Aus kleinem Forschungslabor zum $4 Billionen-Unternehmen: Nvidia's Weg zur KI-Hegemonie

Als Bill Dally 2009 die Leitung des Forschungslabors von Nvidia übernahm, war es ein winziger, mit etwa zwölf Mitarbeitern besetzter Bereich, der sich hauptsächlich mit Ray Tracing, einer fortgeschrittenen Technik zur realistischen Bildgenerierung in der Computergrafik, beschäftigte. Dally, der bereits seit 2003 als Berater für Nvidia tätig war und zuvor an der Stanford University lehrte, wurde durch einen intensiven Werbeaufwand von CEO Jensen Huang und damaligen Lab-Leiter David Kirk überzeugt, dauerhaft einzutreten. Für ihn war es eine ideale Berufswahl: „Ich suchte den Ort, an dem ich die größte Wirkung erzielen kann – und das ist definitiv Nvidia.“ Unter seiner Führung expandierte das Labor rasch über die ursprüngliche Spezialisierung hinaus. Forschungsfelder wie Schaltkreisdesign und VLSI (Very Large Scale Integration), die die Integration von Millionen von Transistoren auf einem Chip ermöglichen, wurden neu ausgerichtet. Ein entscheidender Wendepunkt kam bereits 2010, als Nvidia frühzeitig in die Entwicklung von GPUs für künstliche Intelligenz (KI) investierte – mehr als ein Jahrzehnt vor dem aktuellen KI-Hype. Dally erinnert sich: „Wir wussten, dass dies die Welt verändern würde. Jensen glaubte mir, und wir begannen, unsere GPUs speziell für KI zu optimieren, Software zu entwickeln und globale Forschungskooperationen aufzubauen.“ Diese strategische Vorreiterrolle trug maßgeblich zur Dominanz von Nvidia im KI-GPU-Markt bei, der heute einen Großteil des Unternehmenswertes von über 4 Billionen Dollar ausmacht. Heute richtet sich die Forschung zunehmend auf „Physical AI“ und Robotik. Sanja Fidler, seit 2018 Leiterin der KI-Forschung bei Nvidia, wurde von Huang nach einem Treffen auf einer Forschertagung direkt angefragt: „Komm zu mir, nicht zu uns, nicht für uns.“ Fidler gründete in Toronto das Omniverse-Lab, das Simulationsplattformen für physische KI entwickelt. Ein zentrales Problem war der Mangel an 3D-Daten. Um dies zu lösen, investierte Nvidia in „differentiable rendering“ – eine Technologie, die es ermöglicht, aus Bildern oder Videos 3D-Modelle zu rekonstruieren. 2021 veröffentlichte das Team GANverse3D, die erste Version, die Bilder in 3D umwandelt. 2022 folgte die Neuric Neural Reconstruction Engine, die auch Videos für Simulationen nutzbar macht. Diese Technologien bilden die Grundlage der Cosmos-Familie von Weltmodellen, die Anfang 2024 auf der CES vorgestellt wurden. Aktuell arbeitet das Team daran, diese Modelle noch schneller zu machen – für Roboter ist Echtzeitreaktion entscheidend. „Ein Roboter kann die Welt 100-mal schneller beobachten als die Realität“, sagt Fidler. „Wenn wir die Modelle schneller machen, werden sie für physische KI unglaublich nützlich.“ Auf der SIGGRAPH 2024 kündigte Nvidia neue Weltmodelle für synthetische Trainingsdaten und neue Entwicklertools für Roboterprogrammierer an. Trotz der Fortschritte bleiben Dally und Fidler realistisch: „Ein humanoider Roboter in der eigenen Wohnung ist noch mindestens ein paar Jahre entfernt“, sagt Fidler, vergleichend mit der Entwicklung autonomer Fahrzeuge. Doch mit der fortschreitenden Verbesserung von visueller KI, generativer KI für Planung und Bewegung sowie wachsenden Datenmengen ist die Entwicklung stetig vorangekommen. Bewertung: Die Transformation von einem kleinen Forschungslabor zu einem Triebwerk der KI-Revolution unterstreicht die strategische Weitsicht von Nvidia. Dallys Führung und Fidlers Innovationskraft haben die Firma nicht nur technologisch, sondern auch ökonomisch auf eine neue Ebene gehoben. Die Fokussierung auf Physical AI und Simulationen positioniert Nvidia als Schlüsselakteur bei der nächsten industriellen Revolution – nicht nur in Datenzentren, sondern auch in der physischen Welt.