Chips

Worum es geht

Ein neuronales Netz besteht vor allem aus einer Rechnung, die milliardenfach wiederholt wird: zwei Zahlen multiplizieren und das Ergebnis aufaddieren. Gebündelt sind das Matrixmultiplikationen, also riesige Zahlentabellen, die miteinander multipliziert werden. Ein normaler Prozessor, die CPU, arbeitet sie mit wenigen starken Kernen nacheinander ab. Eine GPU oder ein anderer KI-Chip hat Tausende einfache Rechenwerke, die das gleichzeitig tun.

Darum entscheidet die Chipschicht, wie schnell und wie teuer KI ist, beim Training eines Modells genauso wie bei der Inferenz, also in dem Moment, in dem ein Modell dir antwortet. Sie erklärt auch, warum wenige Firmen und Länder so viel Macht über KI haben: Die modernsten Chips brauchen Maschinen, Materialien und Wissen, die es nur an sehr wenigen Orten gibt.

Warum KI besondere Chips braucht

Die Computerarchitekten John Hennessy und David Patterson beschreiben den Wandel als Aufstieg domänenspezifischer Architekturen: Chips, die für eine Art von Arbeit gebaut sind. Sie schlagen normale Prozessoren aus drei Hauptgründen. Sie rechnen viele einfache Rechnungen parallel, sie halten Daten in Speicher direkt neben den Rechenwerken, und sie rechnen mit weniger Stellen, wenn das genau genug ist.

Googles erster KI-Chip, die TPU, zeigt den Effekt. Bei Googles eigenen Inferenz-Aufgaben war sie 29-mal schneller als ein Allzweckprozessor und mehr als 80-mal energieeffizienter, so fassen es Hennessy und Patterson zusammen.

• CPU: der Hauptprozessor: wenige starke, flexible Kerne für Logik Schritt für Schritt. Er führt fast jedes Programm aus und koordiniert die KI-Chips.
• GPU: der Grafikprozessor: Tausende einfachere Kerne plus spezielle Matrixeinheiten. Für Grafik gebaut, heute der flexible Standard für KI.
• ASIC: ein anwendungsspezifischer Chip für genau einen Zweck, etwa Googles TPU oder Amazons Trainium. Sehr effizient, meist in der Cloud des Herstellers mietbar.
• NPU: die KI-Einheit in Smartphones und Laptops. Sie lässt kleine Modelle direkt auf deinem Gerät laufen, die Daten bleiben dort.

Genauigkeit kurz erklärt: FP32, FP16, BF16, FP8 und FP4 beschreiben, wie viele Bits eine Zahl nutzt. Weniger Bits heißt mehr Rechnungen pro Chip, weniger Speicher pro Zahl und größere Modelle im gleichen Speicher. Bei Googles aktueller TPU verdoppelt halbe Genauigkeit laut Datenblatt genau die Spitzenleistung.

Die Speicherwand: warum Speicher so wichtig ist wie Rechenleistung

Moderne KI-Chips können viel schneller rechnen, als sie Daten holen können. Hennessy und Patterson rechnen es in Energie vor: Einen Block aus einem kleinen Zwischenspeicher auf dem Chip zu lesen kostet etwa 200-mal so viel Energie wie eine einfache Addition. Das Bewegen der Daten ist der teure Teil.

Darum steht HBM, Speicher mit hoher Bandbreite direkt neben dem Chip gestapelt, in jeder Chip-Ankündigung. Aus Googles Datenblatt für die aktuelle TPU ergibt sich, dass der Chip rund 625 Rechnungen pro geladenem Byte braucht, um ausgelastet zu sein. Aufgaben mit weniger Rechnungen pro Byte lassen die Rechenwerke warten.

In der Praxis trifft das vor allem das Antworten. Wenn ein Modell seine Antwort Wort für Wort für eine Person schreibt, muss es für jeden Schritt seine gesamten Parameter aus dem Speicher holen, rechnet dabei aber wenig. Bedient es viele Nutzende gleichzeitig (Batching), nutzt es jede geladene Zahl mehrfach und senkt die Kosten pro Token, dafür dauert jede Antwort etwas länger. Das ist gängiges Fachwissen aus der Chiparchitektur.

Vom Chip zum Cluster

Die Einheit der KI-Rechenleistung ist heute ein ganzer Server-Schrank oder Pod. Mehrere Chipteile (Chiplets) und Speicherstapel werden per Advanced Packaging zusammengesetzt, Dutzende Chips zu einer schnellen Gruppe verbunden und Tausende solcher Gruppen in einem Rechenzentrum vernetzt.

1. 01Chip und Chiplets. Googles aktuelle TPU besteht aus zwei Chiplets mit eigenen Rechenkernen und je 96 GiB HBM.
2. 02Gehäuse (Package). TSMCs CoWoS-Packaging setzt Rechenchips und HBM-Stapel nebeneinander auf eine Siliziumbasis, bis zu 3,3-mal so groß wie eine einzelne Belichtung.
3. 03Server-Schrank. NVIDIAs aktuelles Spitzensystem verbindet 72 GPUs und 36 CPUs in einem Schrank über NVLink, sodass sie wie eine Maschine arbeiten.
4. 04Pod und Cluster. Ein Google-TPU-Pod verbindet bis zu 9.216 Chips. Innerhalb des Pods spricht jeder Chip mit 1.200 GB/s mit seinen Nachbarn, ins übrige Rechenzentrumsnetz nur mit etwa 12,5 GB/s. Darum lohnt es sich, Arbeit in der schnellen Gruppe zu halten.

Wie ein Chip entsteht

Ein moderner KI-Chip durchläuft mehrere Länder und eine Handvoll Firmen, von denen viele in ihrem Schritt fast ein Monopol haben. Die Reihenfolge unten ist der übliche Lehrbuchablauf, die Zahlen stammen aus den genannten Quellen.

1. 01Entwurf. Ingenieurinnen und Ingenieure entwerfen den Chip in Software (EDA-Werkzeuge, vor allem von Synopsys, Cadence und Siemens), oft mit lizenzierten Bausteinen wie Arm-Kernen.
2. 02Wafer. Hochreines Silizium wird zu einem Kristall gezogen und in 300-mm-Scheiben geschnitten. China stellte 2024 93,5 % des weltweiten Polysiliziums her, überwiegend für Solarzellen.
3. 03Belichtung. Die feinsten Schichten werden mit extrem ultraviolettem Licht (EUV) von 13,5 nm belichtet. Es entsteht, wenn Laser Zinntröpfchen treffen, 50.000-mal pro Sekunde. Diese Maschinen für die EUV-Lithografie baut nur ASML in den Niederlanden.
4. 04Fertigung. In der Fabrik, der Foundry, bauen Hunderte Schritte Transistoren und Metallschichten auf. TSMC erzielte im zweiten Quartal 2026 72,5 % des weltweiten Foundry-Umsatzes. Eine Fabrik der Spitzenklasse kostet über zehn Jahre etwa 35 bis 43 Mrd. Dollar, Bau und Betrieb zusammen (BCG).
5. 05Speicher. HBM kommt von drei Herstellern: SK hynix (50 %), Samsung (33 %) und Micron (18 %) im zweiten Quartal 2026, also rund 83 % von südkoreanischen Firmen.
6. 06Packaging und Test. Chips und Speicher werden getestet, vereinzelt und zusammen verpackt. 2025 war dieses Advanced Packaging, gemeinsam mit dem Speicher, der größte Engpass für KI-Chips (Epoch AI).

Die Angabe 3 nm beschreibt keine messbare Breite auf dem Chip. Seit den 1990er-Jahren sind diese Namen Marketing; Fachleute schlagen Dichtemaße als Ersatz vor (IEEE Spectrum).

Woher der Fortschritt bei Chips heute kommt

Jahrzehntelang machten kleinere Transistoren Chips schneller und effizienter zugleich. Dieser Selbstläufer ist vorbei: Die Dennard-Skalierung, bei der kleinere Transistoren auch weniger Strom brauchten, lief zwischen 2007 und 2012 aus, und 2018 klaffte zwischen Moores Vorhersage und der Wirklichkeit etwa der Faktor 15 (Hennessy und Patterson).

Fortschritt kommt heute aus dem Design. NVIDIAs Chefwissenschaftler Bill Dally berichtete, dass KI-Inferenz auf einer GPU in zehn Jahren etwa 1.000-mal schneller wurde, davon nur etwa das 2,5-Fache durch kleinere Transistoren; der Großteil kam aus einfacheren Zahlenformaten und klügeren Befehlen (Herstellerangabe). Unabhängige Daten von Epoch AI zeigen, dass führende KI-Hardware jedes Jahr etwa 40 % energieeffizienter wird.

Mehr Effizienz kann sogar mehr Verbrauch bedeuten. Sasha Luccioni, Emma Strubell und Kate Crawford argumentieren, dass Effizienzgewinne bei KI den Gesamtverbrauch steigern können, ein Rebound-Effekt, bekannt als Jevons-Paradoxon.

Welche Arten von KI-Chips es gibt

Für Gründerinnen und Gründer zählen fünf Familien. Die meisten nutzt du als Cloud-Dienst.

• Rechenzentrums-GPUs: NVIDIA und AMD. Der flexible Standard, verkauft an Clouds und Großkunden als ganze Schränke.
• Eigene Chips der Clouds: Google TPU, Amazon Trainium, Meta MTIA, Microsoft Maia. Google besitzt etwa ein Viertel der weltweiten KI-Rechenleistung, überwiegend auf eigenen TPUs (Epoch AI).
• Chips in Wafergröße: Cerebras baut einen Chip aus einem ganzen Wafer, mit 4 Billionen Transistoren und Speicher direkt auf dem Chip (Herstellerangabe).
• Spezialisten fürs Antworten: Groq baut Chips für schnelle Antworten. Im Dezember 2025 hat es NVIDIA eine nicht exklusive Lizenz für seine Technik gegeben und bleibt eigenständig.
• NPUs im Gerät: in Smartphones und Laptops. Sie betreiben kleine Sprachmodelle und ermöglichen lokale KI, ohne Daten in eine Cloud zu schicken.

Woher die Rohstoffe kommen

Die Materialkette eines Chips zieht sich über Kontinente: Viel wird in Afrika und Südamerika abgebaut, in China raffiniert, in Taiwan und Südkorea zu Chips verarbeitet und in den USA entworfen. Jeder Schritt ballt sich in wenigen Ländern, und viele dieser kritischen Rohstoffe haben kaum Ersatz.

Die menschlichen Kosten liegen am Anfang. Die Forschenden Fabio Andrés Díaz Pabón und Azza Mustafa Babikir Ahmed (University of Cape Town) beschreiben Bergleute in der Demokratischen Republik Kongo, darunter Kinder, die ohne Schutz in Kobaltminen arbeiten. Der kongolesische Autor Didier Cimalamungo Bahizire fordert überprüfbare Transparenz in den Lieferketten und einen fairen Anteil für die Menschen vor Ort.

• Gallium: etwa 99 % der Erstproduktion in China (USGS 2026).
• Polysilizium: 93,5 % 2024 in China hergestellt (Bernreuter Research).
• Seltene Erden und Wolfram: China fördert etwa 69 % der Seltenen Erden und 79 % des Wolframs (USGS 2026).
• Kobalt und Tantal: die DR Kongo fördert etwa 73 % des Kobalts und etwa 52 % des Tantals; Ruanda und Nigeria kommen auf je etwa 16 %, Brasilien auf etwa 8 % (USGS 2026).
• Exportkontrollen: China hat sein Exportverbot für Gallium, Germanium und Antimon in die USA bis 27.11.2026 ausgesetzt, ein Paket mit Kontrollen für Seltene Erden und Graphit bis 10.11.2026. Prüfe den aktuellen Stand.

Der Fußabdruck der Chipherstellung

Die Herstellung von Chips verursacht rund 185 bis 190 Mio. Tonnen CO2-Äquivalent pro Jahr, bis 2030 werden 247 Mio. Tonnen erwartet (imec, TechInsights). Ein einzelner Wafer der 2-nm-Klasse trägt etwa 1.600 kg CO2-Äquivalent, und Chips machen als graue Emissionen etwa 30 % des CO2-Fußabdrucks eines KI-Rechenzentrums aus (imec).

Fabriken brauchen außerdem viel Wasser und Strom. TSMC meldet einen neuen Vertrag über 136.000 Kubikmeter entsalztes Meerwasser pro Tag und einen Anteil erneuerbarer Energie von 20,1 % im Jahr 2025 (Firmenbericht). Viele Fabriken hängen an kohlenstoffreichen Netzen in Taiwan, China und Südkorea, das erhöht den Fußabdruck jedes Chips. Weltweit wurden 2022 nur 22,3 % des Elektroschrotts nachweislich recycelt (UN Global E-waste Monitor).

Was das für deine Entscheidungen heißt

Du bezahlst KI-Chips mit jeder API-Rechnung. Die Chipgeneration, das Zahlenformat und wie gut ein Anbieter seine Chips auslastet, fließen in deine Kosten pro Aufgabe. Unsere Lesart der Quellen: Mieten über APIs oder die Cloud passt für die meisten jungen Firmen, weil Hardware jedes Jahr etwa 40 % effizienter wird und jährlich ein neues Spitzenmodell erscheint.

Oft reicht weniger Hardware als gedacht. Kleinere oder komprimierte Modelle, etwa durch Quantisierung, laufen oft auf kleineren GPUs, Laptops oder Smartphones. Das MIT-Team von Song Han hat gezeigt, dass 4-Bit-Modelle genau bleiben, wenn man die wenigen entscheidenden Gewichte schützt. Und wenn Daten im Haus bleiben müssen, sind Chips im Gerät oder Self-Hosting für kleine Modelle echte Optionen.

Woraus die Schicht besteht

Kennzahlen, mit Quelle und Datum

• 1,5 bis 1,66 Bio. $Prognose für den weltweiten Chipmarkt 2026, etwa doppelt so viel wie 2025. Der Sprung kommt vor allem von explodierenden Speicherpreisen.WSTS · 06.08.2026 · Branchenverband
• rund 795 Mrd. $weltweiter Chipmarkt 2025. KI-Prozessoren machten über 200 Mrd. $ aus, NVIDIA allein 15,8 % aller Chipumsätze.Gartner · 12.01.2026 · Marktforschung
• 72,5 %des weltweiten Foundry-Umsatzes ging im zweiten Quartal 2026 an TSMC. Firmen mit Sitz in Taiwan kamen auf etwa 80 %, in China auf etwa 10 %.TrendForce · 09.09.2026 · Marktforschung
• über 15 Mio.KI-Chips im Gegenwert der NVIDIA H100 sind weltweit installiert und brauchen über 10 GW Strom. Google besitzt etwa ein Viertel dieser Rechenleistung.Epoch AI · 07.04.2026 · neutral
• alle 7 Monateverdoppelt sich die Rechenleistung im größten einzelnen KI-Rechenzentrum der Welt.Epoch AI · 11.06.2026 · neutral
• etwa 40 %energieeffizienter wird führende KI-Hardware jedes Jahr.Epoch AI · 23.10.2024 · neutral
• über 90 %des Packagings und Speichers für KI-Chips ging 2025 an vier Firmen, aber nur etwa 12 % der modernsten Logikchips.Epoch AI · 12.03.2026 · neutral
• 185 bis 190 Mio. tCO2-Äquivalent pro Jahr verursacht die Chipherstellung weltweit.imec · 19.08.2025 · neutral

Regionen im Vergleich

Keine Region kann einen modernen KI-Chip allein bauen, das betont der Historiker Chris Miller. Jede hält ein anderes Glied der Kette, und fast jede Regierung fördert inzwischen ihren Teil. Die Förderzahlen folgen unterschiedlichen Definitionen und sind nicht direkt vergleichbar.

Quellen: SIA/BCG (08.05.2024), GAO (August 2026), TrendForce (09.09.2026), Counterpoint über Edaily (03.09.2026), US International Trade Administration (November 2025), METI über Adnkronos (11.04.2026), Yicai (27.05.2024), AENEAS (03.06.2026), ThePrint (15.07.2026), USGS (Februar 2026), ODI. Mehrere Zahlen stammen aus Berichten über das Original.

Beispiele

• NVIDIA verkauft ganze Server-Schränke: 72 GPUs und 36 CPUs, verbunden wie ein einziger Rechner.
• Google, Amazon, Meta und Microsoft bauen eigene KI-Chips, oft mit Broadcom oder Marvell als Designpartner.
• In China ist Huawei Ascend die wichtigste Alternative, gebremst vor allem durch fehlenden Speicher.

Warum es eine Rolle spielt

Die Chipschicht erklärt drei Dinge, die du direkt spürst: warum KI-Kapazität knapp ist, warum Preise für die gleiche Leistung so schnell fallen und warum Geopolitik bis in dein Produkt reicht. Die Engpässe liegen hintereinander, von kongolesischen Minen über niederländische Belichtungsmaschinen bis zu taiwanischen Fabriken und koreanischem Speicher. Eine Störung an jedem Glied wandert bis in den Preis eines API-Aufrufs.

Sie erklärt auch, wo Verantwortung liegt. Chips haben einen materiellen Fußabdruck, vom Bergbau über Wasser bis zum Elektroschrott, nach dem Kundschaft, Behörden und Mitarbeitende zunehmend fragen.

Häufige Irrtümer

• 3 nm heißt, etwas auf dem Chip ist 3 nm breit.

  Die Bezeichnungen sind Marketing; die echten Strukturen sind viel größer (IEEE Spectrum, 2020).

• Mehr TFLOPS heißt schnellere KI.

  Oft entscheidet der Speicher. Daten zu bewegen kostet weit mehr Energie als Rechnen, und viele Aufgaben warten auf den Speicher (Hennessy und Patterson).

• Leistungsangaben der Hersteller sind vergleichbar.

  Sie hängen vom Zahlenformat und von Tricks wie dünn besetzten Rechnungen ab. Derselbe NVIDIA-Schrank steht je nach Format mit 288 oder 3.600 PFLOPS im Datenblatt.

• Effizientere Chips senken den Energieverbrauch von KI.

  Effizienzgewinne können den Gesamtverbrauch steigern, ein Rebound-Effekt (Luccioni, Strubell und Crawford, 2025).

• Nur NVIDIA kann KI.

  Google betreibt Pods mit bis zu 9.216 eigenen TPUs und besitzt etwa ein Viertel der weltweiten KI-Rechenleistung; auch Amazon, Meta und Microsoft bauen eigene Chips.

• Chips sind digital, also sauber.

  Ihre Herstellung verursacht rund 185 bis 190 Mio. Tonnen CO2-Äquivalent pro Jahr und hängt an Bergbau mit hohen menschlichen Kosten (imec; Forschende der University of Cape Town).

Perspektiven führender Fachleute

Zehn Perspektiven aus Forschung, Industrie, Politik und kritischer Wissenschaft. Jede Zusammenfassung gibt ein veröffentlichtes Werk sinngemäß wieder, verlinkt darunter. Hersteller sind als solche gekennzeichnet.

• John Hennessy und David Patterson

  Turing-Preisträger, Autoren der Standardlehrbücher zur Computerarchitektur, USA · Wissenschaft

  Allzweckprozessoren werden nur noch wenige Prozent pro Jahr schneller. Der Weg nach vorn sind Chips für eine Aufgabe, mit einfacher Parallelität, softwaregesteuertem Speicher und geringerer Genauigkeit. Googles TPU ist ihr Hauptbeispiel.

  A New Golden Age for Computer Architecture (CACM) · Februar 2019

• Vivienne Sze

  Professorin am MIT, effiziente KI-Hardware, USA · Wissenschaft

  Neuronale Netze breit einzusetzen hängt an Hardware, die Energie spart und Durchsatz erhöht, ohne Genauigkeit zu verlieren. Sie fordert, Chips nach Genauigkeit, Energie, Durchsatz, Latenz und Kosten zusammen zu bewerten.

  Efficient Processing of Deep Neural Networks: A Tutorial and Survey · März 2017

• Song Han

  Associate Professor am MIT, effizientes Deep Learning, in China geboren · Wissenschaft

  Nur ein kleiner Teil der Gewichte eines Sprachmodells verursacht den Großteil der Fehler beim Komprimieren. Wer diese schützt, macht 4-Bit-Modelle praxistauglich und auf Desktop- und Smartphone-GPUs über dreimal schneller. Sein MIT-Kurs zu effizienter KI ist frei online.

  AWQ: Activation-aware Weight Quantization (MLSys 2024 Best Paper) · Juni 2023

• Lisa Su

  CEO von AMD, in Taiwan geboren, USA · Anbieter

  Energieeffizienz ist die zentrale Herausforderung der Branche. Ohne Fortschritte im Gesamtsystem könnte ein Spitzen-Supercomputer bald etwa 500 MW brauchen, ungefähr ein Atomkraftwerk. Ihre Hebel: Chiplets, 3D-Stapelung, spezialisiertes Rechnen und geringere Genauigkeit.

  ISSCC 2023 keynote, berichtet von IEEE Spectrum · 21.02.2023

• Mark Liu und H.-S. Philip Wong

  Damals Vorsitzender von TSMC und Stanford-Professor, Taiwan und USA · Anbieter und Wissenschaft

  KI wird binnen eines Jahrzehnts GPUs mit etwa einer Billion Transistoren brauchen. Der Weg dorthin führt über 3D-Integration, Packaging, das Rechenchips mit vielen HBM-Stapeln verbindet, und Silizium-Photonik.

  How We'll Reach a 1 Trillion Transistor GPU (IEEE Spectrum) · 28.03.2024

• Chris Miller

  Historiker an der Tufts University, Autor von Chip War, USA · Politikforschung

  Kein Land kann moderne Chips allein bauen; selbst die USA hängen an Europa, Japan, Korea, Taiwan und China. Regierungen ordnen Lieferketten mit Zöllen und Exportkontrollen neu. Der Zugang zu Chips ist die Frage von heute, Vertrauen die von morgen.

  Chips and chokepoints, Vortrag an der Carnegie Mellon University · 11.03.2026

• Girish Sastry, Lennart Heim und Mitautoren

  Forschende zur Steuerung von Rechenleistung, Europa und USA · Politikforschung

  Rechenleistung ist ein besserer Hebel, um KI zu steuern, als Daten oder Algorithmen: Sie ist sichtbar, lässt sich begrenzen und messen, und ihre Lieferkette ist stark konzentriert. Schlecht gemachte Regeln könnten Privatsphäre und Wirtschaft schaden.

  Computing Power and the Governance of Artificial Intelligence · 14.02.2024

• Kate Crawford

  Professorin an der USC und Forscherin bei Microsoft Research, in Australien geboren · kritische Forschung

  Die Energie- und Wasserkosten von KI steigen und bleiben meist Firmengeheimnis. Die Industrie sollte sie messen und offenlegen, die Forschung sparsamere Systeme bauen und die Politik Offenlegung vorschreiben.

  Generative AI's environmental costs are soaring and mostly secret (Nature) · 20.02.2024

• Sasha Luccioni

  Forscherin zu Energie- und Klimakosten von KI, Kanada · kritische Forschung

  Messungen an 88 Modellen zeigten: Ein Bild zu erzeugen braucht über 1.000-mal so viel Energie wie einen Text einzuordnen. Große Allzweckmodelle für einfache Aufgaben kosten weit mehr als kleine Spezialmodelle; die Modellwahl ist also eine Hardware-Entscheidung.

  Power Hungry Processing (ACM FAccT 2024) · Juni 2024

• Fabio Andrés Díaz Pabón und Azza Mustafa Babikir Ahmed

  Forschende an der University of Cape Town, Südafrika · kritische Forschung

  Die Lieferkette der KI beginnt in Minen. In der DR Kongo arbeiten Bergleute, darunter Kinder, ohne Schutz in gefährlichen Kobaltminen, ein Teil der KI, über den kaum jemand spricht. Sie fordern, diese Arbeit anzuerkennen und Bewegungen der Arbeitenden zu stärken.

  How AI exploits (D+C Development and Cooperation) · 23.04.2025

Begriffe zu dieser Schicht

• GPUEin Grafikprozessor: ein Chip, der Tausende einfache Rechnungen gleichzeitig ausführt und dadurch zum Arbeitstier der KI wurde.
• KI-ChipEin Prozessor für die Rechnungen, die KI braucht, etwa eine GPU oder ein Spezialchip. Er tauscht Flexibilität gegen Tempo und Effizienz.
• NPUDie KI-Einheit in Smartphones und Laptops: ein kleiner Chipbereich, der KI-Modelle direkt auf deinem Gerät ausführt.
• ASICEin Chip, der für genau eine Aufgabe gebaut ist. In der KI sind Googles TPU und Amazons Trainium die bekanntesten Beispiele.
• CPUDer Hauptprozessor jedes Computers: wenige starke, flexible Kerne, die Aufgaben Schritt für Schritt abarbeiten.
• HBMSehr schneller Speicher, direkt neben einem KI-Chip gestapelt, damit seine Rechenkerne nie auf Daten warten. 2025 war er ein zentraler Engpass.
• FoundryEin Unternehmen, das Chips fertigt, die andere entworfen haben. Die fortschrittlichsten KI-Chips kommen von sehr wenigen davon.
• ComputeDie Rechenleistung samt Chips und Software dahinter, die KI fürs Training und für den Betrieb braucht.
• TrainingDer einmalige, sehr teure Prozess, der die Parameter eines Modells festlegt, indem er ihm riesige Datenmengen zeigt.
• InferenzEin fertiges Modell laufen lassen, um eine Antwort zu bekommen. Das, wofür du bei jeder Nachricht bezahlst.
• ParameterDie Milliarden Zahlen in einem Modell, festgelegt beim Training. Alles, was das Modell weiß, steckt in ihnen.
• TokenDas kleine Textstück, das ein Modell liest und schreibt. Preis, Geschwindigkeit und Speichergrenzen werden alle in Tokens gezählt.
• QuantisierungEin Modell verkleinern, indem seine Zahlen mit weniger Genauigkeit gespeichert werden, damit es auf kleinerer, günstigerer Hardware läuft.
• Kleines SprachmodellEin kompaktes Sprachmodell, das schnell und günstig läuft, oft auf Laptop oder Smartphone, auf Kosten mancher Fähigkeiten.
• Lokale KIEin Modell auf deinem eigenen Laptop oder Server betreiben. Nichts verlässt das Gerät, dafür passen nur kleinere Modelle.
• RechenzentrumEin Gebäude voller Server, Speicher und Netzwerktechnik, mit dem Strom und der Kühlung, auf denen KI läuft.
• HyperscalerEiner der wenigen Tech-Konzerne, die Rechenzentren in riesigem Maßstab betreiben und Rechenleistung, Speicher und KI-Dienste vermieten.
• SkalierungsgesetzeDie Beobachtung, dass der Fehler eines Modells vorhersagbar sinkt, wenn Modellgröße, Daten und Rechenleistung wachsen.
• Kosten pro AufgabeWas ein fertiges Arbeitsergebnis mit KI wirklich kostet: Tokens, Tools, Wiederholungen und die Zeit, die ein Mensch zum Prüfen braucht.
• Self-HostingKI-Modelle oder Tools auf Infrastruktur betreiben, die du kontrollierst, statt den Dienst eines anderen zu nutzen.
• Vendor Lock-inWenn der Wechsel zu einem anderen KI-Anbieter so teuer oder mühsam wird, dass er praktisch unmöglich ist.
• EUV-LithografieDas Maschinenverfahren, das die feinsten Strukturen moderner Chips mit extrem ultraviolettem Licht belichtet. Diese Maschinen baut nur ASML.
• Advanced PackagingMehrere Chips und Speicherstapel in einem Gehäuse verbinden, neben- oder übereinander. Heute einer der größten Engpässe für KI-Chips.
• Kritische RohstoffeRohstoffe, ohne die Chips, Stromnetze und Batterien nicht auskommen und die aus sehr wenigen Ländern stammen, etwa Gallium, Kobalt oder Seltene Erden.

Quellen

1. A New Golden Age for Computer Architecture, Hennessy, Patterson, CACM, Februar 2019
2. Heeding Huang's Law: Hot Chips 2023 keynote by Bill Dally, NVIDIA (vendor), 29.09.2023
3. Can AI Scaling Continue Through 2030?, Epoch AI, 20.08.2024
4. TPU7x (Ironwood) documentation, Google Cloud (vendor), Oktober 2026
5. Vera Rubin NVL72, NVIDIA (vendor), 21.10.2026
6. CoWoS technology, TSMC (vendor), 2026
7. Light and lasers in lithography, ASML (vendor), 2026
8. A better way to measure progress in semiconductors, Samuel K. Moore, IEEE Spectrum, 21.07.2020
9. Navigating the costly economics of chip making, BCG, 28.09.2023
10. Global semiconductor market in Q2 2026, WSTS, 06.08.2026
11. Worldwide semiconductor revenue 2025, Gartner, 12.01.2026
12. Foundry revenue ranking Q2 2026, TrendForce, 09.09.2026
13. HBM market share Q2 2026, Counterpoint via Edaily, 03.09.2026
14. Emerging Resilience in the Semiconductor Supply Chain, SIA and BCG, 08.05.2024
15. CHIPS Act implementation, US Government Accountability Office, August 2026
16. Japan semiconductors, US International Trade Administration, 20.11.2025
17. Chips Act 2.0 proposal, AENEAS, 03.06.2026
18. Big Fund III, Yicai Global, 27.05.2024
19. Additional aid for Rapidus, Adnkronos, 11.04.2026
20. Semicon Mission 2.0, ThePrint, 15.07.2026
21. South Korea chip fund, The Standard, 10.08.2026
22. Export of advanced chips to the UAE and Saudi Arabia, Jordan News, 21.11.2025
23. Mineral Commodity Summaries 2026: gallium, USGS, Februar 2026
24. Mineral Commodity Summaries 2026: tantalum, USGS, Februar 2026
25. China produces over 90% of global polysilicon, Solarserver citing Bernreuter Research, 25.11.2025
26. China suspends export controls on key raw materials, CIRS Group, November 2025
27. Critical minerals, critical moment: Africa's role in the AI revolution, ODI, 2025
28. Nothing in AI is immaterial, Didier Cimalamungo Bahizire SJ, SJES, 14.08.2026
29. How can we reduce the environmental impact of chip manufacturing, imec, 19.08.2025
30. 2025 Sustainability Report, TSMC (vendor), 2026
31. Global E-waste Monitor 2024, UNITAR and ITU, 20.03.2024
32. From Efficiency Gains to Rebound Effects, Luccioni, Strubell, Crawford, 27.01.2025
33. Groq and NVIDIA licensing agreement, Groq (vendor), 24.12.2025
34. Wafer Scale Engine, Cerebras (vendor), 2026