HUAWEIs Spiel um Chips und KI
In jüngster Zeit hat Huawei die Ansichten von Xu Zhijun und Yu Chengdong intensiv nach außen kommuniziert. Xu Zhijun betonte, dass Huawei bereits einen eigenen technologischen Weg bei der Mehrchip-Verbindung und Systemarchitektur entwickelt hat. Gleichzeitig wies Yu Chengdong darauf hin, dass die Kanäle für Huawei zur Beschaffung fortschrittlicher Halbleiterverfahren eingeschränkt sind, aber Chips wie Ascend und Kirin eine deutliche Verbesserung bei Energieeffizienz und systemweiter Gesamtleistung aufweisen. Die Ansichten beider zeigen, dass sich die grundlegende Einheit des aktuellen KI-Wettbewerbs allmählich von einzelnen Technologien zu Systemen, Ökosystemen und Infrastruktursystemen ausweitet.
In den vergangenen Jahren standen die Modelle stets im Mittelpunkt des auffälligsten Wettbewerbs im Bereich der künstlichen Intelligenz. Von GPT bis DeepSeek, von Parameterumfang, Benchmark-Tests bis hin zu Inferenzfähigkeiten – jeder Sprung der Modelle beeinflusst die Einschätzung der Menschen über die Wettbewerbslandschaft der KI. Wenn jedoch der Umfang der Modelle stetig wächst und die Komplexität der Inferenz kontinuierlich steigt, erstrecken sich die Faktoren, die die weitere Expansion der KI behindern, zunehmend auf die zugrundeliegende Infrastruktur: Die Verfügbarkeit von Rechenleistung, Chipvernetzung, Datenübertragung, Kooperation groß angelegter Cluster sowie die Energieversorgung von Rechenzentren beginnen direkt zu beeinflussen, in welchem Umfang und mit welcher Effizienz die Fähigkeiten der Modelle in die Realität umgesetzt werden können.
Die Daten der Internationalen Energieagentur (IEA) aus dem Jahr 2026 liefern ein anschauliches Maß: Die Kapitalausgaben von fünf großen Technologieunternehmen überschritten 2025 bereits 400 Milliarden US-Dollar, und für 2026 wird ein weiterer Anstieg von rund 75 % erwartet; die Kapazität von hochmodernen Rechenzentren, die speziell für die KI errichtet wurden, hat sich in den vergangenen 18 Monaten auf mehr als das Dreifache erhöht. Die KI zeigt zunehmend industrielle Merkmale, die kapitalintensiv, energieintensiv und langfristig infrastrukturintensiv sind. Sie wird zwar immer noch von algorithmischen Innovationen angetrieben, kann sich aber nicht mehr nur auf die Expansion von Algorithmen stützen. Diese Veränderung führt zu einer wichtigeren Folge: Die grundlegende Einheit des KI-Wettbewerbs verändert sich.
01 Von Chips zu Systemen: Die grundlegende Einheit des KI-Wettbewerbs verlagert sich nach oben
In der Vergangenheit drehte sich der Wettbewerb um KI-Hardware hauptsächlich um einzelne GPUs, wobei Herstellungsverfahren, Rechenleistung pro Karte, Speicherkapazität und Bandbreite die Kernindikatoren bildeten. Diese Indikatoren sind bis heute wichtig, aber mit der stetigen Erweiterung des Rechenumfangs kann die Leistung eines einzelnen Chips immer weniger die tatsächliche Rechenfähigkeit großer KI-Systeme repräsentieren. Wenn Tausende, Zehntausende oder noch mehr Beschleuniger gemeinsam Trainings- und Inferenzaufgaben ausführen, erhält das Modell letztendlich nicht die auf einem bestimmten Chip angegebene Spitzenrechenleistung, sondern die effektive Rechenleistung, die das gesamte System kontinuierlich liefern kann. Der Datenaustausch zwischen Chips, Speicherzugriff, Netzwerktopologie, Aufgabenplanung, Fehlerwiederherstellung sowie Stromversorgung und Wärmeabfuhr beginnen alle den Umwandlungswirkungsgrad der theoretischen Rechenleistung in effektive Rechenleistung zu beeinflussen. Die grundlegende Einheit des KI-Wettbewerbs erweitert sich dadurch schrittweise: von Chips, Rechenknoten und Superknoten weiter zu Rechenclustern, Rechenzentren und sogar zur Infrastruktur der künstlichen Intelligenz. Chips bestimmen nach wie vor den physischen Ausgangspunkt der Rechenfähigkeit, aber mit der Einbeziehung immer mehr Recheneinheiten in dasselbe System hängt die endgültige Leistung zunehmend von der gemeinsamen Wirkung von Chipleistung und Systemeffizienz ab.
Herbert Simon wies bei der Diskussion über komplexe Systeme darauf hin, dass solche Systeme in der Regel hierarchisch aufgebaut sind. Ein komplexes System besteht aus Subsystemen verschiedener Ebenen, und sein Gesamtverhalten hängt sowohl von den Eigenschaften der Bestandteile als auch von der Organisationsweise und der Wechselwirkung zwischen diesen Bestandteilen ab. Wenn die KI-Berechnung in die Phase großer Systeme eintritt, erstreckt sich der Wettbewerbsvorteil zwangsläufig von der Leistung einzelner Komponenten auf die Kooperationsfähigkeit zwischen verschiedenen Rechenebenen.
Genau in diesem Wandel erhält das bisherige technologische Know-how von Huawei eine neue strategische Bedeutung. Wenn sich der Wettbewerb hauptsächlich auf die Ebene einzelner Chips beschränkt, steht Huawei immer noch vor einer schwierigen Aufholjagd: Faktoren wie fortschrittliche Herstellungsverfahren, Hochgeschwindigkeitsspeicher, Fertigungskapazitäten und Produktionskapazität schränken direkt den Raum für die Leistungssteigerung einzelner Chips ein. Aber wenn sich der Wettbewerbsmaßstab von einzelnen Chips auf große Rechensysteme ausweitet, erhält Huawei einen anderen Raum zur Steigerung der gesamten Rechenfähigkeit: Durch Hochgeschwindigkeitsvernetzung und Innovationen bei der Systemarchitektur wird der Wirkungsgrad der Zusammenarbeit einer großen Anzahl von Chips verbessert.
Auf der Huawei Connect 2026 hat Huawei seinen strategischen Fokus klar auf die KI-Infrastruktur verlagert und einen groß angelegten Rechenweg mit „Superknoten + Cluster“ als Kern vorgeschlagen. Es scheint, als würde Huawei darauf achten, „wie viele Karten verbunden sind“, tatsächlich versucht es, das Problem des Rechenwettbewerbs neu zu definieren: Neben der weiteren Verbesserung der Leistung einzelner Chips kann man durch Innovationen bei der Systemarchitektur eine große Anzahl von Recheneinheiten zu einem effizienteren Ganzen organisieren. Die sogenannte Innovation bei der Systemarchitektur umfasst mehrere Ebenen: Die Superknotenarchitektur organisiert eine große Anzahl von Ascend-Chips zu größeren Recheneinheiten; die Hochgeschwindigkeitsvernetzung verringert den Engpass beim Datenaustausch zwischen Chips durch UnifiedBus und vollständig optische Vernetzung; die Clusterarchitektur organisiert mehrere Superknoten weiter zu großen Rechenclustern, ergänzt durch passende Softwareplanung, Speicherung, Fehlertoleranz und Energiemanagement. Das heißt, die hier genannte „Systemarchitektur“ deckt die gesamte Art der Rechenorganisation über den Chips ab.
02 Wie Systemvorteile in Ökosystemvorteile umgewandelt werden: Die nächste Hürde für Huawei
Wenn man Huawei nur als KI-Chiphersteller versteht, der Nvidia hinterherjagt, unterschätzt man seine besondere Position in diesem Wettbewerb. Was Huawei in der Hand hält, ist keine isolierte Chip-Technologie, sondern eine Gruppe von Fähigkeiten, die früher in verschiedenen Industrien verteilt waren und jetzt von der KI neu kombiniert werden: Ascend-Rechentechnik, Kunpeng-Allzweckrechentechnik, Kommunikationsnetze, optische Vernetzung, Speicherung, Server, Rechenzentren, digitale Energie sowie langjährig gesammelte systemtechnische Fähigkeiten. Die KI zieht diese Technologien in dasselbe System: Große Modelle brauchen Beschleuniger, Beschleuniger brauchen Hochgeschwindigkeitsvernetzung, große Cluster brauchen Speicherung, Planung und Fehlertoleranz. Wenn der Strombedarf von Rechenzentren stetig steigt, beeinflussen auch Stromversorgung und Kühlung direkt die Kosten und die Expansionsgeschwindigkeit der Rechenleistung. Die von Huawei in der gesamten ICT-Industrie gebildete Technologiekombination erhält einen neuen strategischen Wert und wird allmählich zu verschiedenen Teilen derselben KI-Infrastruktur.
Huawei vergleicht die grundlegende Technologieplattform mit „schwarzem Boden“ und hofft, dass Kunpeng, Ascend, grundlegende Software und Cloud-Infrastruktur die unterste Umgebung bereitstellen, auf der Partner Modelle und Branchenanwendungen entwickeln können. Der wirklich wichtige Punkt dieses Vergleichs ist, dass er eine tiefere Logik der Infrastruktur offenlegt: Der Wert einer Infrastruktur zeigt sich nicht nur in ihrer eigenen Leistung, sondern auch darin, wie groß die externe Innovation sein kann, die sie tragen kann, und ob diese Innovationen das gesamte technologische System im Gegenzug stärken können. Die Theorie des Ökosystems fasst diese Beziehung als „Komplementarität“ zusammen: Die Plattform hängt von den Produkten, Dienstleistungen und Innovationen ab, die darauf aufbauen, und die Erweiterung der Teilnehmer kann den Wert des gesamten Ökosystems weiter steigern. In diesem Sinne besteht die echte Prüfung für das sogenannte „schwarze Boden“ von Huawei nicht nur darin, welche Leistung Ascend selbst erreichen kann, sondern auch darin, ob eine technologische Grundlage gebildet werden kann, die Modellunternehmen, Entwickler und Anwendungsunternehmen zu einer kontinuierlichen Teilnahme anzieht.
Das berührt die herausforderndste Karte von Huawei – Software und Entwicklerökosystem. Der am schwersten zu kopierende Vorteil von Nvidia war noch nie nur eine GPU. Nach langjähriger Akkumulation hat CUDA Entwicklungswerkzeuge, Rechenbibliotheken, Leistungsoptimierung, Ingenieurserfahrung, Talentförderung und vorhandenen Code zu einem voneinander abhängigen technologischen Ökosystem verbunden, was zu deutlichen Umstellungskosten führt.
Dieser Vorteil weist typische Merkmale von steigenden Erträgen und Pfadabhängigkeit auf. Brian Arthurs Forschung zu wettbewerbsfähigen Technologien weist darauf hin, dass wenn eine Technologie mit zunehmender Nutzerzahl, Akkumulation von Erfahrungen und Expansion komplementärer Ressourcen wertvoller wird, sich der früh gebildete Vorteil durch positive Rückkopplung stetig selbst verstärken und eine deutliche Pfadabhängigkeit bilden kann. Die Entwicklung von CUDA zeigt einen ähnlichen Mechanismus: Die Erweiterung des Ökosystemumfangs stärkt stetig den Plattformwert, und die Erhöhung des Plattformwerts zieht wiederum Entwickler und komplementäre Ressourcen an. Daher steht Huawei nicht nur vor der Lücke der Softwarefunktionen zwischen CANN und CUDA, sondern auch vor einem technologischen Ökosystem, das über lange Zeit angesammelt wurde und selbstverstärkende Effekte hat.
Im Vergleich dazu befindet sich Ascend/CANN noch in einem Prozess der raschen Verbesserung. In einigen Szenarien erfordert die Migration von CUDA-Modellen zur Ascend-Plattform noch die Anpassung von Drittbibliotheken, die Anpassung oder Entwicklung von Operatoren sowie manuelle Debugging- und Leistungsoptimierungsarbeiten. Huawei senkt die Hürden durch Open-Source von CANN, Kompatibilität mit gängigen Frameworks und Erweiterung der Entwickler-Community und verschiebt das Ziel von „verwendbar“ weiter zu „benutzerfreundlich“. Die tatsächliche Reife muss letztendlich jedoch anhand der Anzahl von Drittentwicklern, Umstellungskosten, Umfang der nativen Entwicklung, Vollständigkeit der Entwicklungswerkzeuge und langfristigen Leistung unter realen Arbeitslasten geprüft werden.
Ein wichtiges Merkmal einer ausgereiften Infrastruktur ist es, die Komplexität vor den Nutzern zu verbergen: Die Probleme, die Ingenieure gelöst haben, werden in Software umgewandelt, die Erfahrungen von Experten werden in Werkzeugen festgelegt, und einmalige Optimierungen werden zu öffentlich verfügbaren Fähigkeiten, die wiederholt aufgerufen werden können. Genau an diesem Punkt tritt DeepSeek in das Spiel von Huawei ein.
03 DeepSeek nach unten: Modelle beginnen, die Infrastruktur mit zu definieren
Ende September 2026 ging die Zusammenarbeit zwischen DeepSeek und Huawei von der Ausführung von Modellen weiter zur zugrundeliegenden Programmierinfrastruktur. Berichten zufolge arbeitet DeepSeek mit Huawei zusammen, um eine Reihe von zugrundeliegenden Softwarewerkzeugen für Ascend zu entwickeln und als Open-Source zu veröffentlichen, mit dem Ziel, die technischen Hürden für Entwickler bei der Nutzung und Optimierung von Ascend-Chips zu senken. Das bedeutet, dass die Zusammenarbeit beider Seiten nicht mehr darauf beschränkt ist, dass DeepSeek-Modelle auf Ascend ausgeführt werden können, sondern beginnt, die Softwareinfrastruktur für das gesamte Entwicklerökosystem zu unterstützen.
Wenn man dies nur als „inländisches Modell passt sich an inländischen Chip an“ versteht, unterschätzt man seine industrielle Bedeutung. Die traditionelle Anpassung ist immer noch eine einseitige Beziehung: Die Hardwareplattform existiert bereits, und Modellhersteller passen durch Codeänderungen und Leistungsoptimierung die Modelle an, sodass sie auf einer bestimmten Plattform ausgeführt werden können. Die jetzt auftretende Veränderung ist, dass Modellhersteller beginnen, sich an näher am Grund liegenden Gliedern wie Rechenbibliotheken, Kommunikationsbibliotheken und Programmierwerkzeugen zu beteiligen und sich von Nutzern der Infrastruktur zu gemeinsamen Erbauern zu entwickeln.
Diese Zusammenarbeit lässt sich anhand des Konzepts der „innovativen Komplementarität“ (innovational complementarities) weiter verstehen, das 1995 von Timothy Bresnahan und Manuel Trajtenberg vorgeschlagen wurde. Sie wiesen bei der Erforschung allgemeiner Zwecktechnologien darauf hin, dass zwischen grundlegenden Technologien und nachgelagerten Anwendungen eine zweiseitige Innovationsrückkopplung entstehen kann: Die Verbesserung der grundlegenden Technologie schafft neue Möglichkeiten für Anwendungsinnovationen, und die Entwicklung nachgelagerter Anwendungen erzeugt wiederum neue technologische Anforderungen, was den Nutzen weiterer Verbesserungen der grundlegenden Technologie erhöht. Die Zusammenarbeit zwischen DeepSeek und Huawei zeigt eine ähnliche Wechselwirkung: Die Entwicklung von Modellen stellt stetig neue Anforderungen an Berechnung, Kommunikation und Software, die Ascend und seine Softwarewerkzeuge weiter optimieren; die Verbesserung der zugrundeliegenden Rechenfähigkeit erweitert wiederum den technologischen Raum für Modelltraining und Inferenz.
Diese innovative Komplementarität ist im KI-Bereich besonders wichtig, da KI-Chips letztendlich keine abstrakte „künstliche Intelligenz“ verarbeiten, sondern sich stetig ändernde spezifische Arbeitslasten. Die Modellarchitektur, die Struktur der Operatoren, das Berechnungs-Kommunikations-Verhältnis während des Trainings und die Art des Speicherzugriffs während der Inferenz stellen unterschiedliche Anforderungen an Software und Hardware, und Modellunternehmen sind diesen Veränderungen der Anforderungen am nächsten. Daher liegt die Bedeutung der Beteiligung von DeepSeek am Aufbau zugrundeliegender Softwarewerkzeuge darin, die Rückkopplungsdistanz zwischen Modellinnovation und Recheninfrastruktur zu verkürzen, sodass sich stetig ändernde Anforderungen auf der Modellseite schneller in den Optimierungsprozess von Software, Chips, Vernetzung und System einbringen können.
Für Huawei liefert DeepSeek das Wissen über Arbeitslasten von der Seite der hochmodernen Modelle; für DeepSeek bedeutet der tiefe Einstieg in zugrundeliegende Werkzeuge die Chance, die Rechenumgebung zu gestalten, auf der die Modelle ausgeführt werden. Ob beide Seiten langfristig wirklich ein gemeinsam evolvierendes Ökosystem bilden können, muss noch beobachtet werden, aber diese Zusammenarbeit zeigt bereits, dass sich die Bedeutung des „Full-Stacks“ verändert: Es ist nicht unbedingt erforderlich, dass ein Unternehmen das vollständige Eigentum an Chips, Cloud, Modellen und Anwendungen hat. Entscheidender ist, ob zwischen verschiedenen Ebenen des Technologie-Stacks eine schnelle und kontinuierliche Rückkopplung entstehen kann.
Fast gleichzeitig gibt AMD in die entgegengesetzte Richtung einen interessanten Bezugspunkt. Am 28. September 2026 kündigte AMD an, World Labs unter der Leitung von Li Feifei für rund 8,2 Milliarden US-Dollar in einer vollständigen Aktientransaktion zu übernehmen. In der offiziellen Mitteilung erklärte AMD ausdrücklich, dass mit der Ausweitung der KI auf Inferenz, Robotik, Simulation und physische KI die Arbeitslasten, denen die Recheninfrastruktur ausgesetzt ist, vielfältiger werden. Die Modellentwicklungsfähigkeit von World Labs kann AMD helfen, zu verstehen, wie sich diese Arbeitslasten entwickeln, und danach den zukünftigen Weg für Hardware, Software und Systeme zu gestalten. Lisa Su fasste diese Fähigkeit zusammen: Um die nächste Generation von KI-Rechenplattformen zu bauen, muss man tief verstehen, wie sich Modelle weiterentwickeln.
DeepSeek steigt nach unten in die Recheninfrastruktur ein, AMD steigt nach oben in die Modellentwicklung ein – die Richtungen sind entgegengesetzt, aber sie zeigen dieselbe strukture