Nvidia står bag 92,4 procent af verdens suveræne AI

Undersøgelsen omfattede over 80 lande. Omkring 55 af dem har udviklet egne store sprogmodeller, og næsten alle modellerne kører på Nvidia-infrastruktur .

Neil Shah, analytiker hos Counterpoint, fremhævede selv ironien: Regeringer forsøger at opbygge teknologisk selvstændighed, men er samtidig overvejende afhængige af Nvidias hardware og software .

Hvorfor vinder Nvidia?

Nvidias forspring skyldes ikke alene, at virksomhedens chips er hurtige. Flere analyser peger på, at den vigtigste fordel ligger i kombinationen af software, systemer og skala.

CUDA gør et skifte dyrt

Nvidias største konkurrencefordel er CUDA – en platform med omkring to årtiers udviklerværktøjer, optimerede biblioteker og software til blandt andet modeltræning, inferens og robotsimulering .

Når forskere, virksomheder og offentlige AI-laboratorier først har bygget deres kode omkring CUDA, kan et skifte til en anden chipproducent kræve betydelige ændringer. Som en analyse formulerer det, har CUDA skabt så høje skifteomkostninger, at forskere, cloudleverandører og virksomheder har bygget hele økosystemer omkring platformen .

Der findes værktøjer, som forsøger at gøre AI-software mere uafhængig af bestemt hardware. OpenAI's Triton og andre compiler-teknologier kan blandt andet gøre det lettere at køre modeller på konkurrerende chips. Google og Amazon udvikler også egne AI-processorer. Men i suveræn AI har ingen af alternativerne endnu for alvor udfordret Nvidia .

Nvidia sælger hele stakken

Nvidia leverer ikke kun selve acceleratorerne. Virksomheden tilbyder også optimerede modellbiblioteker, netværksteknologier som NVLink og NVSwitch samt færdige AI-systemer .

For lande og offentlige projekter med begrænset tid eller teknisk kapacitet gør det Nvidia til det oplagte valg: Man køber i højere grad en samlet infrastruktur end en enkelt chip.

Skala giver adgang til produktion

Nvidia har sendt flere AI-acceleratorer på markedet end konkurrenterne tilsammen. Det giver virksomheden stor volumen, stærke relationer til forsyningskæden og adgang til betydelige forsknings- og udviklingsressourcer .

Hvem forsøger at skabe alternativer?

Konkurrenterne har endnu ikke ændret det samlede billede, men enkelte projekter viser, hvor alternativerne vokser frem:

• AMD: Virksomhedens vigtigste positioner i denne sammenhæng er knyttet til den europæiske supercomputer LUMI, Australiens Maincode-projekt og et samarbejde med Moreh i Sydkorea .
• Cerebras: Selskabet har fået fodfæste gennem Abu Dhabi-baserede G42 og Condor Galaxy-supercomputeren i Mellemøsten .
• NAVER i Sydkorea: NAVER, Nvidia og Brookfield arbejder på at udvide Sydkoreas nationale AI-fabriksinfrastruktur til 200 megawatt. Her er Nvidia dog partner – ikke konkurrent .
• Google og Amazon: Googles TPU v6 og Amazons Trainium 2 bruges i stigende grad til interne opgaver, især inferens, men de sælges endnu ikke i nævneværdigt omfang til suveræne AI-projekter .

Nvidia styrker også sin geopolitiske position

Nvidias rolle handler ikke længere kun om at sælge chips. Strategiske investeringer og partnerskaber kan samtidig fastholde virksomhedens platform som standard for fremtidens AI.

Investeringen i Ilya Sutskevers SSI

Den 27. juli 2026 annoncerede Nvidia et strategisk partnerskab med Safe Superintelligence, eller SSI, der er grundlagt af den tidligere OpenAI-chefforsker Ilya Sutskever. Reuters rapporterede, at investeringen lød på 5 milliarder dollar .

Aftalen giver SSI adgang til Nvidias kommende Vera Rubin-systemer. Ifølge Nvidia kan SSI dermed øge sin beregningskapacitet med en størrelsesorden . Partnerskabet knytter et fremtrædende AI-forskningsmiljø tæt til Nvidias kommende hardwareplatform.

Partnerskaber i Korea og Japan

Nvidias samarbejde med NAVER og Brookfield om Sydkoreas nationale AI-infrastruktur er dokumenteret . Der er også blevet henvist til AI-infrastrukturprojekter i Japan, men de tilgængelige kilder giver ikke tilstrækkelige detaljer til at bekræfte omfanget eller den ofte nævnte samlede værdi på over 500 milliarder dollar.

En fond til åbne AI-modeller

Nvidia har ifølge de tilgængelige oplysninger afsat 26 milliarder dollar over fem år til udvikling af såkaldte open-weight-modeller – modeller, hvor vægte og dele af teknologien kan gøres tilgængelige for andre . Hvis planerne gennemføres, kan de yderligere knytte offentlige og akademiske AI-projekter til Nvidias hardware og software.

USA, Kina og afhængigheden af AI-beregnekraft

Kina er ikke med i Counterpoint-undersøgelsen. Ifølge rapportens beskrivelse skyldes det blandt andet, at kinesiske chipproducenter som Huawei Ascend og Cambricon fortsat ligger efter Nvidia på ydeevne, mens amerikanske eksportrestriktioner begrænser Kinas adgang til de mest avancerede Nvidia-chips .

Kinesiske AI-laboratorier må derfor enten bruge ældre Nvidia-GPU'er, som blev købt før restriktionerne, anvende hjemlige alternativer med lavere ydeevne eller acceptere begrænset beregningskapacitet. Det kan gøre udviklingen af de mest avancerede modeller langsommere.

Situationen skaber et strategisk paradoks. Amerikanske eksportkontroller kan være med til at beskytte Nvidias globale position, fordi de begrænser kinesiske alternativer. Samtidig kan restriktionerne presse Kina til at fremskynde udviklingen af egne chips og en mere selvstændig AI-forsyningskæde.

De tilgængelige kilder indeholder derimod ikke tilstrækkelig, citerbar dokumentation for konkrete udtalelser fra DeepSeeks direktør, anklagerne mod Moonshot, amerikanske toldsatser i 2026, Section 232 eller detaljerne i den såkaldte "Pax Silica"-aftale. Disse dele bør derfor ikke behandles som fastslåede fakta.

Hvad er dokumenteret – og hvad er stadig uklart?

Den store modsætning i suveræn AI

Counterpoint Researchs tal tegner et klart billede: 92,4 procent er så høj en andel, at Nvidia i praksis fungerer som standardleverandør til suveræne AI-projekter uden for USA og Kina .

AMD har enkelte strategisk vigtige projekter i Europa, Australien og Sydkorea, mens Cerebras står stærkere i dele af Mellemøsten. Men de alternative fodfæster ændrer endnu ikke på hovedreglen.

Den politiske ambition er at opbygge AI, som landene selv kan kontrollere. Den tekniske virkelighed er, at denne AI i langt de fleste tilfælde stadig afhænger af én amerikansk virksomhed – både for chips, software og den samlede infrastruktur. Det er suveræn AI's centrale paradoks.