Nach Changxin greift Hefei Venture Capital erneut ein: Der Hauptakteur diesmal ist LinkSemi

Vor kurzem hat Changxin Technology die Börsenzulassungsprüfung bestanden, und die Öffentlichkeit geht allgemein davon aus, dass der Marktwert nach dem Börsengang über 1 Billion Yuan liegen könnte. Dies würde auch die Gesamtmarktkapitalisierung der in A-Share notierten Unternehmen in Hefei von 1,5 Billionen Yuan auf über 3 Billionen Yuan anheben, womit Hefei Guangzhou und Hangzhou übertreffen und zum viertgrößten Markt des Landes wird.

„Die erfolgreiche Blüte – die Menschen bewundern nur ihre gegenwärtige Pracht“, doch die Geschichte von Hefeis Chip-Industrie geht weit darüber hinaus.

In den letzten zehn Jahren hat Hefei mehrere wichtige Projekte im Bereich der Chipherstellung umgesetzt: Neben den Speicherchips von Changxin Technology gibt es auch Jinghe Integrated, das sich auf die Wafer-Fertigung spezialisiert und bereits auf dem Sci-Tech-Innovation-Board notiert ist.

Betrachtet man die nachgelagerten Bereiche, haben sich auch zahlreiche Verpackungs- und Testunternehmen wie Qizhong, Huicheng, Peidian und Tongfu Microelectronics in Hefei angesiedelt. Im vorgelagerten Bereich gibt es Unternehmen wie Xiji Micro-Equipment, Xinyihua und Andekeming, die Lücken in den Bereichen Ausrüstung und Materialien schließen.

Doch Hefei gibt sich damit nicht zufrieden.

Mit dem Aufkommen von großen KI-Modellen hat Hefei scharfsinnig erkannt: In der zukünftigen Chip-Industriekette fehlt noch ein Glied – ein Chip, der speziell für KI auf Endgeräten entwickelt wurde.

Die derzeit auf dem Markt erhältlichen Chips, einschließlich der GPUs von Nvidia, sind im Wesentlichen nicht für KI konzipiert. Obwohl Nvidia später spezielle Einheiten wie Tensor Cores und die Transformer Engine hinzugefügt hat, basiert die zugrunde liegende Architektur immer noch auf der von GPUs – also im Grunde „für Grafikdesign entwickelt, durch KI umgestaltet“.

Gibt es also ein Unternehmen, das speziell Chips für KI entwickelt?

Vor kurzem hat LingSi Technology, ein Anbieter von KI-Inferenzchips für Endgeräte, eine B-Runden-Finanzierung von fast 500 Millionen Yuan abgeschlossen. Diese Runde wurde von mehreren staatlichen Plattformen der Provinz Anhui und der Stadt Hefei gemeinsam strategisch angeführt, gefolgt von führenden Kapitalgebern wie Shenbao Yiben, Yingke Investment, Tianzhi Investment, Yongxin Fangzhou und Dongrui Investment – wobei viele bestehende Aktionäre ihre Beteiligungen weiter aufgestockt haben.

Nach dem Erfolg im Speicherbereich (mit Changxin) hat Hefei scharfsinnig erkannt, dass der nächste Trend lautet:

„Intelligenz auf Endgeräten“.

Warum „Großmodell-Chips für Endgeräte“?

In den letzten zwei Jahren war das auffälligste Phänomen in der Branche der großen Modelle der Wettbewerb um die Anzahl der Parameter:

Milliarden, Billionen – die Modelle wurden immer größer. Doch in diesem Jahr hat sich der Trend gewendet.

Der Branchenkonsens hat sich von „je größer das Modell, desto besser“ zu „je schneller das Modell in die Anwendung kommt, desto besser“ verschoben. Die nächste Stufe der großen Modelle besteht letztendlich in der Integration mit physischer Hardware.

Warum sind Bereiche wie Roboter, KI-PCs, intelligente Fahrzeuge und intelligente Gesamthäuser derzeit so populär? Weil diese Hardware die Kanäle sind, über die große Modelle von der „Technikshow“ zur praktischen Anwendung gelangen – und es sind die Produkte, mit denen Verbraucher am häufigsten in Berührung kommen.

Um große Modelle jedoch in Endgeräten zu integrieren, muss zunächst ein praktisches Problem gelöst werden: Derzeit beziehen die allermeisten intelligenten Geräte ihre Intelligenz über die Cloud. Diese „Cloud-abhängige“ Architektur führt zu drei Engpässen:

Erstens fehlt die Fähigkeit zur Offline-Nutzung.

In Situationen mit schwacher oder fehlender Netzverbindung bricht die Intelligenz des Geräts sofort zusammen – es wird von einem „intelligenten Endgerät“ zu einem „dummen Endgerät“. Für Szenarien wie intelligente Häuser, Fahrzeuge und industrielle Inspektionen, die eine kontinuierliche Online-Wahrnehmung erfordern, ist diese Unterbrechung der Umgebungsanpassungsfähigkeit das größte Hindernis für die Verbesserung des Nutzererlebnisses.

Im Mai 2025 gab es bei der App eines bekannten chinesischen Automobilherstellers einen großflächigen Dienstausfall, der zu Fehlfunktionen der Fernstartfunktion, der elektronischen Schlüssel, der ferngesteuerten Fenster-Schließung und der voreingestellten Klimaanlage führte. Hunderte von Fahrern geraten während des Berufsverkehrs am Morgen in eine digitale Trennung von der Außenwelt.

Zweitens gibt es strenge Anforderungen an die Echtzeitfähigkeit. Aufgrund physikalischer Grenzen lässt sich die End-to-End-Latenz derzeit kaum unter eine Millisekunde senken. Bei mehrstufigen Sprachinteraktionen in intelligenten Fahrkabinen oder der Echtzeit-Hindernisvermeidung und Pfadplanung von Robotern zerstört diese Übertragungsverzögerung die Natürlichkeit und Kontinuität der Interaktion und führt zu Unterbrechungen im Nutzererlebnis.

Drittens ist die Skaleneffizienz der Inferenzkosten nicht gegeben. Bei langfristiger und häufiger Nutzung großer Cloud-Modelle wird jede Inferenz nach Tokens abgerechnet. Für einen KI-PC oder ein intelligentes Fahrkabinen-Endgerät, das täglich hunderte von Interaktionen durchführt, können die jährlichen Nutzungskosten leicht die Kosten der Hardware übersteigen. Dieses Wirtschaftsmodell mit „nicht konvergierenden Grenzkosten der Inferenz“ behindert grundsätzlich die breite Verbreitung der Intelligenz auf Endgeräten.

Für die massenweise Einführung intelligenter Endgeräte ist dies ein Fass ohne Boden, und Verbraucher sind kaum bereit, kontinuierlich dafür zu zahlen. Hinzu kommen Probleme wie Datenschutz und Cybersicherheit – daher erkennt die Branche zunehmend:

Damit große Modelle wirklich in alle Haushalte Einzug halten, müssen sie aus der Cloud heraustreten und tief mit Endgeräten integriert werden.

Das ist die Logik hinter der Entstehung von „Großmodellen für Endgeräte“: Die Inferenzfähigkeit des großen Modells wird direkt in einen Chip integriert, sodass das Gerät vor Ort Verständnis, Inferenz und Entscheidungen durchführen kann.

Das Team von Edward Stanley bei Morgan Stanley hat in einem Forschungsbericht 2024 folgende Einschätzung abgegeben:

KI auf Endgeräten wird im zweiten Halbjahr 2024 und 2025 im Mittelpunkt der Unterhaltungselektronik stehen. Nach den Smartphones werden auch KI-Laptops einen Boom erleben. Bis 2025-2026 wird die Durchdringungsrate von KI-PCs von 8 % im Jahr 2024 auf 30 % und 50 % ansteigen – allein dies wird den globalen Halbleiterunternehmen einen Umsatzzuwachs von etwa 30 Milliarden US-Dollar bescheren.

Daher haben viele führende Technologieunternehmen in den letzten 1-2 Jahren große Anstrengungen unternommen, um Chips für Endgeräte zu erforschen.

Auf der WWDC 2024 hat Apple die Grundlage von Apple Intelligence direkt auf die Endgeräte verlegt. Tim Cook sagte wörtlich: „Apple Intelligence ist eine der größten Veränderungen der Softwareplattformen in der Geschichte des iPhones.“ Nach Apples Architekturkonzept läuft die Hauptlast der KI auf den Endgeräten (NPU ab A17 Pro/M4), und nur für größere Modelle wird die private Cloud genutzt – alles, was auf dem Endgerät ausgeführt werden kann, wird nicht in die Cloud geschickt.

2025 hat Apple die NPU-Leistung weiter gesteigert und die „Ausführung großer Modelle auf Endgeräten“ zu einem Verkaufsargument für MacBook und iPhone gemacht.

Im Jahr 2026 kündigte Jensen Huang von Nvidia an, in den Markt für PC-Prozessoren einzusteigen, und stellte gemeinsam mit Microsoft, Arm und MediaTek die RTX Spark-Plattform vor. Analysten von Omdia kommentierten damals:

„Nvidias Einstieg in den PC-Markt ist der Ausgangspunkt und Wegweiser für den Boom der KI auf Endgeräten – die Ära der KI-Inferenz hat damit vollständig begonnen.“

Berichten zufolge zielt die aktuelle Finanzierungsrunde von LingSi Technology auf die Entwicklung einer neuen Generation von KI-Inferenzchips für große Modelle auf Endgeräten ab, um die Markteinführung der ersten KI-Inferenzchips der „Nebula“-Serie von LingSi zu beschleunigen (geplant für Ende 2026). Diese Chips sollen die zentrale Rechenleistung für die massenhafte Bereitstellung von großen Modellen auf Endgeräten in Bereichen wie Robotik, KI-PCs, intelligenten Fahrkabinen und intelligenten Gesamthäusern liefern.

Wodurch zeichnet sich LingSi aus?

Die Richtung stimmt – aber warum hat Hefei gerade LingSi ausgewählt?

Der Grund liegt darin, dass das Unternehmen bereits seit langem im Bereich der KI-Chips für Endgeräte tätig ist und bereits Erfolge vorweisen kann.

Zunächst einige Zahlen: Die Gesamtliefermenge von LingSi hat die Marke von 100 Millionen Stück überschritten. In der Branche der NPU-Chips für Endgeräte gibt es kaum mehr als eine Handvoll Unternehmen, die diese Größenordnung erreichen.

Betrachtet man die technische Ausrichtung, so unterscheidet sich die Wahl von LingSi von der der meisten Chiphersteller.

Es gibt viele chinesische Unternehmen, die KI-Chips für Endgeräte herstellen. Herkömmliche Chiphersteller verfolgen meist den Ansatz „Algorithmus passt sich dem Chip an“: Zuerst wird eine allgemeine Chiparchitektur entwickelt, dann werden die KI-Algorithmen darauf portiert – was zu geringer Effizienz und hohem Stromverbrauch führt. LingSi geht einen anderen Weg: das kooperative Design von Chip und Algorithmus, bei dem die Chiparchitektur ausgehend von den Anforderungen der Algorithmen abgeleitet wird, um die Effizienz der Rechenleistung so weit wie möglich zu steigern.

Derzeit erreicht LingSi eine Auslastung der neuronalen Verarbeitungseinheit (NPU) von 80 %, während der Branchendurchschnitt nur 30 % bis 50 % beträgt.

Das bedeutet, dass LingSi bei gleicher angegebener Rechenleistung auf Endgeräten eine 5- bis 10-mal höhere Algorithmuseffizienz erzielen kann als andere – was für Bereiche wie Haushaltsgeräte, Fahrzeuge und Bildungs-Hardware, die auf Kosten und Stromverbrauch achten, ein entscheidender Vorteil ist.

Tatsächlich kaufen große Weißwarenhersteller wie Haier und Midea große Mengen an Chips von LingSi ein. Insbesondere im Bereich der sprachgesteuerten Interaktion über Bluetooth hat LingSi den höchsten Marktanteil. In der Haushaltsgerätebranche, wo die Preise pro Einheit niedrig sind, die Liefermengen riesig und die Anforderungen an Kosten und Stromverbrauch sehr streng, hat LingSi seine Spitzenposition gefestigt – ein Beweis für seine starke Kompetenz.

Die visuelle Verarbeitung ist das zweite Wachstumsfeld, das LingSi in den letzten Jahren erschlossen hat.

Früher waren die Hauptabnehmer von visuellen Chips Sicherheitsunternehmen – ein Bereich, der inzwischen sehr ausgereift ist. LingSi hat sich nicht in diesem umkämpften Markt gedrängt, sondern visuelle Verarbeitung und KI kombiniert und in neuen Bereichen wie Bildung, Unterhaltungselektronik und intelligente Häuser integriert – und damit ein blaues Meer erschlossen.

Beispiele hierfür sind Scan-Stifte für Bildungs-Hardware, Hand-Gimbel und Action-Kameras in der Unterhaltungselektronik sowie intelligente Schlösser und Staubsaugerroboter in intelligenten Häusern. Früher wurden diese Bereiche entweder mit allgemeinen Chips notdürftig bedient oder waren auf die Cloud angewiesen. Nachdem LingSi die lokale visuelle KI-Fähigkeit integriert hat, können Funktionen wie Offline-Gesichtserkennung, Gestensteuerung und Personenverfolgung auf Geräten mit geringem Stromverbrauch ausgeführt werden. Die entsprechenden Anwendungslösungen wurden bereits von vielen führenden Marken übernommen, und die Liefermengen gehören zu den Spitzenwerten der Branche.

Einfach ausgedrückt: Bei den beiden Aufgaben „Geräten ermöglichen, menschliche Sprache zu verstehen“ und „die Welt zu erkennen“ gehört LingSi zu den leistungsstärksten Unternehmen der Branche.

Mit der aktuellen Finanzierungsrunde entwickelt LingSi einen KI-Inferenzchip für große Modelle auf Endgeräten – eine weitere Verbesserung auf der Grundlage seiner Sprach- und Bildverarbeitungsfähigkeiten, sodass Endgeräte nicht nur „verstehen und erkennen“, sondern auch „interpretieren und schlussfolgern“ können.

Doch dieser Weg ist nicht einfach.

In der Branche ist bekannt, dass die Ausführung großer Modelle auf Endgeräten drei große Hürden hat: die Speicherhürde, die Stromverbrauchshürde und die Kostenhürde.

GPU-Chips in der Cloud haben einen Stromverbrauch von mehreren hundert Watt, werden mit Flüssigkühlung gekühlt und kosten Tausende von Yuan – eine direkte Übernahme auf Endgeräte ist völlig unrealistisch. Die derzeit auf dem Markt erhältlichen KI-Chips für Endgeräte sind jedoch meist für traditionelle maschinelle Lernmodelle konzipiert. Sie eignen sich gut für CNN- und RNN-Modelle, aber bei generativen großen Modellen der Transformer-Klasse wird die An