Jensen Huangs IEEE Medal of Honor: Vom Grafikchip zur KI-Fabrik

Die IEEE hat Jensen Huang, Gründer und CEO von Nvidia, die Medal of Honor 2026 zuerkannt, dotiert mit 2 Millionen US-Dollar. Mary Ellen Randall, President und CEO der IEEE, gab die Auszeichnung am 6. Januar auf der Consumer Electronics Show in Las Vegas bekannt. Die offizielle Begründung lautet: „für die Führungsrolle bei der Entwicklung von Grafikprozessoren und ihrer Anwendung im wissenschaftlichen Rechnen und in der künstlichen Intelligenz“.

Die Formulierung ist enger gefasst als das populäre Bild von Huang als Geschäftsmann. Die IEEE würdigt eine Kette architektonischer Entscheidungen, die ein Gaming-Peripheriegerät zu universeller Parallelhardware gemacht haben. Dieses Porträt zeichnet diese Kette nach und weist darauf hin, wo Aussagen auf Herstellerangaben statt auf unabhängigen Messungen beruhen.

01Vom Chipentwickler zum Gründer

Huang hat einen BSEE der Oregon State University und einen MSEE der Stanford University. Vor der Gründung von Nvidia arbeitete er bei AMD und LSI Logic. Bei LSI leitete er CoreWare, die System-on-a-Chip-Strategie des Unternehmens; zuvor hatte er bei AMD Mikroprozessoren entworfen. Nvidia wurde 1993 von Huang, Chris Malachowsky und Curtis Priem gegründet. Malachowsky kam von Sun Microsystems. Priem hatte zuvor bei IBM und Sun Grafikchips entwickelt. Huang ist seit der Gründung President, CEO und Mitglied des Verwaltungsrats.

Die Gründer wollten realistische 3D-Grafik auf Personalcomputern ermöglichen. Der erste Versuch scheiterte. Laut dem Börsenprospekt von Nvidia gingen die NV1-Verkäufe zurück, als sich Microsoft Direct3D und SGI OpenGL durchsetzten. Anfang 1996 stellte das Unternehmen den Verkauf des NV1 ein. Danach gab es die Entwicklung des NV2 auf und verlagerte seine Anstrengungen auf den RIVA 128, der 1997 als 128-Bit-Direct3D-Prozessor auf den Markt kam. Die Lehre daraus: sich an den dominierenden Software-Standards orientieren, statt gegen sie anzutreten. Diese Haltung prägte später die Plattformstrategie.

02Die GPU: Geometrie von der CPU abziehen

1999 brachte Nvidia die GeForce 256 auf den Markt. Das Unternehmen vermarktete sie als erste GPU der Welt, definiert als Ein-Chip-Prozessor mit integrierten Engines für Transformation, Beleuchtung, Dreiecks-Setup/Clipping und Rendering, der mindestens 10 Millionen Polygone pro Sekunde verarbeiten kann. Zuvor übernahm bei konkurrierenden 3D-Beschleunigern die Host-CPU diese Funktionen. Eine Ausnahme war der eigenständige Transformations- und Beleuchtungsprozessor von 3Dlabs.

Aus heutiger Sicht sind die Zahlen bescheiden. Laut Jon Peddie Research wurde der NV10 mit 120 MHz im 220-nm-Prozess von TSMC gefertigt, mit 17 Millionen Transistoren auf einem 139 mm² großen Die. Vier Pipeline-Engines ergaben eine Füllrate von 480 Mpix/s. Der architektonische Kern war die Arbeitsteilung. Die Geometrieberechnung (Positionieren, Drehen und Beleuchten von Vertices) ist regelmäßige, datenparallele Arithmetik. Sie eignet sich besser für breite Hardware als für eine Allzweck-CPU.

Zwei Einschränkungen gehören dazu. Erstens war der Begriff nicht neu. Peddie weist darauf hin, dass 3Dlabs „GPU“ bereits 1997 für eine programmierbare Transformations- und Beleuchtungs-Engine eingeführt hatte. Nvidias Anspruch betrifft also die Popularisierung und Integration, nicht die Prägung des Begriffs. Zweitens beschreiben die IEEE-Materialien für 1999 eine „programmierbare GPU“. Technische Darstellungen beschreiben die GeForce 256 dagegen so, dass sie Hardware-Transformation und -Beleuchtung hinzufügte und zugleich die Zahl der festverdrahteten Pixel-Pipelines erhöhte. Programmierbarkeit im Sinne von Shadern kam erst mit späteren Generationen.

03CUDA: Aus der Pipeline wird ein Computer

Das Bindeglied zwischen Grafik und KI ist Software. Vor CUDA musste jeder, der die GPU-Parallelität für Aufgaben außerhalb der Grafik nutzen wollte, das Problem über OpenGL in Grafikoperationen umformulieren. 2006 veröffentlichte Nvidia CUDA. Die erste unterstützende GPU war die GeForce 8800 GTX, die im November 2006 auf Basis der G80-Architektur erschien. Diese Generation führte Unified Shader ein, sodass jeder Kern allgemeine Berechnungen ausführen konnte; die 8800 GTX hatte 128 davon. CUDA besteht aus drei Teilen: einer Sprache, die C/C++ erweitert, einer API und Bibliotheken. Programmierer schreiben „Kernels“, kurze Programme, die auf einer einzelnen Ausführungseinheit laufen. Eine große Aufgabe wird in viele kleine Teile zerlegt, die parallel abgearbeitet werden.

Der Markt reagierte zunächst skeptisch. Laut Steven Witts Beitrag im New Yorker, wie ihn Understanding AI wiedergibt, reagierte die Wall Street mit Bestürzung. Der Ertrag kam sechs Jahre später. Alex Krizhevsky und Ilya Sutskever, Studenten von Geoffrey Hinton, trainierten AlexNet auf zwei GTX-580-GPUs mit jeweils 512 Ausführungseinheiten. Damit konnten sie ein Netz mehrere hundert Mal schneller trainieren, als es auf einer CPU möglich gewesen wäre. AlexNet beruhte auf CUDA, und das Ergebnis gilt weithin als Beginn des Deep-Learning-Booms.

Anschließend baute Nvidia KI-spezifische Funktionen in das Silizium ein. Die V100 der Volta-Generation (2017) brachte Tensor Cores, dedizierte Matrixmultiplikationseinheiten. Laut Nvidias Whitepaper liefern sie bis zu 125 Tensor-TFLOPS, bis zu 12-mal so viel Spitzendurchsatz wie Standard-FP32-Operationen auf der Vorgängergeneration P100. NVLink verband mehrere V100 mit bis zu 300 GB/s. Die Designwette lautete: Deep Learning wird von der Matrixmultiplikation dominiert, und Speicherbandbreite sowie Chip-zu-Chip-Verbindungen sind ebenso wichtig wie die reine Rechenleistung.

04Die Skalierung zur „KI-Fabrik“

Dieselbe Logik gilt heute im Rack-Maßstab. Nvidias GB200 NVL72 verbindet 72 Blackwell-GPUs in einer einzigen NVLink-Domäne, mit mehr als 1 PB/s aggregierter Bandbreite und 30 TB einheitlichem Speicher. Das NVLink der fünften Generation bietet jeder GPU 1,8 TB/s bidirektionalen Durchsatz, was nach Nvidias Angaben dem 14-Fachen von PCIe Gen5 entspricht. Ziel ist, dass sich ein Rack für Modelle mit Billionen Parametern wie ein einziger Beschleuniger verhält. Nvidia gibt für solche Modelle eine 30-mal schnellere LLM-Inferenz in Echtzeit gegenüber früheren Systemen an. Das ist eine Herstellerangabe, und es kommt auf Vergleichsbasis und Workload an.

Der Preis ist physikalisch. HPEs QuickSpecs für sein NVL72 nennen eine nominale Rack-TDP von 132 kW bei einer elektrischen Spitzenleistung von rund 192 kW. Das Rack benötigt eine 50-V-DC-Stromschiene und einen Flüssigkeitsverteiler. Eine Branchenanalyse nennt Anlagenstrom, Kühlkreisläufe, Packaging- und Speicherlieferzeiten sowie den CUDA-Lock-in als Einschränkungen dafür, wer solche Systeme betreiben kann. Die Bezeichnung „KI-Fabrik“, die Nvidia für diese Installationen verwendet, ist eine Aussage über Rechenzentrumstechnik ebenso wie über Chips.

05Wirkung, Anerkennung und offene Fragen

Die IEEE fasst selbst zusammen, die GPU habe Fortschritte in künstlicher Intelligenz, Computertechnik und Medizin ausgelöst. Zu Huangs früheren Auszeichnungen zählen der Robert N. Noyce Award der Semiconductor Industry Association, die IEEE Founder's Medal und die Wahl in die National Academy of Engineering. Die IEEE führt unter seinen jüngeren Ehrungen außerdem den Queen Elizabeth Prize for Engineering auf. Auf der CES sagte er, er nehme die Medaille im Namen aller großartigen Mitarbeitenden von Nvidia entgegen.

Einiges klärt die Auszeichnung nicht:

• Zuschreibung. GPU, CUDA und der KI-Stack wurden von großen Teams entwickelt, und andere hatten früher Ideen zu programmierbarer Grafik und GPU-Computing. Die Medaille würdigt Huangs Führungsleistung, wie es die Begründung sagt, nicht eine alleinige Erfindung.
• Abhängigkeit von einer Plattform. Die Dominanz von CUDA ist für Entwickler eine Stärke und für die Branche ein Konzentrationsrisiko. Konkurrenten wie AMDs Stream und Microsofts DirectCompute erschienen bald nach CUDA, konnten es aber nicht verdrängen.
• Effizienz. Eine Leistung von mehr als 100 kW pro Rack macht Strom und Kühlung, nicht nur das Silizium, zu den begrenzenden Faktoren für weitere Skalierung.
• Beleglage. Die meisten Leistungszahlen aktueller Produkte stammen von den Herstellern. Unabhängige Benchmark-Daten hinken den Markteinführungen hinterher.

Bemerkenswert ist die Medaille auch deshalb, weil sie an jemanden geht, dessen Hauptaufgabe die Leitung des Unternehmens ist. Sie erkennt zugleich an, dass sich in diesem Fall Entscheidungen über Produktarchitektur, Softwarestrategie und Chip-Lieferkette nicht voneinander trennen lassen.