NVIDIA (NVDA) Spotlight: Fra Graphics Giant til AI Titan

AI-giganten

Hvis teknologiinvestorernes opmærksomhed i mere end et årti har været på "Big Tech" (microsoft (MSFT ), Google (GOOG ), Facebook (META )osv.), har de sidste par år set et markant skift i retning af hardware over software. Det første tegn var den spektakulære stigning af Tesla (TSLA ) fra en nichekultlignende aktie til en af ​​de største virksomheder i verden.

Men der ville være et firma, der sidder på grænsen mellem software og hardware, der ville fange så godt, hvis ikke stærkere, returnerer: NVIDIA (NVDA ).

Nu mest betragtet som en kunstig intelligens-virksomhed med pludselig succes, har NVIDIA faktisk tålmodigt opbygget sin unikke teknologi og markedsposition gennem 20-30 år. Dette kan give det en stærk position til at forblive en dominerende aktør i teknologiens verden i de kommende år.

NVIDIAs vej til succes

CPU vs GPU

I lang tid var NVIDIA et succesrigt, men niche-computerhardwarefirma, der specialiserede sig i at producere grafikkort eller grafikbehandlingsenheder (GPU'er). På det tidspunkt blev GPU'er set som et vigtigt computerhardwareelement, men sekundært til den altafgørende centralprocessor (CPU).

CPU'er er designet til at udføre meget hurtige beregninger, der kræver, at de udføres den ene efter den anden, hvilket gør dem gode til komplekse beregninger.

I modsætning hertil er GPU'er mindre kraftfulde, men designet til at udføre mange parallelle beregninger samtidigt, hvilket gør dem bedre til at håndtere store mængder data.

I denne periode fra 1990'erne til 2010'erne kan CPU-producenter lide Intel (INTC ) regerede over industrien, mens højkvalitets GPU'er for det meste kun blev brugt af gamere og grafiske designere til avancerede pc'er.

Opbygning af en GPU-virksomhed

Tidligt, NVIDIA-grundlægger Jensen Huang og hans medstiftere ræsonnerede, at tempoet i databehandlingen ville overgå CPU-kapaciteten. Jensen var medvirkende til at udvikle de første GPU'er til Sun Microsystems i dag Oracle (ORCL ).

Han ville derefter blive en af ​​medstifterne af NVIDIA i 1993 og omfavne pc-revolutionen i begyndelsen af ​​1990'erne.

"Vi troede, du ved, måske 3D-grafik ville være det, der ville være rigtig fedt. Og for allerførste gang har du en platform, der både kunne være en computer og bruges til, du ved, hvad du vil bruge den til. Du kan også bruge den til at spille spil. Og vi skal bare bygge en chip, der gør det muligt at spille spil.

Ingen af ​​os havde endda set en pc før. Så vi var nødt til at købe en pc. Vi købte en Gateway 2000. Ingen ved selv, hvordan man programmerer Windows eller DOS. Ingen har endda set DOS. Så vi var nødt til at rive det fra hinanden, begynde at lære om branchen."

Jensen Huang, i et interview med Sequoia

Det er sjovt at tænke på, at gaming, set i bakspejlet, ikke var et særligt "seriøst" marked på det tidspunkt sammenlignet med mere lukrative og større virksomhedsfokuserede forretningsmodeller. De første kort var ikke en kommerciel succes. Deres 2^nd generations GPU var bedre, men blev pludselig forældet, da markedet vendte sig mod Microsofts DirectX-arkitektur til videospil.

I sidste ende tog det NVIDIA seks år og tre produktlinjer at finde produkt-markedspasning med mange nærdødshændelser for virksomheden.

Succes ville komme med Riva 128: i de første fire måneder solgte den 1 million enheder. Det ville blive efterfulgt af en lang række af succesfulde grafikkortdesign, inklusive GeForce-serien, den dag i dag den dominerende aktør på markedet ved siden af AMDs (AMD ) Radeon.

Kilde: UKøb

CUDA & Crypto

I 2006 udgav NVIDIA, nu en veletableret GPU-leder, CUDA, en generel programmeringsgrænseflade til NVIDIAs GPU'er, hvilket åbnede døren for andre anvendelser end spil. Dette blev gjort, fordi nogle forskere allerede brugte GPU'er til at udføre beregninger i stedet for de sædvanlige supercomputere.

Kilde: NVIDIA

"Forskere indså, at ved at købe dette spilkort kaldet GeForce, føjer du det til din computer, har du i det væsentlige en personlig supercomputer. Molekylær dynamik, seismisk behandling, CT-rekonstruktion, billedbehandling - en hel masse forskellige ting."

Jensen Huang, i et interview med Sequoia

Denne bredere anvendelse af GPU'er, og mere specifikt NVIDIA-hardware, skabte en positiv feedback-loop baseret på netværkseffekter: Jo flere anvendelser, jo flere slutbrugere og programmører kender det, jo mere salg, jo mere F&U-budget, jo mere acceleration i computerhastighed, jo flere anvendelser osv.

Kilde: NVIDIA

I dag omfatter den installerede base hundreder af millioner af CUDA GPU'er.

Kilde: NVIDIA

Ikke alene ville dette vise sig at være meget nyttigt for forskere, men en ny teknologi ville gøre stor brug af GPU parallel computing: blockchain og krypto.

Krypto bom

Nu ved at blive lidt på sidelinjen af ​​AI-entusiasme, var krypto den første storstilede anvendelse af GPU ud over spil og videnskabelig forskning. Mange blockchains og kryptoprojekter kræver meget computerkraft. Hurtigt blev NVIDIA GPU'er den centrale hardware til at udføre disse beregninger.

Dette skabte et boom i NVIDIA-salget, og selskabets aktie begyndte at stige i takt med det dannede kryptoboom, hvor aktiekursen steg mere end 10x.

Aktiekurshandlingen fra kryptoer mistede noget damp i 2022, før markederne indså, at NVIDIA havde opbygget en bemærkelsesværdig AI-strategi i mange år.

AI

Neurale netværk

Fra begyndelsen af ​​2010'erne var forskere begyndt at implementere GPU'er for at studere neurale netværk. Disse er en type computermetode, der adskiller sig fra sædvanlig programmering og var tildelt 2 forskellige Nobelpriser i 2024, i fysik og medicin.

Neurale netværk er det tekniske grundlag for det, der i dag almindeligvis omtales som "AI".

I 2009 hjalp en af ​​mine studerende på det tidspunkt, Ian Goodfellow, som var min undergraduat, mig med at bygge en GPU-server på hans kollegieværelse. Og den server endte med at blive det, vi brugte til vores første dyb-læringseksperimenter til at træne neurale netværk.

Vi begyndte at se 10x eller endda 100x speedups, der trænede neurale netværk på GPU'er, fordi vi kunne gøre tusind eller 10,000 ting parallelt i stedet for det ene skridt efter det andet.

Andrew Ng - DeepLearning.AI grundlægger og administrerende general partner for AI Funds, i et interview med Sequoia

Dette var før AlexNet, det første gennembrud inden for computerbilledgenkendelse i 2012, og år før AlphaGo.

Pivotering af NVIDIA til AI

NVIDIA indså potentialet i AI tidligt, længe før nogen af ​​specialiserede forskere interesserede sig for neurale netværk.

Dette var på det tidspunkt et risikabelt træk ind i en uprøvet, knap eksisterende sektor, eller som Jensen Huang udtrykte det:

"Vi investerer i markeder med en omsætning på nul milliarder dollars."

I 2016 og 2017 udgav NVIDIA than Pascal og Volta arkitekturer, henholdsvis den første GPU-baserede AI-accelerator, mens Volta introducerede Tensor Cores, som accelererede deep learning-opgaver med op til 12 gange.

Det var et engrosomdrejningspunkt i denne nye retning. Da vi drejede skibet i den retning, opsøgte vi hver eneste AI-forsker på planeten.

Og vores platform, der var nyttig for dem, var den positive feedback, vi fik på det tidspunkt. Hvilket er grunden til, at jeg er venner med, du ved, alle verdens store AI-forskere.

De var alle behjælpelige med at give de tidlige indikationer af fremtidig succes undervejs for mig, og du skal gøre et stort nummer ud af de små gevinster.

Jensen Huang, i et interview med Sequoia

Dette ville præfigurere opbygningen af ​​AI-computerinfrastruktur, som dukker massivt op i den offentlige bevidsthed i 2023 med udgivelsen af ​​populære LLM'er (Large Language Models) som Chat GPT.

Men dette blev faktisk bygget over den langsomme og ofte glemte udvikling af stadig mere kraftfulde AI-dedikerede GPU'er fra NVIDIA siden 2016.

Kilde: NVIDIA

En anden bemærkelsesværdig ting ved udviklingen af ​​AI-computerkraft er, at den følger en eksponentiel lov i stedet for den mere lineære Moores lov for CPU. Dette skyldes, at ikke kun GPU-hardwaren bliver bedre, men den nødvendige processorkraft er faldet i forhold til radikale forbedringer i, hvordan neurale netværk trænes.

Derudover gør flere tilgængelige data træningen mere effektiv, hvilket giver forskerne mange vinkler til at arbejde sideløbende for at øge præstationerne.

Dette har ført til et radikalt fald i energiforbruget til at træne den samme GPT-model over tid, 350 gange mindre på 8 år og en endnu mere ekstrem reduktion i energi, der kræves for at sende en anmodning til disse LLM'er.

Kilde: NVIDIA

NVIDIA-partnerskaber

NVIDIA har fra starten været en virksomhed, der er dybt forbundet inden for branchen. I stedet for en vertikalt integreret virksomhed søger den at etablere dybe bånd med de bedste, mens den forbliver barbermaskine-fokuseret på sine egne konkurrencemæssige fordele.

For eksempel er NVIDIA en såkaldt "fableless" hardwareproducent, der fokuserer på design og koncepter, og overlader til verdensledende halvleder "fab" som f.eks. TSMC (TSM ) at producere sine GPU'er.

Ved ikke at udvikle sine egne LLM'er eller AI-system er NVIDIA også en betroet partner for stort set alle "Big Tech" og AI-startups, som ser det som en væsentlig partner snarere end en potentiel konkurrent. Til gengæld giver dette NVIDIA salgsskalaen til at blive ved med at geninvestere i R&D og forblive på toppen af ​​spillet fra et teknologisk synspunkt.

Dette har vist sig at være det rigtige valg, med NVIDIA som den største modtager af den mest imponerende investering (capex) i teknologiindustriens historie.

AI capex forventes at nå så meget som $200 mia. i 2025, oven på en stadigt voksende kumuleret capex fra de største teknologivirksomheder i verden siden 2016.

Kilde: Sherwood

Finans

NVIDIAs vækst alene fra 2023 til 2024 har været utrolig for en virksomhed af den størrelse:

• Omsætningen er steget med 126 %, fra $27 mia. til $60 mia.
• Driftsindtægten er tredoblet (311%) fra $9B til $37.1B
• Bruttomarginen steg fra 59.2 % til 73.8 %

Samlet set er virksomheden rigt værdsat, men ikke engang så meget på grund af dens indtjeningsvækst. Alligevel, med et P/E-forhold over 60 og et udbytte på kun 0.03 %, antager investorer, der køber NVIDIA, en masse fremtidig vækst for at retfærdiggøre den nuværende aktiekurs.

Kilde: NVIDIA

Fremtiden for NVIDIA

Bæredygtig vækst?

NVIDIAs trecifrede vækstrate har været forbløffende og afspejles i virksomhedens aktiekurs. Selvfølgelig har alt godt en ende en dag, og investorer er blevet bekymrede for, at dette kan ske før snarere end senere.

De samme bekymringer var allerede høje, da NVIDIA-salget boomede fra kryptosalg eller i de tidlige stadier af AI-boomet, så pessimisme er ikke nødvendigvis en sund investeringsstrategi.

In et interview om BG2Pod podcast, forklarede Huang, at verden er nødt til at opdatere op til $1T værd af datacenter og computere for at inkorporere og tilpasse sig AI. Og at der indtil videre kun er brugt 150 milliarder dollars af det samlede beløb.

Så ifølge ham er der stadig masser af plads til, at NVIDIA kan fortsætte med at vokse salget, selvom det kun skyldes eksisterende computerbehov. Det er før endnu flere applikationer til AI blev mainstream, som f.eks selvkørende biler.

Sådanne bekymringer om den samlede efterspørgsel ignorerer også, at alle industrier i sidste ende sandsynligvis vil implementere AI på flere niveauer på den ene eller anden måde, inklusive sektorer som sundhedspleje, der repræsenterer en tocifret procentdel af BNP.

Kilde: NVIDIA

Blackwell

I marts 2024 frigav NVIDIA Blackwell-platformen, "gør det muligt for organisationer overalt at bygge og køre generativ AI i realtid på billioner af store sprogmodeller til op til 25 gange mindre omkostninger og energiforbrug end sin forgænger.".

Kilde: NVIDIA

Dette er et meget vigtigt skridt, da energiforbrug hurtigt er ved at blive en af ​​de største bekymringer for AI-fokuserede virksomheder, som illustreret af den nylige Microsoft-aftale om at genåbne et helt atomkraftværk og bruge det alle sin effekt i de næste 20 år til en på forhånd aftalt pris.

In-house design

En risiko for NVIDIA er, at selvom det er en nøglepartner for verdens største virksomheder, er det også en meget dyr og rentabel (70 % bruttomargin). Så når virksomheder med størrelsen og kompetencerne Alphabet/Google bruger hundredvis af milliarder af dollars på AI-chips, er de fristet til at gøre det internt.

Og dette er ikke kun hypotetisk, med f.eks Tesla har udviklet sin egen hardware ved at hyre topdesignere fra NVIDIA-konkurrenten AMD. Indtil 2019 brugte Tesla i stedet NVIDIA Drive PX 2 AI-computerplatformen. Da Tesla tilsyneladende er meget tæt på rent faktisk at kommercialisere robotaxi, kan dette blive et massivt mistet salg for NVIDIA.

Samtidig kan Teslas tilfælde være mere en undtagelse fra reglen, hvor Tesla og Elon Musks andre virksomheder, som f.eks. SpaceX, berygtet for altid at lede efter mere vertikal integration og et stærkere niveau af kontrol over sin hardware.

Virksomheder, der er mindre erfarne i hardware eller mere software og/eller marketing-fokuserede, som Facebook eller Microsoft, vil sandsynligvis klare sig fint, når de stoler på den fineste og nyeste NVIDIA-teknologi.

Derudover bygges og kodes mange AI-modeller i øjeblikket med den antagelse, at de kører på NVIDIA-arkitekturer, og AI-programmørerne har erfaring med NVIDIAs hardware, hvilket begge er værdifulde forretningsmæssige fordele for virksomheden.

AI markedsrisici

AI-markedet som helhed kan være en større risiko, som NVIDIAs fremragende ledelse har mindre kontrol over. Det boomer for nu. Der er dog en voksende bekymring for, at de frigivne AI-applikationer ikke har formået at omdanne sig til massive nye indtægter, som iPhone gjorde for Apple dengang.

Dette er sandsynligvis blot et tegn på, at teknologien stadig finder sit præg og udvikler sit marked.

Men ville denne situation fortsætte for længe, ​​og vi kunne være i fare for en situation som i slutningen af ​​1990'erne, hvor forudsigelserne om vigtigheden af ​​pc'en og internettet var rigtige, men timingen var lidt for optimistisk, hvilket førte til prikken -com boble popper.

Selvfølgelig er Jensen Huang at skrive en autograf på en kvindes bryst i juni 2024 noget overraskende tegn, og måske en smule bekymrende for investorer, der er bekymrede over en potentiel finansiel mani omkring AI.

Finanshistorien gentager sig ikke nødvendigvis, men investorer vil gerne analysere denne risiko for NVIDIA grundigt og se på potentielle paralleller med telekommunikations- og internethardwareproducenten Sun Microsystems (Jensen Huangs første arbejdsgiver) i 2000.

Ved 10 gange omsætningen, for at give dig en 10-årig tilbagebetaling, skal jeg betale dig 100 % af omsætningen i 10 år i træk i udbytte. Det forudsætter, at jeg kan få det af mine aktionærer. Det forudsætter, at jeg har nul omkostninger for solgte varer, hvilket er meget svært for et computerfirma. Det forudsætter nul udgifter, hvilket er rigtig svært med 39,000 ansatte. (…)

Nu, efter at have gjort det, vil nogen af ​​jer gerne købe min aktie for $64? Er du klar over, hvor latterlige disse grundlæggende antagelser er? Du behøver ingen gennemsigtighed. Du behøver ingen fodnoter. Hvad tænkte du på?

Scott McNealy – dengang administrerende direktør for Sun Microsystems

Til reference er NVIDIAs nuværende P/S-forhold 35.

Kilde: YChart

Konklusion

NVIDIA er en virksomhed, der er bygget på at tage de korrekte beregnede risici flere gange i træk på det rigtige tidspunkt, fra pc-grafikkort til CUDA-udgivelse til nye applikationer til at omfavne neurale netværk tidligt. Det har gjort dens grundlægger, Jensen Huang, til noget som en rockstjerne i halvleder- og IT-branchen.

Virksomhedens seneste præstation har chokeret markedet og skabt massiv entusiasme for aktier i niveau med, hvad kun Tesla har kunnet opnå i de seneste år. Dette skaber en enorm mulighed, som mange tidlige investorer i Tesla ved, efter at have stået over for næsten et årti med kritikere, der forventede, at virksomheden og dens aktier ville kollapse "når som helst nu".

Dette skaber også nogle risici, da AI-boomet endnu ikke har genereret den slags indtægter, der retfærdiggør den nuværende capex, og kan opleve en nedtur, før den bliver en fuldt etableret økonomisk sektor.