Am 22. August 2022 gab Nvidia die Übernahme von Omni ML bekannt, einem Startup, das für die Entwicklung des MosaicML-Frameworks bekannt ist, für etwa 800 Millionen US-Dollar. Der Deal war Teil von Nvidias Strategie, sein Ökosystem für künstliche Intelligenz über sein Kerngeschäft mit Hardware hinaus auszubauen.
Omni ML wurde 2021 von einem Team aus Ingenieuren und Forschern mit Hintergründen in maschinellem Lernen und Systemen gegründet. Das Unternehmen konzentrierte sich auf den Aufbau von Werkzeugen, um das Training und die Bereitstellung großer neuronaler Netze zu vereinfachen. Sein Flaggschiffprodukt, das MosaicML-Framework, ermöglichte es Entwicklern, große Sprachmodelle auf verteilter Recheninfrastruktur mit reduzierten Kosten und geringerer Komplexität zu trainieren.
Das Framework erlangte Aufmerksamkeit für seine Fähigkeit, den Trainingsprozess zu optimieren, indem es Techniken wie Modellbereinigung und Datenerweiterung einsetzte. Es unterstützte gängige Modellarchitekturen, einschließlich Transformatoren, und konnte auf verschiedenen Hardwareplattformen laufen, darunter Grafikprozessoren von Nvidia und AMD. Das Framework enthielt auch eine Laufzeitumgebung, die Modelle automatisch für spezifische Hardware optimieren konnte, wodurch der Bedarf an manueller Abstimmung reduziert wurde.
Die Übernahmeankündigung
Nvidia gab die Übernahme in einer Pressemitteilung am 22. August 2022 bekannt. Die Gesamtgegenleistung betrug etwa 800 Millionen US-Dollar, bestehend aus Bargeld und Aktien. Der Deal wurde im vierten Quartal 2022 nach Erhalt der behördlichen Genehmigungen abgeschlossen.
Die Übernahme wurde von Nvidias Unternehmensrechensparte geleitet, die für die KI-Softwareprodukte des Unternehmens verantwortlich war. Nvidia erklärte, dass die Technologie von Omni ML in seine AI Enterprise Suite integriert werde, eine Plattform, die für die Bereitstellung von KI-Anwendungen in Rechenzentren und Edge-Umgebungen entwickelt wurde. Das Unternehmen gab außerdem an, dass das MosaicML-Framework als eigenständiges Produkt für Entwickler verfügbar gemacht werde.
Strategische Begründung
Nvidias Hauptmotivation für die Übernahme war die Stärkung seiner Softwareangebote. Während Nvidia der dominierende Anbieter von KI-Beschleunigern war, sah sich sein Software-Stack Konkurrenz durch Open-Source-Frameworks und cloudbasierte Dienste gegenüber. Durch die Übernahme von Omni ML wollte Nvidia eine vollständigere Lösung bieten, die sowohl Training als auch Inferenz über eine Reihe von Hardware hinweg bewältigen konnte.
Das MosaicML-Framework war besonders wertvoll, weil es verteiltes Training über mehrere Knoten unterstützte, eine Funktion, die zunehmend wichtiger wurde, da große Sprachmodelle an Größe zunahmen. Nvidia plante, das Framework mit seinen eigenen Bibliotheken wie CUDA und TensorRT zu kombinieren, um ein nahtloses Erlebnis für KI-Entwickler zu bieten. Die Übernahme gab Nvidia auch Zugang zu Omni MLs Fachwissen in der Modelloptimierung, das auf seine eigenen Hardware-Designs angewendet werden konnte.
Branchenkontext
Die Übernahme erfolgte in einer Zeit schnellen Wachstums im Markt für generative KI. Im Jahr 2022 wurden große Sprachmodelle wie GPT-3 und BERT in einer Vielzahl von Anwendungen eingesetzt, von Chatbots bis zur Inhaltsgenerierung. Das Training dieser Modelle erforderte jedoch erhebliche Rechenressourcen, was den Zugang auf gut finanzierte Organisationen beschränkte.
Nvidias Wettbewerber, darunter AMD und Intel, investierten ebenfalls in KI-Software, um ihre Hardware zu ergänzen. Cloud-Anbieter wie Amazon Web Services, Google Cloud und Microsoft Azure boten verwaltete Dienste für KI-Training an, die oft Nvidia-GPUs nutzten. Die Übernahme von Omni ML ermöglichte es Nvidia, eine proprietäre Softwareschicht anzubieten, die seine Hardware von der der Rivalen unterscheiden konnte.
Reaktionen und Analyse
Branchenanalysten betrachteten die Übernahme als positiven Schritt für Nvidia, obwohl einige anmerkten, dass der Preis für ein Startup mit begrenzten Einnahmen hoch sei. Der Deal wurde als Teil eines breiteren Trends von Hardwareunternehmen gesehen, die Software-Startups übernehmen, um integrierte KI-Lösungen zu schaffen. Beispielsweise hatte Nvidia zuvor im Jahr 2020 Cumulus Networks übernommen, um seine Netzwerksoftware zu stärken.
Einige Beobachter wiesen darauf hin, dass die Technologie von Omni ML sich mit bestehenden Open-Source-Projekten wie PyTorch und TensorFlow überschnitt. Nvidia argumentierte jedoch, dass die Optimierungsfähigkeiten des Frameworks einen Wettbewerbsvorteil boten, insbesondere für Unternehmen, die KI-Modelle vor Ort oder in Hybrid-Cloud-Umgebungen bereitstellen mussten. Die Übernahme wurde auch als defensiver Schritt gesehen, um zu verhindern, dass Wettbewerber Zugang zu der Technologie erhalten.
Nachwirkungen
Nach der Übernahme trat das Team von Omni ML der Softwaresparte von Nvidia bei. Das MosaicML-Framework wurde in Nvidia Mosaic umbenannt und in die AI Enterprise-Plattform integriert. In den folgenden Monaten veröffentlichte Nvidia mehrere Updates, die Unterstützung für neue Modellarchitekturen und Hardwarekonfigurationen hinzufügten.
Die Übernahme hatte auch Auswirkungen auf das breitere KI-Ökosystem. Sie signalisierte, dass Nvidia bereit war, stark in Software zu investieren, um seine Führungsposition im KI-Markt zu behaupten. Bis Anfang 2023 waren Nvidias KI-Softwareeinnahmen erheblich gestiegen, getrieben durch die Einführung von Mosaic bei Unternehmenskunden. Die Nutzerbasis des Frameworks erweiterte sich um Forschungseinrichtungen und Startups, die zuvor auf Open-Source-Werkzeuge angewiesen waren.
Vermächtnis
Die Übernahme von Omni ML wird als Schlüsselmoment in Nvidias Transformation von einem Hardwareunternehmen zu einem Full-Stack-KI-Anbieter in Erinnerung behalten. Sie zeigte die Bedeutung von Software für die Erschließung des Potenzials von KI-Hardware und setzte einen Präzedenzfall für zukünftige Übernahmen in der Branche.
Heute wird die von Omni ML entwickelte Technologie weiterhin in Nvidias Produkten verwendet, einschließlich seiner DGX-Systeme und Cloud-Dienste. Der Einfluss des Frameworks zeigt sich in der weit verbreiteten Einführung effizienter Trainingstechniken wie Mixed-Precision-Training und Gradientenakkumulation, die heute im Bereich des tiefen Lernens Standard sind. Die Übernahme unterstrich auch die wachsende Bedeutung der Softwareoptimierung im KI-Hardwaremarkt.