Nvidias rolle i AI-revolutionen – sådan blev de uundværlige

Nvidia begyndte som producent af grafikkort til computerspil. I dag leverer selskabet størstedelen af den hardware, verdens AI-systemer bliver trænet og kørt på.

Denne artikel forklarer, hvordan det skete, hvad der holder positionen på plads, hvor væksten kommer fra – og hvilke risici der reelt findes. Artiklen er faktabaseret og udgør ikke investeringsrådgivning.

Fra grafikkort til AI-infrastruktur

Hvorfor netop grafikchips blev AI’s motor

En almindelig computerprocessor, en CPU, er bygget til at løse opgaver hurtigt én ad gangen.

En grafikprocessor, en GPU, er bygget anderledes. Den udfører tusindvis af simple beregninger samtidig, fordi det er sådan, man tegner billeder på en skærm.

Det viste sig at være præcis, hvad kunstig intelligens har brug for. At træne en AI-model er i bund og grund enormt mange enkle regnestykker udført parallelt.

Nvidia havde altså allerede den rigtige type chip, før nogen vidste, hvad den skulle bruges til.

Det afgørende valg i 2006

I 2006 lancerede Nvidia CUDA – en softwareplatform, der gjorde det muligt for forskere og udviklere at bruge grafikkort til helt andre formål end grafik.

Det var på det tidspunkt ikke en oplagt beslutning. Der fandtes intet AI-marked at tale om. Men det betød, at da behovet opstod, havde Nvidia tyve års forspring i software, ikke bare i hardware.

Forskydningen i forretningen

Nvidias forretning har flyttet sig fundamentalt. For få år siden var gaming den største indtægtskilde. I dag kommer over 90 % af omsætningen fra datacentre.

Gaming er ikke faldet væk. Datacenterforretningen er bare vokset så voldsomt, at alt andet er blevet lille i sammenligning.

Det der ofte overses: netværket

Når man taler om Nvidia, taler man næsten altid om chips. Men et moderne AI-datacenter består ikke af én chip. Det består af tusindvis af chips, der skal fungere som ét sammenhængende system.

Det kræver netværksudstyr med enormt høj hastighed – og det leverer Nvidia også.

I 1. kvartal af regnskabsåret 2027 omsatte Nvidias datacenter-netværk for 14,8 mia. USD, en vækst på 199 % år-over-år. Til sammenligning voksede selve chipsalget 77 %.

Netværket er altså den hurtigst voksende del af forretningen. Det er også en væsentlig del af forklaringen på, at det ikke rækker for en konkurrent at lave en tilsvarende chip: kunden skal have hele systemet til at hænge sammen.

CUDA og indlåsningseffekten

Hvad CUDA er

CUDA står for Compute Unified Device Architecture. Det er den softwareplatform, udviklere bruger til at få Nvidias grafikprocessorer til at udføre AI-beregninger.

Omkring CUDA er der bygget hundredvis af specialiserede biblioteker – færdige byggeklodser til bestemte typer opgaver. De repræsenterer tilsammen mange års arbejde, som en konkurrent skal genskabe fra bunden.

Hvorfor det er svært at skifte væk

Store dele af verdens AI-kode er skrevet med CUDA som forudsætning. Nvidia har oplyst, at omkring seks millioner udviklere arbejder med platformen.

For en virksomhed, der har bygget sin infrastruktur op omkring CUDA, betyder et skifte til en konkurrent, at kode skal skrives om, testes igen og optimeres på ny. Det koster tid og penge, selv når konkurrentens hardware er god.

Det kaldes en indlåsningseffekt: omkostningen ved at skifte er høj nok til, at man bliver, selv når alternativet er attraktivt.

Effekten er selvforstærkende. Jo flere der bruger CUDA, jo flere værktøjer optimeres til CUDA, jo flere vælger Nvidia. Vi gennemgår teknologien nærmere i artiklen om hvad CUDA er.

Voldgraven er ikke chippen alene

Det er værd at holde fast i, at Nvidias konkurrencefordel består af tre lag samtidig: hardwaren, softwaren omkring den, og netværket der binder systemerne sammen.

En konkurrent kan matche ét af lagene. At matche alle tre er en anden opgave.

Chipgenerationerne

Fra træning til inferens

Der er sket et skift i, hvad chippene primært bruges til.

Træning er, når en AI-model lærer fra data. Det kræver enorm regnekraft over uger eller måneder, men gøres relativt sjældent.

Inferens er, når den færdige model bruges – hver gang nogen stiller et spørgsmål eller får et svar. Det kræver mindre kraft pr. gang, men sker milliarder af gange dagligt.

Hopper-generationen var primært bygget til træning. Blackwell og Rubin er i stigende grad optimeret til inferens, fordi det er der, volumen ligger, når AI går fra udvikling til daglig brug.

Vera-processoren

Med Vera Rubin-platformen har Nvidia også introduceret sin egen processor til almindelige serveropgaver – ikke bare grafikprocessorer.

Det er strategisk værd at bemærke. Nvidia bevæger sig fra at levere acceleratorer til at levere hele regnestakken i et AI-datacenter: processor, grafikprocessor og netværk.

Vækstområder ud over datacentre

Sovereign AI

Flere lande har besluttet at bygge deres egen AI-infrastruktur frem for at leje kapacitet hos amerikanske cloud-selskaber. Begrundelsen er kontrol over egne data og national sikkerhed.

Det skaber en kundegruppe, der ikke fandtes for få år siden: stater og statsstøttede projekter.

Nvidia har afspejlet det i sin nye rapporteringsstruktur, hvor datacenterforretningen deles i Hyperscale – de store cloud-selskaber – og ACIE, som dækker AI-datacentre, industri, virksomheder og statslige kunder.

Den opdeling er værd at følge. Jo mere omsætningen fordeler sig ud på ACIE, jo mindre afhængig er Nvidia af en håndfuld meget store kunder.

Biler og autonom kørsel

Nvidia leverer platforme til selvkørende køretøjer. Flere store bilproducenter, blandt andre BYD, Geely, Isuzu og Nissan, bygger køretøjer på Nvidias DRIVE Hyperion-platform, og selskabet har udvidet samarbejdet med Uber om autonome flåder.

Området er stadig lille i forhold til datacentre, men vokser.

Fysisk AI og robotteknologi

Nvidia positionerer sig som leverandør af “hjernen” i robotter og automatiserede fabrikker gennem sine Isaac- og Cosmos-platforme.

Jensen Huang har beskrevet fysisk AI – systemer der handler i den virkelige verden – som den næste store bølge efter generativ AI. Det er foreløbig en påstand om fremtiden, ikke en indtægtskilde af betydning.

Risici og udfordringer

Kunderne bygger selv

Flere af Nvidias største aftagere udvikler egne AI-chips for at reducere afhængigheden. Disse chips optræder sjældent i markedsandelsstatistikker, men de fortrænger reel efterspørgsel.

Det er formentlig den mest undervurderede risiko, netop fordi den kommer fra kunderne selv.

Konkurrenterne leverer

AMD’s datacenteromsætning steg 107 % år-over-år i selskabets seneste kvartal – hurtigere end Nvidias 92 %, om end fra en langt mindre base. AMD har samtidig indgået leveringsaftaler med flere store AI-selskaber.

Nvidia er stadig markant større, men billedet af konkurrenter, der ikke rykker sig, holder ikke.

Markedsandelen er svær at måle præcist

Nvidia anslås at have den store del af markedet for AI-acceleratorer. Vær dog varsom med præcise procenttal: estimater varierer betydeligt afhængigt af, om der måles i omsætning eller enheder, og om kundernes egenudviklede chips tælles med.

Geopolitik

Amerikanske eksportrestriktioner begrænser salget af avancerede AI-chips til Kina. Nvidia har taget betydelige omkostninger som følge af restriktionerne og regner i sine egne forventninger ikke med omsætning fra datacenter-compute i Kina.

Restriktioner kan både strammes og lempes, og begge dele vil påvirke forretningen.

Forventningerne er høje

En høj værdiansættelse betyder, at meget fremtidig vækst allerede er indregnet i kursen. Konsekvensen er, at selv resultater, der isoleret set er stærke, kan udløse kursfald, hvis de ikke lever op til det indregnede.

Du kan læse mere om, hvordan tallene vurderes, under Nvidia aktieanalyse.

Hvad det betyder for forståelsen af aktien

Forretningsmodellen kort sagt

En hyppigt brugt beskrivelse er, at Nvidia sælger skovle under et guldrush. Uanset hvilket AI-selskab der ender med at vinde, køber de alle sammen regnekraft af den samme leverandør.

Det er en præcis beskrivelse af forretningsmodellen. Den siger dog intet om, hvorvidt prisen på aktien er rimelig – kun hvorfra indtjeningen kommer.

Afhængigheden af ét marked

Over 90 % af omsætningen kommer fra datacentre, og en betydelig del fra få meget store kunder.

Det er styrken og sårbarheden på samme tid. Så længe investeringerne i AI-infrastruktur fortsætter, er koncentrationen en fordel. Bremser de op, findes der ikke et andet segment af tilstrækkelig størrelse til at tage over.

Valutaen

Aktien handles i amerikanske dollar. Som dansk investor påvirkes dit afkast derfor også af kursen mellem dollar og kroner, uafhængigt af hvordan selskabet klarer sig.

Tallene bag forretningen kan følges i vores gennemgang af Nvidias regnskab.

Ansvarsfraskrivelse

Denne artikel er udelukkende informativ og faktabaseret. Den er hverken en anbefaling, en opfordring til at købe eller sælge værdipapirer eller anden finansiel rådgivning.

Regnskabstal, produktoplysninger og markedsandele er tidsfølsomme og kan have ændret sig, siden artiklen blev opdateret. Vurderinger af fremtidige teknologier og markeder er i sagens natur usikre.

Investering i aktier indebærer risiko, og du kan tabe hele eller dele af det investerede beløb. Nvidia-aktien handles i amerikanske dollar, så du bærer som dansk investor også en valutarisiko. Historiske afkast er ingen garanti for fremtidige resultater.

Beskatning afhænger af dine personlige forhold. Kontakt Skattestyrelsen eller en kvalificeret rådgiver for vejledning om din egen situation. Information om investorbeskyttelse finder du hos Finanstilsynet, og Nvidias officielle materiale ligger på Nvidia Investor Relations.

Foretag altid din egen research, før du træffer økonomiske beslutninger. Nvidia-aktie.dk er ikke tilknyttet NVIDIA Corporation.

Ofte stillede spørgsmål

Hvorfor er Nvidia så central for AI?

Fordi selskabet leverer både de processorer, AI-modeller trænes og køres på, netværksudstyret der binder dem sammen, og softwareplatformen CUDA, som størstedelen af verdens AI-kode er skrevet til. Det er kombinationen af de tre, ikke chippen alene, der gør positionen svær at udfordre.

Hvad er forskellen på AI-træning og AI-inferens?

Træning er, når en model lærer fra data – meget krævende, men gøres sjældent. Inferens er, når den færdige model bruges til at svare på noget – mindre krævende pr. gang, men sker milliarder af gange dagligt. Inferens vokser hurtigst, i takt med at AI går fra udvikling til daglig brug.

Hvad er CUDA?

CUDA er Nvidias softwareplatform fra 2006, som gør det muligt at bruge grafikprocessorer til andre beregninger end grafik. Omkring seks millioner udviklere arbejder med den, og det er den vigtigste årsag til, at det er dyrt for kunder at skifte til en konkurrents hardware.

Kan AMD eller Intel udfordre Nvidia?

AMD vokser hurtigt – datacenteromsætningen steg 107 % år-over-år i selskabets seneste kvartal – men fra en langt mindre base. Intel har omlagt sit fokus mod at producere chips for andre. Ingen af dem er tæt på Nvidias skala i dag, men billedet er mere dynamisk end for et par år siden.

Hvad er sovereign AI?

Sovereign AI dækker over, at lande bygger deres egen AI-infrastruktur i stedet for at leje kapacitet hos udenlandske cloud-selskaber, typisk begrundet i kontrol over data og national sikkerhed. Det har givet Nvidia en kundegruppe af stater og statsstøttede projekter ud over de store techselskaber.

Hvilke segmenter rapporterer Nvidia i dag?

Fra 1. kvartal i regnskabsåret 2027 rapporterer Nvidia to markedsplatforme: Data Center, opdelt i Hyperscale og ACIE, samt Edge Computing. De tidligere segmenter Gaming, Professional Visualization og Automotive indgår nu i Edge Computing.

Hvor ofte lancerer Nvidia nye chipgenerationer?

Nvidia er gået over til omtrent én ny arkitektur om året. Hopper blev fulgt af Blackwell, derefter Blackwell Ultra og nu Vera Rubin, mens Rubin Ultra og Feynman allerede er varslet. Kadencen holder efterspørgslen kørende, men gør det også sværere for kunderne at planlægge indkøb.