Die Disruption von DeepSeek: Die Auswirkungen auf Nvidia und die Halbleiterindustrie

Bitte beachten Sie, dass VanEck möglicherweise Positionen in den hier erwähnten Unternehmen hält.

Die jüngste Behauptung von DeepSeek, High-End-Ergebnisse zu einem Bruchteil der üblichen Kosten zu erzielen, hat die Anleger verunsichert und Fragen zur Dominanz von Nvidia aufgeworfen. Es ist jedoch wichtig, den breiteren Kontext zu betrachten: Hyperscaler und Unternehmen könnten ihren Fokus nun verstärkt auf die Nutzung bestehender KI-Infrastruktur für Inferenz legen. In diesem Bereich könnte Nvidia mit seinem Software-Ökosystem und seinen Produkten der nächsten Generation weiterhin erhebliche Vorteile haben. In der Zwischenzeit bietet der breitere Halbleitermarkt Möglichkeiten zur Diversifizierung, wobei spezialisierte ASICs und andere Chiphersteller potenziell die Nachfrage erobern können. Anleger sollten sich jedoch weiterhin der Hauptrisiken bewusst sein, darunter Marktvolatilität, disruptive technologische Fortschritte und regulatorische Unsicherheiten, die die Dynamik der Branche beeinflussen könnten.

Der bahnbrechende Anspruch: Das R1-Modell von DeepSeek

• DeepSeek behauptet, dass sein R1-Modell eine wettbewerbsfähige KI-Leistung bietet und gleichzeitig die Trainingskosten erheblich senkt (Quelle: Reuters, Januar 2024).
• Im Gegensatz zu großen KI-Laboren, die auf hochmoderne GPUs angewiesen sind, behauptet DeepSeek, kostengünstigere Hardware verwendet zu haben und dennoch starke Ergebnisse zu erzielen (Quelle: Bloomberg, Januar 2024).
• Wenn solche Effizienzsteigerungen skalierbar sind, könnten sie die zukünftigen Kapitalausgaben von Hyperscalern (großen Cloud-Anbietern) für die KI-Infrastruktur verändern.
• Es stellt sich eine wichtige Frage für die Branche: Wenn neue Modelle kostengünstiger trainiert werden können, brauchen Hyperscaler dann immer noch massive GPU-Investitionen, um Spitzenleistungen zu erreichen?

Die enormen Investitionen der Hyperscaler in das KI-Training

• In den letzten zwei Jahren haben die großen Cloud-Anbieter (AWS, Azure, Google Cloud usw.) stark in Rechenzentren investiert, die mit Nvidia-GPUs ausgestattet sind, um KI-Training in großem Umfang zu ermöglichen.
• Die offene Frage war, wie diese Hyperscaler diese Infrastruktur zu Geld machen wollen.
• Ein Kommentar von KI-Forschern deutet nun darauf hin, dass die Leistungssteigerungen durch immer größere Modelle möglicherweise zu sinkenden Erträgen führen und den Markt dazu bewegen, nicht mehr in größere Cluster zu investieren, sondern vorhandene Modelle zu monetarisieren.
• Die GPU-Machtdynamik hat sich möglicherweise von Nvidias Marktbeherrschung auf die zunehmende Kaufkraft der Hyperscaler verlagert.
• Der Markt für KI-Hardware ist jedoch volatil, und die sich verändernde Branchendynamik könnte regulatorische und wettbewerbsrechtliche Risiken mit sich bringen.

Hinweis: Jeder Hyperscaler hat unterschiedliche Wege zur Monetarisierung – über Cloud-Abonnements, Verbraucher-Apps, Unternehmensdienste usw. –, was die Wahrscheinlichkeit verringert, dass Open Source allein sie verdrängen wird.

Training vs. Inferenz in der Halbleiterindustrie

• Die Branche verlagert ihren Schwerpunkt von der Trainings- auf die Inferenzphase, in der es um reale Anwendungen und Monetarisierung geht.
• Tesla bietet eine perfekte Illustration:
  • Sie trainieren ihre Full Self-Driving (FSD) Modelle in großen Rechenzentren.
  • Die Inferenz erfolgt in jedem Auto (Edge Computing), wobei das Auto das Modell lokal ausführt, ohne ständigen Datenaustausch mit der Cloud.
  • Diese Edge-basierte Inferenz wird durch Abonnementgebühren monetarisiert (z. B. 99 USD/Monat für FSD) (Quelle: Tesla Q4 2023 Earnings Report).

DeepSeek's Disruption: Sorgen für Nvidia und andere Chiphersteller

• Die Ankündigung von DeepSeek - ein Hochleistungsmodell auf billigerer Hardware zu trainieren - hat den Markt hinsichtlich der zukünftigen GPU-Nachfrage verunsichert.
• Bisherige Annahmen zu Skalierungsgesetzen konnten mit diesem Modell widerlegt werden. R1 hat mit weniger Rechenleistung mehr erreicht.
• Die Sorge: Wenn Hyperscaler mit kostengünstigerer oder alternativer Hardware Ergebnisse auf dem neuesten Stand der Technik erzielen können, könnte sich das Wachstum von Nvidia speziell im Bereich der Rechenzentrums-GPUs verlangsamen. Diese Stimmung hat zu den jüngsten Kursverlusten bei den KI-Chipherstellern beigetragen.
• Der technologische Wandel kann jedoch unvorhersehbar sein, und Regulierungspolitik oder Innovationen des Wettbewerbs können diese Dynamik verändern.

Zwei Möglichkeiten, die DeepSeek-Story zu interpretieren (und das Argument für Diversifizierung)

Trotz der negativen Schlagzeilen gibt es zwei Hauptaspekte, die für eine Diversifizierung von Halbleiterinvestitionen sprechen – zum Beispiel durch ETFs wie den VanEck Semiconductor ETF (SMH). Der Halbleitersektor kann Risiken ausgesetzt sein, die sich aus der Volatilität der Märkte, disruptiven technologischen Fortschritten und regulatorischen Unsicherheiten ergeben, die die Dynamik der Branche beeinflussen. Bei der Entscheidung, in den ETF zu investieren, sollten Sie alle Merkmale oder Ziele des ETF, wie sie im KID, im Prospekt und in der nachhaltigkeitsbezogenen Offenlegung beschrieben sind, oder damit zusammenhängende Dokumente berücksichtigen, bevor Sie eine Anlageentscheidung treffen, die auf www.vaneck.com verfügbar sind.

Wenn die Behauptungen von DeepSeek voll und ganz wahr sind…

• R1 von DeepSeek zeigt, dass man Top-Tier-Modelle mit günstigerer Hardware trainieren kann.
• Damit wird Nvidia nicht verdrängt, aber es beschleunigt möglicherweise eine Zeitspanne, in der sich Nvidias fast totale Dominanz beim KI-Training normalisiert.
• Da die Nachfrage nach Hardware für Trainingszwecke steigt, können andere Chipdesigner (z. B. ASIC-Hersteller, Broadcom, Intel, AMD, spezialisierte Start-ups) Fuß fassen – insbesondere im Bereich der Inferenz, wo speziell entwickelte Chips kosten- und energieeffizient sind.
• Schlüsselerkenntnisse: Selbst wenn die Nachfrage nach GPU-Training abflacht, gibt es immer noch eine beachtliche Chance für das gesamte Halbleiter-Ökosystem.

Wenn die Behauptungen von DeepSeek überbewertet sind…

• Vielleicht ist die Errungenschaft von DeepSeek gar nicht so bahnbrechend, wie es scheint, oder es gibt unbekannte Beschränkungen.
• Dennoch verlagert sich der langfristige KI-Zyklus natürlich auf die Monetarisierung von Modellen durch Inferenz.
• Diese Inferenzphase könnte eine Vielzahl von Hardware-Lösungen begünstigen, darunter spezialisierte ASICs, kleinere GPU-Instanzen und verbesserte CPUs. Diese Alternativen könnten den Wettbewerb mit den High-End-GPUs von Nvidia verstärken, indem sie effizientere und kostengünstigere Lösungen anbieten.
• Schlüsselerkenntnisse: Nvidia mag im Bereich Training weiterhin führend sein, aber mit zunehmender Reife der KI werden weitere Akteure um verschiedene Teile des KI-Hardware-Stacks konkurrieren.

Nvidias anhaltende Stärken und der Wechsel zur Inferenz

• Nvidia bleibt ein hochinnovativer Marktführer für KI-Hardware und -Software.
• Sie haben neue Produkte angekündigt, die für Inferenz-Workloads entwickelt wurden, wie GPU-Architekturen der nächsten Generation (z.B. Hopper) und spezialisierte Plattformen, die Training und Inferenz verbinden.
• Während der Markt sich wandelt, könnte das Geschäft von Nvidia mit Grafikprozessoren für Rechenzentren wahrscheinlich ein normaleres Wachstum verzeichnen – aber das umfassende Ökosystem des Unternehmens (Hardware, CUDA-Software, Unternehmenspartnerschaften) positioniert sie nach wie vor als wichtigen Akteur.
• Parallel dazu rüsten auch andere Chiphersteller auf, und es entsteht eine breitere Auswahl an ASICs und CPUs, die eine Vielzahl von kostengünstigen Inferenzlösungen ermöglichen.

Warum wir einen diversifizierten Ansatz bevorzugen

1. Training vs. Inferenz: Der Schwerpunkt der Branche verlagert sich von umfangreichem Training (wo Nvidia dominierte) zu Inferenz (wo mehr Akteure konkurrenzfähige Angebote haben werden).
2. Monetarisierung: KI wird zunehmend in der realen Welt eingesetzt und als Abonnement angeboten (z. B. Teslas FSD), was die Bedeutung effizienter Inferenzhardware und -netzwerke unterstreicht.
3. Die Rolle von Nvidia: Nvidia ist mit führenden GPU- und Softwarelösungen sowie neuen Produkten für die Inferenz immer noch gut aufgestellt. Die Tage der unbegrenzten Nachfrage nach Rechenzentrums-GPUs könnten jedoch einem ausgewogeneren Markt mit mehreren Anbietern weichen.
4. Anlagestrategie: In diesem Umfeld kann eine Diversifizierung innerhalb des Halbleitersektors (z. B. über ETFs wie SMH) gegen mögliche Verschiebungen in der Marktführerschaft absichern – von Nvidias GPUs zu spezialisierten ASICs und anderen Hardware-Innovatoren.

Letztlich bleibt die KI-Hardware-Landschaft dynamisch. Während Nvidia weiterhin eine wichtige Rolle spielen wird, unterstreicht die Geschichte von Deepseek – und der allgemeine Wandel hin zur Inferenz – den Wert einer breiten Präsenz in der gesamten Halbleiter-Wertschöpfungskette.

Um weitere ETF-Einblicke, zu erhalten, abonnieren Sie unseren Newsletter.