Schalten Sie den Editor’s Digest kostenlos frei
Roula Khalaf, Herausgeberin der FT, wählt in diesem wöchentlichen Newsletter ihre Lieblingsgeschichten aus.
In dem Drama, das sich gerade im Silicon Valley um die Zukunft von OpenAI abspielte, betraf eine Nebenhandlung ein ehrgeiziges Chip-Projekt seines Vorstandsvorsitzenden Sam Altman.
Bevor er verdrängt und wieder an die Spitze des Unternehmens berufen wurde, hatte Altman versucht, bis zu 100 Milliarden US-Dollar von Investoren im Nahen Osten und dem SoftBank-Gründer Masayoshi Son einzusammeln, um einen Rivalen aufzubauen, der mit den Branchenriesen Nvidia und Taiwan Semiconductor Manufacturing Co. konkurrieren konnte. Das wäre ein gewaltiges Unterfangen. Und eines, bei dem 100 Milliarden US-Dollar möglicherweise nicht sehr weit reichen.
Angesichts der Tatsache, dass der US-amerikanische Chipdesigner und der taiwanesische Chiphersteller für alles, was mit generativer KI zu tun hat, von entscheidender Bedeutung sind, ist Altman wahrscheinlich nicht der Einzige, der hofft, es mit ihnen aufzunehmen. Aber die Eintrittsbarrieren – Wassergräben im Silicon-Valley-Sprachgebrauch – sind gewaltig.
Nvidia verfügt über etwa 95 Prozent der Märkte für GPUs oder Grafikprozessoren. Diese Computerprozessoren wurden ursprünglich für die Grafik entwickelt, haben jedoch in Bereichen wie maschinellem Lernen zunehmend an Bedeutung gewonnen. TSMC verfügt über etwa 90 Prozent des weltweiten Marktes für hochentwickelte Chips.
Diese Geschäfte sind lukrativ. TSMC erzielt Bruttomargen von fast 60 Prozent, Nvidia von 74 Prozent. TSMC erwirtschaftet einen Jahresumsatz von 76 Milliarden US-Dollar. Die beeindruckenden Zahlen lassen den Eindruck entstehen, dass noch viel Platz für weitere Konkurrenten vorhanden ist.
Ein weltweiter Mangel an KI-Chips von Nvidia macht die Aussicht auf eine vertikale Integration noch attraktiver. Da die Anzahl der GPUs, die für die Entwicklung und das Training fortschrittlicher KI-Modelle erforderlich sind, schnell zunimmt, liegt der Schlüssel zur Rentabilität von KI-Unternehmen im stabilen Zugriff auf GPUs.
Das erklärt, warum globale Technologiegiganten sich beeilen, optimierte Chips zu entwickeln, die für ihre Arbeitsabläufe optimiert sind, beispielsweise solche für Rechenzentrumsserver, die große Sprachmodelle für KI trainieren und ausführen.
Für Unternehmen ist es eine Sache, maßgeschneiderte Chips zu entwickeln. Die Rentabilität von Nvidia beruht jedoch nicht auf der kosteneffizienten Herstellung von Chips, sondern auf der Bereitstellung einer Komplettlösung für eine Vielzahl von Aufgaben und Branchen. Beispielsweise werden die HGX H100-Systeme von Nvidia, die jeweils etwa 300.000 US-Dollar kosten können, zur Beschleunigung der Arbeitslasten für alles von Finanzanwendungen bis hin zu Analysen eingesetzt.
Um einen brauchbaren Konkurrenten für das HGX H100-System zu finden, das aus 35.000 Teilen besteht, würde es viel mehr erfordern, als nur einen neuen Chip zu entwerfen. Nvidia entwickelt seit mehr als zwei Jahrzehnten GPUs. Dieser Vorsprung, der Hardware und zugehörige Softwarebibliotheken umfasst, ist durch Tausende von Patenten geschützt.
Selbst wenn man die Herausforderungen bei der Entwicklung eines neuen KI-Chips außer Acht lässt, liegt die eigentliche Herausforderung in der Fertigung. Der Aufbau einer Produktionsanlage ist die erste Hürde. Es wird erwartet, dass es mehr als drei Jahre dauern wird, bis TSMC das US-Werk, das es in Arizona baut, mit der Produktion beginnen kann, obwohl das Unternehmen über mehr als drei Jahrzehnte Erfahrung im Bau von „Fabs“ verfügt. Die Gesamtinvestition in dieses Werk wird sich voraussichtlich auf rund 40 Milliarden US-Dollar belaufen.
Der Betrieb dieser Anlagen erfordert eine Armee hochqualifizierter Arbeitskräfte mit fortgeschrittenen Abschlüssen in Elektrotechnik, Physik oder Materialwissenschaften. Ein Mangel an Fachkräften hat den Starttermin für das Werk in Arizona bereits verzögert.
Ein weiteres Problem ist der Kauf der Chipherstellungsausrüstung, die in die Fabriken geht. Der niederländische Hersteller ASML hat ein Monopol auf die extrem ultravioletten Lithografiemaschinen, die für die Produktion fortschrittlicher Chips von entscheidender Bedeutung sind. Die Warteliste für die Maschinen, die jeweils mehr als 300 Millionen US-Dollar kosten, beträgt durchschnittlich etwa zwei Jahre.
Aber Patente bleiben bei weitem die größte Hürde. TSMC ist einer der weltweit größten Patentinhaber mit mehr als 52.000 Patenten im Zusammenhang mit der Chipherstellung. Davon befinden sich rund 3.000 auf der fortschrittlichen Verpackung – eine entscheidende Technologie für KI-Chips, die die Leistung steigert und bei der TSMC in der Auftragsfertigung einen Vorsprung gegenüber dem Konkurrenten Samsung hat. Die mehr als achtjährige Investition von TSMC in die Technologie hat die Eintrittsbarrieren noch weiter erhöht.
Die Bewältigung all dessen bedeutet für Neueinsteiger schmerzhaft lange Vorlaufzeiten, was in einer sich schnell entwickelnden Branche besonders gefährlich ist. Gleichzeitig bedeuten die hohen Margen von Nvidia und TSMC mehr Geld für Forschung und Entwicklung, was das Tempo der Veröffentlichungen von Technologien der nächsten Generation beschleunigt. Letzterer gibt jedes Jahr mehr als 30 Milliarden US-Dollar an Investitionen aus.
Mit der Dynamik zu ihren Gunsten hat sich die Kluft zwischen Nvidia und TSMC und ihren Konkurrenten im vergangenen Jahr vergrößert. Derzeit sind nicht einmal ihre größten Konkurrenten ausreichend gerüstet, um diese Lücke zu schließen, geschweige denn neue Mitstreiter.