Der KI-Handel in einem Satz: Wir verwandeln Energie in Intelligenz. Der Wechselkurs — Genauigkeit pro Joule — hat sich in 16 Monaten um das 18-Fache verbessert. Etwa 6x durch bessere Hardware, 3x durch bessere Modelle. Jede Firma, die dieses Verhältnis nach vorn treibt, ist dafür aufgestellt zu gewinnen.
Hier ist der investierbare Stack:
$NVDA: Jede GPU-Generation vervielfacht die Intelligenz pro Watt. Hopper zu Blackwell war der große Sprung. Effizienz ist das Geschäftsmodell — und der Grund, warum Kunden für das Training weiter aufrüsten.
Speicher ($MU, SK Hynix, Samsung): HBM hält den Chip am „Füttern“, sodass kein Joule verschwendet wird, während man wartet. Jede HBM-Generation bewegt mehr Daten pro Watt. Der Speicherbedarf wächst mit jedem verkauften GPU, und wir brauchen auch mehr Speicher pro GPU.
$IFNNY: Der weltweit größte Hersteller von Leistungshalbleitern — den Chips, die den Strom selbst umwandeln und steuern. Ein KI-Rack zieht über 100 Kilowatt, und jede Stromumwandlung zwischen Netz und Chip verliert Energie als Wärme. Nvidia verlagert seine Rechenzentren später in diesem Jahr auf 800-Volt-Strom — das heißt weniger Umwandlungen und mehr Infineon-Anteil pro Rack.
$AVGO: Bekämpft die Energieverluste zwischen den Chips. Training ist kein einzelner Chip, der denkt — es sind Zehntausende von GPUs, die ständig miteinander sprechen, und diese Unterhaltung sind reine Energiekosten. Broadcoms Switch-Chips bewegen pro Generation ungefähr die doppelte Datenmenge pro Watt, und co-gepackte Optiken wandeln Signale direkt am Chip in Licht um — das senkt die Energiekosten drastisch. Ein schnelleres Fabric bedeutet außerdem weniger GPU-Leerlaufzeit, sodass jeder Chip im Rack pro Joule produktiver wird.
Custom Silicon ( $GOOGL TPUs, $AMZN Trainium ): Eine GPU ist flexibel, aber dafür zahlst du mit verschwendeten Joules. Spezielle Chips bauen alles heraus, was nicht genau die KI-Mathematik braucht — sodass nahezu jedes Joule in sinnvolle Arbeit fließt. Design-Workflows fließen zurück zu $AVGO und $MRVL.
Das ist der Trade-off bei KI-Effizienz. Besitze den Stack, der Elektrizität in Intelligenz verwandelt.
Hier ist der investierbare Stack:
$NVDA: Jede GPU-Generation vervielfacht die Intelligenz pro Watt. Hopper zu Blackwell war der große Sprung. Effizienz ist das Geschäftsmodell — und der Grund, warum Kunden für das Training weiter aufrüsten.
Speicher ($MU, SK Hynix, Samsung): HBM hält den Chip am „Füttern“, sodass kein Joule verschwendet wird, während man wartet. Jede HBM-Generation bewegt mehr Daten pro Watt. Der Speicherbedarf wächst mit jedem verkauften GPU, und wir brauchen auch mehr Speicher pro GPU.
$IFNNY: Der weltweit größte Hersteller von Leistungshalbleitern — den Chips, die den Strom selbst umwandeln und steuern. Ein KI-Rack zieht über 100 Kilowatt, und jede Stromumwandlung zwischen Netz und Chip verliert Energie als Wärme. Nvidia verlagert seine Rechenzentren später in diesem Jahr auf 800-Volt-Strom — das heißt weniger Umwandlungen und mehr Infineon-Anteil pro Rack.
$AVGO: Bekämpft die Energieverluste zwischen den Chips. Training ist kein einzelner Chip, der denkt — es sind Zehntausende von GPUs, die ständig miteinander sprechen, und diese Unterhaltung sind reine Energiekosten. Broadcoms Switch-Chips bewegen pro Generation ungefähr die doppelte Datenmenge pro Watt, und co-gepackte Optiken wandeln Signale direkt am Chip in Licht um — das senkt die Energiekosten drastisch. Ein schnelleres Fabric bedeutet außerdem weniger GPU-Leerlaufzeit, sodass jeder Chip im Rack pro Joule produktiver wird.
Custom Silicon ( $GOOGL TPUs, $AMZN Trainium ): Eine GPU ist flexibel, aber dafür zahlst du mit verschwendeten Joules. Spezielle Chips bauen alles heraus, was nicht genau die KI-Mathematik braucht — sodass nahezu jedes Joule in sinnvolle Arbeit fließt. Design-Workflows fließen zurück zu $AVGO und $MRVL.
Das ist der Trade-off bei KI-Effizienz. Besitze den Stack, der Elektrizität in Intelligenz verwandelt.