Nvidia jenseits des Chips: Open Source, KI-Fabriken und Infrastrukturvorteile
Nvidia verkauft eine Infrastruktur, nicht nur einen Chip
Analyse | 13. November 2026. Nvidia ist der führende Anbieter hochwertiger Chips zum Trainieren und Betreiben von KI-Modellen in Rechenzentren. Branchenschätzungen setzen den weltweiten Anteil bei rund 80 % an. Die Bedeutung reicht über Prozessoren hinaus zu Software, Entwicklerwerkzeugen, Cloud-Diensten und Ingenieurspraxis. Eine funktionierende Rechenplattform zu ersetzen ist aufwendiger, als einen konkurrierenden Prozessor zu entwerfen. Marktanteil misst einen definierten Markt, nicht die Zahl aller KI-Unternehmen oder deren ausschließliche Abhängigkeit.
Der Wechsel vom Abruf gespeicherter Informationen zur Erzeugung kontextabhängiger Antworten in Echtzeit verändert die wirtschaftliche Rolle des Rechnens. Ein KI-System berechnet seine Ausgabe, statt lediglich eine fertige Datei auszuliefern. Daraus folgt das Konzept der KI-Fabrik: Infrastruktur wird Teil der Produktion digitaler Dienste. Wirtschaftlich entscheidend ist, ob die Ausgabe nützlich genug ist, um mehr einzubringen, als ihre Bereitstellung kostet.
Open Source treibt das System mit an, aber CUDA ist nicht vollständig offen
Open Source erlaubt Forschern und Entwicklern, Software gemäß ihrer Lizenz zu prüfen, zu verändern und zu teilen. Das ermöglicht Zusammenarbeit über Unternehmens- und Ländergrenzen hinweg. PyTorch zeigt diese gemeinsame Grundlage: Beim Wechsel zur Linux Foundation kamen Mitglieder wie AMD, AWS, Google Cloud, Meta, Microsoft Azure und Nvidia zusammen. Offene KI-Software ist deshalb weder Eigentum noch Leistung eines einzigen Chipunternehmens.
Nvidia beteiligt sich daran und behält zugleich proprietäre Komponenten. CUTLASS erscheint unter BSD-Lizenz, die Linux-GPU-Kernelmodule unter doppelter MIT/GPL-Lizenz. Offene Kernelmodule machen jedoch nicht den gesamten Treiber, die Firmware oder das CUDA Toolkit zu Open Source. Das Toolkit hat eigene Lizenzbedingungen und Einschränkungen. Kostenloser Download, Open Source und offene Modellgewichte sind unterschiedliche Merkmale; jede Komponente muss separat geprüft werden.
Offene Modelle erfüllen drei verbundene Zwecke: künftige Modellarchitekturen verstehen, KI über wenige proprietäre Anbieter hinaus verbreiten und neben Sprache auch Biologie, Physik oder Robotik unterstützen. Nemotron 3 Super ist ein konkretes Beispiel. Nvidia beschreibt es als hybrides Mamba-Transformer-Mixture-of-Experts-Modell mit insgesamt 120 Milliarden und 12 Milliarden aktiven Parametern sowie veröffentlichten Checkpoints, Datensätzen und Entwicklungsrezepten. Diese Materialien belegen eine bestimmte Offenheit, nicht uneingeschränkte Nutzbarkeit aller Nvidia-Produkte.
Der Vorteil liegt im Weg von der Idee zum laufenden System
CUDA liefert Programmierplattform, Compiler, Bibliotheken und Werkzeuge für GPU-beschleunigte Anwendungen. Forscher können ein höheres Framework nutzen, ohne jede Operation direkt in CUDA zu schreiben. Die darunterliegenden Implementierungsentscheidungen beeinflussen dennoch Speicherverbrauch, Berechnungen und Kommunikation zwischen Geräten.
Die installierte CUDA-Basis ist ein zentraler Wettbewerbsvorteil. Unterstützte Software, geschulte Ingenieure, Debugging-Werkzeuge und vertraute Bereitstellungswege verringern die Unsicherheit beim Produktiveinsatz eines Modells. Ein Konkurrent tritt gegen diese funktionierende Kombination an, nicht nur gegen eine Zahl im Datenblatt. Ersatz kann Softwareanpassung, Ergebnisvalidierung und den Neuaufbau betrieblicher Erfahrung erfordern. Die Schwierigkeit ist real, ihre Kosten hängen aber von der Arbeitslast ab; sie bedeutet keine dauerhafte Bindung.
OpenAI und Cloud: erhebliche Abhängigkeit, kein universelles Monopol
ChatGPT ist ein Dienst von OpenAI, in diesem Vergleich kein eigener Chipkäufer. OpenAIs Mitteilung vom September 2025 bezeichnete Nvidia als bevorzugten strategischen Rechen- und Netzwerkpartner und kündigte eine Absichtserklärung für mindestens 10 Gigawatt Nvidia-Systeme an. Sie beschrieb auch Nvidias Absicht, schrittweise bis zu 100 Milliarden US-Dollar zu investieren. Das sind damals angekündigte Pläne, kein Nachweis, dass die gesamte Kapazität in Betrieb oder das gesamte Kapital ausgezahlt ist.
Cloud-Infrastruktur ermöglicht Nvidia-Hardware ohne eigene Serverkäufe. AWS dokumentiert beispielsweise EC2-P5-Instanzen mit H100-GPUs sowie P5e/P5en mit H200 für Training, Inferenz und Hochleistungsrechnen. Der Cloud-Anbieter ergänzt Hardware durch Dienste wie Vernetzung und Kapazitätsverwaltung. Das ist umfassender als ein Chipverkauf.
Nvidia dominiert den breiteren Markt, doch Alternativen übernehmen bereits wichtige Arbeit. Google trainierte Gemini 2.0 auf eigenen Trillium-TPUs. AWS berichtet über Anthropic-Arbeitslasten auf der Trainium2-Infrastruktur von Project Rainier. Das sind reale Alternativen, kein Beleg dafür, dass jede Konkurrenzplattform bei jeder Aufgabe billiger, schneller oder gleich verfügbar ist. Praktisch besteht erhebliche Nvidia-Abhängigkeit neben gezielter Substitution, nicht universelle Ausschließlichkeit.
Jenseits des Chats: Medizin, Robotik und Rechnen am Sensor
Nvidias dokumentierte Plattformen reichen in medizinische Bildgebung, Genomik, Wirkstoffforschung und Robotik. Die Gesundheitsunterlagen beschreiben MONAI für Bildgebungs-KI und Parabricks für Genomik; IGX ist für industrielle, robotische und medizinische Edge-Anwendungen ausgelegt. Das sind Produktfähigkeiten und vorgesehene Einsätze, kein Nachweis einer Heilung, klinischen Zulassung oder Installation in jedem Krankenhaus.
Die Unterscheidung zwischen Rechenzentrum und Edge ist wichtig. Ein zentrales System stellt große gemeinsame Ressourcen bereit, ein Edge-System verarbeitet nahe an Kamera, Maschine oder Sensor. Das kann lokale Reaktionen und selektive Datenübertragung wertvoll machen. Unterschiedliche Umgebungen stellen unterschiedliche Anforderungen an Energie, Zuverlässigkeit und Sicherheit. Eine Architektur in mehreren Bereichen bedeutet nicht, dass dasselbe Gerät überall geeignet ist.
Nvidia ist im All angekommen; eine orbitale KI-Fabrik ist eine andere Aussage
Ein konkretes Raumfahrtbeispiel ist dokumentiert: Eine Präsentation des Jet Propulsion Laboratory vom Juni 2023 nennt vier Nvidia Tesla T4 GPUs im HPE-Spaceborne-Computer-2-Paket auf der Internationalen Raumstation. Das Programm untersuchte auch andere Prozessoren. Dies belegt Nvidia-Hardware in einem orbitalen Rechenexperiment, nicht die Versorgung aller Satelliten oder die ersten jemals ins All geflogenen GPUs.
NASAs Darstellung des Spaceborne-Computer-Programms erklärt das Strahlungsproblem und HPEs Softwareansatz zum Überwachen und nötigenfalls Verlangsamen der Systeme. Orbitales Rechnen ist ein Ingenieurproblem, nicht bloß das Versetzen von Servern über die Atmosphäre. Strahlung, Redundanz, Strom und Wärmeabgabe zählen. Bilder nahe den Satellitensensoren auszuwerten ist etwas anderes als eine große orbitale KI-Fabrik. Letztere bleibt eine Perspektive, keine gelöste Kühlaufgabe oder bestätigte Lieferplanung.
Bewertung: Marktpreis und Prognose unterscheiden
Die für diesen Artikel geprüften Marktdaten verorteten Nvidias Börsenwert um den US-Handelsschluss am 12. November 2026 bei rund 4,01 Billionen US-Dollar. Das ist eine datierte, gerundete Schätzung, kein Livekurs des US-Handels am 13. November. Marktkapitalisierung bewertet Eigenkapital; sie ist weder Jahresumsatz noch Bankguthaben oder der gesamte gesellschaftliche Nutzen von KI.
Eine künftige Bewertung von 10 Billionen US-Dollar oder ein Jahresumsatz von 3 Billionen gehören zu einem ambitionierten Wachstumsszenario, nicht zu erreichten Ergebnissen. Die These setzt darauf, dass KI-Fabriken neue Nachfrage erzeugen statt nur bestehende Marktanteile zu gewinnen. Rentabilität hängt von zahlenden Kunden für nützliche Ergebnisse, Infrastrukturkosten und technischem Fortschritt ab. Das sind langfristige Möglichkeiten, keine von dieser Analyse befürworteten oder garantierten Ziele.
Die nächste Grenze ist die ganze Fabrik
Die relevante Recheneinheit ist von der GPU zum Computer, Cluster und zur gesamten KI-Fabrik gewachsen. OpenAIs Pläne und AWS-Beschreibungen von GPU-Clustern zeigen, warum Netzwerke und Bereitstellung neben Prozessoren zählen. Energie, Kühlung, Softwarezuverlässigkeit und Auslastung müssen gemeinsam bewertet werden. Beschleuniger zu kaufen ist nicht dasselbe wie einen produktiven Dienst zu betreiben. Planetarisches Rechnen bleibt eine langfristige Richtung, keine vollendete Fähigkeit.
Open Source kann Beteiligung und Anpassbarkeit erweitern. Es liefert keinen Strom, beseitigt keine Hardwarekosten und garantiert nicht, dass eine Anwendung ihre Kosten deckt. Ebenso können proprietäre Hard- und Software nützliche Leistung liefern, ohne Abhängigkeit dauerhaft zu machen. Das Verhältnis gemeinsamer Werkzeuge zu kommerziellen Plattformen bleibt Wettbewerb, kein feststehendes Branchengesetz.
Fazit: schwer ersetzbar heißt nicht unersetzbar
Nvidias Bedeutung liegt in der Kombination aus beschleunigtem Rechnen, ausgereifter Softwareplattform, Entwicklervertrauen, Cloud-Zugang und Anwendungen vom Labor bis zum orbitalen Experiment. Offene Arbeit lässt mehr Menschen darauf aufbauen; proprietäre Schichten bleiben kommerziell wichtig. Entscheidend ist nicht, ob jemand eine GPU kopieren kann, sondern ob eine Alternative das vollständige, zuverlässige System für einen bestimmten Kunden liefert.
Das macht Nvidia in vielen Situationen schwer ersetzbar, aber nicht überall unersetzbar. Google-TPUs und AWS Trainium widerlegen bereits diesen absoluten Anspruch. Die Zukunft hängt davon ab, Technik und Ökosystemreichweite weiter in nützliche Arbeit zu akzeptablen Kosten zu verwandeln. Eine hohe Bewertung spiegelt Erwartungen, garantiert sie aber nicht. Dies ist redaktionelle Analyse, keine Anlageberatung.