Nvidia investiert 26 Mrd. USD in Open-Source-Modelle als Chip-Nachfrage-Strategie
Nathan Lambert argumentiert, dass der klassische Vergleich zwischen Open-Source-Modellen und Linux zwar naheliegt, aber einen entscheidenden Unterschied verdeckt: Während Linux sich selbst trägt, sobald eine kritische Masse erreicht ist, fehlt dem Open-Weight-Ökosystem ein vergleichbarer selbstverstärkender Finanzierungsmechanismus. Lambert unterscheidet dabei scharf zwischen echten Open-Source-Modellen (mit vollständigem Training-Rezept, Daten und Code – verkörpert durch Projekte wie OLMo von Ai2 oder Pythia von EleutherAI) und bloßen Open-Weight-Releases, die nur Gewichte und Inferenzcode umfassen. Nvidias Strategie zielt darauf ab, möglichst viele Akteure zur Modellentwicklung zu befähigen – nicht aus Altruismus, sondern weil eine fragmentierte Anbieterlandschaft maximale Chip-Nachfrage erzeugt statt einer Monopolkonzentration bei Anthropic oder OpenAI. Lambert skizziert zwei Szenarien: Entweder amortisiert Nvidia die 26 Mrd. USD durch Mehrverkäufe seiner Hardware, oder das Open-Source-Ökosystem weicht einem spezialisierten Pfad aus – effiziente, anpassbare Modelle für Enterprise-Nischen wie On-Premises-Agenten mit privaten Daten. Als strukturelles Signal wertet Lambert, dass Basis-Modell-Training zunehmend opak wird – ähnlich wie Pretraining at Scale vor einigen Jahren –, was das Interesse an vollständig offenen Trainingspipelines langfristig dämpft. Plattformen wie Tinker, heute laut Lambert die meistgenutzte Fine-Tuning-API, zeigen, wo der Schwerpunkt der Community aktuell liegt: in der Nachnutzung bestehender Modelle wie DeepSeek V4 Flash oder Inkling Small, nicht im
- Echte Open-Source-Modelle (inkl. Trainingsdaten und -code) wie OLMo unterscheidet Lambert von Open-Weight-Releases, die nur Gewichte liefern.
- Databricks und 01.ai werden explizit als Beispiele für Unternehmen genannt, die aus dem Modelltraining ausgestiegen sind – Lambert wertet sie jedoch als Anomalien, nicht als Trend.
- Die heute dominante Post-Training-Aktivität der Community – Finetuning auf Modellen wie DeepSeek V4 Flash, Inkling Small oder GLM 5.X – findet laut Lambert vor allem über Tinker statt, die meistgenutzte Finetuning-API.
- Lambert skizziert eine mögliche neue Terminologie: statt Pretraining/Midtraining/Post-Training künftig Pretraining, Reasoning Training und Post-Training – als Reaktion auf zunehmend undurchsichtige Kerntrainingsprozesse.
- Open-Model-Anbieter experimentieren laut Lambert mit Revenue-Share-Lizenzen für kommerzielle Downstream-Nutzung, um die Finanzierung von Near-Frontier-Modellen langfristig zu sichern.
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge
Nvidia investiert 26 Mrd. USD in Open-Source-Modelle als Chip-Nachfrage-Strategie
Nathan Lambert argumentiert, dass der klassische Vergleich zwischen Open-Source-Modellen und Linux zwar naheliegt, aber einen entscheidenden Unterschied verdeckt: Während Linux sich selbst trägt, sobald eine kritische Masse erreicht ist, fehlt dem Open-Weight-Ökosystem ein vergleichbarer selbstverstärkender Finanzierungsmechanismus. Lambert unterscheidet dabei scharf zwischen echten Open-Source-Modellen (mit vollständigem Training-Rezept, Daten und Code – verkörpert durch Projekte wie OLMo von Ai2 oder Pythia von EleutherAI) und bloßen Open-Weight-Releases, die nur Gewichte und Inferenzcode umfassen. Nvidias Strategie zielt darauf ab, möglichst viele Akteure zur Modellentwicklung zu befähigen – nicht aus Altruismus, sondern weil eine fragmentierte Anbieterlandschaft maximale Chip-Nachfrage erzeugt statt einer Monopolkonzentration bei Anthropic oder OpenAI. Lambert skizziert zwei Szenarien: Entweder amortisiert Nvidia die 26 Mrd. USD durch Mehrverkäufe seiner Hardware, oder das Open-Source-Ökosystem weicht einem spezialisierten Pfad aus – effiziente, anpassbare Modelle für Enterprise-Nischen wie On-Premises-Agenten mit privaten Daten. Als strukturelles Signal wertet Lambert, dass Basis-Modell-Training zunehmend opak wird – ähnlich wie Pretraining at Scale vor einigen Jahren –, was das Interesse an vollständig offenen Trainingspipelines langfristig dämpft. Plattformen wie Tinker, heute laut Lambert die meistgenutzte Fine-Tuning-API, zeigen, wo der Schwerpunkt der Community aktuell liegt: in der Nachnutzung bestehender Modelle wie DeepSeek V4 Flash oder Inkling Small, nicht im
- Echte Open-Source-Modelle (inkl. Trainingsdaten und -code) wie OLMo unterscheidet Lambert von Open-Weight-Releases, die nur Gewichte liefern.
- Databricks und 01.ai werden explizit als Beispiele für Unternehmen genannt, die aus dem Modelltraining ausgestiegen sind – Lambert wertet sie jedoch als Anomalien, nicht als Trend.
- Die heute dominante Post-Training-Aktivität der Community – Finetuning auf Modellen wie DeepSeek V4 Flash, Inkling Small oder GLM 5.X – findet laut Lambert vor allem über Tinker statt, die meistgenutzte Finetuning-API.
- Lambert skizziert eine mögliche neue Terminologie: statt Pretraining/Midtraining/Post-Training künftig Pretraining, Reasoning Training und Post-Training – als Reaktion auf zunehmend undurchsichtige Kerntrainingsprozesse.
- Open-Model-Anbieter experimentieren laut Lambert mit Revenue-Share-Lizenzen für kommerzielle Downstream-Nutzung, um die Finanzierung von Near-Frontier-Modellen langfristig zu sichern.
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.