Kunstig intelligens
NVIDIA (NVDA) Spotlight: Fra grafikkgiganten til AI Titan
Securities.io har strenge redaksjonelle standarder og kan motta kompensasjon fra gjennomgåtte lenker. Vi er ikke en registrert investeringsrådgiver, og dette er ikke investeringsrådgivning. Vennligst se vår tilknytning.
AI-giganten
Hvis teknologiinvestorers oppmerksomhet i mer enn et tiår har vært på "Big Tech" (Microsoft (MSFT ), Google (GOOG ), Facebook (META )osv.), har de siste årene sett et markant skifte mot maskinvare over programvare. Det første tegnet var den spektakulære fremveksten av Tesla (TSLA ) fra en nisjekultlignende aksje til et av de største selskapene i verden.
Men det vil være ett selskap som sitter på grensen mellom programvare og maskinvare som vil fange opp like gode, om ikke sterkere, avkastninger: NVIDIA (NVDA ).
Nå mest sett på som et AI-selskap med plutselig suksess, har NVIDIA faktisk tålmodig bygget sin unike teknologi og markedsposisjon over 20-30 år. Dette kan gi den en sterk posisjon til å forbli en dominerende aktør i teknologiverdenen i årene som kommer.
NVIDIAs vei til suksess
CPU mot GPU
I lang tid var NVIDIA et vellykket, men nisje maskinvareselskap som spesialiserte seg på å produsere grafikkort eller grafikkbehandlingsenheter (GPUer). På den tiden ble GPUer sett på som et viktig maskinvareelement, men sekundært til den viktige sentralbehandlingsenheten (CPU).
CPUer er designet for å utføre svært raske beregninger som krever at de utføres etter hverandre, noe som gjør dem gode til komplekse beregninger.
Derimot er GPU-er mindre kraftige, men designet for å utføre mange parallelle beregninger samtidig, noe som gjør dem bedre til å håndtere store datamengder.
I løpet av denne perioden fra 1990- til 2010-tallet liker CPU-produsenter Intel (INTC ) regjerte over bransjen, mens høykvalitets GPUer stort sett bare ble brukt av spillere og grafiske designere for avanserte PCer.
Bygge en GPU-bedrift
Tidlig, NVIDIA-grunnlegger Jensen Huang og hans medgründere begrunnet at tempoet i databehandlingen ville overgå CPU-kapasiteten. Jensen var sentral i utviklingen av de første GPUene for Sun Microsystems i dag Oracle (ORCL ).
Han skulle deretter bli en av medgründerne av NVIDIA i 1993, og omfavnet PC-revolusjonen på begynnelsen av 1990-tallet.
"Vi tenkte, du vet, kanskje 3D-grafikk ville være det som ville være veldig kult. Og for aller første gang har du en plattform som både kan være en datamaskin og brukes til, du vet, hva enn du vil bruke den til. Du kan også bruke den til å spille spill. Og vi trenger bare å bygge en brikke som gjør det mulig å spille spill.
Ingen av oss hadde engang sett en PC før. Så vi måtte kjøpe en PC. Vi kjøpte en Gateway 2000. Ingen vet engang hvordan man programmerer Windows eller DOS. Ingen har engang sett DOS. Så vi måtte rive den fra hverandre, begynne å lære om bransjen.»
Det er morsomt å tenke på at spilling, i ettertid, ikke var et veldig «seriøst» marked på den tiden sammenlignet med mer lukrative og større bedriftsfokuserte forretningsmodeller. De første kortene var ikke en kommersiell suksess. Deres 2nd generasjons GPU var bedre, men ble plutselig foreldet da markedet vendte seg mot Microsofts DirectX-arkitektur for videospill.
Til syvende og sist tok det NVIDIA seks år og tre produktlinjer å finne produkt-markedet som passer, med mange nær-døden-hendelser for selskapet.
Suksess ville komme med Riva 128: i løpet av de fire første månedene solgte den 1 million enheter. Det ville bli fulgt av en lang rekke vellykkede grafikkortdesign, inkludert GeForce-serien, til i dag den dominerende aktøren i markedet ved siden av AMDs (AMD ) Radeon.
kilde: UKjøp
CUDA og krypto
I 2006 lanserte NVIDIA, nå en veletablert GPU-leder, CUDA, et generell programmeringsgrensesnitt for NVIDIAs GPU-er, som åpnet døren for andre bruksområder enn spilling. Dette ble gjort fordi noen forskere allerede brukte GPU-er til å utføre beregninger i stedet for de vanlige superdatamaskinene.
kilde: NVIDIA
"Forskere innså at ved å kjøpe dette spillkortet kalt GeForce, legger du det til datamaskinen din, har du egentlig en personlig superdatamaskin. Molekylær dynamikk, seismisk prosessering, CT-rekonstruksjon, bildebehandling – en hel haug med forskjellige ting.»
Denne bredere bruken av GPUer, og mer spesifikt NVIDIA-maskinvare, skapte en positiv tilbakemeldingssløyfe basert på nettverkseffekter: jo flere bruksområder, jo flere sluttbrukere og programmerere er kjent med det, jo mer salg, jo mer FoU-budsjett, jo mer akselerasjon i datahastighet, jo flere bruksområder osv.
kilde: NVIDIA
I dag inkluderer den installerte basen hundrevis av millioner av CUDA GPUer.
kilde: NVIDIA
Ikke bare ville dette vise seg å være svært nyttig for forskere, men en ny teknologi ville gjøre stor bruk av GPU-parallell databehandling: blokkjede og krypto.
Krypto bom
Nå blir krypto litt på sidelinjen av AI-entusiasme, og krypto var den første storskala-applikasjonen av GPU utover spill og vitenskapelig forskning. Mange blokkjeder og kryptoprosjekter krever mye datakraft. Raskt ble NVIDIA GPUer den sentrale maskinvaren for å utføre disse beregningene.
Dette skapte en boom i NVIDIA-salget, og selskapets aksjer begynte å stige i takt med den dannede kryptoboomen, med aksjekursen som økte mer enn 10 ganger.
(NVDA )
Aksjekursaksjonen fra kryptoer mistet noe i 2022 før markedene innså at NVIDIA hadde bygget opp en bemerkelsesverdig AI-strategi i mange år.
AI
Nevrale nettverk
Fra begynnelsen av 2010-tallet hadde forskere begynt å distribuere GPUer for å studere nevrale nettverk. Dette er en type databehandlingsmetode som skiller seg fra vanlig programmering og var tildelt 2 forskjellige nobelpriser i 2024, i fysikk og medisin.
Nevrale nettverk er det tekniske grunnlaget for det som i dag ofte refereres til som "AI".
I 2009 hjalp en av studentene mine på den tiden, Ian Goodfellow, som var min undergraduate, meg med å bygge en GPU-server på hybelen hans. Og den serveren ble til slutt det vi brukte til våre første dyplæringseksperimenter for å trene nevrale nettverk.
Vi begynte å se 10x eller til og med 100x speedups som trener nevrale nettverk på GPUer fordi vi kunne gjøre tusen eller 10,000 XNUMX ting parallelt, i stedet for ett trinn etter det andre.
Andrew Ng - DeepLearning.AI grunnlegger og administrerende generalpartner for AI Funds, i et intervju med Sequoia
Dette var før AlexNet, det første gjennombruddet innen bildegjenkjenning på datamaskiner i 2012, og år før AlphaGo.
Pivoterer NVIDIA til AI
NVIDIA innså potensialet i AI tidlig, lenge før noen av spesialiserte forskere brydde seg om nevrale nettverk.
Dette var på den tiden et risikabelt trekk inn i en uprøvd, knapt eksisterende sektor, eller som Jensen Huang sa det:
"Vi investerer i markeder med en omsetning på null milliarder dollar."
I 2016 og 2017 ga NVIDIA ut than Pascal og Volta arkitekturer, henholdsvis den første GPU-baserte AI-akseleratoren, mens Volta introduserte Tensor Cores, som akselererte dyplæringsoppgaver med opptil 12 ganger.
Det var en grossist i denne nye retningen. Da vi svingte skipet i den retningen, oppsøkte vi hver eneste AI-forsker på planeten.
Og plattformen vår som var nyttig for dem, var de positive tilbakemeldingene vi fikk den gangen. Det er grunnen til at jeg er venn med, du vet, alle verdens store AI-forskere.
De var alle behjelpelige med å gi de tidlige indikasjonene på fremtidig suksess underveis for meg, og du må gjøre en stor sak ut av disse små gevinstene.
Dette ville prefigurere oppbyggingen av AI-databehandlingsinfrastruktur, som dukker massivt opp i den offentlige bevisstheten i 2023, med utgivelsen av populære LLM-er (Large Language Models) som Chat GPT.
Men dette ble faktisk bygget over den langsomme og ofte glemte utviklingen av stadig kraftigere AI-dedikerte GPUer fra NVIDIA siden 2016.
kilde: NVIDIA
En annen bemerkelsesverdig ting med utviklingen av AI-datakraft er at den følger en eksponentiell lov i stedet for den mer lineære Moores lov for CPU. Dette er fordi ikke bare GPU-maskinvaren blir bedre, men den nødvendige prosessorkraften har redusert over radikale forbedringer i hvordan nevrale nettverk trenes.
I tillegg gjør mer tilgjengelig data trening mer effektiv, og gir forskere mange vinkler å jobbe parallelt med for å øke prestasjonene.
Dette har ført til en radikal nedgang i energiforbruket for å trene den samme GPT-modellen over tid, 350 ganger mindre på 8 år, og en enda mer ekstrem reduksjon i energien som kreves for å sende en forespørsel til disse LLM-ene.
kilde: NVIDIA
NVIDIA-partnerskap
NVIDIA har siden oppstarten vært et selskap som er dypt knyttet til bransjen. I stedet for et vertikalt integrert selskap, søker den å etablere dype bånd med de beste, samtidig som den holder seg barberhøvelfokusert på sine egne konkurransefortrinn.
For eksempel er NVIDIA en såkalt "fableless" maskinvareprodusent, som fokuserer på design og konsepter, og overlater til verdensledende halvleder "fab" som TSMC (TSM ) å produsere sine GPUer.
Ved å ikke utvikle sine egne LLM-er eller AI-system, er NVIDIA også en pålitelig partner for praktisk talt alle "Big Tech" og AI-startups, som ser det som en viktig partner i stedet for en potensiell konkurrent. I sin tur gir dette NVIDIA salgsskalaen til å fortsette å reinvestere i FoU og holde seg på toppen av spillet fra et teknologisk synspunkt.
Dette har vist seg å være det riktige valget, med NVIDIA som den største mottakeren av den mest imponerende investeringsturen i teknologiindustriens historie.
AI capex forventes å nå så mye som $200 milliarder i 2025, på toppen av en stadig voksende kumulert capex av de største teknologiselskapene i verden siden 2016.
kilde: Sherwood
Finans
NVIDIAs vekst bare fra 2023 til 2024 har vært utrolig for et selskap av den størrelsen:
- Inntektene er opp 126 %, fra $27B til $60B.
- Driftsinntektene tredoblet seg (311 %) fra 9 milliarder dollar til 37.1 milliarder dollar
- Bruttomarginen gikk opp fra 59.2 % til 73.8 %
Samlet sett er selskapet rikt verdsatt, men ikke engang så mye på grunn av inntjeningsveksten. Likevel, med et P/E-forhold over 60, og en utbytteavkastning på bare 0.03 %, antar investorer som kjøper NVIDIA mye fremtidig vekst for å rettferdiggjøre den nåværende aksjekursen.
kilde: NVIDIA
Fremtiden til NVIDIA
Bærekraftig vekst?
NVIDIAs tresifrede vekstrate har vært forbløffende og gjenspeiles i selskapets aksjekurs. Selvfølgelig tar alt godt en slutt en dag, og investorer er bekymret for at dette kan skje før heller enn senere.
De samme bekymringene var allerede høye da NVIDIA-salget blomstret fra kryptosalg eller i de tidlige stadiene av AI-boomen, så pessimisme er ikke nødvendigvis en god investeringsstrategi.
In et intervju om BG2Pod podcast, forklarte Huang at verden trenger å oppdatere datasenter og databehandling verdt opptil $1T for å integrere og tilpasse seg AI. Og at det så langt bare er brukt 150 milliarder dollar av det totale beløpet.
Så ifølge ham er det fortsatt god plass for NVIDIA å fortsette å øke salget, selv om det bare skyldes eksisterende databehov. Det er før enda flere applikasjoner for AI ble mainstream, som f.eks selvstyrte biler.
Slike bekymringer om total etterspørsel ignorerer også at til syvende og sist vil alle bransjer sannsynligvis distribuere AI på flere nivåer på en eller annen måte, inkludert sektorer som helsetjenester som representerer en tosifret prosentandel av BNP.
kilde: NVIDIA
Blackwell
I mars 2024 ga NVIDIA ut Blackwell-plattformen, "som gjør det mulig for organisasjoner overalt å bygge og kjøre sanntidsgenerativ AI på billioner-parameter store språkmodeller til opptil 25 ganger mindre kostnader og energiforbruk enn forgjengeren.".
kilde: NVIDIA
Dette er et veldig viktig skritt, ettersom energiforbruk raskt blir en av hovedbekymringene for AI-fokuserte selskaper, som illustrert av den nylige Microsoft-avtalen om å gjenåpne et helt atomkraftverk og bruke det alle kraftuttaket de neste 20 årene til en forhåndsavtalt pris.
In-house design
En risiko for NVIDIA er at selv om den er en nøkkelpartner for verdens største selskaper, er den også en veldig dyr og lønnsom (70 % bruttomargin). Så når selskaper med størrelsen og ferdighetene til Alphabet/Google bruker hundrevis av milliarder dollar på AI-brikker, blir de fristet til å gjøre det internt.
Og dette er ikke bare hypotetisk, med f.eks Tesla har utviklet sin egen maskinvare ved å ansette toppdesignere fra NVIDIA-konkurrenten AMD. Fram til 2019 brukte Tesla NVIDIA Drive PX 2 AI-databehandlingsplattformen i stedet. Ettersom Tesla tilsynelatende nærmer seg faktisk kommersialisering av robotaxi, kan dette bli et massivt tapt salg for NVIDIA.
Samtidig kan Teslas tilfelle være mer et unntak fra regelen, med Tesla og Elon Musks andre selskaper, som SpaceX, beryktet for alltid å lete etter mer vertikal integrasjon og et sterkere nivå av kontroll over maskinvaren.
Bedrifter som er mindre erfarne innen maskinvare eller mer programvare og/eller markedsføringsfokusert, som Facebook eller Microsoft, vil sannsynligvis klare seg godt med den beste og nyeste NVIDIA-teknologien.
I tillegg bygges og kodes mange AI-modeller for tiden med antagelsen om at de skal kjøre på NVIDIA-arkitekturer, og AI-programmererne har erfaring med NVIDIAs maskinvare, som begge er verdifulle forretningsfordeler for selskapet.
AI markedsrisiko
AI-markedet som helhet kan være en større risiko som NVIDIAs utmerkede ledelse har mindre kontroll over. Det er i sterk vekst for øyeblikket. Det er imidlertid en økende bekymring for at AI-applikasjonene som er lansert ikke har klart å omdanne seg til massive nye inntekter slik iPhone gjorde for Apple den gang.
Dette er sannsynligvis bare et tegn på at teknologien fortsatt finner sitt preg og utvikler markedet.
Men ville denne situasjonen vedvare for lenge, og vi kunne være i fare for en situasjon som på slutten av 1990-tallet, hvor spådommene om viktigheten av PC og Internett var riktige, men timingen var litt for optimistisk, noe som førte til punktum -com boble dukker.
Selvfølgelig er Jensen Huang å signere en autograf på en kvinnes bryst i juni 2024 noe overraskende tegn, og kanskje litt bekymringsfullt for investorer som er bekymret for en potensiell økonomisk mani rundt AI.
Finanshistorien gjentar seg ikke nødvendigvis, men investorer vil ønske å analysere denne risikoen for NVIDIA grundig og se på potensielle paralleller med telekom- og internettprodusenten Sun Microsystems (Jensen Huangs første arbeidsgiver) i 2000.
Ved 10 ganger inntektene, for å gi deg 10 års tilbakebetaling, må jeg betale deg 100 % av inntektene i 10 år på rad i utbytte. Det forutsetter at jeg kan få det av aksjonærene mine. Det forutsetter at jeg har null pris på solgte varer, noe som er veldig vanskelig for et dataselskap. Det forutsetter null utgifter, noe som er veldig vanskelig med 39,000 XNUMX ansatte. (…)
Nå, etter å ha gjort det, vil noen av dere kjøpe aksjene mine for $64? Er du klar over hvor latterlige disse grunnleggende antakelsene er? Du trenger ingen åpenhet. Du trenger ingen fotnoter. Hva tenkte du?
Scott McNealy - daværende administrerende direktør i Sun Microsystems
Til referanse er NVIDIAs nåværende P/S-forhold 35.
kilde: YChart
Konklusjon
NVIDIA er et selskap bygget på å ta de riktige kalkulerte risikoene flere ganger på rad til rett tid, fra PC-grafikkort til CUDA-utgivelse for nye applikasjoner til å omfavne nevrale nettverk tidlig. Dette har gjort grunnleggeren Jensen Huang til noe som en rockestjerne i halvleder- og IT-bransjen.
Selskapets nylige resultater har sjokkert markedet og skapt massiv entusiasme for aksjen av noe bare Tesla kan hevde de siste årene. Dette skaper en enorm mulighet, noe mange tidlige investorer i Tesla vet, etter å ha møtt nesten et tiår med kritikere som forventet at selskapet og aksjen ville falle «når som helst nå».
Dette skaper også noen risikoer, ettersom AI-boomen ennå ikke har generert den typen inntekter som rettferdiggjør den nåværende capex og kan oppleve en nedgang før den blir en fullt etablert økonomisk sektor.
