Investieren in Nobelpreis-Erfolge – Künstliche Neuronale Netze, die Basis der KI

Geschichte des Nobelpreises

Der Nobelpreis ist die prestigeträchtigste Auszeichnung in der Wissenschaftswelt. Er wurde gemäß Alfred Nobels Testament geschaffen, um einen Preis „an diejenigen zu verleihen, die im vorangegangenen Jahr den größten Nutzen für die Menschheit erbracht haben“ in Physik, Chemie, Physiologie oder Medizin, Literatur und Frieden zu vergeben.

Ein sechster Preis wurde später von der schwedischen Zentralbank für Wirtschaftswissenschaften eingeführt, offiziell „Preis für Wirtschaftswissenschaften“, oft besser bekannt als Nobelpreis für Wirtschaft.

Die Entscheidung, wem der Preis zugeordnet wird, liegt bei mehreren schwedischen akademischen Institutionen.

Erbschaftsbedenken

Die Entscheidung, den Nobelpreis zu schaffen, kam Alfred Nobel, nachdem er seine eigene Nachrufmeldung gelesen hatte, die durch einen Fehler einer französischen Zeitung entstanden war, die den Tod seines Bruders missverstand. Unter dem Titel „Der Händler des Todes ist tot“ kritisierte der französische Artikel Nobel wegen seiner Erfindung rauchfreier Sprengstoffe, von denen Dynamit das berühmteste war.

Seine Erfindungen hatten großen Einfluss auf die moderne Kriegsführung, und Nobel kaufte ein riesiges Eisen- und Stahlwerk, um es zu einem bedeutenden Rüstungshersteller auszubauen. Da er zunächst Chemiker, Ingenieur und Erfinder war, erkannte Nobel, dass er nicht als ein Mann in Erinnerung bleiben wollte, der ein Vermögen durch Krieg und den Tod anderer machte.

Nobelpreis

Heutzutage ist Nobels Vermögen in einem Fonds angelegt, der Erträge erwirtschaftet, um die Nobelstiftung sowie die vergoldete grüne Medaille, das Diplom und den Geldpreis von 11 Millionen SEK (etwa 1 Million $) für die Preisträger zu finanzieren.

Quelle: Britannica

Oft wird das Nobelpreisgeld unter mehreren Gewinnern aufgeteilt, besonders in wissenschaftlichen Bereichen, in denen es üblich ist, dass 2 oder 3 führende Persönlichkeiten gemeinsam oder parallel zu einer bahnbrechenden Entdeckung beitragen.

Nobelpreis in der Informatik?

Normalerweise werden Nobelpreise in Physik für Entdeckungen über die grundlegende Natur des Universums verliehen, wie schwarze Löcher (2020) oder Exoplaneten (2019). Auch wichtige Fortschritte in der Materialwissenschaft können ausgezeichnet werden, etwa Quantenpunkte (2023), Laser (2018) oder LEDs (2014).

Aber die diesjährigen Gewinner sind etwas unkonventioneller und konzentrieren sich auf Datenanalyse. Genauer gesagt wurde der Preis Geoffrey Hinton und John Hopfield für ihren Beitrag zur Schaffung künstlicher neuronaler Netze verliehen.

Quelle: Nobelpreis

Dies ist ein sehr aktueller Nobelpreis, bei dem neuronale Netze die Kerntechnologie sind, die für die meisten Fortschritte der letzten Jahre in KI verantwortlich ist, einschließlich LLMs, aber auch maschinelles Sehen (unter anderem für selbstfahrende Fahrzeuge) und technische KIs, die in der Medikamentenforschung, Materialwissenschaft usw. eingesetzt werden.

Was sind neuronale Netze?

Chips versus Neuronen

Als Computer erfunden wurden, wuchs schnell die Hoffnung, dass sie in ihrer Kapazität bis zu menschlichen intellektuellen Fähigkeiten wachsen könnten. In der Praxis blieben Computer jedoch „dumm“, wenn es um echtes Schließen ging, obwohl sie bei Berechnungen und Bildgenerierung immer beeindruckender wurden.

Zum großen Teil liegt das daran, dass ein Computerchip sehr verschieden von den Neuronen ist, aus denen das Gehirn besteht. Während ein Siliziumchip in der Lage ist, sehr schnell Millionen binärer Berechnungen (0 oder 1) durchzuführen, sind Neuronen eher ein analoges Signal mit viel Komplexität und „Rauschen“ im Signal.

Computer benötigen also ein präzises Programm, um eine Berechnung auszuführen; sie können nichts „lernen“ und folgen einfach den kodierten Anweisungen bis ins Detail.

Neuronale Netze sind anders. Sie können Probleme angehen, die zu vage und kompliziert sind, um sie durch schrittweise Anweisungen zu bewältigen. Ein Beispiel ist das Interpretieren eines Bildes, um die darin enthaltenen Objekte zu identifizieren – etwas, worin Computer notorisch schlecht sind, daher der „Are you a human“-Test auf manchen Webseiten.

Quelle: Google

Wie Neuronen funktionieren

Neuronen folgen größtenteils keinem strikt vorgegebenen Programm. Stattdessen funktionieren sie über einen Rückkopplungs‑Loop, der Verbindungs­muster verstärkt.

Wie das funktioniert: Neuronen stärken die Verbindung zu anderen Neuronen, wenn sie zusammenarbeiten. Daraus entstand die Idee, in einem Computer zu simulieren, wie Neuronen arbeiten, mit vielen miteinander verbundenen Knoten.

Die Verbindungen zwischen diesen Knoten können stärker oder schwächer gemacht werden, was einen Prozess namens „Training“ bildet, der bis heute das Herzstück der neuesten KIs ist.

Quelle: Nobelpreis

Die Idee wirkte vielversprechend, doch für eine Weile schien die dafür notwendige Rechenleistung bei den relativ primitiven Computern der 1960er‑ und 1970er‑Jahre prohibitiv hoch.

Wie das menschliche Gedächtnis funktioniert

Wenn wir uns an etwas erinnern oder etwas erkennen, führen wir keine mathematisch perfekte Berechnung der Farbe jedes Pixels eines Bildes durch. Stattdessen iterieren wir von Teilinformationen, versuchen, eine Assoziation zu bereits Bekanntem herzustellen und identifizieren ein erkennbares Muster.

Der Physiker John Hopfield erfand 1982 das Hopfield‑Netzwerk, eine Methode, Muster zu speichern und wiederherzustellen.

Ausgehend von der Physik

Er bemerkte, dass kollektive Eigenschaften vieler physikalischer Systeme robust gegenüber Änderungen im Modelldetail sind. Besonders magnetische Materialien erhalten ihre speziellen Eigenschaften dank des atomaren Spins – einer Eigenschaft, die jedes Atom zu einem winzigen Magneten macht.

Die Eigenschaft des größeren Materials resultierte daraus, dass der Spin jedes Atoms die Spins seiner Nachbarn beeinflusste, sodass alle Spins in dieselbe Richtung ausgerichtet wurden. Sein Modell beschreibt das Phänomen mit verschiedenen Knoten, die einander beeinflussen.

Ähnlich kann ein Bild als Gitter von Knoten aufgezeichnet werden, wobei jeder Knoten den Wert 0 oder 1 (schwarz oder weiß) hat.

Vergleicht man ein verzerrtes Bild mit diesem Originalgitter, kann man berechnen, wie stark jeder Knoten des verzerrten Bildes vom Original abweicht. Durch „Schieben“ des verzerrten Knotens in Richtung eines sinnvollen Wertes, ähnlich einer Hanglage in einer vorgegebenen Landschaft, lässt sich das Originalbild oft trotz Verzerrungen wiederherstellen.

So hatte Hopfield ein primitives, aber funktionierendes System zur Fehlerkorrektur bzw. Mustervervollständigung geschaffen – etwas, das Computer normalerweise nicht können, weil sie an ihr striktes Programm gebunden sind.

Quelle: Nobelpreis

Mit ausreichender Rechenleistung kann jeder Knoten jeden Wert speichern, nicht nur Schwarz & Weiß. Zum Beispiel kann er eine Zahl darstellen, die eine exakte Farbe widerspiegelt, genauso wie digitale Bilder erzeugt werden.

Er kann zudem alle Arten von Daten repräsentieren, nicht nur Bilder, und schafft ein funktionierendes Modell für ein künstliches assoziatives Gedächtnis.

Assoziation zur Verständniserzeugung nutzen

Selbst einfache Tiere oder kleine Kinder können bei der Mustererkennung – etwa das Erkennen, ob ein Bild einen Hund, eine Katze oder ein Eichhörnchen enthält – weitaus besser abschneiden als fortgeschrittene Computer. Das geschieht, ohne dass sie ein höheres Verständnis von Konzepten wie „Tier“, „Säugetier“ oder „Art“ besitzen.

Und vielleicht noch wichtiger: Das lässt sich mit sehr begrenzten Ausgangsdaten und Erfahrungen erreichen, ohne einen Katalog von Milliarden Bildern aller möglichen Posen, Farben, Formen oder Darstellungen dieser Tiere zu benötigen.

Analog statt binär

Da die Knoten beliebige Daten enthalten können, lassen sie sich für kontinuierliche Daten nutzen, etwa Phänomene über die Zeit.

Das ermöglicht zudem effiziente Berechnungen von Wechselwirkungen komplexer Systeme, bei denen die Antwort auf einen Reiz eher statistisch als ein einfaches Ja/Nein ist. Das spart sowohl Energieverbrauch als auch Rechenleistung gegenüber traditioneller Berechnung für solche Probleme.

Und durch das Hinzufügen weiterer Knoten kann die Komplexität der Modelle schrittweise erhöht werden.

Die Boltzmann‑Maschine

Geoffrey Hinton arbeitete zusammen mit Terrence Sejnowski und anderen Kollegen daran, das Hopfield‑Modell zu verbessern und zu erweitern.

Hinton nutzte Ideen aus der statistischen Physik, einem Feld, das Systeme mit vielen Elementen wie Gasen oder Flüssigkeiten beschreibt. Da die einzelnen Komponenten zu zahlreich sind, kann ihr Verhalten nur über statistische Erwartungen modelliert werden, anstatt jede Molekül‑Temperatur, Position, Geschwindigkeit usw. exakt zu berechnen.

Um dem Hopfield‑Modell solche Kapazität zu verleihen, fügte er eine zusätzliche „versteckte“ Schicht von Knoten zwischen die sichtbare Schicht ein, die zuvor allein die Berechnung ausführte. Obwohl unsichtbar, tragen die versteckten Knoten zu den Energieniveaus der anderen Knoten und des Gesamtsystems bei.

Quelle: Nobelpreis

Sie nannten dieses Konzept die Boltzmann‑Maschine, zu Ehren von Ludwig Boltzmann, einem Physiker des 19.^ten Jahrhunderts, der die statistische Mechanik entwickelte, die Grundlage der statistischen Physik.

Quelle: Wikipedia

Eingeschränkte Boltzmann‑Maschine

Im ursprünglichen Design war die Boltzmann‑Maschine zu komplex, um praktisch einsetzbar zu sein. Eine vereinfachte Version wurde entwickelt, bei der es keine Verbindungen zwischen Knoten derselben Schicht gibt.

Quelle: Nobelpreis

Damit wurde die Maschine deutlich effizienter, blieb aber fähig, komplexe Mustererkennung durchzuführen.

Eine weitere Verbesserung war das „Pre‑Training“ des neuronalen Netzes mit einer Reihe von Boltzmann‑Maschinen in gestapelten Schichten.

Dies verbesserte den Ausgangspunkt des neuronalen Netzes und steigerte seine Mustererkennungsfähigkeiten.

Auswirkungen auf moderne neuronale Netze

Sowohl Hopfield als auch Hinton haben die grundlegenden Ideen hinter neuronalen Netzen sowie die Mathematik und Werkzeuge zu ihrer Nutzung geschaffen.

Erst in den 2010er‑Jahren wuchs die Rechenleistung ausreichend, damit neuronale Netze im Mainstream Durchbruch erzielten.

Da die moderne Version der Boltzmann‑Maschine so viele miteinander verbundene Schichten nutzt, werden sie als „tiefe“ neuronale Netze bezeichnet. Um die Entwicklung des Feldes zu veranschaulichen: Hopfield benutzte 1982 ein Modell mit 30 Knoten, was 435 mögliche Verbindungen ergibt und etwa 500 Parameter, die verwaltet werden mussten.

Damals konnten Computer kein Modell mit 100 Knoten handhaben. Heute verwenden LLMs (Large Language Models), die Basis von Tools wie ChatGPT, eine Billion Parameter und benötigen ständig wachsende Rechenressourcen.

Anwendungen

Fundamentale Physik

Wie viele andere Nobelpreise in Physik ist das neuronale Netz eine Entdeckung, die weitere neue Entdeckungen beschleunigt.

Beispielsweise wurden sie eingesetzt, um die riesigen Datenmengen zu sichten und zu verarbeiten, die nötig waren, um das Higgs‑Boson zu entdecken (Peter Higgs erhielt 2013 den Nobelpreis für Physik). Sie kamen auch bei anderen Nobelpreisträgern zum Einsatz, etwa bei Messungen von Gravitationswellen aus kollidierenden Schwarzen Löchern oder bei der Suche nach Exoplaneten.

Angewandte Physik

Reale Materialien und Phänomene sind oft zu komplex, um sie ausschließlich mit einem Ursache‑→‑Wirkungs‑Modell auf Teilchenebene zu modellieren.

Im Vergleich ermöglichen neuronale Netze in der statistischen Physik viel flexiblere Modelle, die entweder direkt die richtige Antwort liefern oder Wissenschaftler in die richtige Richtung „zeigen“.

Dies wird heute routinemäßig von führenden Forschungseinrichtungen eingesetzt, zum Beispiel, um die Struktur und Funktion von Protein‑Molekülen zu berechnen, oder um zu ermitteln, welche neuen Materialversionen die besten Eigenschaften für effizientere Solarzellen oder Batterien besitzen.

LLMs

Natürlich wäre ein Gespräch über Anwendungen neuronaler Netze unvollständig ohne LLMs, dem Kern des KI‑Frenzy der letzten Jahre seit der Veröffentlichung von ChatGPT 2022.

Zum großen Teil, weil die menschenähnliche Sprachgenerierung, das „Gefühl“, einer echten Person zu sein, lange als der Test galt, an dem man eine KI als wirklich intelligent ansehen könnte (der Turing‑Test).

Die wahre Intelligenz von LLMs wird heftig diskutiert – von AI‑Enthusiasten (oder Untergangspropheten), die echte Intelligenz und technologische Singularität erwarten, bis hin zu denen, die sie als bloßen Trick ansehen, der keine nützlichen Ergebnisse liefert.

Dennoch haben sie ein breites Anwendungsspektrum, besonders dort, wo sie günstige Aufgaben übernehmen können, die bisher teureren Menschen vorbehalten waren. Das gilt vor allem für verbale Aufgaben, wie:

• Chatbots und Kundenservice.
• Code‑Entwicklung und -Verifikation.
• Übersetzung und Lokalisierung.
• Marktforschung.
• Suche und Beantwortung von Fragen.
• Analyse großer Dokumente und Datensätze.
• Bildung

Neben LLMs kann die Bildgenerierung ebenfalls eine Flut neuer Bilder in unserem digitalen Zeitalter erzeugen, sowohl für nützliche als auch potenziell bösartige Zwecke (Desinformation, Erpressung usw.).

Maschinen‑ & Computer‑Vision

Da das ursprüngliche Anwendungsfeld neuronaler Netze bei Hopfield im Bild‑Erkennen lag, ist es logisch, dass Bild‑Erkennung heute eine zentrale Anwendung ist.

Manchmal wird „Maschinen‑Vision“ verwendet, um eine begrenzte Identifikation in einem stärker kontrollierten industriellen Umfeld zu beschreiben, während „Computer‑Vision“ ein menschlicheres Sehen anstrebt.

Quelle: Solomon

Selbstfahrende Fahrzeuge

Ein großer Teil dieses Feldes ist das autonome Fahren, da menschliche Fahrer letztlich ihre visuelle Mustererkennung nutzen, um ihre mehrtönigen Fahrzeuge sicher zu steuern.

Derzeit verlassen sich die meisten autonomen Systeme auf eine Mischung aus Kameras und anderen Sensoren (wie Radar und LIDAR), mit Ausnahme von Tesla (TSLA ), das ausschließlich auf menschliche Maschinen‑Vision setzt (dank eines viel größeren Datensatzes, bereitgestellt durch die Flotte von Tesla‑Autos).

Ausreichende Trainingsdaten, manuelle Annotation von Millionen komplexer realer Situationen und spezialisierte Hardware, die den Verbrauch senkt und Reaktionszeiten beschleunigt, werden wahrscheinlich die Gewinnkombination für das Unternehmen sein, das den Billion‑Dollar‑Preis für die Entwicklung der ersten echten Level‑5‑Vollautomatisierung gewinnt.

Medizin

Viele Diagnosen in der Medizin hängen nicht von Labortests ab, sondern von der manuellen Interpretation durch einen ausgebildeten Spezialisten von Bildern, die von Röntgen‑, MRT‑ oder Scanner‑Geräten erzeugt werden.

Das kann Jahre dauern, bis ein Experte diese Aufgabe wirklich beherrscht – ein Prozess, der ebenso Kunst wie Wissenschaft ist. Stattdessen kann KI billig und konsistent Millionen medizinischer Bilder mit vorhersehbaren Ergebnissen analysieren.

Sie könnte sogar Zustände diagnostizieren, von denen man bisher nicht glaubte, dass sie mit Scans erkennbar sind, wie ADHS.

Und vielleicht weniger offensichtlich: KI‑basierte neuronale Netze können Chirurgen unterstützen, etwa das französische Pixee Medical, das 3‑D‑Tracking mit einem Smartphone oder einer Smart‑Brille für orthopädische Eingriffe ermöglicht.

KI kann zudem den entscheidenden Vorgang der Operationsdokumentation automatisieren, besonders bei repetitiven und fehleranfälligen Aufgaben. Da Chirurgen bei etwa 1500 Operationen pro Jahr in den USA Instrumente im Patienten vergessen, könnte Computer‑Vision dieses Problem vollständig eliminieren, indem sie automatisch alles, was während der Operation verwendet wird, nachverfolgt.

Biowissenschaften

Von der Medikamentenforschung bis zur Vorhersage von Protein‑Faltung sind neuronale Netze leistungsstarke Werkzeuge für Forscher in Medizin und Biologie.

Bereits jetzt revolutionieren sie, wie neue Therapien entwickelt werden, wie wir in „Top 5 KI‑ & Digital‑Biotech‑Unternehmen“ diskutiert haben. Sie können auch zu konsistenteren Daten beitragen, ein häufiges Problem in den Biowissenschaften, wo viele Daten noch manuell erzeugt werden, etwa das Zählen von Blutzellen.

Das lässt sich mit KI‑Maschinen‑Vision lösen, etwa mit dem Produkt Shonit von Sigtuple, das jetzt zuverlässige und standardisierte Zählungen aller Arten von Blutzellen liefert.

Quelle: Sigtuple

Industrie & Produktion

Von Qualitätskontrolle & Bauteil‑Inspektion bis hin zu vollständig automatisierten Montageprozessen kann Maschinen‑/Computer‑Vision die Produktionslinie flexibler und reaktionsfähiger gegenüber Änderungen im Fertigungsprozess machen.

Das kann sowohl Kosten senken, indem der menschliche Aufwand reduziert wird, als auch Qualität und Produktionsgeschwindigkeit verbessern.

Robotik

Da die Robotik vom Fabrikboden in komplexere Alltagsumgebungen übergegangen ist, muss sie ihre Mustererkennungsfähigkeiten schnell steigern.

Von Roboterhunden über Lieferroboter bis hin zu möglichen humanoiden persönlichen Assistenten verschmelzen Roboter zunehmend mit KI, die neuronale Netze nutzt, um uns im Alltag zu unterstützen.

Landwirtschaft

Landwirtschafts‑Roboter nutzen zunehmend Maschinen‑Vision, um Unkraut oder reife Früchte zu identifizieren und ersetzen mühsame manuelle Arbeit oder zerstörerische großflächige Maschinen.

Das könnte nicht nur die Landwirtschaft und unsere Ernährungssysteme beeinflussen, sondern auch die ökologische Wiederherstellung, mit starken Effekten auf die Bodengesundheit, das Entstehen neuer Anbaumethoden und möglicherweise bessere Werkzeuge für Wiederaufforstung und das Management invasiver Arten.

Militär

Obwohl dies komplexe ethische Fragen aufwirft, ist es ein historisches Muster, dass jede neue Technologie auf ihr militärisches Potenzial hin untersucht wird.

Und da immer ein Staat dies tut, müssen die anderen mithalten.

KI wird bereits eingesetzt, um Ziele zu identifizieren und Daten auf dem Schlachtfeld zu analysieren, auch in laufenden realen Kriegen wie in der Ukraine und im Gazastreifen, wie wir in „Top 10 Drohnen‑ und Drohnenkriegs‑Aktien“ diskutiert haben.

Unter den alarmierendsten jüngsten Entwicklungen können wir die neueste Version des russischen Lancet erwähnen, eine Selbstmord‑Drohne/Missile, die KI‑Maschinen‑Vision nutzt, um feindliche Fahrzeuge im letzten Abschnitt ihrer Flugbahn zu identifizieren und anzuvisieren.

Die Entscheidung zum Töten einer automatisierten Einheit zu übergeben, ist ein offensichtlich sehr gefährlicher Schritt, der wirklich wie das Material eines Science‑Fiction‑Films kurz vor einer KI‑Rebellion gegen die Menschheit wirkt.

Wir können also nur hoffen, dass die Militärkräfte weltweit ein gemeinsames Verständnis dafür entwickeln, welche Technologie eingesetzt werden darf, ähnlich wie nukleare Waffen verwaltet werden.

Risiken neuronaler Netze

Es ist erwähnenswert, dass Geoffrey Hinton, der diesen Jahres den Nobelpreis gewonnen hat auch sehr besorgt über den Fortschritt in der KI‑Technologie ist.

Nach dem Turing‑Preis 2018 und dem Nobelpreis 2024 wird seine Warnung wahrscheinlich stärker gehört werden als zuvor.

„Ich habe meine Sichtweise plötzlich geändert, ob diese Dinge intelligenter werden als wir.

Ich denke, sie sind jetzt sehr nah dran und werden in Zukunft viel intelligenter sein als wir. Wie überleben wir das?“

Geoffrey Hinton

Wird unser KI‑Begeisterung uns in eine Zukunft wie in den Filmen „Matrix“ oder „Terminator“ führen? Vielleicht nicht, aber da ultra‑komplexe neuronale Netze im Wesentlichen eine Black‑Box sind, verstehen ihre Erfinder nicht vollständig, dass ethische und Sicherheitsregeln wahrscheinlich nötig sind, bevor eine fehlerhafte KI irreparablen Schaden anrichtet.

Investieren in neuronale Netze

Neuronale Netze werden mittlerweile fast synonym mit KI‑Technologie im Allgemeinen, da sich die Disziplinen im Sektor immer stärker verbinden.

Da neuronale Netze große Datensätze für Pre‑Training und Training benötigen, liegen sie derzeit vor allem im Bereich sehr großer Technologieunternehmen oder sehr gut finanziert‑er Start‑Ups.

Sie können in KI‑bezogene Unternehmen über zahlreiche Broker investieren, und hier finden Sie auf securities.io unsere Empfehlungen für die besten Broker in den USA, Kanada, Australien und dem Vereinigten Königreich, sowie vielen anderen Ländern.

Wenn Sie nicht einzelne KI‑bezogene Unternehmen auswählen möchten, können Sie auch in ETFs investieren, etwa den ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), den Global X Robotics & Artificial Intelligence ETF (BOTZ) oder den WisdomTree Artificial Intelligence and Innovation Fund (WTAI) (WT ), die eine diversifiziertere Exponierung bieten, um vom KI‑Boom zu profitieren.

Unternehmen für neuronale Netze

1. Microsoft

Microsoft (MSFT ) steht seit fast seiner Gründung im Zentrum der Technologiebranche mit seinem nach wie vor dominierenden Betriebssystem Windows.

MSFT Preisdiagramm

Heute ist es auch ein führender Anbieter von Unternehmenssoftware (Office365, Teams, LinkedIn, Skype, GitHub), Gaming (Xbox und mehrere Videospiel‑Studio‑Akquisitionen), und Cloud (Azure).

In jüngerer Zeit hat Microsoft bedeutende Fortschritte im KI‑Bereich erzielt. Dazu gehören einige verbraucherorientierte KI‑Angebote wie der Bing Image Creator und stärker geschäftsorientierte Initiativen wie Copilot für Microsoft 365 sowie Microsoft Research. Copilot wird jetzt auch an Einzelhändler und kleinere Unternehmen ausgeliefert.

Quelle: Constellation Research

Microsoft hat sich den Ruf erworben, das unternehmens‑zentrierte Technologie‑Gigant zu sein, im Vergleich zu stärker verbraucher‑fokussierten Unternehmen wie Apple (AAPL ) oder Facebook. Da KI in Geschäftsmodellen immer wichtiger wird, sollte Microsofts bestehende Präsenz in Cloud‑ und Unternehmensdiensten einen Vorsprung bei der großflächigen KI‑Einführung und Kundenakquise bieten.

Die Zusammenarbeit/Quasi‑Eigentümerschaft mit KI‑Entwicklungsführern wie OpenAI (bekannt durch ChatGPT) wird Microsofts Position als KI‑Powerhouse weiter festigen.

2. NVIDIA

NVidia hatte ursprünglich eine dominante Position im Markt für Grafikkarten (GPU), die vor allem für High‑End‑Gaming und 3‑D‑Modellierung genutzt wurden. GPUs können Berechnungen parallel ausführen und unterscheiden sich in dieser Hinsicht von Prozessoren (CPU).

Das Design seiner Hardware erwies sich als sehr gut geeignet für das Mining von Kryptowährungen (insbesondere Bitcoin) und erzeugte ein starkes Wachstum für das Unternehmen.

Jetzt scheint dieselbe Hardware ebenso leistungsfähig für das Training von KIs zu sein, wodurch Nvidias Hardware zum Rückgrat der KI‑Revolution wird.

NVidia entwickelt nun maßgeschneiderte Rechensysteme für verschiedene KI‑Anwendungen, von selbstfahrenden Autos über Spracherkennung bis hin zu konversationalen KIs, generativen KIs oder Cybersicherheit.

Es ist wahrscheinlich, dass Nvidia (NVDA ) noch keine neuen Anwendungsfälle für seine KI‑Hardware gefunden hat, wie die Forschung von Microsoft mit PNNL zeigt. Beispielsweise entwickelt NVidia jetzt eine ganze Reihe von Lösungen für die Medikamentenforschung sowie KI‑gestützte Medizinprodukte und KI‑unterstützte medizinische Bildgebung.

Quelle: NVidia

Langfristig ist es wahrscheinlich, dass Konkurrenten von NVidia beginnen werden, das anfängliche Vorsprungspotenzial ernsthaft herauszufordern.

Aber für die absehbare Zukunft, angesichts der explosionsartigen Nachfrage nach KI‑dedizierter Rechenleistung, wird NVidia der Hauptlieferant aller neuen KI‑Trainings‑Rechenzentren bleiben, die gebaut werden.

Und wenn KI ein neuer Tech‑Goldrausch ist, lautet die Investitionsweisheit, eher die Anbieter von Schaufel und Pickel zu bevorzugen, als auf das Finden von Gold zu setzen.

Im KI‑Rausch sind derzeit die bevorzugten Werkzeuge NVidia‑KI‑Chips.