Interview mit Jensen Huang

Es ist ein Zeugnis für Jensen Huang selbst: Man hört den Acquired-Gastgebern Ben Gilbert und David Rosenthal zu, wie sie von ihren über 500 Stunden Nvidia-Forschung berichten, nur um dann mit CEO Jensen Huang zusammenzusitzen und eine völlig neue Dimension des Verständnisses zu entdecken. In einem Gespräch, das gleichermaßen eine Meisterklasse im Unternehmensaufbau und ein tiefgehender Einblick in die Zukunft des Computings war, enthüllte Huang die Schichten von Nvidias Reise und offenbarte eine Philosophie kühner Wetten, unerbittlicher Weitsicht und einer Organisationsarchitektur, die so innovativ ist wie ihre Chips.

Die Kühnheit der Perfektion: Das Unternehmen auf einen "perfekten Chip" setzen

Nvidias Reise begann, wie die vieler Titanen, mit einer Nahtoderfahrung. Man stelle sich ein Startup im Jahr 1997 vor, mit nur noch sechs Monaten Liquidität, das 30 Konkurrenten gegenüberstand. Ihre vorherigen architektonischen Wetten hatten sich als falsch erwiesen, und Microsofts DirectX war grundlegend inkompatibel mit ihrem bestehenden Design. Dies war der entscheidende Moment für den Reva 128, einen Chip, der als die weltweit erste vollständig 3D-beschleunigte Grafik-Pipeline konzipiert wurde. Angesichts einer existenziellen Krise traf Jensen Huang eine undenkbare Entscheidung: auf physisches Prototyping zu verzichten und die gesamte Produktion ausschließlich auf Simulationen zu stützen.

Das Team erstellte den Chip virtuell als Prototyp, indem es jede Software und jedes Spiel auf einem Emulator ausführte, der eine Stunde benötigte, um einen einzigen Frame zu rendern. Dieser mühsame Prozess führte zu einer fast irrationalen Überzeugung. Wie Huang sich erinnerte, sagte er auf die Frage, woher er wisse, dass der Chip perfekt sein würde, einfach: „Ich weiß, dass er perfekt sein wird, denn wenn nicht, sind wir pleite.“ Diese hochriskante Herangehensweise, getragen von einer umfassenden Simulation zukünftiger Risiken, erlaubte es ihnen, den Chip zur Fertigung freizugeben und sofort einen Marketing- und Produktions-Blitzstart zu initiieren. Das Wagnis zahlte sich aus, nicht wegen Glück, sondern weil die Zukunft im Voraus rigoros simuliert worden war.

Key Learnings:

• Die Zukunft simulieren: Alle potenziellen zukünftigen Risiken und Unbekannten proaktiv identifizieren und lösen, bevor man sich festlegt.
• Ein Schuss, perfekt machen: Wenn der Einsatz am höchsten ist, reduziert die akribische Vorbereitung auf ein „perfektes Ergebnis“ das tatsächliche Risiko der Wette.
• Enthusiastenmärkte: Segmente identifizieren, in denen Technologie „nie gut genug“ ist, um eine nachhaltige Chance für kontinuierliche Innovation zu sichern.

Die Zukunft antizipieren: Von der Grafik zum universellen Funktionsapproximator

Spulen wir vor in die frühen 2010er Jahre: Nvidia, ein führender Anbieter von Consumer-Grafik, stand mit dem Aufkommen von Deep Learning an einem weiteren Wendepunkt. Während viele in der Mainstream-Tech-Welt Durchbrüche wie AlexNet als „wissenschaftliche Projekte“ betrachteten, sah Jensen Huang eine seismische Verschiebung. Nvidia hatte bereits massiv in CUDA investiert, eine Plattform, die Supercomputing für Forscher in verschiedenen wissenschaftlichen Bereichen demokratisierte. Diese bestehende Beziehung zur akademischen Gemeinschaft wurde zu einer entscheidenden Feedback-Schleife.

Huang und sein Team hatten die Weitsicht zu fragen: „Was macht diese Sache so erfolgreich?“ und „Ist sie skalierbar?“ Ihre Überlegungen führten zu einer tiefgreifenden Erkenntnis: Deep Learning war auf einen „universellen Funktionsapproximator“ gestoßen. Das bedeutete, dass viele reale Probleme, von der Vorhersage von Verbraucherpräferenzen bis hin zu Wetterphänomenen, kein Verständnis der Kausalität, sondern nur Vorhersagbarkeit erforderten. Wenn ein System aus Beispielen lernen und Vorhersagen treffen konnte, waren die Anwendungen „ziemlich enorm“. Diese Überzeugung, entstanden aus der engen Zusammenarbeit mit Forschern wie Ilya Sutskever und Andrew Ng, befeuerte eine unerschütterliche Investition in KI, Jahre vor ihrer Mainstream-Explosion.

Key Changes:

• Paradigmenwechsel von Kausalität zu Vorhersagbarkeit: Erkennen, dass viele Probleme eher von Mustererkennung als vom Verständnis der zugrunde liegenden Ursachen profitieren.
• Supercomputing demokratisieren: Der Aufbau der CUDA-Plattform förderte eine Gemeinschaft, die sich natürlich neuen Berechnungsparadigmen wie Deep Learning zuwandte.
• Frühe Anwender einbinden: Die enge Zusammenarbeit mit wegweisenden Forschern lieferte entscheidende Einblicke und Validierung für langfristige Investitionen.

Die unsichtbare Infrastruktur: Das Rechenzentrum von Morgen bauen

Nvidias Weg zur Antriebskraft der heutigen KI-Explosion war kein direkter Sprung von Gaming-GPUs zu riesigen Rechenzentren. Es war eine strategische, jahrzehntelange Neuausrichtung, die vor fast 17 Jahren mit einer einfachen Frage begann: Was schränkt unsere Möglichkeiten ein? Die Antwort: die physische Anbindung von GPUs an einen Desktop-PC. Jensen stellte sich eine Zukunft vor, in der Computing vom Anzeigegerät getrennt war. Dies führte zu ihrem ersten Cloud-Produkt, GeForce Now (GFN), und dann zu Remote-Grafiklösungen für Unternehmen.

Diese schrittweise, gezielte Expansion in Rechenzentren, das Erlernen der Nuancen des verteilten Computings und die Überwindung von Latenzproblemen, legte den Grundstein für KI. „Man will den Weg zu zukünftigen Möglichkeiten ebnen; man kann nicht warten, bis die Gelegenheit vor einem liegt und man danach greifen kann.“ Dieses Prinzip gipfelte in der kühnen Übernahme von Mellanox, einem Unternehmen für Hochleistungsnetzwerke, was damals „für alle eine Überraschung“ war. Huang erkannte, dass Rechenzentren für KI grundlegend anders waren als Hyperscale-Clouds und ein „inverses Hyperscale“-Netzwerk benötigten, um Modelle über Millionen von Prozessoren zu verteilen. Mellanox lieferte die entscheidende InfiniBand-Technologie und machte die Übernahme zu „einer der besten strategischen Entscheidungen, die ich je getroffen habe.“

Key Practices:

• Langfristige Einschränkungen antizipieren: Engpässe identifizieren und systematisch beseitigen, die zukünftiges Wachstum und Marktchancen einschränken könnten.
• Strategische Vorpositionierung: In grundlegende Technologien und Fähigkeiten investieren, die „das Unternehmen in die Nähe von Möglichkeiten bringen“, auch wenn deren genaue Form noch unklar ist.
• Inverses Denken: Erkennen, wann ein neuer Markt (wie KI-Rechenzentren) einen völlig anderen architektonischen Ansatz erfordert als bestehende Modelle (wie Hyperscale-Cloud).

Architektur als Strategie: Die „Mission ist der Chef“-Organisation

Jensen Huangs einzigartiger Führungsstil erstreckt sich auch auf Nvidias Organisationsstruktur. Er arbeitet mit über 40 direkten Untergebenen und verzichtet auf traditionelle hierarchische Modelle, die „einem Militär“ ähneln. Stattdessen betrachtet er Nvidia als „einen Computing-Stack“, wo Einzelpersonen verschiedene „Module“ oder Funktionen verwalten. Der Titel ist zweitrangig gegenüber der Expertise, und die Person, die „am besten in der Führung dieses Moduls“ ist, ist der „verantwortliche Pilot“.

Diese flachere, dezentralere Informationsarchitektur, bei der „die Mission der Chef ist“, bedeutet, dass wichtige Informationen „ziemlich schnell an viele verschiedene Menschen“ weitergegeben werden, oft auf Teamebene, sogar an Hochschulabsolventen. Dies stellt sicher, dass alle gleichzeitig lernen und befähigt Einzelpersonen basierend auf ihrer Fähigkeit zu argumentieren und beizutragen, anstatt auf privilegiertem Informationszugang. Dieser organische, neuralnetzartige Ansatz, bei dem Teams sich basierend auf der Mission vernetzen, ermöglicht extreme Agilität und schnelle Ausführung, wie das auf den Markt bringen von zwei großen Produktzyklen in einem Jahr – eine Leistung, die für andere große Tech-Unternehmen fast unvorstellbar ist.

Key Insights:

• Unternehmen als Computing-Stack: Die Architektur der Organisation so gestalten, dass sie das zu bauende Produkt widerspiegelt und nicht ein generisches hierarchisches Modell.
• Mission als Leitprinzip: Funktionsübergreifende Teams befähigen, sich um spezifische Missionen herum zu vernetzen, um die Zusammenarbeit außerhalb starrer Abteilungssilos zu fördern.
• Demokratisierte Informationen: Wichtige Informationen breit und schnell verbreiten, um Machtungleichgewichte zu reduzieren und schnellere, kollektive Entscheidungen zu ermöglichen.

„Man möchte sich in der Nähe von Gelegenheiten positionieren, man muss nicht so perfekt sein, man möchte sich in der Nähe des Baumes positionieren, und selbst wenn man den den den Apfel nicht fängt, bevor er den Boden berührt, solange man der Erste ist, der ihn aufhebt, möchte man sich jetzt nahe an den Gelegenheiten positionieren.“ - Jensen Huang