscheidungsfindung in autonomen Systemen zu verbessern . Das kürzlich vorgestellte Alpamayo-R1-Modell zielt darauf ab, die Logik selbstfahrender Systeme interpretierbarer zu machen – eine kritische Anforderung, während Regulierungsbehörden beginnen, die Black-Box-Natur neuronaler-Netzwerk-basierter Autonomie zu hinterfragen .
Das Zeitalter der Generalisten-Robotik
Und dann kam Anfang 2025 GROOT – nicht die baumartige Marvel-Figur, sondern Nvidias Open-Source-Foundation-Modell für humanoide Roboter. Das GROOT-N1-Modell, wie es formal heißt, stellt Nvidias direktesten Einstieg in verkörperte KI dar . Es ist ein Allzweckmodell, entwickelt, um die Entwicklung von Robotern zu beschleunigen, die unstrukturierte Umgebungen navigieren, Objekte manipulieren und Aufgaben durch Demonstration statt durch hartcodierte Programmierung lernen können.
„Das Zeitalter der Generalisten-Robotik ist da", erklärte Nvidia bei der Enthüllung von GROOT, und die Behauptung könnte ausnahmsweise keine Übertreibung sein .
Jahrelang wurde Robotik durch das Spezifitätsproblem behindert: Jeder Roboter war ein maßgeschneidertes System, trainiert für einen engen Satz von Aufgaben in kontrollierten Umgebungen. Fabrikroboter schweißen Autorahmen mit unmenschlicher Präzision, können aber keine Tür öffnen. Lagerroboter verschieben Kisten, können aber kein Hemd falten. Humanoide Roboter, der heilige Gral des Feldes, blieben weitgehend experimentell, zu langsam und zu dumm, um kommerziell rentabel zu sein.
GROOT zielt darauf ab, dies zu ändern, indem es ein vortrainiertes Foundation-Modell bereitstellt – analog zu GPT für Sprache oder DALL-E für Bilder –, das für spezifische Robotik-Plattformen feinabgestimmt werden kann. Das Modell wird auf riesigen Datensätzen menschlicher Bewegung, Objektmanipulation und räumlichem Denken trainiert und dann auf Nvidias Jetson-Hardware für Echtzeit-Inferenz bereitgestellt . Das Ergebnis ist ein Roboter, der generalisieren kann: gelehrt, eine Tasse aufzuheben, kann er eine Flasche aufheben; gelehrt, einen Raum zu navigieren, kann er einen anderen navigieren.
Die Entscheidung, GROOT als Open Source zu veröffentlichen, ist kalkuliert. Nvidia verkauft keine Roboter; es verkauft die Chips und die Software, die Roboter möglich machen. Durch das Open-Sourcing des Modells stellt das Unternehmen sicher, dass jedes Robotik-Start-up, jedes Forschungslabor, jeder ambitionierte Hardware-Hersteller auf Nvidias Stack aufbauen wird. Je mehr Roboter GROOT ausführen, desto mehr Jetson-Module verkauft Nvidia. Je mehr Forscher Modelle in Isaac Sim trainieren, desto mehr GPUs vermietet Nvidia in der Cloud. Es ist das Rasierer-und-Klingen-Modell, angewandt auf die Infrastruktur der Intelligenz selbst.
Der Speicher, der keiner war
Nicht jede Nvidia-Initiative verlief reibungslos. 2015 stand das Unternehmen vor einem PR-Debakel um die GeForce GTX 970 Grafikkarte, eine beliebte Gaming-GPU, die mit 4 Gigabyte Videospeicher beworben wurde . Enthusiasten entdeckten bald, dass nur 3,5 Gigabyte dieses Speichers leicht zugänglich waren; die letzten 512 Megabyte befanden sich auf einer langsameren Partition des Speicherbusses, was zu Leistungseinbrüchen führte, wenn Anwendungen versuchten, die vollen 4 Gigabyte zu nutzen .
Die Kontroverse war nicht nur technisch, sondern ethisch: Hatte Nvidia Verbraucher absichtlich in die Irre geführt, oder war es ein Kommunikationsfehler? Die Antwort des Unternehmens war verworren. Es stellte klar, dass die GTX 970 theoretisch alle 4 Gigabyte nutzen könnte – aber nur unter „hochgradig stressigen Bedingungen" und mit einem Leistungsabfall . Nvidia erklärte auch definitiv, dass es kein Treiber-Update geben würde, um die Speicherzuweisung oder Leistung speziell für die GTX 970 zu verbessern . Das Unternehmen bot an, Händlern bei der Bearbeitung von Rücksendungen zu helfen, ein stillschweigendes Eingeständnis, dass das Produkt die Erwartungen der Verbraucher nicht erfüllt hatte .
Der Vorfall war ein seltener Stolperstein für ein Unternehmen, das seinen Ruf ansonsten mit Präzision gemanagt hat. Er unterstrich auch eine Spannung, die in Nvidias Beziehung zu seinen Kunden fortbesteht: Die Produkte des Unternehmens sind so dominant, dass Nutzer kaum eine andere Wahl haben, als ihre Eigenheiten, ihre geschlossene Dokumentation, ihr proprietäres Lock-in zu akzeptieren. Der GTX-970-Aufruhr verebbte; die Verkäufe sanken kaum. Nvidias Marktposition war selbst damals bereits zu stark, um durch einen einzelnen Produktfehltritt ernsthaft bedroht zu werden.
Die Infrastruktur des Denkens
Was Nvidia letztlich aufgebaut hat, ist keine Produktlinie, sondern eine Plattform – die Infrastruktur, auf der die KI-Revolution errichtet wird. Jeder Durchbruch in generativer KI, jede neue Robotik-Fähigkeit, jedes autonome Fahrzeug, das der Realisierbarkeit näher rückt: All das läuft irgendwann in der Pipeline auf Nvidia-Hardware.
Die Marktkapitalisierung des Unternehmens von nunmehr 5,01 Billionen Dollar ist keine Blase im traditionellen Sinne . Sie ist Ausdruck von etwas Fundamentalerem: der Erkenntnis, dass KI keine einzelne Technologie ist, sondern ein neues Substrat für Computing, und dass Nvidia die Produktionsmittel kontrolliert. So wie Standard Oil einst Energie dominierte, so wie AT&T einst Kommunikation dominierte, dominiert Nvidia nun die Infrastruktur maschineller Intelligenz.
Doch Monopole, so effizient sie auch sein mögen, sind fragil. Sie laden zu Regulierung, Wettbewerb und der langsamen Entropie technologischer Disruption ein. Google entwickelt seine eigenen TPUs; Amazon seine eigenen Trainium-Chips; selbst Apple arbeitet Gerüchten zufolge an eigenen KI-Chips. Open-Source-Alternativen zu CUDA verbreiten sich, wenn auch langsam. Die Festung, die Nvidia gebaut hat, ist beeindruckend, aber nicht ewig.
Die GROOT-Initiative und der breitere Vorstoß in die Robotik stellen Nvidias Versuch dar, die nächste Grenze zu sichern, bevor Wettbewerber eintreffen. Wenn KI die erste Welle war – Software-Intelligenz, laufend in Rechenzentren –, dann ist Robotik die zweite: physische Intelligenz, laufend in der Welt. Nvidia lernte aus seinen Mobile-Fehltritten, dass es sich nicht leisten kann, neue Märkte an Rivalen abzutreten. Diesmal bewegt es sich früh, investiert massiv und gibt gerade genug weg – durch Open-Source-Modelle und zugängliche Simulations-Tools –, um sicherzustellen, dass die Robotik-Revolution, wenn sie eintrifft, nach Nvidias Bedingungen gebaut wird.
Das Diner, erneut besucht
Zweiunddreißig Jahre nach jenem Treffen in San Jose ist Nvidia kein Start-up mit einer Intuition mehr. Es ist die Zentralbank der KI-Wirtschaft, die Institution, die die Handelsbedingungen festlegt, die Entität, ohne die das gesamte Gebäude wackelt. Seine Chips werden wie eine knappe Ware zugeteilt; CEOs von Fortune-500-Unternehmen rufen persönlich Jensen Huang an, um um frühen Zugang zur neuesten Hardware zu betteln. Regierungen behandeln Nvidia als strategisches Gut und regulieren seine Exporte, als wären sie waffenfähiges Plutonium.
Und doch bleibt Nvidia, bei aller Dominanz, in einem fundamentalen Sinne eine Wette: die Wette, dass KI weiter skalieren wird, dass die Nachfrage nach Rechenleistung weiterhin das Angebot übertreffen wird, dass die Zukunft immer mehr Silizium erfordern wird, das immer größeren Modellen gewidmet ist. Der Robotik-Vorstoß ist eine Absicherung gegen das Scheitern dieser Wette – ein Weg zur Diversifizierung in verkörperte KI, in Edge Computing, in Märkte, wo die Skalierungsgesetze von Transformer-Modellen nicht gelten.
Ob sich GROOT und Isaac Sim als ebenso transformativ erweisen wie CUDA und die GeForce-Linie, bleibt abzuwarten. Robotik ist schwieriger als Software; Physik ist weniger verzeihend als Wahrscheinlichkeit. Doch Nvidia hat drei Jahrzehnte damit verbracht zu lernen, wie man Plattformen baut, nicht nur Produkte – wie man Ökosysteme schafft, die Entwickler, Forscher und Kunden gleichermaßen einschließen.
Das Unternehmen, das drei Ingenieure beim Frühstück gründeten, ist nun mehr wert als die Marktkapitalisierung ganzer Nationen. Es ist, im ganz wörtlichen Sinne, zu groß geworden, um zu scheitern – zumindest vorerst, zumindest solange der KI-Boom anhält, zumindest bis der nächste Paradigmenwechsel eintrifft und ein anderes Gespräch am Diner-Tisch beginnt, die Zukunft zu skizzieren.
Vorerst jedoch läuft die Zukunft auf Nvidias Chips, simuliert in Nvidias Software und wird zunehmend auf Nvidias Roboterbeinen laufen. Fünf Billionen Dollar sind nicht das Ende der Geschichte. Es ist lediglich der Preis, den der Markt der Infrastruktur des Denkens selbst beigemessen hat.