美股投资young

美股科技投资者 ai狂热者分享每日快讯. all in ai

302Folgt

710Follower

Feed

Livestream

Feed

$NVDA's GPU bestimmt die AI-Rechengeschwindigkeit, aber ohne ausreichend HBM, DRAM und Datenspeichergeräte kann selbst die stärkste GPU ihre Leistung nicht voll entfalten. $MU $SNDK $WDC $STX Die gesamte AI-Speicherindustrie lässt sich in vier Bereiche unterteilen: HBM, traditionelles DRAM, NAND Flash und HDD. Obwohl sie alle zur Speicherindustrie gehören, gibt es deutliche Unterschiede bei den technischen Hürden, Kundenanforderungen und Geschäftsmodellen. 1. HBM: Ein wichtiger Bestandteil von AI-Rechenchips HBM ist High Bandwidth Memory, der üblicherweise durch Stapeln von DRAM-Chips und den Einsatz fortschrittlicher Verpackungstechnologien eine extrem hohe Speicherbandbreite erreicht. AI-Training und Inferenz erfordern häufiges Lesen von Modellparametern und Zwischendaten. Wenn die Speicherbandbreite nicht ausreicht, kann die GPU-Rechenleistung eingeschränkt sein. Die weltweit wichtigsten HBM-Lieferanten sind SK Hynix, Samsung und Micron. $MU treibt dabei die HBM4-Produkte voran. Micron hat bekanntgegeben, dass HBM4 bereits in großen Mengen an wichtige Kundenplattformen ausgeliefert wird. Der Vorteil von HBM liegt in den hohen technischen Anforderungen, langen Zertifizierungszyklen und der Notwendigkeit einer engen Zusammenarbeit mit GPU-Herstellern. Gleichzeitig verbraucht die Produktion von HBM viele DRAM-Fertigungskapazitäten. 2. DRAM: Nicht nur für GPUs, auch für CPU-Server wichtig Neben HBM benötigt das AI-Rechenzentrum auch große Mengen an DDR5 und Server-Speichermodulen. Mit der Ausweitung der AI-Inferenz müssen Server-CPUs Datenvorverarbeitung, Aufgabenplanung und Cache-Management übernehmen, was den Bedarf an Systemspeicher erhöht. Die Kapazitätsverteilung zwischen HBM und normalem DRAM beeinflusst das Marktangebot und die Nachfrage. Wenn Hersteller mehr Fertigungskapazitäten in HBM investieren, während die DRAM-Nachfrage stabil bleibt, kann dies auch die Preise für traditionellen Speicher beeinflussen. Daher sollte die Analyse von Micron nicht nur auf HBM-Umsätze fokussieren, sondern auch das gesamte DRAM-Angebot, die Nachfrage und das Produktportfolio betrachten. 3. NAND: Hochgeschwindigkeits-Speicherbedarf in AI-Rechenzentren $SNDK (SanDisk) konzentriert sich hauptsächlich auf NAND Flash und SSDs. HBM liefert schnellen Arbeitsspeicher für die Berechnung, während NAND vor allem für die dauerhafte Datenspeicherung verwendet wird, einschließlich Trainingsdaten, Datenbanken, Modell-Dateien und einigen Cache-Szenarien. Im vierten Quartal des Geschäftsjahres 2026 erzielte SanDisk einen Umsatz von 8,965 Milliarden USD, ein Wachstum von 51 % gegenüber dem Vorquartal. Der Umsatz im Rechenzentrumsgeschäft betrug 2,977 Milliarden USD, ein Wachstum von 103 % gegenüber dem Vorquartal. Allerdings stammen etwa zwei Drittel des Umsatzwachstums in diesem Quartal aus Preissteigerungen, etwa ein Drittel aus erhöhtem Absatzvolumen. Dies zeigt, dass bei der schnellen Gewinnverbesserung von Speicherunternehmen zwischen tatsächlichem Nachfragewachstum und Gewinnsteigerungen durch Preiserhöhungen unterschieden werden muss. 4. HDD: Unterschätzter Massenspeicher im AI-Zeitalter $WDC (Western Digital) und $STX (Seagate) sind hauptsächlich im Markt für große mechanische Festplatten aktiv. Viele glauben, SSDs würden HDDs vollständig ersetzen, aber in Cloud-Rechenzentren ist bei der langfristigen Speicherung großer Datenmengen der Kostenfaktor pro Speichereinheit weiterhin sehr wichtig. Der Vorteil von HDDs liegt nicht in der Geschwindigkeit, sondern in den vergleichsweise günstigen Kosten für große Speicherkapazitäten. Seagate treibt die HAMR-Technologie (Heat-Assisted Magnetic Recording) voran, um die Speicherdichte einzelner Festplatten zu erhöhen. Western Digital erzielte im ersten Quartal des Geschäftsjahres 2027 einen Umsatz von 4,381 Milliarden USD, ein Wachstum von 55 % gegenüber dem Vorjahr; Seagate erreichte im gleichen Zeitraum 4,233 Milliarden USD Umsatz, ein Wachstum von etwa 61 %. Wichtig ist, dass Western Digital im Jahr 2025 sein Flash-Geschäft als eigenständige Einheit SanDisk ausgegliedert hat. Die Geschäftsstrukturen von $WDC und $SNDK sind daher inzwischen unterschiedlich. Das prägende Merkmal der gesamten Speicherindustrie ist ihre ausgeprägte Zyklizität bei der Profitabilität. Wenn die Produktpreise steigen, können Unternehmensgewinne schneller wachsen als die Umsätze; steigen jedoch die Liefermengen stärker als die tatsächliche Nachfrage, können Preise und Margen schnell fallen. Daher sollte die Analyse dieser Unternehmen drei Schwerpunkte haben: tatsächliche Auslieferungsmengen, durchschnittliche Produktpreise und die Geschwindigkeit der Kapazitätserweiterung. AI bringt neue langfristige Speicherbedarfe, aber die Wettbewerbslandschaft und Angebots-Nachfrage-Zyklen der verschiedenen Produkte unterscheiden sich. HBM, NAND und HDD dürfen nicht einfach unter einer einheitlichen Investitionslogik betrachtet werden.

$NVDAs größter Konkurrent ist möglicherweise nicht nur $AMD, sondern auch die Tech-Giganten, die jährlich große Mengen an GPUs von Nvidia beziehen und gleichzeitig eigene KI-Chips entwickeln. $GOOG und $AMZN versuchen, ihre Abhängigkeit von allgemeinen GPUs zu verringern. Die gesamte KI-Rechenchip-Branche entwickelt sich in zwei unterschiedliche technologische Richtungen: allgemeine GPUs und maßgeschneiderte ASICs. Diese beiden sind keine einfachen Ersatzbeziehungen, sondern konkurrieren bei unterschiedlichen Arbeitslasten um Leistung, Kosten und Energieeffizienz. $NVDA: Vom GPU-Anbieter zur kompletten Rechenplattform Nvidias Wettbewerbsvorteil liegt nicht mehr nur in den GPUs selbst. Von der CUDA-Software-Ökologie über NVLink-Hochgeschwindigkeitsverbindungen, Netzwerkswitches, CPUs bis hin zu kompletten Systemen bietet Nvidia zunehmend umfassendere KI-Infrastrukturen an. Die 2026 eingeführte Vera Rubin Plattform integriert GPUs, CPUs, Netzwerke und andere Systemkomponenten weiter. Der Vorteil dieses Modells liegt darin, dass Kunden eine ausgereifte Software-Ökologie und Systemarchitektur nutzen können, was den Aufwand für komplexe Bereitstellung und Optimierung reduziert. Für große KI-Trainingscluster ist die Leistung einer einzelnen GPU nur ein Faktor; die Auslastung des gesamten Clusters, Kommunikationseffizienz und Leistung pro Watt sind ebenso wichtig. Einer von Nvidias größten Burggräben ist die Synergie zwischen Software-Ökologie und Hardware-Plattform. $AMD: Ein wichtiger Herausforderer im GPU-Markt AMDs Instinct-Serie konkurriert direkt mit Nvidias Rechenzentrum-GPUs. AMD verfügt nicht nur über GPU-Designfähigkeiten, sondern auch über EPYC-Server-CPUs und die ROCm-Softwareplattform. Im Juli 2026 kündigten AMD und Anthropic eine strategische Partnerschaft an, um bis zu 2 GW der MI450-Serie GPUs einzusetzen, wobei die ersten 1 GW voraussichtlich ab der ersten Hälfte 2027 bereitgestellt werden. Dies zeigt, dass große KI-Kunden aktiv einen zweiten Lieferanten einführen. Die geplante Einsatzmenge entspricht jedoch nicht automatisch den bereits erzielten Umsätzen. AMD muss künftig beweisen, dass Produktlieferung, Softwarekompatibilität und Systemkostenvorteile tatsächlich in Marktanteile umgewandelt werden können. $AVGO: Ein wichtiger Profiteur maßgeschneiderter KI-Chips Broadcoms Geschäftsmodell unterscheidet sich deutlich von Nvidias. Es arbeitet mit großen Technologieunternehmen zusammen, um maßgeschneiderte KI-Beschleuniger zu entwickeln, und bietet gleichzeitig Hochgeschwindigkeits-Netzwerkchips und zugehörige Technologien an. Im dritten Quartal des Geschäftsjahres 2026 erreichte Broadcoms KI-Halbleiter-Umsatz 16,7 Milliarden US-Dollar, ein Wachstum von 221 % im Jahresvergleich. Diese Zahl umfasst jedoch sowohl maßgeschneiderte Beschleuniger als auch KI-Netzwerk-bezogene Geschäfte und kann nicht vollständig als ASIC-Umsatz interpretiert werden. Der Vorteil maßgeschneiderter Chips liegt darin, dass sie für bestimmte Arbeitslasten optimiert werden können und bei ausreichend großem Einsatzvolumen Leistung und Kosten verbessern. Nachteile sind hohe Entwicklungskosten, lange Designzyklen und die Abhängigkeit von wenigen großen Kunden. $MRVL: Maßgeschneiderte Rechenlösungen und Hochgeschwindigkeitsverbindungen Marvell ist ebenfalls in der Entwicklung maßgeschneiderter ASICs tätig und verfügt über Hochgeschwindigkeits-SerDes, optische Verbindungen, Netzwerk- und fortschrittliche Verpackungstechnologien. Im Gegensatz zum Verkauf standardisierter Rechenplattformen durch Nvidia erfordert ein Teil von Marvells Geschäft langfristige Zusammenarbeit mit Kunden, um Chips nach deren spezifischen Anforderungen zu entwerfen. Dieses Modell hat hohes Wachstumspotenzial, aber die Umsatzerlöse hängen oft davon ab, ob Kundenprojekte erfolgreich in die Massenproduktion gehen. $GOOG, $AMZN: Cloud-Anbieter mit eigenen KI-Chip-Designs Google entwickelt TPU kontinuierlich weiter, Amazon hat Trainium3 auf den Markt gebracht. Die Entwicklung eigener Chips bedeutet nicht, Nvidia vollständig aufzugeben, sondern zielt darauf ab, die Leistung, den Stromverbrauch und die Inferenzkosten für bestimmte interne Arbeitslasten zu optimieren. Ein wichtiger zukünftiger Wettbewerbsfaktor bei KI-Chips wird sich zunehmend von der Rechenleistung einzelner Chips hin zu den Gesamtkosten des Besitzes und der effektiven Rechenleistung pro Watt verschieben. GPUs behalten ihre Universalität und Software-Ökologie als Vorteil, während ASICs in stabilen, klar definierten Arbeitslastszenarien wirtschaftlicher sein können. Für Investoren bedeutet das Wachstum der KI-Rechenleistung nicht zwangsläufig, dass alle Chip-Hersteller gleichzeitig ihre Gewinne steigern können. Nvidia muss seine Plattformvorteile erhalten, AMD muss die tatsächliche Implementierung ausweiten, Broadcom und Marvell müssen maßgeschneiderte Projekte umsetzen, und Cloud-Anbieter müssen nachweisen, dass eigene Chips langfristig Betriebskosten senken. Der Wettbewerb um zukünftige KI-Chips ist nicht nur ein Leistungswettbewerb, sondern auch ein Wettbewerb um Software-Ökologie, Kundenbeziehungen und Gewinnverteilung.

Nach Ausschluss des Nasdaq 100 aus dem S&P 500 sind in den letzten 10 Jahren in dieser Saison alle 10 Aktien gestiegen, die zu den Top 10 mit der höchsten durchschnittlichen Rendite gehören. Davon haben 9 Aktien bis zum 26.10. dieses Jahres eine Rendite von weniger als 20 % erzielt, wobei 4 sogar negativ sind. Filtermethode: Von 2016 bis 2025, Kaufdatum zwischen 27.10. und 02.11., Haltedauer 10 bis 35 Tage, Voraussetzung ist, dass jede Aktie in jedem der 10 Jahre einen Kursanstieg verzeichnet hat. Für jede Aktie wird das Zeitfenster mit der höchsten durchschnittlichen Rendite genommen und nach dieser sortiert, um die Top 10 zu ermitteln. Die Nasdaq 100-Komponenten sind in einer separaten Liste, hier nicht wiederholt. 1. Ulta Beauty $ULTA Kauf am 01.11., Verkauf am 06.12., durchschnittlich +14,6 %, im schlechtesten Jahr 2016 immer noch +5,8 %, der höchste unter den unteren Grenzen der Liste. Dieses Jahr nur +3,4 %. 2. FICO $FICO Kauf am 02.11., Verkauf am 06.12., durchschnittlich +14,3 %, Median +14,0 %, aber in diesem Zeitraum 2018 nur +0,2 %. Dieses Jahr -58,1 %, die Debatte um die Preissetzungsmacht von Kredit-Scores drückt die Bewertung, fundamentale Veränderungen sind so groß, dass der Wert der alten Regel eingeschränkt ist. 3. United Airlines $UAL Kauf am 28.10., Verkauf am 25.11., durchschnittlich +12,9 %, Median nur +7,9 %, 2020 gab es einmal +40,0 %, was den Durchschnitt nach oben zieht. Dieses Jahr -10,0 %. 4. Parker Hannifin $PH Kauf am 28.10., Verkauf am 25.11., durchschnittlich +12,7 %, Median +12,2 %, die Differenz unter 1 Punkt, die Renditeverteilung ist sehr gleichmäßig. Auch 2025 in diesem Zeitraum +11,3 %. Dieses Jahr nur +3,5 %. 5. Citizens Financial $CFG Kauf am 28.10., Verkauf am 02.12., durchschnittlich +12,5 %, Median +7,4 %, im schlechtesten Jahr 2021 +0,4 %. Dieses Jahr +14,2 %. 6. Coherent $COHR Kauf am 27.10., Verkauf am 11.11., Haltedauer zwei Wochen, durchschnittlich +11,5 %, im schlechtesten Jahr 2019 noch +3,4 %, 2025 in diesem Zeitraum +17,1 %. Das Zeitfenster umfasst den Geschäftsbericht Anfang November. Dieses Jahr +20,0 %, der höchste Anstieg in der Liste. 7. Delta Air Lines $DAL Kauf am 28.10., Verkauf am 25.11., im gleichen Zeitraum wie United Airlines, durchschnittlich +11,1 %, 2017 nur +0,2 %. Dass zwei Fluggesellschaften gleichzeitig in der Liste sind, zeigt, dass dieser Trend den gesamten Sektor betrifft. Dieses Jahr +15,3 %. 8. AMETEK $AME Kauf am 28.10., Verkauf am 01.12., durchschnittlich +10,6 %, Median +11,3 %, im schlechtesten Jahr 2021 noch +2,9 %. Dieses Jahr +18,8 %. 9. CBRE Group $CBRE Kauf am 27.10., Verkauf am 25.11., durchschnittlich +10,6 %, im schlechtesten Jahr 2021 +0,7 %. Handels- und Vermietungsprovisionen für Gewerbeimmobilien werden üblicherweise zum Jahresende gebündelt erfasst. Dieses Jahr -23,6 %. 10. Deckers $DECK Kauf am 28.10., Verkauf am 02.12., durchschnittlich +10,6 %, das schlechteste Jahr ist 2025 mit +4,7 %. Die Wintersaison von UGG und der Feiertagsverkauf von HOKA fallen in diesen Zeitraum. Dieses Jahr -22,5 %. In dieser Liste haben 8 Aktien ihr bestes Jahr im November 2020, als sowohl Fortschritte bei Impfstoffen als auch Wahlergebnisse bekannt wurden. Wenn man dieses Jahr herausnimmt, schrumpfen die meisten Durchschnittswerte deutlich, sodass Median und schlechtestes Jahr aussagekräftiger sind. Die 10-malige Steigerung in 10 Jahren ist ein statistisches Ergebnis und steht nicht im Zusammenhang mit Fundamentaldaten. Je enger das Zeitfenster, desto wahrscheinlicher ist es, dass es sich um einen Zufall handelt, der durch Datenanalyse entdeckt wurde. Bei den Aktien, die dieses Jahr mehr als 20 % verloren haben, sollte zuerst geprüft werden, ob die Gründe für den Rückgang noch bestehen. Saisonale Muster können Ihnen sagen, wann Sie hinschauen sollten, ob Sie kaufen, hängt aber von der Performance ab.

$NVDA, $AMD, $AVGO konkurrieren alle um den AI-Chip-Markt, aber die High-End-AI-Chips dieser Unternehmen sind letztlich auf fortschrittliche Wafer-Fertigung angewiesen. Innerhalb der gesamten AI-Wertschöpfungskette spielt $TSM TSMC eine äußerst wichtige Rolle. Im dritten Quartal 2026 erzielte TSMC einen Umsatz von 46,72 Milliarden US-Dollar, ein Wachstum von 41,2 % im Jahresvergleich; die Bruttomarge erreichte 66,4 %. Dabei trugen fortschrittliche Fertigungsprozesse von 7 nm und darunter 79 % der Wafer-Umsätze bei, der 2-nm-Prozess machte bereits 8 % aus. Dies zeigt, dass fortschrittliche Fertigung zunehmend zur Kernquelle von TSMCs Einnahmen wird, jedoch dürfen diese Einnahmen nicht vollständig als AI-Nachfrage gewertet werden, da auch Smartphones und andere Hochleistungsrechenchips fortschrittliche Fertigung nutzen. Die gesamte Waferfoundry-Branche muss drei Hauptbereiche besonders betrachten. $TSM: Kernlieferant für fortschrittliche Fertigung und Packaging TSMCs Vorteil liegt nicht nur in der Fähigkeit, 2-nm- und 3-nm-Chips herzustellen, sondern vor allem in der Fertigungsqualität, Produktionskapazität und dem Vertrauen der Kunden. Die Herstellung fortschrittlicher Chips ist äußerst anspruchsvoll. Selbst wenn zwei Foundries ähnliche Technologieknoten verwenden, können tatsächlicher Stromverbrauch, Leistung, Ausbeute und Stückkosten deutlich variieren. Zudem sind AI-Chips zunehmend auf fortschrittliches Packaging angewiesen. Früher konnte man Chips als eine einzelne Siliziumscheibe betrachten, heute müssen Hochleistungs-AI-Beschleuniger oft mehrere Rechenchips zusammen mit HBM (High Bandwidth Memory) in einem Package vereinen. TSMCs CoWoS-Technologie ist eine wichtige Lösung für diese hochdichte Interkonnektivität. Für AI-Chips bedeutet die Fertigstellung der Waferherstellung nicht, dass das Produkt sofort ausgeliefert werden kann. Eine unzureichende Kapazität im fortschrittlichen Packaging kann ebenfalls die Auslieferung begrenzen. TSMC verfügt zudem über 3D-Chipstapelungstechnologien wie SoIC, die künftig die Chip-Integrationsdichte weiter erhöhen könnten. $INTC: Intel versucht, die fortschrittliche Foundry-Landschaft herauszufordern Intel treibt den 18A-Prozess und folgende Technologien voran, mit technischen Innovationen wie RibbonFET-Transistoren und PowerVia-Rückseitenstromversorgung. Zudem besitzt Intel fortschrittliche Packaging-Technologien wie EMIB und Foveros. Aber die Massenproduktion fortschrittlicher Prozesse ist etwas anderes als der Aufbau eines erfolgreichen externen Foundry-Geschäfts. Intel muss beweisen, dass es stabil liefern, die Ausbeute verbessern und genügend externe Kunden gewinnen kann, um Skaleneffekte zu erzielen. Samsung: Ein weiterer Wettbewerber im Bereich fortschrittlicher Fertigung Samsung treibt ebenfalls den 2-nm-GAA-Prozess voran und bietet fortschrittliche Packaging-Lösungen wie I-Cube und X-Cube an. Samsungs Vorteil liegt in der Abdeckung von Waferfertigung, Speicher und fortschrittlichem Packaging, doch ob sie mehr große AI-Kunden gewinnen können, hängt weiterhin von Ausbeute, Kosten und Lieferfähigkeit ab. Aus Investitionssicht ist die Waferfoundry-Branche durch hohe technologische Barrieren und extrem hohe Kapitalausgaben gekennzeichnet. TSMC plant für 2026 Investitionen zwischen 60 und 64 Milliarden US-Dollar. Diese Investitionen müssen über viele Jahre durch Aufträge, Kapazitätsauslastung und Fertigungsgewinne zurückgewonnen werden. Daher darf man Foundry-Unternehmen nicht nur danach beurteilen, ob ihr Fertigungsprozess führend ist, sondern muss auch tatsächliche Ausbeute, Kapazitäten im fortschrittlichen Packaging, Kundenaufträge und Kapitalrendite beobachten. Je komplexer die AI-Chip-Architekturen werden, desto wichtiger könnten fortschrittliche Fertigung und Packaging werden. Wenn jedoch Kundeninvestitionen zurückgehen oder neue Kapazitäten die tatsächliche Nachfrage übersteigen, werden Foundries ebenfalls Abschreibungs- und Margendruck ausgesetzt sein.

$NVDA kann leistungsstärkere GPUs entwerfen, aber ohne die Fertigungsanlagen von $ASML, $AMAT, $LRCX und $KLAC können selbst die fortschrittlichsten Chips nicht in großem Maßstab produziert werden. Halbleiterausrüstung ist eine der kapitalintensivsten und technologisch anspruchsvollsten Stufen in der KI-Wertschöpfungskette. Eine hochmoderne Waferfabrik benötigt hunderte bis tausende komplexe Prozessschritte. Die Chip-Leistung hängt nicht nur vom Design ab, sondern auch von der Fertigungspräzision, der Ausbeute und den endgültigen Kosten. Die gesamte Branche kann sich auf vier Unternehmen konzentrieren. $ASML: Lithographieausrüstung ASML ist das weltweit einzige Unternehmen, das EUV-Lithographiesysteme kommerziell anbietet und verkauft zudem DUV-Lithographieanlagen. Die Lithographie überträgt das entworfene Schaltkreisbild auf den Wafer. Mit der Verkleinerung der Transistorgröße steigen die Anforderungen an die Lithographiepräzision bei einigen kritischen Prozessschichten. EUV verwendet extrem ultraviolettes Licht mit einer Wellenlänge von 13,5 Nanometern, was einige Mehrfachbelichtungsschritte bei fortschrittlichen Prozessen reduziert. Die nächste Generation High-NA EUV erhöht die numerische Apertur des optischen Systems weiter und unterstützt die Herstellung noch feinerer Strukturen. Dies bedeutet jedoch nicht, dass Kunden bei jedem Fortschritt sofort High-NA-Geräte kaufen müssen. Waferfabriken müssen Kosten, Kapazität und Prozessroute ganzheitlich abwägen. ASMLs Vorteil liegt vor allem in den extrem hohen technologischen Barrieren und den langjährigen Partnerschaften mit weltweit führenden Waferherstellern. $AMAT: Applied Materials Während ASML für die Übertragung der Schaltkreisbilder auf den Wafer zuständig ist, konzentriert sich Applied Materials stärker auf Materialtechnik. Das Geschäft umfasst mehrere Fertigungsschritte wie Abscheidung, Ätzen, Materialmodifikation und Messungen. Fortschrittliche Chips erfordern wiederholte Bildung von leitenden Schichten, Isolationsschichten und anderen komplexen Materialstrukturen auf der Waferoberfläche. Insbesondere mit der Entwicklung von GAA-Transistoren, Rückseitenstromversorgung und fortschrittlichen Verpackungstechnologien steigt die Bedeutung der Materialtechnik kontinuierlich. AMATs Stärke liegt in der breiten Produktpalette, die verschiedene Chipfertigungsprozesse abdeckt, anstatt sich auf einen einzigen Gerätetyp zu verlassen. $LRCX: Lam Research Lam Research konzentriert sich hauptsächlich auf Ätzen, Abscheidung und Reinigung in der Fertigung. Ätzen kann als präzises Entfernen bestimmter Materialien vom Wafer gemäß Designanforderungen verstanden werden. Mit der zunehmenden Verwendung komplexerer 3D-Strukturen bei Chips müssen Geräte in sehr tiefen und engen Bereichen arbeiten und gleichzeitig Schäden an anderen Materialien kontrollieren. Dies stellt höhere Anforderungen an die Gerätepräzision. Daher profitiert Lam nicht nur von der Herstellung fortschrittlicher Logikchips, sondern ist auch eng mit der Weiterentwicklung von Speichertechnologien wie DRAM und 3D NAND verbunden. $KLAC: KLA KLAs Kernkompetenz liegt in der Prozesskontrolle der Halbleiterfertigung, einschließlich Fehlererkennung, präziser Messungen und Datenanalyse. Bei der Herstellung fortschrittlicher Chips kann selbst ein winziger Defekt zum Ausfall des Produkts führen. Wenn der Anteil an einwandfreien Chips in einer Wafercharge zu niedrig ist, ist es trotz hoher Chipleistung schwierig, wettbewerbsfähige Produktionskosten zu erreichen. KLAs Geräte helfen Herstellern, Defekte zu erkennen, Prozesse anzupassen und die Ausbeute zu verbessern. Mit zunehmender Prozessschrittzahl und wachsender Komplexität der Strukturen steigt auch die Bedeutung von Inspektion und Messung. Aus Investitionssicht unterscheiden sich die Nutzungslogiken dieser vier Unternehmen. ASML profitiert hauptsächlich von der Nachfrage nach Lithographieausrüstung und dem Upgrade fortschrittlicher Prozesse; AMAT stützt sich auf ein breites Portfolio an Materialtechnikprodukten; Lam reagiert empfindlicher auf Ätz-, Abscheidungs- und 3D-Strukturfertigungsanforderungen; KLA ist eng mit der Fertigungskomplexität und Ausbeutekontrolle verbunden. Ein oft übersehenes Problem ist: Das Wachstum der KI-Chipnachfrage bedeutet nicht automatisch, dass die Umsätze der Halbleiterausrüstungsunternehmen sofort steigen. $NVDA erhöht die Chipbestellungen, was $TSM zur Erweiterung der fortschrittlichen Kapazitäten anregen könnte, aber ob Waferfabriken mehr Ausrüstung kaufen, hängt von der Auslastung der bestehenden Kapazitäten, Expansionsplänen und der Kapitalrendite ab. Halbleiterausrüstungsaufträge sind oft zyklisch, und es kann Zeitverzögerungen bei Lieferung, Abnahme und Umsatzbuchung geben. Außerdem können Exportbeschränkungen, Änderungen der Investitionsausgaben der Kunden und Anpassungen der Technologierouten die Leistung der Ausrüstungsanbieter beeinflussen. Langfristig wird die Herstellung fortschrittlicher Chips immer komplexer, und der Wert der Ausrüstung dürfte steigen. Für Ausrüstungsaktien ist der technologische Fortschritt bei fortschrittlichen Prozessen jedoch nur eine Wachstumsquelle; die tatsächlichen Investitionsausgaben der Waferfabriken und die Geschwindigkeit der Auftragserfüllung bestimmen ebenfalls die Gewinnentwicklung.

$NVDA, $AMD und $AVGO konkurrieren um den AI-Chip-Markt, doch bevor sie ihre Chips tatsächlich an $TSM zur Fertigung übergeben, sind sie auf eine andere Gruppe von Unternehmen angewiesen: $SNPS, $CDNS und $ARM. Dies ist eine der obersten Stufen der AI-Industriekette und zugleich ein Bereich mit sehr hohen technischen Barrieren und einem relativ speziellen Geschäftsmodell. Chip-Design ist nicht einfach nur das Zeichnen von Schaltplänen durch Ingenieure. Moderne, fortschrittliche Chips enthalten Milliarden oder noch mehr Transistoren und durchlaufen komplexe Prozesse wie Logikdesign, Funktionsverifikation, Synthese, Platzierung und Verdrahtung, Timing-Analyse und Leistungsoptimierung. Diese Arbeiten basieren auf EDA, also elektronischer Design-Automatisierungssoftware. $SNPS Synopsys: Chip-Design-Software und Systemsimulation Synopsys ist einer der wichtigsten Marktführer in der globalen EDA-Branche, mit Produkten, die digitales Chip-Design, Verifikation, physische Umsetzung und Halbleiter-IP abdecken. Nach dem Abschluss der Übernahme von Ansys im Jahr 2025 erweitert sich das Geschäft weiter in Richtung Ingenieur-Simulation und Systemanalyse. Für Hochleistungs-AI-Chips beeinflussen auch Kühlung, elektromagnetische Effekte und Verpackungszuverlässigkeit die Endleistung. Sein Vorteil liegt in der tiefen Einbindung in den Chip-Design-Prozess und der engen Verzahnung mit fortschrittlichen Fertigungstechnologien. Ein Wechsel des Kern-EDA-Tools durch Kunden erfordert eine umfangreiche Neuverifikation vieler Designprozesse, was hohe Migrationskosten verursacht. $CDNS Cadence: EDA und AI-gestütztes Chip-Design Cadence ist ebenfalls ein Kernanbieter von EDA, der digitales Design, analoge Schaltungen, Funktionsverifikation, fortschrittliche Verpackung und Systemanalyse abdeckt. Seine Cerebrus-Plattform kann AI nutzen, um den Stromverbrauch, die Leistung und die Fläche von Chips zu optimieren, also PPA. Dies ist auch die Zukunftsrichtung der EDA-Branche: AI schafft nicht nur neue Chip-Nachfragen, sondern verändert auch die Art und Weise, wie Chips entworfen werden. Allerdings bedeutet die Effizienzsteigerung durch AI-Automatisierung nicht zwangsläufig, dass EDA-Anbieter ihre Gebühren gleichzeitig erhöhen können; es gilt, die tatsächliche Kundenakzeptanz und Monetarisierungsfähigkeit zu beobachten. $ARM Arm: Verkauf von Chip-Architekturen und IP Arm unterscheidet sich von den beiden vorherigen Unternehmen. Synopsys und Cadence bieten hauptsächlich Design-Tools und zugehörige IP an, während Arm seit langem CPU-Architektur-Lizenzen, Prozessor-IP und Chip-Lizenzgebühren als Kern-Geschäftsmodell hat. Im Geschäftsjahr bis März 2026 erzielte Arm einen Umsatz von 4,92 Milliarden US-Dollar, davon etwa 2,613 Milliarden US-Dollar aus Lizenzgebühren. Das bedeutet, dass Arm kontinuierlich Einnahmen aus Verträgen erhält, wenn Kunden Chips mit Arm-Technologie ausliefern. Die Arm-Architektur ist bereits weit verbreitet in mobilen Geräten und dringt zunehmend in Cloud-Server, Rechenzentren und andere Märkte vor. Im Jahr 2026 bringt Arm zudem eigene Datenzentrum-CPUs auf den Markt und erweitert sich damit in die direkte Chip-Produktion. Dies führt jedoch zu neuen Wettbewerbsverhältnissen: Wenn der Architektur-Anbieter beginnt, Chips zu verkaufen, können bestehende Kunden gleichzeitig zu Konkurrenten werden. Aus Investitionssicht unterscheiden sich die Geschäftsmodelle dieser drei Unternehmen deutlich von denen der GPU-Hersteller. GPU-Firmen sind auf den Verkauf von Chip-Produkten angewiesen, EDA-Unternehmen hingegen mehr auf Softwarelizenzen, Wartung und IP-Geschäfte, während Arm von Lizenzverträgen, Chip-Auslieferungen und Lizenzgebührenraten beeinflusst wird. Das langfristige Wachstum dieser Branche beruht auf drei Variablen: Anzahl der Chip-Designs, Komplexität fortschrittlicher Fertigungstechnologien und Software- sowie IP-Ausgaben pro Projekt. Risiken ergeben sich hauptsächlich aus Exportkontrollen, Kundenkonzentration, F&E-Kosten und Bewertungen. Je intensiver der Wettbewerb im AI-Chip-Bereich wird, desto wichtiger könnten Design-Tools werden. Doch eine steigende Design-Komplexität bedeutet nicht zwangsläufig, dass die EDA-Umsätze proportional zum AI-Rechenleistungsaufwand wachsen. Die Untersuchung dieses Bereichs fokussiert sich nicht darauf, wie viele GPUs verkauft werden, sondern darauf, wie viel kontinuierlicher Umsatz durch immer komplexere Chip-Designs für die upstream Tools- und IP-Anbieter generiert werden kann.

Das US-BIP im dritten Quartal wuchs annualisiert um 3,4 %, höher als erwartet. Am selben Tag fiel $GOOGL um 12,6 %, $NOW um 27 %, und nach Börsenschluss sackten $AMZN und $INTC weiter ab. Die Wirtschaftsdaten selbst sind einwandfrei. Die am 29.10. veröffentlichten BIP-Erwartungen für das dritte Quartal lagen bei 3,2 %, tatsächlich waren es 3,4 %. Bereinigt um Handel, Lagerbestände und Staatsausgaben wuchs die private inländische Endnachfrage um 4,9 %, das stärkste Wachstum seit fünf Jahren. Doch genau an diesem Tag verlor Google an einem Tag rund 500 Milliarden US-Dollar an Marktkapitalisierung, der größte Rückgang seit dem Börsengang 2004; ServiceNow schloss bei 109,67 US-Dollar, der schlimmste Tag seit dem Börsengang. Nach Börsenschluss fiel Amazon zeitweise um über 12 %, Intel um über 22 %. Die Wirtschaft beschleunigt, Tech-Aktien werden abgestraft – warum passieren diese beiden Dinge gleichzeitig? Wenn man die vier Quartalsberichte zusammenlegt, sieht man, dass es in der AI-Wertschöpfungskette an drei Stellen Probleme gibt. Die erste Ebene sind die Geldausgeber. Amazons AWS-Umsatz betrug in diesem Quartal 45,98 Milliarden US-Dollar, ein Wachstum von 39 %, das schnellste in fünf Jahren, der operative Gewinn lag bei 28,1 Milliarden und übertraf die Erwartungen. Doch die Investitionsausgaben im dritten Quartal betrugen etwa 75,9 Milliarden US-Dollar, im Vorjahr waren es etwa 34,2 Milliarden; der freie Cashflow im Quartal lag bei etwa minus 33,5 Milliarden, in den letzten 12 Monaten bei minus 42,4 Milliarden, vor einem Jahr war er noch positiv bei 14,8 Milliarden, die langfristigen Schulden stiegen von 65,6 Milliarden zu Jahresbeginn auf 173,1 Milliarden. Google erlebte am Vorabend dasselbe Szenario: Im dritten Quartal lag der freie Cashflow bei etwa minus 9,1 Milliarden US-Dollar, die Investitionsausgabenprognose für das Jahr blieb bei 195 bis 205 Milliarden, und die Verlangsamung der Suchanzeigen war steiler als erwartet. Je heißer das Cloud-Geschäft, desto knapper wird das Bargeld. Am 18.9. wurde geschrieben: „Die aktuelle AI-Welle ist so groß, dass selbst die cashstärksten Unternehmen anfangen, Schulden aufzunehmen und langfristige Leasingverträge abzuschließen, um den Bedarf vieler Jahre im Voraus zu sichern.“ Die Berichte dieser Woche untermauern diese Aussage mit konkreten Zahlen. Die zweite Ebene sind die Kosten-Träger. Intels EPS im dritten Quartal betrug 0,52 US-Dollar, 30 % über den Erwartungen, der Umsatz im Rechenzentrum wuchs um 78 %, doch für das vierte Quartal wird ein EPS von nur 0,25 US-Dollar prognostiziert, der Markt erwartet etwa 0,43 US-Dollar. Im Telefonat sagte das Management, dass der Umsatz im Client-Bereich im vierten Quartal um mehr als 20 % gegenüber dem Vorquartal fallen wird, Kunden bauen schnell Lagerbestände ab, und die PC-Auslieferungen für 2027 werden mit einem Rückgang von etwa 10 % geplant; die Explosion in der Fab 28 in Israel im Oktober führte zu einer etwa zweiwöchigen Produktionsunterbrechung, was den Umsatz im vierten Quartal um etwa 300 Millionen US-Dollar und die Bruttomarge um etwa 2 Prozentpunkte belastet, im ersten Quartal nächsten Jahres wird es ähnliche Umsatzbelastungen geben. Server-CPUs sind hingegen knapp, das Unternehmen erwartet, dass die Branchenlieferungen in den nächsten zwei Jahren um über 30 % wachsen. Warum sind PCs so schwach? Samsungs Quartalsbericht vom Vortag gab die klarste Antwort. Die Halbleitersparte erzielte einen operativen Gewinn von 106,5 Billionen Won, die DX-Sparte für Smartphones, Fernseher und Haushaltsgeräte machte jedoch einen Verlust von 0,8 Billionen, bereits das zweite Quartal in Folge. Laut IDC stiegen die Speicherkosten für Smartphone-Hersteller im Jahresvergleich um etwa 350 %. AI-Datenzentren beanspruchen Speicherkapazitäten, und die gestiegenen Preise lasten auf den Herstellern von Endgeräten. Die dritte Ebene sind die Verkäufer von AI-Software. ServiceNow erzielte im dritten Quartal einen Umsatz von 4,106 Milliarden US-Dollar, ein Wachstum von 20,5 %, was im Wesentlichen den Erwartungen entspricht; das bereinigte EPS lag bei 1,00 US-Dollar, 2 Cent unter den Erwartungen; die Prognose für das Wachstum des cRPO im vierten Quartal liegt bei 18,5 %, im dritten Quartal waren es 20,5 %. Die Übernahme von Armis kostete etwa 7,6 Milliarden US-Dollar in bar, die Zinsaufwendungen stiegen von 6 Millionen auf 81 Millionen, die Gesamtschulden stiegen von 1,5 Milliarden zu Jahresbeginn auf 7,5 Milliarden. Das Wachstum ist nicht eingebrochen, es hat sich nur etwas verlangsamt, aber bei dieser Bewertung reicht ein kleiner Rückgang, um ein Viertel des Werts zu verlieren. Wenn man alle drei Ebenen zusammen betrachtet, wird klar: Die Geldausgeber werden vom Cashflow belastet, die Kosten-Träger durch steigende Speicherpreise gedrückt, und die AI-Softwarefirmen werden mit der Lupe auf ihr Wachstum geprüft. Das BIP von 3,4 % zeigt, dass die Wirtschaft an sich in Ordnung ist. Der Markt berechnet diese Woche neu, wie die Cash-Rendite und Verteilung der AI-Investitionen aussehen. Was als Nächstes zu beobachten ist, sind die Quartalsberichte von $AMD nächste Woche und $NVDA Mitte November, um zu sehen, ob die Chip-Bestellungen weiterhin Antworten liefern; außerdem die Speichervertrags-Preise im vierten Quartal, die die Kostenbelastung der Endgerätehersteller bestimmen. Umsätze kann jeder melden, diese Woche fragt der Markt nur nach Cash.

Viele Menschen investieren in KI und wissen nur, dass sie $NVDA kaufen sollen, aber die gesamte KI-Wertschöpfungskette ist viel komplexer als nur GPUs. Von Chipdesign, fortschrittlicher Fertigung über Stromversorgung, Flüssigkeitskühlung, Cloud-Computing bis hin zu den finalen Softwareanwendungen sind tatsächlich mehr als ein Dutzend verschiedene Industrien beteiligt. Der KI-Markt wird in Zukunft weiter wachsen, und die profitierten Unternehmen sind nicht zwangsläufig nur Nvidia. Ich plane eine tiefgehende Analyse-Serie zur KI-Wertschöpfungskette, die von der Quelle bis zum Endverbraucher jeden Industriezweig mit Geschäftsmodellen, Wettbewerbslandschaft, Kernunternehmen und Investitionslogik einzeln aufschlüsselt. Die gesamte KI-Wertschöpfungskette lässt sich in 16 Hauptsegmente unterteilen. I. Halbleiterindustrie im Upstream ① Chip-Design-Tools und IP: $SNPS $CDNS $ARM Verantwortlich für EDA-Designsoftware, Chiparchitektur und Kern-IP-Lizenzen. Das Chipdesign wird immer komplexer, daher steigt auch die Bedeutung der zugehörigen Tools. ② Halbleiter-Fertigungsanlagen: $ASML $AMAT $LRCX $KLAC Umfasst Kernfertigungsverfahren wie Lithografie, Abscheidung, Ätzen und Inspektion. Die Nachfrage nach fortschrittlichen Chips wächst, was mehr Fertigungskapazitäten erfordert. ③ Wafer Foundry und fortschrittliche Verpackung: $TSM $INTC Verantwortlich für die Umsetzung von Chipdesigns in reale Produkte. Fortgeschrittene Fertigungsprozesse und Verpackungstechnologien wie CoWoS beeinflussen direkt die Lieferfähigkeit von Hochleistungs-KI-Chips. ④ KI-Rechenchips: $NVDA $AMD $AVGO $MRVL Umfasst GPUs, ASICs und zugehörige Rechenarchitekturen. Nvidia nimmt eine wichtige Position ein, aber auch große Cloud-Anbieter treiben eigene Chipentwicklungen voran. ⑤ Speicher und Datenspeicherung: $MU $SNDK $WDC $STX Umfasst HBM, DRAM, NAND und Unternehmensspeicher. KI-Training und Inferenz benötigen nicht nur Rechenleistung, sondern auch ausreichend Speicherbandbreite und Datenspeicherkapazität. II. Infrastruktur für KI-Rechenzentren ⑥ KI-Server und Komplettsysteme: $DELL $SMCI $HPE Integrieren GPU, CPU, Speicher, Netzwerk und Stromversorgung zu lieferbaren Rechenzentrumsgeräten. ⑦ Hochgeschwindigkeitsnetzwerke und Switches: $ANET $AVGO $CSCO Verantwortlich für den Datenaustausch innerhalb von GPU-Clustern und zwischen verschiedenen Servern. Mit wachsender Clustergröße steigt die Bedeutung der Netzwerkarchitektur. ⑧ Optische Kommunikation und optische Interkonnektivität: $LITE $COHR $GLW Umfasst optische Module, optische Bauteile, Glasfasern und zugehörige Technologien. Mit wachsendem Bandbreitenbedarf von KI-Clustern wird optische Kommunikation zur wichtigen Infrastruktur. ⑨ Stromerzeugung und Netzwerkinfrastruktur: $GEV $PWR KI-Rechenzentren benötigen eine langfristig stabile Stromversorgung. Stromerzeugungsanlagen, Übertragungsnetze und Netzwerktechnik profitieren vom Ausbau der Rechenzentren. ⑩ Stromversorgung und Verteilung im Rechenzentrum: $ETN $VRT Umfasst Transformatoren, Schaltanlagen, USV, Verteilung und Energiemanagementsysteme. Der Kauf von GPUs allein bedeutet nicht, dass das Rechenzentrum sofort betriebsbereit ist. ⑪ Flüssigkeitskühlung und Wärmemanagement: $VRT $MOD Mit steigender Leistungsdichte pro Rack stoßen traditionelle Luftkühlungen an Grenzen. Flüssigkeitskühlung, CDU und zugehörige Wärmemanagementgeräte gewinnen an Bedeutung. ⑫ Rechenzentrumsimmobilien und Betrieb: $EQIX $DLR Umfasst den Bau von Rechenräumen, Vermietung, Hosting und Interconnect-Dienste. Der langfristige Wert hängt von Auslastung, Mieten, Stromressourcen und Kapitalrendite ab. III. Cloud-Computing und KI-Kommerzialisierung ⑬ Cloud-Computing und Rechenleistungsmiete: $MSFT $AMZN $GOOG $ORCL $CRWV Große Cloud-Anbieter beschaffen und betreiben Rechenleistung und berechnen Kunden Gebühren über Cloud-Dienste. Neue Rechenleistungsvermieter haben unterschiedliche Finanzierungs- und Kundenkonzentrationsrisiken. ⑭ KI-Grundmodelle und Entwicklungsplattformen: $GOOG $META $MSFT Umfasst Modelltraining, Inferenzdienste, Entwicklungstools und Ökosystemaufbau. Modellfähigkeiten sind wichtig, aber auch Kosten, Vertriebskanäle und Kommerzialisierung. ⑮ Unternehmens-KI-Software und Agenten: $NOW $CRM $ADBE $PLTR KI entwickelt sich von reinen Antwortgebern hin zu Aufgaben-Ausführern, was traditionelle SaaS-Abrechnungsmodelle und den Wettbewerb im Unternehmenssoftwaremarkt verändern könnte. ⑯ Edge-KI und Robotik: $AAPL $QCOM $TSLA KI-Fähigkeiten dringen zunehmend in Smartphones, PCs, Autos und Roboter vor. Der langfristige Markt ist groß, aber die Kommerzialisierungsreife variiert deutlich. Diese 16 Segmente sind nicht vollständig unabhängig; einige Unternehmen sind in mehreren Industrien aktiv. Bei der KI-Investition darf man nicht nur auf das Branchenwachstum schauen, sondern muss auch sehen, wo die Gewinne letztlich bleiben. Beispielsweise führen erhöhte Investitionen der Cloud-Anbieter direkt zu mehr Aufträgen für Chips, Server und Infrastruktur; ob die Cloud-Anbieter diese Investitionen durch Kundenzahlungen zurückgewinnen, bestimmt, wie nachhaltig dieses Wachstum ist. Ebenso bedeutet eine steigende Zahl von KI-Anwendern nicht zwangsläufig höhere Gewinnmargen für Anwendungsunternehmen. Modellaufrufgebühren, Wettbewerb und Zahlungsbereitschaft der Kunden beeinflussen die Profitabilität. Diese Serie wird künftig die 16 Segmente nacheinander behandeln, mit Fokus auf Marktgröße, technologische Barrieren, Kernbörsenunternehmen, Gewinnverteilung und Hauptrisiken. Die KI-Wertschöpfungskette ist lang, aber zwischen Branchenwachstum und Aktionärsrendite bestehen stets drei Variablen: Bewertung, Wettbewerb und Effizienz der Kapitalausgaben.