Nvidia übertraf am Mittwoch alle Erwartungen und meldete einen rasanten Gewinnanstieg, der auf die herausragenden Grafikprozessoren (GPUs) zurückzuführen ist, die sich besonders für KI-Anwendungen eignen. Doch auch andere Klassen von KI-Chips gewinnen zunehmend an Bedeutung.

Alle großen Cloud-Anbieter entwickeln mittlerweile eigene anwendungsspezifische integrierte Schaltungen (ASICs), von Googles TPU über Amazons Trainium bis hin zu OpenAIs Plänen mit Broadcom. Diese Chips sind kleiner, günstiger, benutzerfreundlicher und könnten die Abhängigkeit dieser Unternehmen von Nvidias GPUs verringern. Daniel Newman von der Futurum Group erklärte gegenüber CNBC, er erwarte, dass ASIC-Chips „in den nächsten Jahren schneller wachsen werden als der GPU-Markt“.

Neben GPUs und ASICs gibt es feldprogrammierbare Gate-Arrays (FPGAs), die nach der Herstellung für Anwendungen wie Signalverarbeitung, Netzwerktechnik und KI rekonfiguriert werden können. Zudem existiert eine ganze Generation von KI-Chips, die direkt auf Endgeräten und nicht über die Cloud laufen – ein Segment, das von Unternehmen wie Qualcomm und Apple angeführt wird.

CNBC sprach mit Experten und Insidern großer Technologieunternehmen, um diese unübersichtliche Landschaft und die verschiedenen Arten von KI-Chips zu beleuchten.

GPUs für allgemeine Rechenaufgaben

GPUs wurden einst hauptsächlich für Videospiele verwendet, doch sie machten Nvidia zum wertvollsten börsennotierten Unternehmen der Welt, als sie zum Motor moderner KI wurden. Nvidia lieferte im vergangenen Jahr rund 6 Millionen Einheiten seiner aktuellen „Blackwell“-GPU-Generation aus.

Der Wandel von der Spieleentwicklung hin zur KI begann 2012, als Forscher das neuronale Netzwerk AlexNet mithilfe von Nvidia-GPUs trainierten – ein Durchbruch, der von vielen als Auslöser der modernen KI-Revolution angesehen wird. AlexNet nahm an einem hochkarätigen Bilderkennungswettbewerb teil und nutzte GPUs anstelle von CPUs, was zu einer beeindruckenden Genauigkeit und einem entscheidenden Wettbewerbsvorteil führte.

Die gleiche Fähigkeit zur Parallelverarbeitung, die GPUs in die Lage versetzt, realistische Grafiken zu rendern, macht sie auch ideal für das Training von Deep-Learning-Modellen, die aus Daten und nicht durch explizite Programmierung lernen.

Heutzutage werden GPUs in Rechenzentrumssystemen zusammen mit CPUs eingesetzt, um cloudbasierte KI-Workloads auszuführen. CPUs verfügen über wenige leistungsstarke Kerne für sequentielle Aufgaben, während GPUs Tausende kleinerer Kerne besitzen, die auf parallele Operationen wie die Matrixmultiplikation spezialisiert sind.

Da GPUs eine enorme Anzahl von Operationen gleichzeitig ausführen können, eignen sie sich ideal sowohl für das Training als auch für die Inferenz. Beim Training lernen KI-Modelle, Muster in riesigen Datensätzen zu erkennen; bei der Inferenz werden diese Modelle genutzt, um auf Basis neuer Informationen Entscheidungen zu treffen.

GPUs bleiben der wichtigste Motor für Nvidia und seinen engsten Konkurrenten AMD. Die Software ist ein entscheidender Unterschied zwischen den beiden Unternehmen: Nvidia setzt auf sein CUDA-Ökosystem, während AMD einen weitgehend Open-Source-Stack bietet.

Beide Unternehmen verkaufen Cloud-GPUs an Anbieter wie Amazon, Microsoft, Google, Oracle und CoreWeave, die die Rechenleistung dann an KI-Entwickler vermieten.

Der 30-Milliarden-Dollar-Vertrag von Anthropologie mit Nvidia und Microsoft umfasst beispielsweise eine Rechenleistung von umgerechnet 1 Gigawatt, basierend auf Nvidia-Hardware. Auch AMD konnte kürzlich bedeutende Zusagen von OpenAI und Oracle erhalten.

Nvidia verkauft auch direkt an Regierungen und KI-Unternehmen – darunter mindestens 4 Millionen GPUs an OpenAI – sowie an ausländische Regierungen wie Südkorea, Saudi-Arabien und Großbritannien.

Das Unternehmen teilte CNBC mit, dass es für einen Serverschrank mit 72 Blackwell-GPUs rund 3 Millionen Dollar verlangt und wöchentlich etwa 1.000 solcher Schränke ausliefert.

Dion Harris, Senior Director für KI-Infrastruktur bei Nvidia, sagte, er hätte sich nie vorstellen können, dass die Nachfrage ein solches Ausmaß annehmen würde. „Als wir vor Jahren mit Unternehmen über ein System mit acht GPUs sprachen, hielten sie das für übertrieben.“

ASICs für spezialisierte Cloud-KI

GPU-basiertes Training ermöglichte die erste Welle großer Sprachmodelle, doch mit zunehmender Reife der Modelle hat die Inferenz immer mehr an Bedeutung gewonnen. Inferenz kann auf weniger flexiblen, kostengünstigeren Chips durchgeführt werden, die speziell für bestimmte mathematische Operationen entwickelt wurden – hier kommen ASICs ins Spiel.

Wenn eine GPU ein „Schweizer Taschenmesser“ ist, das viele verschiedene parallele Aufgaben ausführen kann, ist ein ASIC ein Werkzeug für einen einzigen Zweck – extrem schnell und effizient, aber nach der Herstellung auf eine einzige Art von Operation beschränkt.

„Diese Chips lassen sich nicht mehr verändern, sobald sie in Silizium geätzt sind“, sagte Chris Miller, Autor von *Chip War*. „Es gibt einen Zielkonflikt zwischen Effizienz und Flexibilität.“

Die GPUs von Nvidia sind vielseitig genug, um unzählige KI-Anforderungen zu erfüllen, aber sie sind teuer (bis zu 40.000 US-Dollar pro Einheit) und schwer zu beschaffen. Startups sind unter anderem deshalb auf sie angewiesen, weil die Entwicklung eines kundenspezifischen ASICs mehrere zehn Millionen US-Dollar kosten kann.

Die Cloud-Giganten investieren jedoch massiv in ASICs, da diese erhebliche Einsparungen bei großem Umfang versprechen.

„Diese Unternehmen wollen mehr Kontrolle über die von ihnen erstellten Workloads“, sagte Newman. „Aber sie werden weiterhin mit Nvidia und AMD zusammenarbeiten – der Bedarf an Rechenleistung ist enorm.“

Google entwickelte als erstes Unternehmen einen eigenen KI-ASIC und brachte 2015 die Tensor Processing Unit (TPU) auf den Markt. Die Arbeiten begannen zwar bereits 2006, wurden aber 2013 dringlicher, als Google erkannte, dass KI die Größe seiner Rechenzentren verdoppeln könnte. 2017 trug die TPU maßgeblich zur Entwicklung der Transformer-Architektur bei, die den meisten modernen KI-Systemen zugrunde liegt.

Google stellte die TPU der siebten Generation im November vor. Anthropic wird sein Claude-Modell auf einer Million TPUs trainieren. Manche glauben, dass TPUs mit Nvidia-GPUs konkurrieren oder diese sogar übertreffen können.

„Viele Leute erwarten, dass Google TPUs irgendwann breiter verfügbar machen wird“, sagte Miller.

Nach der Übernahme von Annapurna Labs im Jahr 2015 brachte AWS eigene Chips auf den Markt. Inferentia wurde 2018 und Trainium 2022 eingeführt, Trainium3 wird in Kürze erwartet.

Amazon zufolge bietet Trainium ein um 30 bis 40 % besseres Preis-Leistungs-Verhältnis als Alternativen. Anthropic verwendet derzeit eine halbe Million Trainium2-Chips zum Trainieren seiner Modelle.

Für die Entwicklung kundenspezifischer ASICs sind Cloud-Anbieter auf Unternehmen wie Broadcom und Marvell angewiesen, die entscheidendes IP- und Netzwerk-Know-how liefern. „Deshalb gehört Broadcom zu den größten Gewinnern des KI-Booms“, so Miller.

Broadcom hat bei der Entwicklung von Googles TPUs und Metas 2023-Beschleunigern mitgewirkt und baut ab 2026 kundenspezifische Chips für OpenAI.

Microsoft hat den Maia 100 entwickelt. Qualcomm bietet den A1200 an. Intel stellt die Gaudi-Reihe zur Verfügung. Tesla arbeitet an seinem AI5-Chip. Startups wie Cerebras und Groq treiben die Entwicklung neuartiger Architekturen voran.

In China entwickeln Huawei, ByteDance und Alibaba trotz US-Exportbeschränkungen ihre eigenen ASICs.

Gerätebasierte KI mit NPUs und FPGAs

Eine dritte Kategorie von KI-Chips ist für die Ausführung von Modellen direkt auf Endgeräten anstatt über die Cloud konzipiert. Diese Chips sind typischerweise in System-on-a-Chip (SoC)-Designs integriert und werden als Edge-KI-Prozessoren bezeichnet. Sie ermöglichen die lokale und effiziente Ausführung von KI-Funktionen und schonen so die Akkulaufzeit und den Datenschutz.

„Sie werden KI-Aufgaben direkt auf Ihrem Smartphone mit extrem geringer Latenz ausführen können“, sagte Saif Khan, ehemaliger KI- und Technologieberater des Weißen Hauses. „Und das, ohne Daten an ein Rechenzentrum zu senden.“

Neural Processing Units (NPUs) bilden einen wichtigen Teil dieser Kategorie und werden unter anderem von Qualcomm, Intel und AMD entwickelt.

Apple verwendet zwar nicht den Begriff NPU, integriert aber eine „neuronale Engine“ in seine Mac-Chips der M-Serie und seine mobilen Chips der A-Serie.

„Dieser Ansatz hat sich als unglaublich effektiv erwiesen“, sagte Tim Millet, Apples Vizepräsident für Plattformarchitektur. „Er ist schnell und gibt uns mehr Kontrolle über das Nutzererlebnis.“

Snapdragon-Chips in Android-Handys, Samsungs eigene NPUs und Edge-KI-Prozessoren von NXP und Nvidia treiben die KI in Autos, Robotern, Kameras und Smart-Home-Geräten an.

„Der Großteil der Ausgaben fließt heute noch in Rechenzentren“, sagte Miller. „Das wird sich aber ändern, sobald KI in Handys, Autos, Wearables und alles andere Einzug hält.“

FPGAs bieten noch mehr Flexibilität, da sie nach der Herstellung neu programmiert werden können, allerdings sind sie weniger energieeffizient als ASICs oder NPUs.

AMD wurde 2022 durch die Übernahme von Xilinx für 49 Milliarden US-Dollar zum größten FPGA-Hersteller. Intel belegt den zweiten Platz, nachdem das Unternehmen 2015 Altera für 16,7 Milliarden US-Dollar erworben hat.

Fazit: Nvidia liegt weiterhin weit vorn.

Alle diese KI-Chip-Unternehmen sind von einem einzigen Hersteller abhängig: TSMC in Taiwan.

TSMC errichtet in Arizona ein riesiges Produktionswerk, in das Apple einen Teil seiner Produktion verlagern wird. Nvidia-CEO Jensen Huang gab im Oktober bekannt, dass die Produktion der Blackwell-GPUs dort ebenfalls die volle Produktionskapazität erreicht habe.

Trotz des zunehmend überfüllten Marktes bleibt es extrem schwierig, Nvidia vom Thron zu stoßen.

„Nvidia befindet sich in dieser Position, weil sie sie sich verdient hat“, sagte Newman. „Sie haben jahrelang an diesem Entwickler-Ökosystem gearbeitet – und sie haben am Ende gewonnen.“

Die meisten US-Aktienindizes legten am Freitag zu, da der Optimismus hinsichtlich möglicher Zinssenkungen der Federal Reserve wieder auflebte.

John Williams, Präsident der New Yorker Fed, erklärte am Freitag, er erwarte, dass die Zentralbank mehr Spielraum für Zinssenkungen haben werde. Der einflussreiche Entscheidungsträger betonte in Chile, dass die Risiken für den Arbeitsmarkt mittlerweile schwerer wiegen als die Inflationsrisiken, und bekräftigte damit die Haltung der eher zurückhaltenden Mitglieder des Offenmarktausschusses (FOMC).

Williams sagte: „Ich sehe die Geldpolitik weiterhin als moderat restriktiv an, wenn auch weniger als vor unseren jüngsten Maßnahmen. Daher sehe ich weiterhin Spielraum für eine zusätzliche kurzfristige Anpassung des Zielkorridors für den Leitzins, um die Geldpolitik näher an die Neutralität heranzuführen und das Gleichgewicht zwischen unseren beiden Zielen zu wahren.“

Im Handel stieg der Dow Jones Industrial Average bis 16:15 Uhr GMT um 0,4 % (185 Punkte) auf 45.937 Punkte. Der breiter gefasste S&P 500 legte um 0,1 % (7 Punkte) auf 6.545 Punkte zu, während der Nasdaq Composite um 0,1 % (38 Punkte) auf 22.040 Punkte stieg.

Die Palladiumpreise setzten ihren Abwärtstrend am Freitag fort, belastet durch einen stärkeren US-Dollar, Unsicherheit hinsichtlich der Nachfrage und die Erwartung eines höheren Angebots.

Reuters berichtete unter Berufung auf gut informierte Kreise, dass die USA die Ukraine hinter den Kulissen drängen, ein Waffenstillstandsabkommen mit Russland zu akzeptieren. Eine solche Entwicklung würde das weltweite Angebot an Industriemetallen voraussichtlich ankurbeln, da die Sanktionen gegen Russland – einen der größten Palladiumexporteure der Welt – gelockert würden.

Laut Capital.com sind die Palladiumpreise seit Anfang Oktober um etwa 26 % auf rund 1.500 US-Dollar pro Unze gestiegen. Dieser Preisanstieg ging einher mit Gewinnen am Platinmarkt und einer allgemeinen Verbesserung der globalen Finanzlage.

Wetten auf Zinssenkungen in den USA und eine frühere Dollar-Schwäche haben auch Palladium gestützt, im Rahmen der sogenannten „Gold + Liquidität“-Rallye, die die Edelmetallpreise in den letzten Wochen beflügelt hat.

Palladium wird fast ausschließlich in Katalysatoren für Benzinmotoren verwendet, was bedeutet, dass sich Preisschwankungen direkt auf die Kostenstrukturen der US-amerikanischen Automobilhersteller und Elektronikhersteller auswirken.

Die technische Analyse von Monex deutet auf einen Widerstand zwischen 1.500 und 1.520 US-Dollar pro Unze hin. Es wird zwar ein insgesamt steigender Trend erwartet, jedoch weiterhin mit volatilen Kursbewegungen. Analysten der CPM Group merkten an, dass die jüngste Stärke von Palladium eng mit der Entwicklung von Platin verknüpft sei, warnten aber gleichzeitig, dass ein sich abschwächender US-Arbeitsmarkt und anhaltende Inflation die Nachfrage belasten könnten.

Trotz des kürzlich verkündeten Handelsabkommens zwischen den USA und China deuten Äußerungen amerikanischer Regierungsvertreter darauf hin, dass die Spannungen weiterhin hoch sind. Der US-Finanzminister erklärte, China bleibe ein unzuverlässiger Handelspartner, während Präsident Donald Trump bekräftigte, dass seine Regierung den Export fortschrittlicher Nvidia-Chips nach China und in andere Länder nicht zulassen werde.

Der US-Dollar-Index stieg bis 14:43 Uhr GMT um 0,1 % auf 100,2 und notierte zwischen einem Höchststand von 100,4 und einem Tiefststand von 99,9.

Die Palladium-Futures für die Lieferung im Dezember fielen um 0,9 % auf 1.374 US-Dollar pro Unze um 14:43 Uhr GMT.

Bitcoin fiel am frühen Freitag kurzzeitig auf 81.871,19 US-Dollar, bevor er sich bei etwa 82.460 US-Dollar stabilisierte, was einem Rückgang von rund 10,2 % in den letzten 24 Stunden entspricht.

Nach fast einem Monat anhaltender Verkäufe notiert Bitcoin nun 10 % unter seinem Niveau vom Jahresbeginn und hat damit den Großteil der Gewinne wieder eingebüßt, die er nach dem Wahlsieg von Donald Trump im vergangenen Jahr erzielt hatte.

Das letzte Mal, dass Bitcoin unter 82.000 Dollar fiel, war im April – als er auf 75.000 Dollar sank – während eines breiten Marktausverkaufs, der durch Trumps Ankündigung weitreichender Zölle bei der Veranstaltung „Tag der Befreiung“ ausgelöst wurde.

Auf Grundlage von Daten von Deribit – der Options- und Futures-Börse im Besitz von Coinbase – berichtete CoinDesk, dass sich Händler auf weitere Kursverluste einstellen.

Ethereum, die nach Marktkapitalisierung zweitgrößte Kryptowährung, fiel unter 2.740 US-Dollar und verzeichnete damit einen Rückgang von über 9,6 % innerhalb von 24 Stunden. Auch andere wichtige Token gerieten stark unter Druck: XRP, BNB und SOL verloren 9,1 %, 8,4 % bzw. 10,6 %. Dogecoin – die größte Meme-Kryptowährung – büßte im gleichen Zeitraum 10,3 % ein.

Nachdem der Kryptomarkt Anfang letzten Monats neue Rekordhochs erreicht hatte, verzeichnete er nach einem beispiellosen Kurssturz am 10. Oktober, als innerhalb von 24 Stunden gehebelte Positionen im Wert von 19,37 Milliarden US-Dollar liquidiert wurden, stetige Rückgänge. Auslöser war Trumps Ankündigung eines zusätzlichen 100-prozentigen Zolls auf chinesische Importe – eine Maßnahme, die er später zurücknahm. Digitale Vermögenswerte waren in den letzten Tagen auch von der allgemeinen Marktvolatilität betroffen; laut CoinGlass wurden innerhalb von 24 Stunden mehr als 2,2 Milliarden US-Dollar liquidiert.

Laut CoinGecko liegt der Gesamtwert aller Kryptowährungen aktuell bei 2,92 Billionen US-Dollar – ein Rückgang um 33 % gegenüber dem Höchststand von rund 4,38 Billionen US-Dollar Anfang Oktober. Seit Monatsbeginn ist die Marktkapitalisierung von Bitcoin um etwa 25 % gesunken. Dies ist laut Bloomberg der stärkste monatliche Rückgang seit dem Krypto-Crash von 2022.

Die Aktien von Strategy (ehemals MicroStrategy) – aufgrund ihrer enormen Bitcoin-Bestände weithin als Indikator für Bitcoin angesehen – fielen am Freitag im vorbörslichen Handel um 2,44 %, nachdem sie in der vergangenen Woche um 11 % und in den letzten 30 Tagen um 41 % nachgegeben hatten. Das Unternehmen hält derzeit 649.870 BTC zu einem durchschnittlichen Kaufpreis von 74.430 US-Dollar.

In einer Anfang dieser Woche veröffentlichten Analyse warnten Analysten von JPMorgan davor, dass Strategy aus wichtigen Indizes wie dem Nasdaq 100 und dem MSCI USA ausgeschlossen werden könnte. Ein solcher Ausschluss könnte weitere Kursverluste nach sich ziehen und möglicherweise die Kryptomärkte belasten, falls das Unternehmen gezwungen wäre, einen Teil seiner Bitcoin-Bestände zu verkaufen.