Hardware-Unternehmen im Bereich KI revolutionieren die Technologiebranche. NVIDIA hat sich von seinen Anfängen als Grafikkartenhersteller weit entfernt. Das Unternehmen erreichte eine Bewertung von 4 Billionen US-Dollar und zählt damit zu den wertvollsten Unternehmen der Welt.
Die Zahlen in diesem Sektor sind atemberaubend. Bloomberg Intelligence prognostiziert einen Anstieg der Ausgaben für generative KI von 67 Milliarden US-Dollar im Jahr 2023 auf 1.3 Billionen US-Dollar bis 2032. Price Waterhouse Coopers geht davon aus, dass die wirtschaftlichen Auswirkungen generativer KI bis 2030 15.7 Billionen US-Dollar erreichen werden. Diese enormen Summen erklären, warum sich die Tech-Giganten einen erbitterten Kampf um die Marktführerschaft liefern.
Ein einst spezialisierter Markt hat sich zu einem der härtesten Schlachtfelder der Technologiebranche entwickelt. Führende Hersteller von KI-Chips erweitern kontinuierlich die Möglichkeiten – NVIDIAs Blackwell-GPU sticht mit 2.5-facher Geschwindigkeit und 25-facher Energieeffizienz im Vergleich zu ihren Vorgängern hervor.
Der Wettbewerb verschärft sich, da große Unternehmen ihre Chips nun selbst entwickeln, anstatt auf externe Zulieferer angewiesen zu sein. Taiwan Semiconductor hat die Produktion von hochmodernen 3-Nanometer- und 5-Nanometer-Chips erhöht, um die stark gestiegene Nachfrage zu decken.
Dieser Artikel stellt Ihnen die 15 führenden KI-Hardware-Unternehmen vor, die heute den Markt beherrschen, ihre besten Produkte und ihre Rolle bei der Gestaltung der Zukunft des Computings.
NVIDIA ist weltweit führend in der Herstellung von KI-Chips. Die GPUs des Unternehmens treiben alles an, von autonomen Fahrzeugen bis hin zu großen Sprachmodellen. Dank seines innovativen Ansatzes hat sich NVIDIA im dynamischen Markt für KI-Hardware einen Vorsprung vor der Konkurrenz verschafft.
NVIDIAs KI-Beschleuniger-Portfolio umfasst mehrere leistungsstarke Produkte. Die A100 Tensor Core GPU ist das Herzstück für Unternehmen und liefert mit Tensor-Kernen der dritten Generation eine Deep-Learning-Leistung von bis zu 312 TFLOPS. Die H100 GPU basiert auf der Hopper-Architektur und verarbeitet große Sprachmodelle 30-mal schneller als Vorgängerversionen.
Der B300 (Blackwell Ultra) setzt mit 288 GB HBM3e-Speicher pro GPU und einer FP4-Inferenzleistung von 1,100 Petaflops neue Maßstäbe. Ein einzelnes GB300 NVL72 Rack-System verarbeitet 12,934 Token pro Sekunde und GPU.
NVIDIA ist führend bei den MLPerf-Benchmarks, die die KI-Leistung der Branche messen. Die Plattform erzielte in allen bis auf einem der MLPerf Training v5.1-Benchmarks die schnellsten Trainingszeiten. Das Unternehmen hält außerdem alle MLPerf-Inferenzleistungsrekorde pro GPU für Rechenzentren.
Die finanziellen Ergebnisse sprechen für sich: Eine Investition von 5 Millionen Dollar in das GB200 NVL72-System kann Token-Einnahmen in Höhe von etwa 75 Millionen Dollar generieren, was einer 15-fachen Rendite entspricht.
NVIDIA baut strategische Kooperationen branchenübergreifend auf. OpenAI plant, mindestens 10 Gigawatt NVIDIA-Systeme für seine KI-Infrastruktur der nächsten Generation einzusetzen. NVIDIA wird mit jedem installierten Gigawatt bis zu 100 Milliarden US-Dollar in OpenAI investieren.
Das Unternehmen arbeitet mit Automobilkonzernen wie General Motors an Technologien für autonomes Fahren und KI in der Fertigung. In Zusammenarbeit mit T-Mobile und anderen Partnern entwickelt NVIDIA den ersten KI-nativen Wireless-Stack für 6G in den USA.
NVIDIA präsentiert eine ambitionierte Roadmap mit der „Rubin“-Architektur (benannt nach der Astronomin Vera Rubin), deren Markteinführung für die zweite Jahreshälfte 2026 geplant ist. Diese Plattform der nächsten Generation wird 3.6 EFLOPS an dichter FP4-Rechenleistung liefern und damit 3.3-mal leistungsstärker sein als die aktuelle Blackwell-Architektur.
Die leistungsstärkere „Rubin Ultra“-Architektur erscheint 2027 und bietet dank ihrer NVL576-Konfiguration 15 ExaFLOPS FP4-Inferenzleistung. Die NVLink7-Schnittstelle ermöglicht eine sechsmal schnellere Konnektivität als ihr Vorgänger mit einem Durchsatz von 1.5 PB/s. NVIDIA plant für 2028 eine „Feynman“-Architektur, benannt nach dem Physiker Richard Feynman.
AMD ist ein ernstzunehmender Konkurrent im Wettlauf um KI-Hardware. Mit seinem wachsenden Angebot an Hochleistungsbeschleunigern und -prozessoren fordert das Unternehmen NVIDIAs Marktführerschaft heraus.
Der AMD Instinct MI300X-Beschleuniger ist mit seinen 192 GB HBM3-Speicher das Herzstück der KI-Chip-Produktpalette des Unternehmens. Der neuere MI325X rückt nun in den Fokus. Er verfügt über 288 GB HBM3E-Speicher und bietet eine Speicherbandbreite von 6 Terabyte pro Sekunde – 1.3-mal schneller als die Konkurrenz. AMDs Ryzen AI-Prozessoren treiben mittlerweile über 250 PC-Plattformen an und bringen KI-Funktionen auf Laptops und Desktop-PCs.
Praxistests zeigen, dass die AMD Instinct MI300X-Beschleuniger im Vergleich zu Konkurrenzprodukten gut abschneiden. Die Chips nutzen die ROCm 6-Software und erzielen damit eine 1.3-fach höhere Inferenzleistung auf Meta Llama-3 70B-Modellen. Auf Mistral-7B-Modellen bieten sie zudem einen 1.2-fach höheren Durchsatz. Hugging Face testet täglich 700,000 seiner beliebten Modelle auf AMD Instinct MI300X-Beschleunigern, um die Kompatibilität zu überprüfen.
AMD hat starke Industriepartnerschaften aufgebaut. OpenAI hat einen umfangreichen, mehrjährigen Vertrag über 6 Gigawatt mit AMD unterzeichnet. Die erste Gigawatt-Implementierung beginnt 2026. Oracle Cloud Infrastructure plant den Einsatz von 50,000 MI450-GPUs. Microsoft Azure nutzt MI300X für OpenAI-Dienste. Dell Technologies (PowerEdge XE9680), Supermicro, Lenovo und HPE arbeiten mit AMD zusammen. AMD hat gemeinsam mit HUMAIN eine 10-Milliarden-Dollar-Initiative zum Aufbau von KI-Infrastruktur in Saudi-Arabien und den USA ins Leben gerufen.
AMD plant die jährliche Veröffentlichung neuer KI-Beschleuniger. Der MI325X erscheint im vierten Quartal 2024. Die auf der CDNA-4-Architektur basierende MI350-Serie wird ebenfalls auf den Markt kommen und verspricht eine 35-mal schnellere KI-Inferenzleistung als der MI300. Die Systeme MI400/MI450 „Helios“ mit HBM4-Speicher und einer Bandbreite von 19.6 TB/s werden 2026 erhältlich sein. Die MI500-Serie folgt 2027. Für persönliche Endgeräte sollen die kommenden Architekturen „Gorgon“ (Anfang 2026) und „Medusa“ (Anfang 2027) eine bis zu zehnmal höhere KI-Rechenleistung auf dem Gerät im Vergleich zu 2024 bieten.
Google leistete mit seinen Tensor Processing Units (TPUs) Pionierarbeit auf dem Markt für kundenspezifische KI-Chips. Das Unternehmen entwickelte diese Chips 2015 für den internen Gebrauch und stellte sie ab 2018 Cloud-Kunden zur Verfügung. Die frühen Investitionen haben sich ausgezahlt. Der Technologiekonzern ist heute... kontrolliert 58 % des Marktes für kundenspezifische Cloud-KI-Beschleuniger.
Die TPU-Produktreihe ist das Herzstück von Googles KI-Hardwarestrategie. Diese anwendungsspezifischen integrierten Schaltkreise dienen speziell der Verarbeitung neuronaler Netze. Das aktuelle Flaggschiffmodell Ironwood (TPU v7) liefert 4,614 Teraflops pro Chip. Es ist sowohl bei Trainings- als auch bei Inferenz-Workloads viermal schneller als sein Vorgänger.
Die Produktpalette umfasst Trillium (TPU v6), die TPU v5-Serie und die Edge TPU für On-Device-KI. Google brachte Axion, seine erste Allzweck-CPU, zur Verarbeitung von Nicht-KI-Workloads auf den Markt.
Die Rechenleistung der TPU v4-Pods von Google erreicht 1.1 Exaflops mit 4,096 zusammenarbeitenden Chips. Jeder TPU v4-Chip verarbeitet Daten mit 275 Teraflops, unterstützt von 32 GiB HBM2-Speicher und einer Bandbreite von 1200 GB/s.
Diese enorme Rechenleistung führte zu realen Erfolgen. Googles Supercomputer für maschinelles Lernen ging in sechs von acht MLPerf-Benchmarks als Sieger hervor. Das System erreichte mit 4,096 TPU v3-Chips eine Spitzenleistung von über 430 Petaflops.
Anthropic führt Googles wichtigste Kooperationen an. Das Unternehmen strebt den Zugriff auf bis zu eine Million TPU-Chips an – ein Geschäft im Wert von mehreren zehn Milliarden Dollar. Bis 2026 wird Anthropic durch diese Vereinbarung über eine Rechenleistung von mehr als einem Gigawatt verfügen.
Broadcom ist ein wichtiger Fertigungspartner und investiert über 3 Milliarden US-Dollar in das Chipdesign. TSMC übernimmt 92 % der eigentlichen Fertigung.
Im neuen Jahr wird Ironwood verfügbar sein. Google plant, sein Hardware-Portfolio gleichzeitig zu erweitern. Das Projekt Suncatcher, eine Konstellation solarbetriebener Satelliten mit TPUs, soll bis 2027 starten.
Googles Abteilung für Quanten-KI hat Willow entwickelt, einen Quantenchip, der eine Berechnung in weniger als fünf Minuten abgeschlossen hat. Herkömmliche Supercomputer bräuchten für dieselbe Aufgabe 10 Septillionen Jahre. Es liegt noch ein langer Weg vor uns, aber wir können auf diesen Fortschritten aufbauen, da sich die KI-Branche zunehmend auf Inferenz statt auf Training konzentriert. Googles Hardware-Strategie scheint für die Zukunft bestens gerüstet.
Amazon Web Services sticht in der KI-Hardwarebranche durch seine maßgeschneiderten Beschleuniger hervor, die Leistung und Kosten für KI-Workloads in Einklang bringen.
AWS bietet zwei verschiedene KI-Chipfamilien an: Trainium für das Training und Inferentia für Inferenz-Workloads. Der neueste Trainium2-Chip bietet eine bis zu vierfach höhere Leistung als seine Vorgänger. Trn2-Instanzen eignen sich hervorragend für generative KI-Aufgaben und bestehen aus 16 über NeuronLink verbundenen Trainium2-Chips. Diese Instanzen überzeugen mit 20.8 Petaflops FP8-Rechenleistung und 1.5 TB HBM3-Speicher. Der Inferentia2-Chip treibt die Inf2-Instanzen an und liefert 190 TFLOPS FP16-Leistung mit 32 GB HBM pro Chip. Dies entspricht einer Vervierfachung des Speichers gegenüber der ersten Generation von Inferentia.
Trainium2 weist eine bemerkenswerte Kosteneffizienz auf:
Inferentia2 erzielt einen bis zu 4-fach höheren Durchsatz und eine bis zu 10-fach geringere Latenz als die Vorgängerversion. Inf1-Instanzen bieten einen 2.3-fach höheren Durchsatz bei 70 % geringeren Kosten pro Inferenz im Vergleich zu ähnlichen EC2-Instanzen.
AWS hat mit OpenAI einen 38 Milliarden US-Dollar schweren Vertrag mit einer Laufzeit von sieben Jahren abgeschlossen. Dieser Vertrag umfasst Hunderttausende NVIDIA-GPUs in Kombination mit mehreren zehn Millionen CPUs. Wir konzentrierten uns auf interne KI-Anwendungen und Partner wie Anthropic mit unseren kundenspezifischen Chips. Die Implementierung von „Project Rainier“ umfasst 400,000 Trainium2-Chips für Anthropic und verdeutlicht die enorme Dimension dieser Partnerschaften.
Trainium3 wird zunächst in die Preview-Phase gehen und Anfang 2026 vollständig eingeführt. Dieser Chip der nächsten Generation verspricht die doppelte Leistung von Trainium2 und eine um 40 % höhere Energieeffizienz dank TSMCs 3-nm-Prozess. AWS plant, seine Rechenzentrumskapazität zwischen 2026 und 2027 von 10 GW auf 20 GW zu verdoppeln. Dies stellt eine bedeutende Investition in die KI-Infrastruktur dar.
Microsoft betrat den Markt für KI-Beschleuniger mit einem einzigartigen Ansatz. Das Unternehmen entwickelte spezialisierte Hardware, die nahtlos mit seiner Cloud-Infrastruktur zusammenarbeitet, um die Leistung zu maximieren.
Project Brainwave markierte Microsofts ersten Schritt in Richtung KI-Beschleunigung. Es nutzt feldprogrammierbare Gate-Arrays (FPGAs), um eine „weiche neuronale Verarbeitungseinheit“ zu schaffen, die KI-Inferenz mit extrem niedriger Latenz ermöglicht. Das System erreichte beeindruckende 39.5 Teraflops auf Intel Stratix 10 FPGAs und verarbeitet jede Anfrage in weniger als einer Millisekunde.
Der Azure Maia 100, Microsofts Flaggschiff-KI-Chip, wurde im November 2023 vorgestellt. Dieser leistungsstarke Prozessor erstreckt sich über 820 mm² und wird im 5-nm-Verfahren von TSMC mit fortschrittlicher Packaging-Technologie gefertigt. Der Chip verfügt über 64 GB HBM2E-Speicher mit einer Bandbreite von 1.8 Terabyte pro Sekunde. Microsoft entwickelte außerdem die Azure Cobalt 100 CPU, einen Arm-basierten Prozessor, der Prozesse durch Energieeffizienz optimiert.
Der Maia 100 verarbeitet Bandbreiten von bis zu 4800 Gbit/s (All-Gather und Scatter-Reduced). Er unterstützt eine All-to-All-Bandbreite von 1200 Gbit/s über ein spezielles Ethernet-basiertes Protokoll. Die Tensor-Einheit des Chips ist mit verschiedenen Datentypen kompatibel, darunter auch Microsofts MX-Format, das 2023 eingeführt wurde.
Die Azure NC H100 v5 VMs von Microsoft zeigten in MLPerf-Benchmarks eine um 46 % höhere Leistung als Produkte mit GPUs mit 80 GB Speicher. Laut CTO Kevin Scott plant das Unternehmen, zukünftig auf eigene Chips umzusteigen.
Microsoft eröffnete im Oktober 2024 sein zweites Fairwater AI-Rechenzentrum in Atlanta. Die Anlage ist mit NVIDIA GB200 NVL72 Rack-Scale-Systemen ausgestattet, die auf Hunderttausende von Blackwell-GPUs skalierbar sind. Durch die Zusammenarbeit mit NVIDIA war Microsoft der erste Cloud-Anbieter, der NVIDIA GB300 NVL72 in großem Umfang einsetzte.
Das Unternehmen arbeitet mit Qualcomm zusammen, um die KI unter Windows voranzutreiben. Sie optimieren die Hexagon NPU mit Windows ML, um Modelle wie Phi Silica effizient auszuführen.
Die ursprüngliche Roadmap für die Chips umfasste drei Beschleuniger: Braga, Braga-R und Clea. Diese Chips sollten 2026 bzw. 2027 in Rechenzentren eingesetzt werden. Die Massenproduktion von Braga wurde auf 2026 verschoben, was einer Verzögerung von mindestens sechs Monaten entspricht.
Insiderquellen zufolge wird der Chip „leistungsmäßig deutlich hinter NVIDIAs Flaggschiff-Chip Blackwell zurückbleiben“. Die Clea-Variante könnte erst 2027 mit NVIDIAs Angeboten mithalten. Microsoft hat die Chipdesign-IP von OpenAI lizenziert, was die Entwicklung um 12 bis 18 Monate beschleunigen könnte.
Intel, der älteste Gigant der Computerbranche, verfolgt im Markt für KI-Hardware einen CPU-zentrierten Ansatz und nutzt seine x86-Dominanz bei den aufkommenden GPU-Technologien.
Die Xeon 6 Prozessoren bilden das Herzstück von Intels KI-Portfolio und bieten eine bis zu 50 % höhere KI-Leistung bei einem Drittel weniger Kernen als AMD. Diese Prozessoren verfügen über integrierte KI-Beschleunigung in jedem Kern, die Inferenz, Training und kleinere GenAI-Modelle unterstützt. Intel Core Ultra Prozessoren (Serie 2) bieten über 300 KI-beschleunigte Funktionen im Rahmen des Intel AI PC Acceleration Program für PCs.
Intel hat seine Crescent Island-GPU für Rechenzentren vorgestellt, die speziell für KI-Inferenz-Workloads entwickelt wurde. Der Chip basiert auf der Xe3P-Mikroarchitektur, verfügt über 160 GB LPDDR5X-Speicher und bietet eine optimierte Leistung pro Watt.
Intels Flaggschiff-Prozessor Xeon 6980P mit 128 Kernen zeigt eine bemerkenswerte KI-Leistung in praktischen Anwendungen. Der Prozessor erreicht bis zu 964.57 Token pro Sekunde bei der LLM-Inferenz unter Verwendung von PyTorch 2.6.0 mit IPEX-Optimierung. Messungen mit MLPerf v5.1 ergaben herausragende Ergebnisse: Xeon-6-Prozessoren weisen eine 1.9-fache Leistungssteigerung gegenüber Vorgängergenerationen auf.
Intel hat eine wegweisende Partnerschaft mit NVIDIA geschlossen, um mehrere Generationen kundenspezifischer Rechenzentrums- und PC-Produkte zu entwickeln. Diese Vereinbarung beinhaltet NVIDIAs Investition von 5 Milliarden US-Dollar in Intel-Stammaktien. Intel Foundry hat einen Auftrag zur Fertigung von Microsofts KI-Prozessor Maia 2 der nächsten Generation im 18A-Verfahren erhalten.
Die neue Crescent Island Rechenzentrums-GPU wird in der zweiten Jahreshälfte 2026 als Kundenmuster verfügbar sein. Intel hat beschlossen, die Entwicklung seiner Nervana-Neuronalnetzwerkprozessoren einzustellen, nachdem das Unternehmen Habana Labs für 2 Milliarden US-Dollar übernommen hatte, um sich auf deren Technologie zu konzentrieren.
Apple integriert neuronale Funktionen in seine Chiparchitektur durch eine einzigartige Siliziumstrategie, die das Unternehmen in der Entwicklung von KI-Hardware auszeichnet.
Apples M5-Chip markiert einen Durchbruch in der KI-Verarbeitung. Jeder GPU-Kern enthält neuronale Beschleuniger, die im Vergleich zum M4 die vierfache Spitzenleistung der GPU für KI liefern. Der Chip basiert auf 3-nm-Technologie der dritten Generation und verfügt über zehn Kerne – vier für hohe Leistung und sechs für maximale Effizienz. Die 16-Kern-Neural-Engine des Chips arbeitet mit einer einheitlichen Speicherbandbreite von 153 GB/s und verarbeitet 133 Billionen Operationen pro Sekunde – zwölfmal mehr als der M1.
Der M5-Chip erzielte mit 4,263 Punkten im Geekbench 6 Single-Core-Test einen neuen Rekord und übertraf damit alle Mac- und PC-Prozessoren. Im Multi-Core-Test erreichte er 17,862 Punkte und ist 20 % schneller als der M4. Die Grafikleistung ist um 30 % verbessert, während Raytracing-Anwendungen 45 % schneller laufen.
Apple plant, bis 2027 600 Milliarden US-Dollar in Amerika zu investieren. Das Unternehmen wird 20,000 neue Arbeitsplätze schaffen und sich dabei auf KI und Chipentwicklung konzentrieren. Apple ist eine strategische Kooperation mit Broadcom eingegangen, um den Baltra-Chip zu entwickeln. Berichten zufolge besteht eine Partnerschaft mit Google, um Gemini-KI-Modelle in Siri zu integrieren.
Apple wird die komplette M5-Familie (M5 Pro, M5 Max, Ultra) im Jahr 2026 auf den Markt bringen, M6-Varianten folgen möglicherweise später. Das Unternehmen plant im selben Jahr eine umfassende Neugestaltung des MacBook Pro mit M6 Pro/Max-Chips, OLED-Displays und Touchscreen-Funktion.
Qualcomm ist ein führender Anbieter im Bereich der On-Device-KI. Ihre energieeffizienten Prozessoren ermöglichen künstliche Intelligenz auf einer Vielzahl von Plattformen.
Das KI-Portfolio des Unternehmens präsentiert die Hexagon NPU in Snapdragon-Prozessoren, die herausragende Leistung für mobile und PC-Anwendungen bietet. Der Snapdragon X Elite mit Hexagon NPU verarbeitet KI-Aufgaben direkt auf dem Gerät und schützt gleichzeitig die Privatsphäre der Nutzer. Qualcomm stellte die Beschleuniger AI200 und AI250 für Rechenzentren vor, die Rack-Scale-Performance mit 768 GB LPDDR-Speicher pro Karte bieten. Mehrere Kerne unterstützen heterogenes Computing über die AI Engine und eignen sich daher ideal für Smartphones, Laptops und IoT-Geräte.
Die NPU des Snapdragon 8 Elite Gen 5 übertrifft ihren Vorgänger um 37 % und verarbeitet 220 Tokens pro Sekunde. Das Flaggschiff X2 Elite Extreme erzielte im Geekbench 6.5 Single-Core-Test 4,080 Punkte und im Multi-Core-Test 23,491 Punkte – 50 % mehr als die Vorgängergenerationen. Snapdragon X Elite Prozessoren laden Webseiten in realen Anwendungen 53 % schneller als AMD Ryzen AI 9 HX 370.
Das Unternehmen ging mit IBM vorteilhafte Partnerschaften ein, um watsonx.governance zu integrieren, und mit Microsoft, um Windows ML für die Hexagon NPU zu optimieren. Qualcomm und Advantech kooperieren bei Edge-KI-Systemen, die ein bis vier KI-PCIe-Beschleunigerkarten unterstützen. Humain war mit einer Installation von 200 Megawatt der erste Kunde für Qualcomms KI-Chips für Rechenzentren.
Der AI200 kommt 2026 auf den Markt, der AI250 mit speichernaher Rechenleistung folgt 2027 und verspricht eine zehnfach höhere Speicherbandbreite. Jährliche Updates mit Fokus auf Inferenzleistung und Energieeffizienz sind geplant.
Cerebras Systems revolutioniert KI-Hardware durch seine massive Wafer-Scale Engine (WSE). Dieser innovative Prozessor stellt traditionelle Chiparchitekturen mit einem völlig anderen Verarbeitungsansatz in Frage.
Die Wafer-Scale Engine (WSE-3) der dritten Generation ist das Flaggschiff der Cerebras-Prozessoren und vereint 4 Billionen Transistoren und 900,000 KI-Kerne auf einem einzigen Siliziumwafer. Der Prozessor erstreckt sich über 46,225 mm² und ist damit 57-mal größer als die H100-GPU von NVIDIA. Er liefert eine KI-Rechenleistung von 125 Petaflops. Das WSE-3-basierte CS-3-System unterstützt externen Speicher bis zu 1.2 Petabyte und trainiert Modelle mit bis zu 24 Billionen Parametern.
Die Systeme des Unternehmens haben wiederholt Leistungsrekorde gebrochen. Ihr Inferenzsystem generiert mit Llama 3.1-405B 969 Token pro Sekunde und ist damit bis zu 75-mal schneller als GPU-basierte Lösungen von Hyperscalern. Das System übertrifft die NVIDIA DGX B200 Blackwell GPU um das 21-Fache und verbraucht dabei nur ein Drittel weniger Energie und Kosten. Wissenschaftliche Anwendungen zeigen noch beeindruckendere Ergebnisse. In Kernenergiesimulationen erreichte das System eine 130-fache Beschleunigung gegenüber NVIDIA A100 GPUs. Molekulardynamiksimulationen wurden 748-mal schneller ausgeführt als auf dem Supercomputer Frontier.
Cerebras schloss sich mit IBM und Meta als Gründungsmitglied der AI Alliance zusammen. Die Zusammenarbeit des Unternehmens mit G42 führte zu einer KI-Supercomputerleistung von 8 ExaFLOPs durch Condor Galaxy 1 und 2. ZS integrierte CS-3-Systeme im Rahmen einer neuen Partnerschaft in seine MAX.AI-Plattform. AlphaSense kooperierte mit Cerebras, um seine Marktanalysefähigkeiten zu verbessern.
Cerebras hat sich in einer Serie-G-Finanzierungsrunde 1.1 Milliarden US-Dollar gesichert, um seine Wafer-Scale-Technologie weiterzuentwickeln. Das Unternehmen hat sich zum Ziel gesetzt, CS-3-Systemcluster ohne die Komplexität verteilter Datenverarbeitung zu KI-Supercomputern zu skalieren. Zukünftige Innovationen könnten beispielsweise 3D-Stacking umfassen, um SRAM-Speicher auf Wafern zu integrieren und so die Leistungsfähigkeit dieser revolutionären KI-Architektur zu erweitern.
Groq revolutioniert die KI-Szene mit Geschwindigkeiten, die so rasant sind, dass die Konkurrenz Mühe hat, mitzuhalten.
Die Language Processing Unit (LPU) Inference Engine ist das Hauptprodukt von Groq. Jeder Chip enthält 230 MB SRAM und bietet eine On-Die-Speicherbandbreite von bis zu 80 TB/s. Der Chip überzeugt mit einer bemerkenswerten Leistung von 750 TOPs (INT8) und 188 TFLOPS (FP16 @900 MHz). Die GroqCard™ Accelerator ist für 19,948 US-Dollar erhältlich. Die Hardware nutzt ausschließlich SRAM ohne On-Chip-Speicher mit hoher Bandbreite. Diese Designentscheidung ermöglicht zwar eine hervorragende Geschwindigkeit für bestimmte Arbeitslasten, bringt aber Kapazitätsgrenzen mit sich.
Tests von ArtificialAnalysis.ai belegen die außergewöhnlichen Fähigkeiten von Groq. Das System erreicht 241 Tokens pro Sekunde – mehr als doppelt so schnell wie andere Anbieter. Groqs eigene Tests erzielen sogar 300 Tokens pro Sekunde. Das System reagiert schnell und liefert 100 Ausgabetokens in nur 0.8 Sekunden. Es generiert über 500 Wörter in etwa einer Sekunde, während NVIDIA-GPUs für dieselbe Aufgabe fast 10 Sekunden benötigen.
IBM hat eine Partnerschaft mit Groq geschlossen, um GroqCloud in watsonx Orchestrate zu integrieren. Kunden im Gesundheitswesen können nun Daten in Echtzeit analysieren. Groq kooperiert außerdem mit Carahsoft, um den öffentlichen Sektor zu bedienen. Das Unternehmen eröffnete gemeinsam mit Equinix ein europäisches Rechenzentrum in Helsinki, das KI-Infrastruktur mit geringer Latenz bereitstellt.
Das Unternehmen plant, 2026 mehr als zwölf neue Rechenzentren zu eröffnen und damit die bestehenden zwölf Standorte weiter auszubauen. Groq ist in den USA, Kanada, dem Nahen Osten und Europa aktiv. Die Expansion nach Asien ist geplant, wobei Indien ein wichtiger Zielmarkt ist. In einer kürzlich abgeschlossenen Finanzierungsrunde wurden 750 Millionen US-Dollar bei einer Unternehmensbewertung von 6.9 Milliarden US-Dollar eingesammelt. Groq betreut mittlerweile über zwei Millionen Entwickler und Fortune-500-Unternehmen.
Meta verabschiedet sich von der Abhängigkeit von Chips von Drittanbietern und entwickelt stattdessen leistungsstarke KI-Beschleuniger, die speziell für seine sozialen Netzwerke konzipiert sind.
Der Flaggschiff-Chip Meta Training and Inference Accelerator (MTIA v2) zeigt bemerkenswerte Leistung: 354 TOPS INT8-Rechenleistung und 177 Teraflops FP16-Genauigkeit. Diese Chips basieren auf 5-nm-Technologie und verfügen über 256 MB On-Chip-Speicher sowie eine Speicherbandbreite von 2.7 TB/s. Sie bieten eine 3.5-fach höhere Rechenleistung als MTIA v1 bei hoher Datendichte und eine 7-fach höhere Leistung bei geringer Datendichte. Meta hat mit den Tests seines ersten hauseigenen KI-Trainingschips begonnen. Dieser Schritt könnte die Ausgaben von 10 Milliarden US-Dollar für Nvidia-GPUs im Jahr 2023 reduzieren.
Die Plattformtests zeigen einen sechsmal höheren Durchsatz bei der Modellbereitstellung und eine 1.5-fach bessere Leistung pro Watt im Vergleich zu Systemen der ersten Generation. Die Chips erzielen gute Ergebnisse bei Ranking- und Empfehlungsmodellen unterschiedlicher Komplexität. Erste Ergebnisse zeigen eine dreifache Leistungssteigerung bei vier wichtigen Bewertungsmodellen.
Meta hat eine mehrjährige Allianz mit Arm geschlossen, um die KI auf verschiedenen Rechenebenen zu verbessern. Diese gemeinsame Initiative erweitert die Executorch-Laufzeitumgebung von PyTorch um Arm KleidiAI. Die Zusammenarbeit nutzt Arms Neoverse-Plattformen für Metas Empfehlungssysteme, die Facebook und Instagram unterstützen.
Meta plant, seinen ersten Multi-Gigawatt-KI-Supercluster „Prometheus“ im Jahr 2026 in Betrieb zu nehmen. Das Unternehmen wird „Hunderte von Milliarden“ in die KI-Infrastruktur investieren.
IBM schafft eine symbiotische Beziehung zwischen Quantenfortschritten und klassischen Verarbeitungsinnovationen, indem es traditionelles Enterprise Computing mit der Entwicklung modernster KI-Hardware in Einklang bringt.
Der Telum II Prozessor bildet das Herzstück von IBMs KI-Hardwarestrategie und verfügt über acht Hochleistungskerne mit einer Taktfrequenz von 5.5 GHz. Dieser Prozessor bietet eine um 40 % erhöhte On-Chip-Cache-Kapazität von insgesamt 360 MB. Der integrierte KI-Beschleuniger liefert die vierfache Rechenleistung pro Chip im Vergleich zum Vorgänger. Eine weitere leistungsstarke Komponente ist der IBM Spyre Accelerator mit 32 Rechenkernen pro Chip und unterstützt bis zu 1 TB Arbeitsspeicher auf acht Karten.
Die Datenverarbeitungsleistung wurde durch die IO-Beschleunigungseinheit von Telum II deutlich verbessert, die eine um 50 % höhere IO-Dichte aufweist. Jeder Spyre-Chip liefert eine Rechenleistung von 300 TOPS bei gleichzeitig niedrigem Stromverbrauch von 75 W. Tests zeigen, dass ein mit 96 Spyre-Karten ausgestattetes IBM Z-System eine Leistung von bis zu 30 PetaOps erreichen kann.
AMD und IBM haben ihre Zusammenarbeit ausgebaut, um die Instinct™ MI300X GPU über die IBM Cloud verfügbar zu machen. IBM ist zudem eine Partnerschaft mit Intel Foundry eingegangen, um fortschrittliche Chips herzustellen.
Die KI-Roadmap des Unternehmens reicht bis 2030 und darüber hinaus. Zu den wichtigsten Meilensteinen gehören multimodale Transformatoren bis 2024, neuronale Architekturen, die über Transformatoren hinausgehen, und fortgeschrittene Schlussfolgerungsfähigkeiten bis 2026.
Jim Keller, der legendäre Chipdesigner, leitet Tenstromr, das sich im Bereich der KI-Hardware durch seinen Open-Source-Fokus und seine RISC-V-Architektur auszeichnet.
TensorFlow produziert mehrere KI-Beschleuniger für verschiedene Anwendungsbereiche. Der Grayskull-Prozessor wurde im April 2020 mit 120 Tensix-Kernen vorgestellt, die eine FP8-Leistung von 332 TFLOPS liefern. Die Wormhole-Serie bietet ein hervorragendes Preis-Leistungs-Verhältnis: Der n150 (999 US-Dollar) verfügt über 72 Tensix-Kerne, die mit 12 GB GDDR6-Speicher 262 TFLOPS FP8-Rechenleistung generieren. Der n300 (1399 US-Dollar) verdoppelt diese Spezifikationen. Der fortschrittliche Blackhole-Chip enthält 140 Tensix++-Kerne im 6-nm-Verfahren und erreicht mit 16 RISC-V-CPU-Kernen 774 TFLOPS (FP8).
Grayskull erreichte in Tests eine Spitzeneffizienz von 1.56 TFLOPS/Watt. Die Chips zeigten in den Rohdaten eine bessere Leistung als Intel Sapphire Rapids-Prozessoren, obwohl sie auf unterschiedliche Marktsegmente abzielen.
Das Unternehmen ging strategische Partnerschaften mit globalen Marken wie LG, Hyundai, AIREV und SingularityNET ein. Samsung Securities führte die jüngste Finanzierungsrunde über 700 Millionen US-Dollar an, an der sich unter anderem LG Electronics und Jeff Bezos beteiligten. Die Unternehmensbewertung belief sich dadurch auf 2.6 Milliarden US-Dollar.
Das Unternehmen kooperiert mit TSMC, Samsung und Rapidus im Bereich der 2-nm-Prozessknoten. Sein japanisches Ausbildungsprogramm für KI-Chipdesign soll bis 2026 auf 40 bis 60 Teilnehmer erweitert werden.
TSMC treibt die KI-Revolution im Hintergrund voran. Das Unternehmen produziert Silizium, das künstliche Intelligenz für nahezu alle wichtigen KI-Akteure ermöglicht.
TSMC A16-Technologie Die Produktion soll 2026 beginnen. Diese fortschrittliche Technologie nutzt Nanosheet-Transistoren mit innovativen Lösungen für die rückseitige Stromversorgung. Das Unternehmen plant, die Produktion des N2-Prozesses (2-nm-Klasse) aufzunehmen. N2P und A16 (1.6-nm-Klasse) folgen im Jahr 2026. Die System-on-Wafer-Technologie bietet herausragende Leistung auf Wafer-Ebene und erfüllt damit die zukünftigen KI-Anforderungen für Hyperscaler-Rechenzentren.
Der A16-Prozess übertrifft den N2P-Prozess deutlich. Er bietet eine um 8–10 % höhere Geschwindigkeit bei gleicher Spannung und reduziert den Stromverbrauch um 15–20 %. Rechenzentrumsprodukte profitieren von einer bis zu 1.10-fach höheren Chipdichte. Auch der A14-Prozess zeigt beeindruckende Verbesserungen. Er bietet eine bis zu 15 % höhere Geschwindigkeit oder einen um 30 % geringeren Stromverbrauch im Vergleich zu N2. Die Logikdichte steigt um 20 %.
Das TSMC-Werk in Phoenix hat die Massenproduktion von Chips für NVIDIA aufgenommen. Dies markiert eine bedeutende Zusammenarbeit zwischen diesen KI-Giganten. OpenAI wird gemeinsam mit TSMC sein erstes kundenspezifisches Chipdesign im 3-Nanometer-Verfahren fertigstellen. Der Einfluss des Unternehmens reicht darüber hinaus, da es die KI-Designprozesse von Cadence für die Prozesstechnologien N3, N2 und A16 unterstützt.
Das Unternehmen wird A16 im Jahr 2026 und A14 im Jahr 2028 auf den Markt bringen. Ihr System-on-Wafer mit CoWoS-Technologie wird im Jahr 2027 verfügbar sein. Diese Innovation ermöglicht Wafer-Level-Systeme, die die Rechenleistung eines kompletten Servers erreichen.
Broadcom ist durch seine maßgeschneiderten Beschleuniger und fortschrittlichen Switching-Lösungen zum Lebenselixier der KI-Netzwerkinfrastruktur geworden.
Die Thor Ultra ist das Flaggschiff der Broadcom-Produktlinie und die branchenweit erste 800G-Ethernet-Netzwerkkarte für KI-Rechenzentren mit über 100,000 XPUs. Das Unternehmen produziert die Switch-Serie Tomahawk 6, die eine Bandbreite von 102.4 Tbit/s bietet und sich flexibel konfigurieren lässt. Das Netzwerkportfolio umfasst neben der Thor Ultra für Konnektivität die Switch-Familien Tomahawk und Jericho, die zusammen eine durchgängige Plattform bilden. CEO Hock Tan betont, dass diese Netzwerkprodukte nur einen Teil der Marktchancen von Broadcom im KI-Bereich darstellen, die bis 2027 auf 60 bis 90 Milliarden US-Dollar geschätzt werden.
Das Team hat die Bandbreite des Thor Ultra im Vergleich zum Vorgängermodell verdoppelt. Der Tomahawk 6 unterstützt 512 XPU-Ports mit 200 Gbit/s oder bis zu 1,024 Ports mit 100 Gbit/s. Die High-Radix-Switches des Unternehmens können über 100,000 XPUs in einem zweistufigen Scale-Out-Netzwerk verbinden. Broadcom nutzt seine fortschrittlichen SerDes- und DSP-Technologien, um diese Spezifikationen zu erreichen.
OpenAI kündigte eine Kooperation mit Broadcom zur Entwicklung von 10 Gigawatt kundenspezifischer KI-Beschleuniger an. Bereits vor dieser Ankündigung hatte Broadcom einen Auftrag über 10 Milliarden US-Dollar von einem nicht genannten Kunden für kundenspezifische KI-Chips erhalten. Die Zusammenarbeit des Unternehmens mit Google an mehreren Generationen von Tensor-Prozessoren hat Milliardenumsätze generiert.
Broadcom erwartet für das Geschäftsjahr 2026 ein deutliches Umsatzwachstum im Bereich KI. Der Umsatz mit KI-Halbleitern erreichte im Geschäftsjahr 2024 12.2 Milliarden US-Dollar. Das Unternehmen entwickelt seine 3D-Packaging-Technologie weiter, um die Leistung zu steigern. Die ersten von OpenAI entwickelten Chips aus dieser Partnerschaft werden in der zweiten Jahreshälfte 2026 auf den Markt kommen.
Der Markt für KI-Hardware hat sich seit 2023 dramatisch verändert. Was mit einem Volumen von 67 Milliarden US-Dollar begann, wird bis 2032 voraussichtlich 1.3 Billionen US-Dollar erreichen. Diese 15 Technologiekonzerne verschieben mit jeder neuen Chipgeneration die Leistungsgrenzen immer wieder aufs Neue. NVIDIA ist mit seiner bahnbrechenden Blackwell-Architektur weiterhin führend. AMD, Google und andere haben den Abstand durch ihre eigenen Innovationen deutlich verringert.
Strategische Kooperationen sind in diesem Wettlauf um die Vorherrschaft unerlässlich geworden. Unternehmen wie OpenAI arbeiten mittlerweile mit mehreren Hardwareanbietern gleichzeitig zusammen. Sie schließen Verträge mit NVIDIA, AMD und Broadcom für massive Rechenkapazitäten ab, deren Leistung in Gigawatt statt in einzelnen Chips gemessen wird. Dies deutet auf eine Zukunft der KI hin, in der wir Rechenleistung wie einen Stromtarif abrechnen werden.
Die Leistungssteigerungen sind atemberaubend. Anfängliche Verbesserungen haben sich zwischen den Chipgenerationen zu 2- bis 4-fachen Leistungssprüngen entwickelt. Jedes Unternehmen geht seinen eigenen Weg. Cerebras baut riesige Wafer-Scale-Engines. Groq konzentriert sich auf blitzschnelle Inferenz. Traditionelle Anbieter wie Intel und Qualcomm passen ihre Architekturen für KI-Workloads an.
Die Zukunft sieht vielversprechend aus. Die meisten großen Anbieter planen, innerhalb der nächsten 12 bis 18 Monate neue Architekturen auf den Markt zu bringen, die noch größere Fortschritte versprechen. Einige Unternehmen werden sich zusammenschließen oder vom Markt verschwinden, wenn der Markt reift. Andere wiederum könnten mit bahnbrechenden Technologien einen rasanten Aufstieg hinlegen.
Unternehmen und Verbraucher, die von diesem rasanten technologischen Fortschritt profitieren, müssen ihre Hardware häufiger aktualisieren. BigDataSupply unterstützt Sie dabei, diese Aktualisierungen umweltfreundlicher und kostengünstiger zu gestalten. Verkaufe deine gebrauchten GPUs, CPUs, SSD, RAM und andere Arten von IT-GeräteDies hilft, die Kosten beim Übergang zu neuerer, leistungsfähigerer KI-Hardware wieder hereinzuholen.
Die KI-Hardwarelandschaft im Jahr 2026 wird sich deutlich von heute unterscheiden. Erfolgreiche Unternehmen benötigen mehr als nur hohe Rechenleistung. Energieeffizienz, Software-Ökosysteme und Produktionskapazitäten werden eine entscheidende Rolle spielen. Auch die globale Politik der Chipherstellung wird die Entwicklung dieses Marktes prägen.
Diese Hardware-Revolution wird die Art und Weise, wie Branchen KI einsetzen und nutzen, grundlegend verändern. Diese Chips ermöglichen Fähigkeiten, die vor wenigen Jahren noch unmöglich schienen – von der Echtzeit-Inferenz großer Sprachmodelle bis hin zu fortschrittlicher Bildverarbeitung. Sie werden völlig neue Produkt- und Dienstleistungskategorien schaffen.
