Artificiell intelligens
NVIDIA (NVDA) Spotlight: Från grafikjätte till AI-titan
AI-jätten
Om mer än ett decennium har teknikinvesterarnas uppmärksamhet varit på “Big Tech” (Microsoft (MSFT ), Google (GOOG ), Facebook (META ), etc.), har de senaste åren visat en tydlig förskjutning mot hårdvara framför mjukvara. Det första tecknet var den spektakulära uppgången för Tesla (TSLA ) från en nischad kultliknande aktie till ett av världens största företag.
Men det skulle finnas ett företag som sitter i gränsen mellan mjukvara och hårdvara och som skulle ge lika bra, om inte starkare, avkastning: NVIDIA (NVDA ).
Nu mest betraktat som ett AI-företag med plötslig framgång, har NVIDIA faktiskt tålmodigt byggt sin unika teknik och marknadsposition under 20–30 år. Detta kan ge det en stark position att förbli en dominerande aktör i teknikvärlden under de kommande åren.
NVIDIAs väg till framgång
CPU vs GPU
Under en lång tid var NVIDIA ett framgångsrikt men nischat datorhårdvaruföretag som specialiserade sig på att producera grafikkort eller grafikprocessorer (GPU:er). På den tiden sågs GPU:er som en viktig komponent i datorteknik men sekundär till den oerhört viktiga centralprocessorn (CPU).
CPU:er är konstruerade för att utföra mycket snabba beräkningar som kräver att de görs en efter en, vilket gör dem utmärkta för komplexa beräkningar.
I kontrast är GPU:er mindre kraftfulla men designade för att utföra många parallella beräkningar samtidigt, vilket gör dem bättre på att hantera stora datamängder.
Under denna period från 1990-talet till 2010-talet dominerade CPU-tillverkare som Intel (INTC ) branschen, medan högkvalitativa GPU:er mestadels bara användes av spelare och grafiska formgivare för avancerade PC.
Bygga en GPU-verksamhet
Redan tidigt resonerade Jensen Huang och hans medgrundare resonerade att beräkningshastigheten skulle överstiga CPU-kapaciteten. Jensen var avgörande i utvecklingen av de första GPU:erna för Sun Microsystems, idag Oracle (ORCL ).
Han blev sedan en av medgrundarna till NVIDIA 1993 och omfamnade PC-revolutionen i början av 1990-talet.
“Vi tänkte, du vet, kanske 3D-grafik skulle vara det riktigt coola. Och för första gången har du en plattform som både kan vara en dator och användas för, du vet, vad du än vill använda den till. Du kunde också använda den för att spela spel. Och vi behövde bara bygga ett chip som gör det möjligt att spela spel.
Ingen av oss hade någonsin sett en PC tidigare. Så vi var tvungna att köpa en PC. Vi köpte en Gateway 2000. Ingen visste ens hur man programmerar Windows eller DOS. Ingen hade någonsin sett DOS. Så vi var tvungna att riva isär den, börja lära oss om branschen.
Jensen Huang, i en intervju med Sequoia
Det är roligt att tänka på att, i efterhand, spel inte var en särskilt “allvarlig” marknad på den tiden jämfört med mer lukrativa och större företagsinriktade affärsmodeller. De första korten var inte en kommersiell framgång. Deras andra generationens GPU var bättre men blev plötsligt föråldrad när marknaden vände sig mot Microsofts DirectX-arkitektur för videospel.
Till slut tog det NVIDIA sex år och tre produktlinjer för att hitta produkt‑marknadspassning, med många nära-döden‑händelser för företaget.
Framgången kom med Riva 128: under de första fyra månaderna sålde den 1 miljon enheter. Den följdes av en lång rad framgångsrika grafikkortsdesigner, inklusive GeForce‑serien, som än idag är den dominerande spelaren på marknaden tillsammans med AMD’s (AMD ) Radeon.
Källa: UBuy
CUDA & Krypto
År 2006, nu en väl etablerad GPU-ledare, släppte NVIDIA CUDA, ett generellt programmeringsgränssnitt för NVIDIAs GPU:er, vilket öppnade dörren för andra användningsområden än spel. Detta gjordes eftersom vissa forskare redan använde GPU:er för att utföra beräkningar istället för de vanliga superdatorerna.
Källa: NVIDIA
“Forskare insåg att genom att köpa detta spelkort som heter GeForce, lägger du till det i din dator och du har i princip en personlig superdator. Molekylär dynamik, seismisk bearbetning, CT‑rekonstruktion, bildbehandling – en hel rad olika saker.”
Denna bredare adoption av GPU:er, och mer specifikt NVIDIAs hårdvara, skapade en positiv återkopplingsslinga baserad på nätverkseffekter: ju fler användningar, desto fler slutanvändare och programmerare som är bekanta med den, desto fler försäljningar, desto större FoU‑budget, desto snabbare beräkningshastighet, och så vidare.
Källa: NVIDIA
Idag omfattar den installerade basen hundratals miljoner CUDA‑GPU:er.
Källa: NVIDIA
Detta skulle inte bara vara mycket användbart för forskare, utan en ny teknik skulle göra stor nytta av GPU‑parallellberäkning: blockkedjor och kryptovalutor.
Krypto-boomen
Nu, lite överskuggad av AI-entusiasm, var krypto den första storskaliga tillämpningen av GPU utanför spel och vetenskaplig forskning. Många blockkedjor och kryptoprojekt kräver stor beräkningskraft. Snabbt blev NVIDIAs GPU:er den centrala hårdvaran för att utföra dessa beräkningar.
Detta skapade en boom i NVIDIAs försäljning, och företagets aktie började stiga i takt med den växande krypto-boomen, med ett aktiepris som ökade mer än 10 gånger.
(NVDA )
Aktieprisrörelsen från krypton tappade lite fart 2022 innan marknaderna insåg att NVIDIA hade byggt upp en anmärkningsvärd AI‑strategi under många år.
AI
Neurala nätverk
Från början av 2010-talet började forskare använda GPU:er för att studera neurala nätverk. Dessa är en typ av beräkningsmetod som skiljer sig från vanlig programmering och tilldelades två olika Nobelpriser 2024, i fysik och medicin.
Neurala nätverk är den tekniska grunden för det som idag allmänt kallas “AI”.
2009 hjälpte en av mina studenter då, Ian Goodfellow, som var min kandidatstudent, mig att bygga en GPU‑server i hans studentrum. Och den servern blev det vi använde för våra första djupinlärningsexperiment för att träna neurala nätverk.
Vi började se 10‑ eller till och med 100‑gångars hastighetsökningar vid träning av neurala nätverk på GPU:er eftersom vi kunde göra tusen eller tiotusen saker parallellt, snarare än ett steg efter ett annat.
Andrew Ng – DeepLearning.AI‑grundare & förvaltande generalpartner för AI‑fonder, i en intervju med Sequoia
Detta var innan AlexNet, det första genombrottet inom datorseende 2012, och år innan AlphaGo.
Vända NVIDIA mot AI
NVIDIA insåg AI:s potential tidigt, långt innan någon, förutom specialiserade forskare, brydde sig om neurala nätverk.
Detta var, på den tiden, ett riskfyllt steg in i en oprövad, knappt existerande sektor, eller som Jensen Huang uttryckte det:
“Vi investerar i noll‑miljard‑dollarmarknader.”
2016 & 2017 släppte NVIDIA Pascal‑ och Volta‑arkitekturerna, respektive den första GPU‑baserade AI‑acceleratorn, medan Volta introducerade Tensor‑kärnorna, som accelererade djupinlärningsuppgifter med upp till 12 gånger.
Det var en total omställning i den nya riktningen. När vi svängde skeppet i den riktningen sökte vi upp varje enskild AI‑forskare på planeten.
Och att vår plattform var användbar för dem var den positiva återkoppling vi fick då. Det är anledningen till att jag är vän med, du vet, alla världens stora AI‑forskare.
De var alla hjälpsamma med att ge tidiga indikationer på framtida framgång längs vägen för mig, och du måste göra en stor grej av de små vinsterna.
Detta förutsåg uppbyggnaden av AI‑beräkningsinfrastruktur, som massivt kom in i allmänhetens medvetande 2023, med lanseringen av populära LLM:er (stora språkmodeller) som Chat GPT.
Men detta byggdes faktiskt under den långsamma och ofta glömda utvecklingen av allt kraftfullare AI‑dedikerade GPU:er av NVIDIA sedan 2016.
Källa: NVIDIA
En annan anmärkningsvärd sak med utvecklingen av AI‑beräkningskraft är att den följer en exponentiell lag istället för den mer linjära Moores lag för CPU. Detta beror på att inte bara GPU‑hårdvaran blir bättre, utan den nödvändiga beräkningskraften har minskat tack vare radikala förbättringar i hur neurala nätverk tränas.
Dessutom gör mer tillgänglig data träningen mer effektiv, vilket ger forskare många vinklar att arbeta parallellt för att förbättra prestanda.
Detta har lett till en radikal minskning av den energi som förbrukas för att träna samma GPT‑modell över tid, 350‑ gånger mindre på 8 år, och en ännu mer extrem minskning av den energi som krävs för att göra en förfrågan till dessa LLM:er.
Källa: NVIDIA
NVIDIAs partnerskap
NVIDIA har sedan starten varit ett företag djupt förankrat i branschen. Istället för att vara ett vertikalt integrerat företag söker det etablera djupa band med de bästa, samtidigt som det håller ett skarpt fokus på sina egna konkurrensfördelar.
Till exempel är NVIDIA en så kallad “fabless” hårdvarutillverkare som fokuserar på design och koncept, och låter världsledande halvledartillverkare som TSMC (TSM ) producera dess GPU:er.
Genom att inte utveckla egna LLM:er eller AI‑system är NVIDIA också en pålitlig partner för i praktiken alla “Big Tech” och AI‑startups, som ser det som en nödvändig partner snarare än en potentiell konkurrent. Detta ger NVIDIA i sin tur den försäljningsskala som behövs för att fortsätta återinvestera i FoU och hålla sig i framkant teknologiskt.
Detta har visat sig vara rätt val, där NVIDIA är den största förmånstagaren av den mest imponerande kapitalutgiftsvågen (capex) i teknikindustrins historia.
AI‑capex förväntas nå så mycket som 200 miljarder dollar år 2025, ovanpå en ständigt växande kumulativ capex från de största teknikföretagen i världen sedan 2016.
Källa: Sherwood
Finansiella siffror
NVIDIAs tillväxt bara från 2023 till 2024 har varit otrolig för ett företag av den storleken:
- Intäkterna har ökat med 126 %, från 27 miljarder dollar till 60 miljarder dollar.
- Rörelseresultatet tredubblades (311 %) från 9 miljarder dollar till 37,1 miljarder dollar
- Bruttomarginalen steg från 59,2 % till 73,8 %
Sammanfattningsvis är företaget rikligt värderat, men inte ens så mycket på grund av sin vinsttillväxt. Ändå, med ett P/E‑tal över 60 och en utdelningsavkastning på bara 0,03 % antar investerare som köper NVIDIA en stor framtida tillväxt för att rättfärdiga det nuvarande aktiepriset.
Källa: NVIDIA
Framtiden för NVIDIA
Hållbar tillväxt?
NVIDIAs tresiffriga tillväxttakt har varit förbluffande och reflekteras i företagets aktiepris. Naturligtvis får varje bra sak ett slut någon dag, och investerare blir oroade för att detta kan inträffa förr snarare än senare.
Samma oro hördes redan tydligt när NVIDIAs försäljning blomstrade från kryptoförsäljning eller i de tidiga stadierna av AI‑boomen, så pessimism är inte nödvändigtvis en sund investeringsstrategi.
I en intervju på BG2Pod‑podcasten förklarade Huang att världen behöver uppgradera datacenter och beräkning med upp till 1 biljon dollar för att införliva och anpassa sig till AI. Och hittills har endast 150 miljarder dollar av den summan spenderats.
Så, enligt honom, finns det fortfarande gott om utrymme för NVIDIA att fortsätta öka försäljningen, även om det bara beror på befintliga beräkningsbehov. Det är innan ännu fler AI‑tillämpningar blir mainstream, såsom självkörande bilar.
Sådana farhågor kring total efterfrågan ignorerar också att, i slutändan, alla industrier sannolikt kommer att implementera AI på flera nivåer på ett eller annat sätt, inklusive sektorer som sjukvård som representerar en tvåsiffrig procentandel av BNP.
Källa: NVIDIA
Blackwell
I mars 2024 släppte NVIDIA Blackwell‑plattformen, som “möjliggör för organisationer överallt att bygga och köra realtidsgenerativ AI på trillion‑parameter‑stora språkmodeller med upp till 25 gånger lägre kostnad och energiförbrukning än föregångaren.”
Källa: NVIDIA
Detta är ett mycket viktigt steg, eftersom energiförbrukning snabbt blir en av de största bekymren för AI‑fokuserade företag, vilket illustreras av den senaste Microsoft‑affären att återöppna ett helt kärnkraftverk och använda all dess energiproduktion under de kommande 20 åren till ett förutbestämt pris.
Interna designer
En risk för NVIDIA är att medan det är en nyckelpartner till världens största företag, är det också mycket dyrt och lönsamt (70 % bruttomarginal). Så när företag med storlek och kompetens som Alphabet/Google spenderar hundratals miljarder dollar på AI‑chips, frestas de att göra det internt.
Och detta är inte bara hypotetiskt, med exempelvis Tesla har utvecklat sin egen hårdvara genom att anställa topdesigners från NVIDIAs konkurrent AMD. Fram till 2019 använde Tesla istället NVIDIAs Drive PX 2 AI‑beräkningsplattform. När Tesla tydligen närmar sig att faktiskt kommersialisera robotaxi, detta kan bli en enorm förlorad försäljning för NVIDIA.
Samtidigt kan Teslas fall vara mer ett undantag från regeln, med Tesla och Elon Musks andra företag, som SpaceX, ökända för att alltid söka mer vertikal integration och starkare kontroll över sin hårdvara.
Företag med mindre erfarenhet av hårdvara eller mer mjukvaru‑ och/eller marknadsföringsfokuserade, som Facebook eller Microsoft, kommer sannolikt att klara sig bra genom att förlita sig på den bästa och senaste NVIDIAs teknologin.
Dessutom byggs och kodas många AI‑modeller för närvarande med antagandet att de kommer att köras på NVIDIAs arkitekturer, och AI‑programmerare är erfarna med NVIDIAs hårdvara, vilket båda är värdefulla affärsmurar för företaget.
Risker på AI‑marknaden
AI‑marknaden som helhet kan vara en större risk där NVIDIAs utmärkta ledning har mindre kontroll. Den blomstrar för närvarande. Det finns dock en växande oro för att de AI‑applikationer som släppts inte har lyckats omvandla sig till enorma nya intäkter som iPhone gjorde för Apple förr i tiden.
Detta är sannolikt bara ett tecken på att teknologin fortfarande hittar sin plats och utvecklar sin marknad.
Men om denna situation varar för länge kan vi riskera en liknande situation som i slutet av 1990‑talen, där förutsägelserna om PC‑ och internets betydelse var korrekta, men tidpunkten var något för optimistisk, vilket ledde till att dot‑com‑bubblan sprack.
Säkert är att Jensen Huang som skrev under på en kvinnas bröst i juni 2024 är ett något förvånande tecken, och kanske lite oroande för investerare som är bekymrade över en potentiell finansiell mani kring AI.
Finansiell historia upprepar sig inte nödvändigtvis, men investerare kommer vilja analysera denna risk för NVIDIA ordentligt och se potentiella paralleller med telekommunikations‑ och internethårdvarutillverkaren Sun Microsystems (Jensen Huang’s första arbetsgivare) år 2000.
Vid 10 gånger intäkterna, för att ge dig en återbetalning på 10 år, måste jag betala dig 100 % av intäkterna i utdelning i 10 raka år. Det förutsätter att jag kan få det av mina aktieägare. Det förutsätter att jag har noll kostnad för sålda varor, vilket är mycket svårt för ett datorteknikföretag. Det förutsätter noll kostnader, vilket är riktigt svårt med 39 000 anställda. (…)
Nu, efter att ha gjort det, skulle någon av er vilja köpa min aktie för 64 $? Inser du hur löjliga dessa grundläggande antaganden är? Du behöver ingen transparens. Du behöver inga fotnoter. Vad tänkte du?
Scott McNealy – then CEO of Sun Microsystems
Som referens är NVIDIAs nuvarande P/S‑kvot 35.
Källa: YChart
Slutsats
NVIDIA är ett företag som byggt på att ta rätt kalkylerade risker flera gånger i rad vid rätt tidpunkt, från PC‑grafikkort till CUDA‑släppet för nya tillämpningar till att omfamna neurala nätverk tidigt. Detta har gjort dess grundare, Jensen Huang, till en slags rockstjärna inom halvledar‑ och IT‑industrin.
Företagets senaste prestation har förbluffat marknaden och skapat enorm entusiasm för aktien, likt den som bara Tesla kan påstå under de senaste åren. Detta skapar en enorm möjlighet, som många tidiga investerare i Tesla vet, efter att ha mött nästan ett decennium av skeptiker som förväntade sig att företaget och dess aktie skulle misslyckas “när som helst nu”.
Detta medför också vissa risker, eftersom AI‑boomen ännu inte har genererat de intäkter som rättfärdigar den nuvarande capex‑utgiften och kan uppleva en nedgång innan den blir en fullt etablerad ekonomisk sektor.
