Warum wollen alle fortschrittlichen KI-Unternehmen selbst Chips herstellen?

Am 7. Juli wurden zwei Nachrichten über die selbst entwickelte Chips chinesischer KI-Unternehmen zu heißen Themen.

Zuerst die Exklusivmeldung von Reuters: DeepSeek entwickelt seine eigenen Chips. Die Nachricht beruft sich auf drei informierte Quellen und sagt, dass dieser Chip auf Inferenz (Inference) abzielt, nicht auf Training. Dem Bericht zufolge rekrutiert DeepSeek heimlich Chip-Design-Ingenieure, ohne öffentliche Stellenausschreibungen zu nutzen, und steht gleichzeitig in Kontakt mit externen Auftragsherstellern und Speicherherstellern. DeepSeek hat auf die Anfrage nach einer Stellungnahme nicht reagiert, und die Nachricht ist umstritten, da sie derzeit nur eine einzige Quelle – Reuters – hat.

Am selben Tag berichtete The Information, dass ein weiteres chinesisches Labor, Zhipu, ebenfalls die Bewertung von selbst entwickelten kundenspezifischen Chips durchführt. Informierte Quellen zufolge liegt der Grund in dem explosionsartigen Anstieg der Nachfrage nach GLM-5.2. Laut Berichten von The Information und mehreren Zitierquellen ist dieses Modell das am schnellsten wachsende Modell auf der Vercel-Modellaggregationsplattform, und der durchschnittliche tägliche Token-Verbrauch in der ersten Woche nach der Veröffentlichung stieg zeitweise auf das 27-fache. Zhipu hat bereits erste Kontakte zu mehreren inländischen Chip-Design-Unternehmen geknüpft, aber noch keinen Kooperationspartner ausgewählt. Angeblich dauert das gesamte Projekt möglicherweise mehr als zwei Jahre. Nach der Nachricht stieg der Aktienkurs von Zhipu am selben Tag an der Hongkonger Börse zeitweise um etwa 9,9 %.

Natürlich befinden sich beide Nachrichten noch in der frühen Bewertungsphase, es gibt weder physische Produkte noch endgültige Designs.

Tatsächlich sind DeepSeek und Zhipu keine Einzelfälle. Wenn man den Blick erweitert, wird man feststellen, dass „KI-Unternehmen wollen eigene Chips herstellen“ im Jahr 2026 von einer einzelnen Wahl zu einer branchenüblichen Standardhandlung geworden ist: Von OpenAI und Anthropic auf der anderen Seite des Ozeans bis zu diesen beiden führenden Labors in China sind die Handlungen erstaunlich einheitlich. Dieser Artikel soll die Frage beantworten: Warum?

Letzten Monat hat OpenAI die Chips bereits auf den Tisch gelegt

Wenn die Nachricht über DeepSeek noch im Bereich der Gerüchte liegt, hat OpenAI bereits das physische Produkt vorgelegt.

Am 24. Juni haben OpenAI und Broadcom gemeinsam Jalapeño vorgestellt – den ersten selbst entwickelten Chip von OpenAI, ebenfalls ein ASIC (anwendungsspezifische integrierte Schaltung), der speziell für die Inferenz großer Modelle entwickelt wurde.

Richard Ho, Leiter der Hardware-Abteilung bei OpenAI, sagte, dieser Chip sei „von Grund auf für die LLM-Inferenz entwickelt“ worden. Das Team habe gezielte Optimierungen in Bezug auf Kern, Speicherübertragung, Netzwerk und Servicemodus vorgenommen.

Laut OpenAI zeigen frühe Labortests, dass die Leistung pro Watt von Jalapeño „deutlich über dem aktuellen branchenüblichen Spitzenwert liegt“. Das Unternehmen räumte jedoch auch ein, dass die endgültige Leistung noch gemessen wird und detaillierte technische Berichte erst in den nächsten Monaten veröffentlicht werden. Die von Herstellern selbst angegebenen Leistungsvorteile gelten vor der Vorlage von Drittanbieter-Benchmarks nur als einseitige Aussage.

Mehrere Details sind bemerkenswert. Laut einem Bericht von Tom's Hardware dauerte die Entwicklung dieses Chips vom Entwurf bis zum Tape-out nur neun Monate. OpenAI behauptet, dies könnte der schnellste ASIC-Entwicklungszyklus in der Geschichte der Hochleistungs-Halbleiter sein. Und was diesen Zyklus beschleunigt hat, ist das eigene Modell von OpenAI: KI wird verwendet, um Chips für die KI-Entwicklung zu entwerfen.

Jalapeño soll Ende 2026 in Betrieb genommen werden, mit einem Kooperationsprojekt mit Broadcom im Umfang von 10 GW, das bis 2029 abgeschlossen sein soll. Berichten zufolge wird Microsoft voraussichtlich etwa 40 % der ersten Produktionskapazität von Jalapeño erwerben.

Anthropic zögert, hat aber bereits begonnen

Schauen wir uns ein weiteres führendes Labor an: Anthropic. Im April dieses Jahres berichtete Reuters erstmals, dass Anthropic ebenfalls die Entwicklung eigener Chips abwägt. Die Formulierung war sehr vorsichtig: Das Projekt befindet sich in einem frühen Stadium, das Unternehmen könnte am Ende sogar entscheiden, nur Chips zu kaufen, nicht selbst zu entwickeln. Das endgültige Design wurde noch nicht festgelegt, und ein spezialisiertes Team wurde noch nicht gebildet.

Doch Anfang Juli gab es neue Fortschritte. Berichten mehrerer Medien zufolge hat Anthropic bereits Kontakt zu Samsung aufgenommen, um die Fertigung eines kundenspezifischen Chips zu erörtern. Angeblich zielt dies auf Samsungs 2-Nanometer-Fertigungsprozess und fortschrittliche Verpackungstechnologien ab.

Darüber hinaus hat Anthropic kürzlich Clive Chan eingestellt, der ein frühes Mitglied des Teams für die selbst entwickelten Chips von OpenAI war.

Auf Nachfrage antwortete Anthropic, dass der „vielfältige Hardware-Stack“ aus Chips von Google, Amazon und Nvidia weiterhin der Kern seiner Rechenleistungstrategie sein werde, und zu der Zusammenarbeit mit Samsung werde „keine weiteren Stellungnahmen abgegeben“.

Diese offizielle Erklärung weist genau auf das wahrste Motiv hinter der Welle der selbst entwickelten Chips hin. Laut Daten von The Information hält Nvidia etwa 74 % des globalen Marktes für KI-Chips. Anthropic hat bisher noch nie einen eigenen Chip hergestellt – jeder Aufruf von Claude läuft auf Chips, die von Partnern gemietet werden. Und diese Partner sind gleichzeitig seine Konkurrenten.

Bemerkenswert ist, dass der Zeitpunkt, an dem Anthropic die eigene Chip-Entwicklung erforscht, fast synchron mit dem steilen Anstieg seiner Einnahmen verläuft. Nach eigenen Angaben hat das operative Einkommen 2026 annualisiert 30 Milliarden US-Dollar überschritten, während es Ende 2025 nur etwa 9 Milliarden US-Dollar betrug. Sobald der Umfang diese Größenordnung erreicht, rechnet sich die wirtschaftliche Rechnung für selbst entwickelte Chips.

Inferenz! Inferenz! Inferenz!

Wenn man die Nachrichten über DeepSeek, Zhipu, OpenAI und Anthropic nebeneinander betrachtet, fällt ein Gemeinsamkeit auf: Alle Chips, die sie herstellen wollen, sind Inferenz-Chips, keine Trainingschips. Das ist kein Zufall.

Eine strukturelle Veränderung, die in der Branche stattfindet, ist: Der Schwerpunkt des Rechenleistungsverbrauchs verschiebt sich von „Modellen trainieren“ zu „Modellen betreiben“. Training ist eine einmalige Kosten, aber das Bereitstellen von Modellen für Millionen von Nutzern ist ein andauernder Aufwand. Laut Branchenanalysen von Introl verbraucht die Inferenz heute bereits etwa zwei Drittel der gesamten KI-Rechenleistung.

https://introl.com/blog/custom-silicon-inflection-2026-hyperscaler-asics-nvidia-gpu

Und die Inferenz ist genau das Hauptgebiet von ASIC. Mit einem Vergleich von Chris Miller, Autor von „Chip War“, gegenüber CNBC: Nvidias GPUs sind wie Schweizer Taschenmesser, die jede Art von paralleler Berechnung durchführen können. ASICs hingegen sind wie Einzweckwerkzeuge – sehr effizient und schnell, aber fest verdrahtet, um nur eine Art von Aufgabe zu erledigen. In der Trainingsphase braucht man die Flexibilität eines Schweizer Taschenmessers, da sich die Modellarchitektur noch ändert. Sobald das Modell jedoch festgelegt ist und für eine riesige Anzahl von Anforderungen bereitgestellt werden soll, sind diese „Einzweckwerkzeuge“ stromsparender und günstiger.

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

Der Boom von Agenten (intelligente Agenten) verstärkt diese Rechnung weiter. Eine Analyse von MindCast AI macht eine interessante Unterscheidung:

Herkömmliche Inferenz ist eine „Abfragekosten“: Eine Frage, eine Antwort – abgerechnet.

Agenten sind „Schleifenkosten“: Ein einziges Ziel eines Nutzers löst Dutzende oder sogar Hunderte von Inferenzaufrufen aus, da der Agent schlussfolgern, planen, suchen und ausführen muss.

Bild übersetzt aus https://www.mindcast-ai.com/p/ai-inference-economy

Wenn Agenten in großem Maßstab verbreitet werden, wird die wirtschaftliche Asymmetrie zwischen Training und Inferenz auf nichtlineare Weise wachsen. Daher kommt diese Analyseagentur zu dem Schluss: Die Inferenzökonomie ist kein Thema, um das man sich erst 2028 kümmern muss – es ist eine Kaufentscheidung, die bereits 2026 getroffen werden muss.

Eine wirtschaftliche Rechnung, die immer aufgeht

Für die Frage „Warum selbst Chips herstellen“ gibt es in der Branche bereits sehr konkrete Zahlen als Belege.

Das anschaulichste Beispiel stammt von der KI-Bildplattform Midjourney. Berichten zufolge sanken die monatlichen Kosten für Rechenleistung von Midjourney von etwa 2,1 Millionen US-Dollar auf etwa 700.000 US-Dollar – ein Rückgang um 65 % – nachdem die Inferenzlast von Nvidia-GPUs auf Googles siebte Generation TPU migriert wurde. Wenn man diesen Anteil auf Hyperscaler überträgt, die täglich Milliarden von Abfragen ausführen, wird die Investition von mehreren Milliarden Dollar in selbst entwickelte Chips, wie ein Analyst sagte, zu einer „einfachen finanziellen Rechenaufgabe“.

Die Antwort auf diese Aufgabe verändert den gesamten Markt. Laut Prognosen von TrendForce wird das Wachstum der Liefermengen von kundenspezifischen ASICs im Jahr 2026 44,6 % erreichen, während kommerzielle GPUs nur 16,1 % wachsen – dies ist das erste Mal, dass das Wachstum von kundenspezifischen Chips das von GPUs übertrifft. Introl zitiert Zahlen von Bloomberg Intelligence in einem größeren Rahmen: Bis 2033 wird der gesamte Markt für KI-Beschleuniger voraussichtlich 604 Milliarden US-Dollar erreichen, und der Anteil von kundenspezifischen Siliziumchips wächst weiterhin beschleunigt.

Hyperscaler haben bereits mit echtem Geld abgestimmt. Googles TPU, Amazons Trainium, Microsofts Maia, Metas MTIA… Diese selbst entwickelten Chips bedienen jeweils die riesigen Inferenzlasten innerhalb ihrer Muttergesellschaften.

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

Laut einem Bericht von CNBC sagte Ron Diamant, Chefarchitekt von Trainium, dass dieser ASIC von Amazon im Vergleich zu anderen Hardwareanbietern auf AWS einen 30 % bis 40 % höheren Kosten-Nutzen-Vorteil bietet.

Diese Zahlen zeigen: Wenn der Bedarf an Rechenleistung zu einem riesigen Umfang anwächst, sind Chips nicht mehr nur eine Kostenposition, sondern selbst ein Wettbewerbsvorteil. Wie eine Analyse von Oplexa betont: Die Kontrolle über die eigenen Siliziumchips bedeutet die Kontrolle über den eigenen Leistungs-Fahrplan, die Kostenstruktur und die Lieferkette. Diese drei Dinge lassen sich durch keine Bestellung ersetzen.

<