Die KI-Chip-Gründerszene ist wieder in einen wilden Hype geraten.

Abgesehen von GPUs bricht weltweit ein neuer Gründungswettlauf rund um Inferenz, Speicher, Interconnects und CPUs aus. Warum lässt sich das behaupten? Die jüngsten Finanzierungsvolumina im Bereich der KI-Chips zeigen, dass die Gründung von KI-Chip-Unternehmen in eine fast rasante Phase eintritt.

Am 18. August gab das US-amerikanische KI-Chip-Startup Etched den Abschluss einer neuen Finanzierungsrunde im Umfang von 700 Millionen US-Dollar bekannt, was eine Bewertung von 21 Milliarden US-Dollar ergibt. Knapp einen Monat zuvor, am 23. Juli, hatte Etched gerade eine C-Runden-Finanzierung von 300 Millionen US-Dollar mit einer Bewertung von 10,3 Milliarden US-Dollar abgeschlossen. In weniger als einem Monat hat sich die Unternehmensbewertung direkt verdoppelt.

Fast am selben Tag kündigte auch ein weiteres KI-Chip-Unternehmen namens Velaura AI, das weit weniger bekannt ist als Etched, den Abschluss einer A-Runden-Finanzierung von 110 Millionen US-Dollar an. Seine Bewertung überstieg sofort 1 Milliarde US-Dollar, sodass es direkt in die Reihe der Unicorns aufstieg.

Wenn wir den Zeitraum weiter zurückverfolgen, haben sich solche Geschichten in diesem Jahr immer wieder ereignet.

Im Februar erhielt Cerebras erneut eine Finanzierung von 1 Milliarde US-Dollar, was eine Bewertung von etwa 23 Milliarden US-Dollar ergibt, was sich im Vergleich zu 8,1 Milliarden US-Dollar vor vier Monaten fast vervierfacht hat. Im März schloss das südkoreanische KI-Chip-Unternehmen Rebellions eine Finanzierung von 400 Millionen US-Dollar mit einer Bewertung von etwa 2,34 Milliarden US-Dollar ab. Im Mai erhielt das britische Unternehmen Fractile eine B-Runden-Finanzierung von 220 Millionen US-Dollar. Das kanadische Unternehmen Taalas erhielt im Februar dieses Jahres 169 Millionen US-Dollar an Finanzmitteln, mit einer kumulierten Finanzierung von etwa 219 Millionen US-Dollar. Weniger als ein halbes Jahr später wurde es im August von AMD übernommen. Tensordyne bereitet sich darauf vor, die D-Runden-Finanzierung später in diesem Jahr zu starten, und sein neues Inferenzsystem hat bereits eine prognostizierte Nachfrage von über 200 Millionen US-Dollar erhalten.

Diese sind keine vereinzelten Finanzierungsereignisse. Laut Statistiken von Semiconductor Engineering erhielten allein im ersten Quartal 2026 80 Halbleiter-Startups insgesamt 8,4 Milliarden US-Dollar an Finanzmitteln, wobei 18 Unternehmen eine einzelne Finanzierungsrunde von über 100 Millionen US-Dollar erhielten. Noch bemerkenswerter ist die Verteilung der Mittel: Viele Unternehmen haben sich nicht dafür entschieden, eine traditionelle GPU zu entwickeln, sondern setzen auf KI-Inferenz oder versuchen, Bandbreiten- und Datenübertragungsprobleme auf Ebene von Chips, Speicher, Interconnects und sogar des gesamten Rechenzentrums zu lösen. Daher ist die Photonentechnologie weiterhin zu einem beliebten Investitionsbereich geworden.

Nach mehr als zehn Jahren der „Selektion durch die Marktwelle“ scheint die Gründung von KI-Chip-Unternehmen plötzlich wieder an Fahrt aufzunehmen. Aber dieses Mal ist das Spiel völlig anders.

Warum ist der Gründungstrend für KI-Chips wieder aufgetaucht?

Wenn wir auf die letzte Welle von KI-Chip-Gründungen zurückblicken, war die Geschichte eigentlich nicht so kompliziert wie heute.

Um das Jahr 2016 herum explodierte das Deep Learning. Eine große Anzahl von Startups weltweit sah dieselbe Chance: Neuronale Netze erfordern immer mehr Matrixberechnungen, und GPUs waren ursprünglich nicht speziell für KI entwickelt, sodass es theoretisch einen großen Raum für Architekturoptimierungen gab.

Daher begannen alle, verschiedene Arten von KI-Beschleunigern, NPUs und ASICs zu entwickeln. Eine Reihe von Startups wie Groq, Cerebras, Graphcore, SambaNova, Habana und Tenstorrent tauchten wie Pilze nach dem Regen auf.

Aber was danach passierte, ist allen sehr vertraut – NVIDIA hat nicht nur die GPU-Leistung ständig verbessert, sondern vor allem ein komplettes Ökosystem rund um CUDA, Kommunikation, Server, Netzwerke und Software aufgebaut. Um eine GPU zu besiegen, stellt man am Ende fest, dass man tatsächlich die gesamte NVIDIA-Rechenplattform besiegen muss.

Dass die Spitzenrechenleistung eines Chips 20 % oder sogar doppelt so hoch ist wie die von NVIDIA, ist nicht so wichtig wie man denkt. Was Kunden wirklich interessiert, ist, ob das Modell ausgeführt werden kann, ob die Software migriert werden kann, ob der Cluster skaliert werden kann, ob das System stabil ist und ob der Chip auch nach der Veröffentlichung des nächsten Modells noch verwendet werden kann.

Die erste Welle von KI-Chip-Startups hat eine deutliche Differenzierung erfahren. Cerebras ging schließlich an die Börse und wandelt seine Chips zunehmend zu Cloud-Diensten um, um sie zu verkaufen. Die Kerntechnologie von Groq wurde Ende 2025 von NVIDIA in großem Umfang lizenziert, und ein Teil des Kernmanagements wurde übernommen. Es wurde berichtet, dass Tenstorrent in diesem Jahr Gespräche mit Qualcomm über eine Übernahme im Umfang von 8 bis 10 Milliarden US-Dollar führt. Viele frühe Unternehmen sind ausgestiegen, haben sich umorientiert oder wurden übernommen.

Wenn man also nur eine weitere allgemeine KI-Trainingschip neu entwickelt, ist der Raum für Gründungen heute eigentlich schon sehr klein. Aber heute hat sich ein neues Fenster wieder geöffnet.

Der Grund ist nicht, dass GPUs plötzlich nicht mehr funktionieren, sondern dass der Hauptwiderspruch der KI sich verändert.

In den vergangenen Jahren war das am knappsten verfügbare Gut die Trainingsrechenleistung. Ein großes Modell benötigt mehrere Monate, um trainiert zu werden, daher war das größte Anliegen aller, wie Tausende von GPUs organisiert werden können, um das Training des Modells abzuschließen.

Aber mit der tatsächlichen breiten Nutzung von ChatGPT, Reasoning Model und KI-Agenten verlagert sich der Schwerpunkt der KI-Industrie zunehmend in eine andere Richtung – Inferenz.

Das Training eines Modells findet möglicherweise nur einmal statt, aber sobald das Modell von Milliarden von Benutzern und Millionen von Agenten wiederholt aufgerufen wird, muss die Inferenz Milliarden, Hunderte von Milliarden oder sogar noch öfter ausgeführt werden. Und das Reasoning Model verändert dieses Problem weiter. Ein traditionelles Modell generiert möglicherweise Hunderte von Token, wenn es eine Anfrage erhält; zukünftige komplexe Codierungsagenten, wissenschaftliche Forschungsagenten, autonome Fahrsysteme oder Robotersysteme müssen möglicherweise ständig planen, Tools aufrufen, reflektieren und erneut versuchen, bevor sie das tatsächliche Ergebnis liefern, und intern Zehntausende, Millionen oder sogar noch mehr Token generieren.

Fractile definiert dieses Problem sogar direkt als den größten Engpass der nächsten Phase der KI-Industrie: Wenn Modelle zunehmend auf langfristige, kontinuierliche Inferenz angewiesen sind, ist das, was die KI-Fähigkeit einschränkt, nicht mehr nur, wie intelligent das Modell ist, sondern wie lange es dauert, genügend Token zu generieren, und wie viel die Generierung dieser Token tatsächlich kostet. Seine Einschätzung ist, dass die aktuellen Architekturen zunehmend durch die Speicherbandbreite eingeschränkt werden, sodass das Unternehmen sich dafür entschieden hat, die Beziehung zwischen Berechnung und Speicher neu zu gestalten.

Mamoon Hamid, Managing Partner von Etcheds Investor Kleiner Perkins, fasst diese neuen Spielregeln noch einfacher zusammen: Der Gewinner der zukünftigen Inferenzchips hängt zunehmend davon ab, wie viele Token pro Dollar erzeugt werden können und wie viele Token pro Watt erzeugt werden können.

Dieser Satz erklärt tatsächlich die Welle der KI-Chip-Gründungen im Jahr 2026. FLOPS haben ihre Bedeutung nicht verloren, aber FLOPS verwandeln sich von einem Endziel wieder in einen Zwischenindikator. Der eigentliche Fokus beginnt sich auf Token zu verlagern.

Reuters berichtete im März dieses Jahres, dass NVIDIA selbst erwartet, dass seine Umsatzchancen für KI-Chips bis 2027 mindestens 1 Billion US-Dollar erreichen werden, und gleichzeitig beginnt es, aggressiver in die Echtzeit-Inferenz zu investieren.

Überseeische KI-Chip-Gründungen umgehen eifrig die GPU

Warum konnte Etched in weniger als einem Monat von einer Bewertung von 10,3 Milliarden US-Dollar auf 21 Milliarden US-Dollar ansteigen? Bei genauer Betrachtung ist das, was sie tun, entscheidend: Es hat nicht die Absicht, NVIDIA einfach zu kopieren.

Etched definiert sein Produkt als einen neuen „Frontier-Inferenz-Cluster“. Das Unternehmen entwickelt von Chips, Gehäusen, PCB, Flüssigkühlung, Interconnects und Speicher bis hin zu Schränken und Software und hofft, die Gesamtoptimierung für das Prefill und Decode von großen Modellen durchzuführen.

(Quelle: Etched)

Die neueste veröffentlichte Architektur von Etched ist nicht mehr nur ein „Transformer-ASIC“. Es schlägt das Konzept der Niederspannungs-Inferenz vor, um die kontinuierliche Berechnungsdichte durch Absenken der Arbeitsspannung der Recheneinheiten zu erhöhen. Auf der anderen Seite wird der Cluster-Scale-Speicher entwickelt, der mit einer gemischten HBM- und SRAM-Architektur in Kombination mit selbst entwickelten niedrig-latenz-Interconnects einen größeren gemeinsam genutzten Speicherpool im gesamten Scale-up-Bereich bildet. Sein erster A0-Chip wird mit TSMCs N4P-Verfahren hergestellt und befindet sich derzeit in der Phase der Kundenvalidierung für komplette Systeme.

Beachten Sie die stattfindende Veränderung: Ein Chip-Startup beginnt, Chips, Speicher, Interconnects, Kühlung und Schränke gemeinsam zu entwerfen.

Fractile verfolgt einen anderen Weg. Es ist der Ansicht, dass das eigentliche Problem der KI-Inferenz die Speicherbandbreite ist, daher versucht es, Berechnung und Speicher direkt enger miteinander zu verzahnen. Das Unternehmen hofft, zwei Indikatoren zu lösen, die traditionelle KI-Hardware kaum gleichzeitig erfüllen kann: Einerseits extrem niedrige Latenz zu erreichen, andererseits einen hohen Durchsatz bei großer gleichzeitiger Nutzung aufrechtzuerhalten. Die im Mai abgeschlossene Finanzierung von 220 Millionen US-Dollar dient dazu, die ersten Chips und Systeme tatsächlich bei Kunden einzuführen.

Cerebras geht noch weiter. Seit seiner Gründung hat dieses Unternehmen die traditionelle Vorstellung, dass Chips in einzelne Dies geteilt werden müssen, nicht akzeptiert, sondern direkt den Wafer-Scale-Engine entwickelt, um den gesamten Wafer zu einem riesigen Prozessor zu machen. Im Februar dieses Jahres erhielt Cerebras erneut 1 Milliarde US-Dollar an Finanzmitteln, was eine Bewertung von 23 Milliarden US-Dollar ergibt. Noch wichtiger ist, dass große Modellunternehmen, einschließlich OpenAI, aktiv nach Inferenzrechenquellen außerhalb von NVIDIA suchen – dies ist auch ein wichtiger Hintergrund, warum Kapital bereit ist, weiterhin auf diese nicht-traditionellen Architekturen zu setzen.

Taalas geht sogar noch weiter. Sein vorgeschlagenes Konzept lautet „Das Modell ist der Computer“: Statt einen Chip zu entwickeln und dann verschiedene Modelle darauf auszuführen, wird ein bestimmtes KI-Modell direkt zu einem kundenspezifischen Siliziumchip gemacht. Das von ihm vorgestellte HC1 bildet das Llama 3.1 8B-Modell direkt in die Hardware ab, mit dem Ziel, den Overhead durch allgemeine Berechnungen maximal zu beseitigen. Die Flexibilität einer solchen Architektur ist offensichtlich weit geringer als die von GPUs. Aber wenn bestimmte Modelle in Zukunft Billionen oder Dutzende Billionen Mal pro Tag ausgeführt werden müssen und dasselbe Modell über lange Zeit unverändert bleibt, kann der Kostenvorteil durch extreme Spezialisierung sehr groß sein.

Und das Ende von Taalas ist ebenfalls bemerkenswert. Nachdem es im Februar dieses Jahres gerade 169 Millionen US-Dollar an Finanzmitteln erhalten hatte, kündigte AMD am 6. August die Übernahme von Taalas an und plant, seine Technologie in die Roadmap von AMDs KI-Beschleunigern aufzunehmen. Mit anderen Worten: Der Wert von KI-Chip-Startups muss sich nicht mehr darin widerspiegeln, schließlich zu einem neuen NVIDIA zu werden. Es kann auch Teil der Architekturinnovation der nächsten Generation von AMD, NVIDIA oder Cloud-Giganten werden.

(Quelle: Taalas)

Das südkoreanische Unternehmen Rebellions repräsentiert ein weiteres Modell. Im März dieses Jahres erhielt das Unternehmen 400 Millionen US-Dollar an Finanzmitteln, wobei der südkoreanische Nationale Wachstumsfonds direkt etwa 165 Millionen US-Dollar investierte und es in die „K-Nvidia“-Strategie einbezog, um ein eigenes KI-Inferenzchip-System aufzubauen. Der Kernwettbewerbspunkt, den Rebellions gewählt hat, ist ebenfalls nicht die maximale Spitzenrechenleistung, sondern die Erzielung einer möglichst hohen Inferenzleistung mit möglichst wenig Energie.

Von den USA über Großbritannien bis nach Südkorea tut das Kapital derzeit eines gemeinsam: Es sucht nach dem Rechenvorteil außerhalb der Allgemeinheit von GPUs.

In China sind auch eine Reihe neuer KI-Chip-Startups entstanden

Interessanterweise zeigt sich, dass fast dasselbe Szenario auch in China stattfindet, wenn wir den Blick auf das Inland richten.

Allerdings ist die Route der neuen Welle von chinesischen KI-Chip-Gründungen vielfältiger, im Vergleich zu überseeischen Startups, die stärker auf spezielle Inferenz-ASICs, Dataflow-Architekturen und extreme Energieeffizienz setzen. 3D-DRAM, In-Memory-Computing, optische Interconnects, optische Berechnung, RISC-V, Agent-CPUs… Technologierichtungen, die einst von der Helligkeit der GPUs verdeckt wurden, werden wieder zu den Schwerpunkten, auf die Kapital setzt.

Die Mittel auf dem chinesischen Primärmarkt für KI-Chips im Jahr 2026 fließen offensichtlich nicht mehr nur in GPUs. Nach den öffentlich bekannt gegebenen Beträgen gab es im Bereich des 3D-In-Memory-Computings Finanzierungsrunden im Umfang von 2 Milliarden und 1 Milliarde Yuan. Im CPU-Bereich gab es nacheinander Projekte mit fast 1 Milliarde Yuan und über 1 Milliarde Yuan, während optische Interconnects und optische Berechnung in die Phase von Finanzierungsrunden im Umfang von mehreren hundert Millionen Yuan eingetreten sind.

Diese Veränderung unterscheidet sich deutlich von der letzten Welle der KI-Chip-Gründungen. Wenn man in den vergangenen Jahren von inländischen KI-Chip-Gründungen sprach, war die erste Reaktion des Marktes oft noch GPU. Unternehmen wie Cambricon, Biren, Moore Threads, Iluvatar und MetaX repräsentieren weitgehend die Hauptlinie der letzten Welle von inländischen KI-Rechenleistungsgründungen – nachdem NVIDIA GPUs zum de facto Standard der KI-Berechnung geworden sind, musste China zuerst das Problem lösen, „ob es einen inländischen hochwertigen KI-Rechenchip gibt“