Der Chiphersteller NVIDIA gab kürzlich bekannt , dass seine neuesten Blackwell-Grafikprozessoren (GPUs) bis Ende 2025 ausverkauft sind und von Kunden wie Meta, Microsoft, Google, Amazon und Oracle aufgekauft wurden. Die finanziellen Mittel und Großbestellungen der KI-Branchenführer machen es kleineren Unternehmen schwer, mitzuhalten, und zwingen sie zu einer einjährigen Wartezeit. Es ist noch zu früh, um abzuschätzen, welche Auswirkungen dieser Engpass auf die Technologiebranche haben wird – insbesondere jetzt, da die GPU-lastige Entwicklung künstlicher Intelligenz boomt. Er könnte jedoch zu Wettbewerbsnachteilen, einem möglichen Schwarzmarkt oder einer Chance für NVIDIA-Konkurrenten führen, gegenüber dem langjährigen Marktführer Boden gutzumachen.
DIE WICHTIGSTEN ERKENNTNISSE
- •Die beispiellose Nachfrage nach NVIDIA-Blackwell-GPUs wird durch den KI-Boom angetrieben. (Zum Abschnitt springen)
- •Die Auswirkungen auf den Markt sind unklar, doch wahrscheinlich eröffnet der Engpass konkurrierenden Chipherstellern Chancen und benachteiligt kleinere KI-Unternehmen. (Zum Abschnitt springen)
- •Die Konkurrenten bringen sich in Stellung, um aus dieser Verzögerung Kapital zu schlagen und Nutzer für alternative Lösungen zu gewinnen. (Zum Abschnitt springen)
Was ist der NVIDIA-Blackwell-Chip?
NVIDIA ist in den vergangenen Jahren aufgrund der starken Nachfrage von KI-Entwicklern nach seinen H100- und GH200-Chips zu großer Bekanntheit gelangt. Das Unternehmen hat seine GPUs der nächsten Generation, Blackwell B200 und GB200, für anspruchsvolle Anwendungen in Rechenzentren, der KI und im High-Performance-Computing (HPC) entwickelt. Der B200 verbessert die 80 Milliarden Transistoren und 4 Petaflops der vorherigen Generation auf mehr als 200 Milliarden Transistoren und 20 Petaflops und verfügt über fast 200 GB HBM3e-Speicher. Damit erreicht er eine Bandbreite von bis zu 8 TB/s und liefert die für anspruchsvolle datenintensive Anwendungen wie KI erforderliche Rechenleistung.
Welche Faktoren verursachen den Engpass?
Die schiere Leistung des NVIDIA Blackwell ist ein offensichtlicher Grund für die hohe Nachfrage nach dem Chip, doch auch andere Faktoren spielen eine Rolle. Chiphersteller haben sich in einem Wettlauf daran gemacht, die Thermal-Design-Power-(TDP-)Grenzen von Mikrochips immer weiter zu verschieben. Das Interesse an KI boomt parallel dazu. Verstärkt wurde es durch den Aufstieg von ChatGPT und anderen generativen KI-Anwendungen in den vergangenen zwei Jahren. Rechenzentren versuchen fieberhaft, ihre Anlagen auf die erwartete Nachfrage vorzubereiten.
Sie benötigen GPUs, leistungsstarke CPUs, so viel Speicher wie möglich, die schnellsten verfügbaren Verbindungen und enorme Netzwerkbandbreiten, um KI-Workloads bewältigen zu können. Der gesamte Technologie-Stack muss leistungsfähiger werden, damit er bei der Verarbeitung großer Sprachmodelle (LLMs) nicht zum Flaschenhals wird. GPUs – die im Zentrum der für KI erforderlichen Rechenzentrumsinfrastruktur stehen – sind jedoch kritische Komponenten. Die Nachfrage hat das Angebot schlicht übertroffen.
Wie könnte sich der NVIDIA-Engpass auf Nutzer und Märkte auswirken?
Die derzeitigen Marktbedingungen für NVIDIAs Blackwell-GPUs sind für viele potenzielle Kunden düster. Die enge Beziehung zwischen Hyperscalern, Technologiegiganten und NVIDIA lässt kleinere Unternehmen bei der Umsetzung und Durchführung ihrer KI- und Rechenzentrums-Modernisierungspläne um ein Jahr oder länger zurückfallen. Dies könnte zu Wettbewerbsnachteilen für kleinere Unternehmen und zu einer noch stärkeren Dominanz der derzeitigen Großanbieter führen.
Ein Schwarzmarkt für GPUs könnte entstehen, oder NVIDIAs Konkurrenten könnten mit Blackwell-Alternativen Marktanteile gewinnen. NVIDIA ist seit Langem der dominante Chiphersteller, doch dies könnte der entscheidende Moment sein, der über den Fortbestand des Unternehmens als Marktmacht entscheidet. Wenn es dem Unternehmen nicht gelingt, die Produktion hochzufahren und die Qualität zu halten, könnte es auf dem Markt ins Straucheln geraten oder sich einer Übernahme aussetzen. Wie sich dieser abrupte Lieferstopp bei GPUs an alle außer die wenigen Privilegierten entwickeln wird, bleibt abzuwarten. Klar ist jedoch, dass für den Rest des Marktes zu viel auf dem Spiel steht, um ein Jahr lang untätig auf die kostbaren NVIDIA-Chips zu hoffen.
Wann wird NVIDIA Blackwell wieder verfügbar sein?
Den jüngsten Prognosen zufolge werden NVIDIA-KI-Chips erst Ende 2025 wieder verfügbar sein. Wenn Meta oder einer der Hyperscaler jedoch plötzlich weitere 100.000 GPUs benötigt, könnten diese Unternehmen die Bestände aufkaufen, bevor ein kleineres Unternehmen überhaupt eine Chance erhält. Ob NVIDIA kleinere Unternehmen bevorzugt beliefern oder sie in der Warteschlange weiter nach hinten schieben würde, wenn weitere Großbestellungen von Technologiegiganten und Hyperscalern eingehen, bleibt abzuwarten.
„Während wir daran arbeiten, den steigenden Rechenanforderungen groß angelegter künstlicher Intelligenz gerecht zu werden, werden NVIDIAs neueste Beiträge zu Rack-Design und modularer Architektur dazu beitragen, die Entwicklung und Implementierung von KI-Infrastrukturen in der gesamten Branche zu beschleunigen“, sagte Yee Jiun Song, Vice President of Engineering bei Meta.
Ein weiterer zu berücksichtigender Faktor ist die Liefersicherheit. Nach einer kürzlichen Lieferverzögerung beim Blackwell-Chip aufgrund eines Verpackungsproblems musste das Unternehmen die Integration seiner GPU mit anderen Komponenten im Chipsatz neu gestalten, um Verformungen und Systemausfälle zu vermeiden. Erst die Zeit wird zeigen, ob das aktuelle Design den Anforderungen der Massenproduktion bei gleichbleibender Qualität standhält.
Gibt es Alternativen zu NVIDIA Blackwell?
Eine Reihe von Konkurrenten steht bereit, um aus der Frustration der Kunden über lange Lieferzeiten Kapital zu schlagen, darunter Intel und AMD. Anfang dieses Jahres stellte Intel einen neuen KI-Chip vor, dessen Leistung nach Angaben des Unternehmens mit der des NVIDIA-H100-Prozessors bei KI-Workloads konkurriert. Intel zufolge kann sein Gaudi-3-Chip den NVIDIA-Konkurrenten beim Training und bei der Bereitstellung generativer KI-Modelle übertreffen: mit 40 Prozent höherer Energieeffizienz, 50 Prozent höherer Inferenzgeschwindigkeit und einer mehr als 1,5-mal so hohen Trainingsgeschwindigkeit für große Sprachmodelle (LLMs).
Anstatt mehr Leistung in jeden Quadratmillimeter Silizium zu packen, um die größten verfügbaren LLMs zu erzeugen, verfolgen einige Hersteller einen anderen Ansatz. AMD hat beispielsweise ein kleines Sprachmodell namens AMD-135M veröffentlicht, das auf AMD Instinct MI250-Beschleunigern trainiert wurde und auf dem AMD-Ryzen-AI-Prozessor basiert.
Ebenso hat ThirdAI sein Bolt-LLM ausschließlich mit CPUs trainiert. Statt wie GPT-2 beispielsweise 128 GPUs zu verwenden, setzte das Unternehmen 10 Server mit jeweils zwei ThirdAI Sapphire Rapids-CPUs ein, um Bolt innerhalb von 20 Tagen mit 2,5 Milliarden Parametern vorzutrainieren. Laut Michael Azoff, Analyst bei Omdia, ist Bolt dadurch 160-mal effizienter als herkömmliche LLMs. „Kleinere Modelle bedeuten geringere Kosten sowie einen niedrigeren Energie- und Kühlbedarf im Rechenzentrum“, sagte er.
NVIDIA-Chipengpass: Was bedeutet er?
NVIDIA ist derzeit der Platzhirsch und dominiert den Markt für rechenintensive Verarbeitung. Da jedoch ein großer Teil der IT- und Geschäftswelt ein Jahr oder länger auf das gefragte Produkt warten muss, stehen die Konkurrenten Schlange, um die entstandene Lieferlücke zu füllen. Einige sind bei KI-Chips bereits nicht mehr weit von NVIDIA entfernt und holen rasch auf. Solange die Nachfrage hoch bleibt, könnte NVIDIA zum Opfer seines eigenen Erfolgs werden. Ob das Unternehmen seine Dominanz weiter ausbauen kann oder ob andere die Lieferverzögerungen nutzen, um KI-Anforderungen mit alternativen Lösungen zu bedienen, bleibt abzuwarten.
Erfahren Sie in unserem direkten Vergleich von Runway und Midjourney.