BigCapital Beta

Artikel · Technologie

Der KI-Boom in Zahlen

Seit 2010 hat sich die Rechenleistung, mit der bedeutende KI-Modelle trainiert werden, alle 5,7 Monate verdoppelt — ×4,3 pro Jahr, nach einem Trend, der an 481 Modelle in den Daten von Epoch AI angepasst wurde. Microsoft, Alphabet, Amazon, Meta und Oracle gaben in den vier Quartalen bis September 2026 $691 Mrd. für Sachanlagen aus, ein Anstieg auf das 4,5-Fache gegenüber den vier Quartalen vor der Veröffentlichung von ChatGPT. Der Umsatz von NVIDIA lag im Geschäftsjahr 2026 bei $216 Mrd., ein Anstieg auf das 8,01-Fache gegenüber dem Geschäftsjahr 2023.

Aktualisiert mit Daten von Nov 20269 Min. Lesezeit

Der Trainingsrechenaufwand verdoppelt sich alle
5,7 Monate

×4,3 pro Jahr seit 2010, ein an 481 bedeutende Modelle angepasster Trend; vor 2010: alle 20,5 Monate

Der größte Trainingslauf in den Daten, FLOP
9,4×1026

GPT-6 Astra, OpenAI, Sep 2026

Modelle mit mehr als 10²³ FLOP, veröffentlicht in 2025
104

1 in 2019; insgesamt 326 mit Schätzung

Investitionen der Big-Tech-Konzerne, vier Quartale bis September 2026
$691 Mrd.

Microsoft, Alphabet, Amazon, Meta und Oracle; $154 Mrd. in den vier Quartalen bis September 2022

Umsatz von NVIDIA, Geschäftsjahr 2026
$216 Mrd.

Geschäftsjahr 2023: $27 Mrd.; Nettogewinn $120 Mrd., 56% vom Umsatz

Der Trainingsrechenaufwand verdoppelt sich alle 5,7 Monate

Jeder Punkt ist eines der 543 bedeutenden KI-Modelle, für die Epoch AI den Trainingsrechenaufwand schätzt: die Zahl der Gleitkommaoperationen (FLOP) — Additionen und Multiplikationen —, die in das Training eingeflossen sind. Sie reichen von Theseus, die labyrinthlösende mechanische Maus von Claude Shannon aus dem Jahr 1950, trainiert mit 40 FLOP, bis zum bisher größten, GPT-6 Astra von OpenAI (Sep 2026), mit 9,4×10²⁶ FLOP.

Die Skala ist logarithmisch, eine gerade Linie bedeutet also stetiges exponentielles Wachstum. Eine Gerade nach der Methode der kleinsten Quadrate durch die 481 seit 2010 veröffentlichten Modelle steigt um ×4,3 pro Jahr: Der Trainingsrechenaufwand hat sich alle 5,7 Monate verdoppelt, und in zehn Jahren wächst er entlang der Linie auf das 2,15 Mio.-Fache. Durch die 62 Modelle vor 2010 stieg er um ×1,5 pro Jahr, eine Verdopplung alle 20,5 Monate. Frontier-Modelle — die fünf größten nach Rechenaufwand zum Zeitpunkt ihrer Veröffentlichung — verdoppelten sich seit 2010 alle 5,4 Monate (72 Modelle).

Die Zahlen sind Schätzungen. Epoch stuft 59% davon als sicher ein (um höchstens das Dreifache nach oben oder unten falsch), 28% als wahrscheinlich (innerhalb des Zehnfachen) und 12% als spekulativ (innerhalb von etwa dem 31-Fachen); spekulative sind als hohle Punkte dargestellt. Ohne sie verdoppelt sich der Trend seit 2010 alle 5,6 Monate.

Frontier-Modell (bei Veröffentlichung unter den fünf größten nach Rechenaufwand)Anderes bedeutendes ModellSpekulative SchätzungTrend vor 2010Trend seit 2010
Bedeutende Modelle mit einer Schätzung des Trainingsrechenaufwands, nach Veröffentlichungsdatum. Logarithmische Skala. Linien: Trends nach kleinsten Quadraten vor und seit 2010. Benannt: Rekorde beim Rechenaufwand, jeweils mindestens das 10-Fache des zuvor benannten. Daten: Epoch AI, „Data on AI models“ (CC BY 4.0); Trends und Zählungen von BigCapital berechnet
Die Trends als Tabelle
ModelleAnzahlVerdopplungszeitWachstum pro JahrR²
Bedeutende Modelle vor 20106220,5 Monate×1,50,69
Bedeutende Modelle seit 20104815,7 Monate×4,30,66
Frontier-Modelle seit 2010725,4 Monate×4,60,97
Sprachmodelle seit 20103024,9 Monate×5,50,68
Seit 2010, ohne spekulative Schätzungen4225,6 Monate×4,40,67

Kleinste Quadrate von log₂ des Trainingsrechenaufwands auf das Veröffentlichungsdatum in Jahren; Verdopplungszeit = 12 ÷ Steigung in Monaten, Wachstum pro Jahr = 2^Steigung. R² ist der Anteil der Streuung im logarithmierten Rechenaufwand, den die Gerade erklärt.

Das größte Modell jedes Jahres

Seit 2010 wurde 24 Mal ein neuer Rekord beim Rechenaufwand aufgestellt. Das größte Modell von 2010, RNN LM, wurde mit 5,4×10¹⁶ FLOP trainiert; GPT-6 Astra steigerte den Rechenaufwand auf das 17,4 Mrd.-Fache.

Epoch AI schätzt außerdem die Kosten des Trainingsrechenaufwands für 178 der Modelle, in Dollar von 2023. Die höchste Schätzung beträgt $388 Mio., für Grok 4 (xAI, 2025); über $100 Mio.: 3 Modelle. Die größte Leistungsaufnahme in den Daten, etwa 233 Megawatt, entfiel nach Schätzung von Epoch auf die 100.000 Chips, mit denen GPT-6 Astra trainiert wurde.

JahrModell und EntwicklerTrainingsrechenaufwand, FLOP× das VorjahrRechenkosten, Dollar von 2023
2010RNN LMJohns Hopkins University · Vereinigte Staaten5,4×1016spekulativ——
2011CNN Committee (MNIST)IDSIA · Schweiz5,2×1016wahrscheinlich×0,96—
2012Unsupervised High-level Feature LearnerGoogle · Vereinigte Staaten6,0×1017wahrscheinlich×11,5$16
2013DistBelief NNLMGoogle · Vereinigte Staaten2,6×1018wahrscheinlich×4,35$3,26 Tsd.
2014SNM-skipGoogle · Vereinigte Staaten3,0×1020spekulativ×114—
2015AlphaGo FanDeepMind · Vereinigtes Königreich3,8×1020wahrscheinlich×1,28$4,83 Tsd.
2016GNMTGoogle · Vereinigte Staaten6,6×1021wahrscheinlich×17,4$201 Tsd.
2017JFTGoogle Research, Carnegie Mellon University (CMU) · Vereinigte Staaten8,4×1020sicher×0,13$17,9 Tsd.
2018ResNeXt-101 32x48dFacebook · Vereinigte Staaten8,7×1021sicher×10,4$134 Tsd.
2019AlphaStarDeepMind · Vereinigtes Königreich1,1×1023sicher×12,3$131 Tsd.
2020GPT-3 175B (davinci)OpenAI · Vereinigte Staaten3,1×1023sicher×2,91$2,12 Mio.
2021FLAN 137BGoogle Research · Vereinigte Staaten2,0×1024sicher×6,52—
2022Minerva (540B)Google · Vereinigte Staaten2,7×1024sicher×1,34—
2023Gemini 1.0 UltraGoogle DeepMind · Vereinigte Staaten5,0×1025spekulativ×18,2$30,7 Mio.
2024Llama 3.1-405BMeta AI · Vereinigte Staaten3,8×1025sicher×0,76$52,9 Mio.
2025Grok 4xAI · Vereinigte Staaten5,0×1026spekulativ×13,2$388 Mio.
2026bisherGPT-6 AstraOpenAI · Vereinigte Staaten9,4×1026wahrscheinlich×1,88—

Das bedeutende Modell mit dem größten Trainingsrechenaufwand, der in dem jeweiligen Jahr veröffentlicht wurde; × das Vorjahr vergleicht es mit dem größten Modell des Vorjahres. Unter dem Rechenaufwand: wie sicher sich Epoch AI bei der Schätzung ist. Kosten: Schätzung von Epoch AI, soweit vorhanden.

Der Club der 10²³ FLOP

Epoch AI führt eine Liste großer Modelle: solcher, die mit mehr als 10²³ FLOP trainiert wurden, eine feste Schwelle, die manche KI-Regulierungen verwenden. Für 326 davon liegt eine Schätzung des Rechenaufwands vor. Das erste war AlphaStar in 2019; in 2025 überschritten 104 Modelle die Schwelle, nach 101 in 2024.

Die ersten Modelle oberhalb der höheren Schwellen waren Wu Dao 2.0 über 10²⁴ (2021), GPT-4 über 10²⁵ (2023) und Grok 3 über 10²⁶ (2025). Modelle mit mehr als 10²⁵ FLOP, veröffentlicht in 2025: 9. Von allen 104 im Club in diesem Jahr wurden 90 mit offenen Gewichten veröffentlicht — jeder kann sie herunterladen und ausführen — und 10 nur über eine API oder einen gehosteten Dienst; 4 wurden nicht veröffentlicht.

2026 ist noch nicht vorbei: Bis 10. November 2026 enthält die Liste 27 Modelle mit Schätzung. Epoch ergänzt neue Modelle innerhalb weniger Wochen und die Schätzungen des Rechenaufwands später, die letzten Monate füllen sich also mit der Zeit. Außerdem stehen auf der Liste 208 Modelle ohne Schätzung des Rechenaufwands; sie sind hier nicht mitgezählt.

10²³ bis 10²⁴10²⁴ bis 10²⁵10²⁵ bis 10²⁶über 10²⁶
Ein Quadrat pro Modell, das Epoch AI als mit mehr als 10²³ FLOP trainiert aufführt und für das eine Schätzung des Rechenaufwands vorliegt, im Jahr der Veröffentlichung; das größte steht jeweils unten in der Spalte. 2026: bis 10. November 2026. Daten: Epoch AI, „Data on AI models“ (CC BY 4.0); Trends und Zählungen von BigCapital berechnet
Die Quadrate als Tabelle
JahrÜber 10²³Über 10²⁴Über 10²⁵Über 10²⁶Keine Schätzung
201910000
202020000
2021103000
2022233008
202358173063
2024101396066
2025104719361
2026bisher27257110

Modelle mit Schätzung des Rechenaufwands, nach Veröffentlichungsjahr; ein Modell mit mehr als 10²⁵ FLOP zählt auch zu den Modellen mit mehr als 10²⁴ und 10²³. Keine Schätzung: auf der Liste großer Modelle von Epoch ohne Angabe zum Rechenaufwand.

Wer sie baut

Organisationen in den USA waren an 135 der 326 Modelle mit mehr als 10²³ FLOP beteiligt, Organisationen in China an 139; danach folgen Südkorea (17), Frankreich (10) und Vereinigte Arabische Emirate (8). Ein Modell, das von mehreren Organisationen gebaut wurde, zählt für jedes ihrer Länder einmal.

Die meisten stammten von Alibaba (36), Meta AI (24) und Nvidia (20). Gruppen sind so benannt wie in den Daten, daher werden die von Google getrennt gezählt: Google, Google DeepMind, Google Research, DeepMind und Google Brain.

Modelle mit mehr als 10²³ FLOP, nach Land
  1. China139
  2. Vereinigte Staaten135
  3. Südkorea17
  4. Frankreich10
  5. Vereinigte Arabische Emirate8
  6. Vereinigtes Königreich5
  7. Deutschland4
  8. Hongkong3
  9. Russland3
  10. Finnland2
Modelle mit mehr als 10²³ FLOP, nach Organisation
  1. Alibaba36
  2. Meta AI24
  3. Nvidia20
  4. DeepSeek17
  5. OpenAI11
  6. Google10
  7. IBM10
  8. Tsinghua University10
  9. ByteDance8
  10. Z.ai (Zhipu AI)8
  11. 01.AI7
  12. Ant Group6

Modelle mit Schätzung des Rechenaufwands; ein Modell zählt für jedes Land und jede Organisation, die es nennt, einmal. Organisationen so, wie Epoch AI sie benennt.

Unternehmen, nicht Universitäten

Von den 109 bedeutenden Modellen, die in 2025 veröffentlicht wurden, stammten 92% allein von Unternehmen, 5% von Unternehmen in Zusammenarbeit mit Universitäten und 2% allein von Universitäten. In 2010–2014 stammten 19% davon allein von Unternehmen.

UnternehmenUnternehmen mit UniversitätenUniversitätenSonstige oder unbekannt
Alle bedeutenden Modelle (mit oder ohne Schätzung des Rechenaufwands) nach Veröffentlichungsjahr und nach Urheber, so wie Epoch AI die Organisationen einordnet. Sonstige: Regierungen, Forschungskollektive, nicht eingeordnet. 2026: bis 10. November 2026. Daten: Epoch AI, „Data on AI models“ (CC BY 4.0); Trends und Zählungen von BigCapital berechnet

Das Geld: die Investitionen der Big-Tech-Konzerne

Das Training und der Betrieb von KI-Modellen erfordern Rechenzentren voller Chips, und die Unternehmen, die die größten davon bauen, weisen die Rechnung als Investitionsausgaben aus: Barzahlungen für Sachanlagen. Microsoft, Alphabet, Amazon, Meta und Oracle gaben zusammen in den vier Quartalen bis September 2026 $691 Mrd. aus, ein Anstieg auf das 4,5-Fache gegenüber den $154 Mrd. der vier Quartale bis September 2022 — dem letzten Quartal vor der Veröffentlichung von ChatGPT am 30. November 2022. Das sind $1,89 Mrd. pro Tag oder $21.900 in jeder Sekunde.

Gemessen an ihrer Größe beanspruchten die Ausgaben in den letzten vier Quartalen 36% des Umsatzes der fünf Unternehmen, gegenüber 13% zuvor, und 95% des Geldes, das ihr operatives Geschäft einbrachte, gegenüber 54%. Am meisten gab Amazon aus, nämlich $215 Mrd.

Aus den Berichten geht nicht hervor, wie viel davon in KI floss. Investitionsausgaben bezahlen auch Büros und andere Gebäude — bei Amazon zusätzlich Lagerhäuser und ein Liefernetz —, und jedes Unternehmen weist sie nach eigenen Definitionen aus.

MicrosoftAlphabetAmazonMetaOracle
Investitionsausgaben nach Kalenderquartal, aus den Kapitalflussrechnungen. Die Quartale von Oracle enden im Februar, Mai, August und November und werden dem Kalenderquartal zugeordnet, in dem sie enden. Schattiert: die vier Quartale bis September 2022 und bis September 2026. Quelle: SEC EDGAR (Unternehmensberichte)

Veränderung gegenüber den vier Quartalen bis September 2022. Balken: Investitionsausgaben pro Quartal seit 2015, jedes Unternehmen auf eigener Skala. Über 100% des operativen Cashflows: Es wurde mehr ausgegeben, als das operative Geschäft einbrachte. Die Karten verlinken auf die Unternehmensseiten.

Investitionsausgaben nach Kalenderjahr
JahrMicrosoftAlphabetAmazonMetaOracleGesamt
2015$6,55 Mrd.$9,93 Mrd.$4,59 Mrd.$2,52 Mrd.$1,61 Mrd.$25,2 Mrd.
2016$9,11 Mrd.$10,2 Mrd.$6,74 Mrd.$4,49 Mrd.$1,6 Mrd.$32,2 Mrd.
2017$8,7 Mrd.$13,2 Mrd.$12 Mrd.$6,73 Mrd.$2,04 Mrd.$42,6 Mrd.
2018$14,2 Mrd.$25,1 Mrd.$13,4 Mrd.$13,9 Mrd.$1,47 Mrd.$68,2 Mrd.
2019$13,5 Mrd.$23,5 Mrd.$16,9 Mrd.$15,1 Mrd.$1,59 Mrd.$70,6 Mrd.
2020$17,6 Mrd.$22,3 Mrd.$40,1 Mrd.$15,2 Mrd.$1,83 Mrd.$97 Mrd.
2021$23,2 Mrd.$24,6 Mrd.$61,1 Mrd.$18,7 Mrd.$3,12 Mrd.$131 Mrd.
2022$24,8 Mrd.$31,5 Mrd.$63,6 Mrd.$31,2 Mrd.$6,68 Mrd.$158 Mrd.
2023$35,2 Mrd.$32,3 Mrd.$52,7 Mrd.$27 Mrd.$6,93 Mrd.$154 Mrd.
2024$55,6 Mrd.$52,5 Mrd.$83 Mrd.$37,3 Mrd.$10,7 Mrd.$239 Mrd.
2025$83,1 Mrd.$91,4 Mrd.$132 Mrd.$69,7 Mrd.$35,5 Mrd.$412 Mrd.
20263 Quartale$106 Mrd.$132 Mrd.$176 Mrd.$83,1 Mrd.$63,6 Mrd.$560 Mrd.

NVIDIA: Der Verkauf der Schaufeln

Epoch AI erfasst die Trainingshardware von 278 bedeutenden Modellen, die seit 2020 veröffentlicht wurden: 204 davon (73%) wurden auf NVIDIA-Chips trainiert und 68 (24%) auf den TPUs von Google.

Das Geschäftsjahr von NVIDIA endet Ende Januar: Das Geschäftsjahr 2026 lief bis 25. Januar 2026. Der Umsatz in diesem Jahr lag bei $216 Mrd., ein Anstieg auf das 8,01-Fache gegenüber dem Geschäftsjahr 2023 ($27 Mrd.), dem Jahr, das 2 Monate nach der Veröffentlichung von ChatGPT endete. Der Nettogewinn stieg von $4,37 Mrd. (16% vom Umsatz) auf $120 Mrd. (56%).

Das jüngste Quartal in den Berichten, Q2 GJ2027 (bis 26. Juli 2026), brachte einen Umsatz von $96,2 Mrd. und einen Nettogewinn von $59,7 Mrd.; 75% des Umsatzes blieben nach den Kosten der verkauften Waren übrig (Bruttomarge). Die vier Quartale bis 26. Juli 2026 summieren sich auf $303 Mrd. Umsatz und $193 Mrd. Nettogewinn — in diesem Tempo kam ein Nettogewinn in Höhe des gesamten Umsatzes von NVIDIA im Geschäftsjahr 2016 ($5,01 Mrd.) alle 9,5 Tage zusammen.

Die hier verwendeten SEC-Daten geben den Gesamtumsatz von NVIDIA an, nicht die Aufteilung nach Märkten, deshalb zeigt das Diagramm die Gesamtsumme. Der Marktwert der von der Öffentlichkeit gehaltenen NVIDIA-Aktien — der Streubesitz auf dem Deckblatt des Jahresberichts, nicht die Marktkapitalisierung — betrug $434 Mrd. Ende Juli 2022 und $4,0 Bio. Ende Juli 2025.

UmsatzNettogewinn
Umsatz und Nettogewinn nach Geschäftsquartal, wie gemeldet; Geschäftsjahre so, wie NVIDIA sie benennt (Geschäftsjahr 2026 endete 25. Januar 2026). Gestrichelte Linie: Veröffentlichung von ChatGPT, 30. November 2022. Quelle: SEC EDGAR (Unternehmensberichte)
GeschäftsjahrUmsatzVeränderungBruttomargeNettogewinnNettomarge
Geschäftsjahr 2016endete 31. Januar 2016$5,01 Mrd.+7%56,1%$614 Mio.12,3%
Geschäftsjahr 2017endete 29. Januar 2017$6,91 Mrd.+38%58,8%$1,67 Mrd.24,1%
Geschäftsjahr 2018endete 28. Januar 2018$9,71 Mrd.+41%59,9%$3,05 Mrd.31,4%
Geschäftsjahr 2019endete 27. Januar 2019$11,7 Mrd.+21%61,2%$4,14 Mrd.35,3%
Geschäftsjahr 2020endete 26. Januar 2020$10,9 Mrd.−7%62,0%$2,8 Mrd.25,6%
Geschäftsjahr 2021endete 31. Januar 2021$16,7 Mrd.+53%62,3%$4,33 Mrd.26,0%
Geschäftsjahr 2022endete 30. Januar 2022$26,9 Mrd.+61%64,9%$9,75 Mrd.36,2%
Geschäftsjahr 2023endete 29. Januar 2023$27 Mrd.+0%56,9%$4,37 Mrd.16,2%
Geschäftsjahr 2024endete 28. Januar 2024$60,9 Mrd.+126%72,7%$29,8 Mrd.48,8%
Geschäftsjahr 2025endete 26. Januar 2025$130 Mrd.+114%75,0%$72,9 Mrd.55,8%
Geschäftsjahr 2026endete 25. Januar 2026$216 Mrd.+65%71,1%$120 Mrd.55,6%
Letzte vier Quartalebis 26. Juli 2026$303 Mrd.74,7%$193 Mrd.63,7%

Häufige Fragen

Wie schnell wächst die KI?

Eine Größe, die Epoch AI für jedes bedeutende Modell erfasst, ist der Trainingsrechenaufwand. Seit 2010 hat er sich alle 5,7 Monate verdoppelt — ×4,3 pro Jahr, nach einem Trend nach kleinsten Quadraten über 481 Modelle. Vor 2010 verdoppelte er sich alle 20,5 Monate.

Was ist ein FLOP in der KI?

Eine Gleitkommaoperation: eine Addition oder Multiplikation von Dezimalzahlen. Der Trainingsrechenaufwand ist die Gesamtmenge, die für das Training eines Modells anfällt: GPT-6 Astra benötigte nach Schätzung von Epoch AI etwa 9,4×10²⁶ FLOP, Theseus aus dem Jahr 1950 benötigte 40.

Wie viel kostet es, ein KI-Modell zu trainieren?

Epoch AI schätzt die Kosten des Trainingsrechenaufwands für 178 bedeutende Modelle, in Dollar von 2023. Die höchste Schätzung beträgt $388 Mio., für Grok 4 (2025); der Median der 7 Schätzungen für Modelle, die in 2025 veröffentlicht wurden, beträgt $44,6 Mio. Die Zahlen umfassen nur den Rechenaufwand.

Wie viel geben Technologiekonzerne für KI-Rechenzentren aus?

Die Berichte weisen die Investitionsausgaben insgesamt aus, nicht den Teil für KI. Microsoft, Alphabet, Amazon, Meta und Oracle gaben in den vier Quartalen bis September 2026 $691 Mrd. aus, gegenüber $154 Mrd. in den vier Quartalen bis September 2022; am meisten gab Amazon aus ($215 Mrd.).

Wie viel Geld verdient NVIDIA?

Im Geschäftsjahr 2026, bis 25. Januar 2026, lag der Umsatz bei $216 Mrd. und der Nettogewinn bei $120 Mrd. In den vier Quartalen bis 26. Juli 2026: Umsatz $303 Mrd., Nettogewinn $193 Mrd.

Mehr erfahren

So werden die Zahlen berechnet

  • KI-Modelle: Epoch AI, „Data on AI models“. Online veröffentlicht auf epoch.ai. Abgerufen unter https://epoch.ai/data/ai-models [Online-Ressource]. Aufgerufen am 15. November 2026. Lizenz CC BY 4.0: frei nutzbar, verbreitbar und vervielfältigbar unter Nennung von Epoch AI. Die Diagramme, Trends und Zählungen auf dieser Seite wurden von BigCapital berechnet.
  • Trainingsrechenaufwand: Gleitkommaoperationen, die zum Training eines Modells verwendet wurden, so wie der Entwickler sie angibt oder Epoch AI sie aus der Hardware und der Trainingsdauer oder aus der Größe des Modells und den Trainingsdaten schätzt. Sicherheit, die 90%-Bereiche von Epoch: sicher innerhalb des Dreifachen, wahrscheinlich innerhalb des Zehnfachen, spekulativ innerhalb von etwa dem 31-Fachen.
  • Trends: gewöhnliche Methode der kleinsten Quadrate von log₂ (Trainingsrechenaufwand) auf das Veröffentlichungsdatum in Jahren, für bedeutende Modelle mit Schätzung; Verdopplungszeit = 12 ÷ Steigung in Monaten, Wachstum pro Jahr = 2^Steigung. „Seit 2010“: veröffentlicht ab dem 1. Januar 2010. Ein Rekord: mehr Rechenaufwand als bei jedem früheren bedeutenden Modell.
  • Bedeutende Modelle: die Liste von Epoch mit Modellen, die den Stand der Technik vorangebracht haben, häufig zitiert wurden, historisch relevant sind oder weit verbreitet genutzt werden; Frontier-Modelle gehörten bei ihrer Veröffentlichung zu den fünf größten nach Trainingsrechenaufwand. Großmodelle: die Liste von Epoch mit Modellen über 10²³ FLOP, gezählt nach Veröffentlichungsjahr und einmal für jedes genannte Land und jede genannte Organisation.
  • Unternehmenszahlen: SEC EDGAR, XBRL Company Facts der Berichte 10-K und 10-Q (gemeinfrei).
  • Investitionsausgaben: Zahlungen für den Erwerb von Sachanlagen in der Kapitalflussrechnung, unter dem XBRL-Tag, den jedes Unternehmen verwendet; ein Quartal, das nicht einzeln gemeldet wird, ist das Jahr bis zum Stichtag minus das vorherige Jahr bis zum Stichtag. Umsatz, Nettogewinn, Bruttogewinn und operativer Cashflow wie gemeldet. Amazon, Q2 2017: nicht in den XBRL-Daten enthalten, daher ist es das Geschäftsjahr minus seiner drei anderen Quartale.
  • Geschäftsjahre so, wie die Unternehmen sie benennen: Das Geschäftsjahr 2026 von NVIDIA endete am 25. Januar 2026. Das Diagramm der Investitionen verwendet Kalenderquartale.
  • Vergangene Zahlen sind Geschichte, keine Prognose. Nichts hier ist eine Anlageberatung.

Diesen Artikel weiterverwenden

Text und Diagramme dürfen unter CC BY 4.0 frei weiterverbreitet, übersetzt und bearbeitet werden: Nennen Sie BigCapital.org mit einem Link auf diese Seite. Daten anderer Anbieter behalten ihre eigene Lizenz (siehe die Quellen unten). So nennen Sie die Quelle

Quelle: BigCapital.org — „Der KI-Boom in Zahlen“, https://bigcapital.org/de/articles/ai-boom/

Sprache

EnglishBahasa IndonesiaDeutschEspañolFrançaisItalianoNederlandsPolskiPortuguêsTürkçeРусскийУкраїнська日本語한국어简体中文