„Rechenleistung ist der Schlüssel“ — Wie Zhipu mit einem Gigawatt-Rechenzentrum Nvidia in China überflüssig macht

Im Juli 2026 nahm Zhipu (jetzt Z.ai) ein Rechenzentrum in Betrieb, das ausschließlich mit chinesischen KI-Chips läuft und eine Gigawatt Leistung bezieht – genug Strom für 750.000 Haushalte. Ein Jahr zuvor hätte kein ernstzunehmender Analyst prophezeit, dass ein chinesisches KI-Unternehmen freiwillig auf Nvidia verzichten würde. Heute ist es die einzige legale Option.

Die wichtigsten Zahlen:

• Huaweis Ascend 910B/C erreicht 65% Adoption bei chinesischen Unternehmen, Nvidias H20/L20 nur 47% (Bloomberg-Umfrage unter 60 Firmen, Juli 2026)
• Chinesische KI-Chips hielten im 1. Halbjahr 2025 35% Marktanteil in China, Nvidia 62% (IDC)
• Mindestens neun chinesische Chipfirmen haben die Schwelle von 10.000 ausgelieferten KI-Chips überschritten (China Daily, Februar 2026)
• Nvidia verlor den Titel des wertvollsten Unternehmens an Apple (18. Juli 2026, Marktwert $4,86 Billionen vs. $4,88 Billionen)
• Z.ai und andere Modellfirmen planen, 46% ihrer KI-Chip-Budgets für heimische Produkte auszugeben (Bloomberg Intelligence)

Die Sanktionen haben das Gegenteil bewirkt

Die Logik der US-Exportbeschränkungen war einfach: Chinas KI-Industrie vom Zugang zu den leistungsfähigsten Nvidia-Chips abschneiden, und die Modelle werden langsamer, teurer, schlechter. Was stattdessen passierte, ist ein Lehrstück in industrieller Dynamik.

Im Januar 2025 setzte das US-Handelsministerium Zhipu auf die schwarze Liste. Das Unternehmen, das hinter der GLM-Modellfamilie steht, durfte keine Nvidia-Chips mehr kaufen – auch nicht die abgespeckten Versionen wie H20 oder L20. Washington hatte einen Keil zwischen das führende chinesische KI-Labor und seinen Hardware-Lieferanten treiben wollen. Stattdessen trieb es Zhipu in die Arme der heimischen Chipindustrie.

„Rechenleistung ist – und wird auch künftig – der Schlüssel für KI sein. Das gilt besonders für China“, sagte Eric Xu, Rotating Chairman von Huawei, auf der Connect-Konferenz in Shanghai, als er den Atlas 950 SuperCluster vorstellte – einen Verbund aus bis zu 500.000 Ascend-Chips.

Die Zahlen belegen den Wandel. Eine Bloomberg-Umfrage unter 60 chinesischen Unternehmen zeigt, dass Huaweis Ascend 910B/C mit 65 Prozent die höchste Adoptionsrate unter zwölf abgefragten KI-Chip-Produkten erreicht – einschließlich Pilotprojekten und Evaluierungsphase. Nvidias China-spezifische Chips H20/L20 kommen nur auf 47 Prozent, ebenso wie die älteren A800/H800-Generationen.

Das ist bemerkenswert, weil Nvidia vor zwei Jahren noch einen Marktanteil von über 90 Prozent in China hielt. Die Umkehrung ist kein Zufall, sondern das Ergebnis einer koordinierten Strategie aus staatlichem Druck, Unternehmensinvestitionen und technologischer Notwendigkeit.

Neun Anbieter im „10.000-Chip-Club“

Die chinesische Regierung hat ein klares Ziel formuliert: In den nächsten fünf Jahren sollen etwa zwei Billionen Yuan (rund 294 Milliarden Dollar) in den Bau von Rechenzentren fließen, und heimische Unternehmen sollen mehr als 80 Prozent der Schlüsseltechnologien liefern, einschließlich Halbleitern.

Dieses Ziel war vor zwei Jahren eine Fantasie. Heute ist es zumindest in Reichweite. Mindestens neun chinesische Chipfirmen haben die Schwelle von 10.000 ausgelieferten KI-Chips überschritten, wie China Daily im Februar 2026 berichtete. Dazu gehören die hauseigenen Chip-Sparten von Huawei (Ascend), Baidu (Kunlunxin) und Alibaba (T-Head) sowie spezialisierte Anbieter wie Cambricon, Moore Threads, Enflame und Iluvatar CoreX. Selbst Startups wie Sunrise und Tsingmicro haben diese Marke geknackt.

Die größten Volumina erreichen Huawei, Baidu und Alibaba mit jeweils mehreren Hunderttausend ausgelieferten Einheiten. „Alibaba's T-Head is at the forefront in terms of AI chip shipments, benefiting from its early start and massive internal demand“, sagte He Hui, Halbleiter-Forschungsdirektor bei Omdia.

Roger Sheng, Vizepräsident für Forschung bei Gartner, sieht darin den Eintritt in eine „Large-Scale-Verification“-Phase. Die Frage ist nicht mehr, ob chinesische Chips funktionieren, sondern wie gut sie im Masseneinsatz skalieren.

Die Middleware-Schicht wird zum entscheidenden Hebel

Der eigentliche Gewinner dieser Entwicklung ist nicht Huawei – jedenfalls nicht allein. Es ist die aufstrebende Middleware-Schicht, die inländische Chips für große Sprachmodelle nutzbar macht.

Das Problem ist simpel: Nvidias Dominanz beruht nicht nur auf Hardware. Das CUDA-Ökosystem, über zwanzig Jahre gewachsen, ist eine der bestgeölten Entwicklerplattformen der Technikgeschichte. Jeder KI-Entwickler kennt CUDA. Jedes Framework von PyTorch bis TensorFlow ist darauf optimiert. Chinesische Chips wie Huaweis Ascend-Serie nutzen dagegen eigene Programmiermodelle – CANN bei Huawei, MindSpore als Deep-Learning-Framework. Die Kompatibilität ist begrenzt.

„Nvidia's dominance in the global AI chip market relies not only on chip performance, but also on its entrenched CUDA ecosystem“, sagte Xiang Ligang, Generaldirektor der Zhongguancun Modern Information Consumer Application Industry Technology Alliance.

Hier setzt die Middleware an. Unternehmen wie Unisound (无问芯穹) haben sich darauf spezialisiert, als „Compiler-Schicht“ zwischen verschiedenen chinesischen Chips und den KI-Modellen zu vermitteln. Gegründet von Absolventen der Tsinghua-Universität, hat Unisound eine Plattform entwickelt, die Modelle auf unterschiedlicher Hardware optimiert ausführen kann.

„凭借多年的经验，创业之初我们就不只看训练需求。我们预判模型很快会进入大规模应用阶段，于是先从异构训练切入，同时积累面向大规模推理的基础设施能力“, sagte Xia Lixue, Gründer und CEO von Unisound. („Aufgrund unserer langjährigen Erfahrung haben wir uns von Anfang an nicht nur auf Trainingsbedarf konzentriert. Wir haben vorhergesehen, dass Modelle schnell in die Phase der großflächigen Anwendung eintreten würden, und sind daher zunächst mit heterogenem Training eingestiegen, während wir gleichzeitig Infrastrukturkapazitäten für großflächige Inferenz aufgebaut haben.“)

Unisound gibt an, die Inferenzkosten um das Zehnfache gesenkt zu haben – ein Wert, der aus unternehmenseigenen Tests stammt und nicht unabhängig verifiziert ist. Aber selbst wenn nur ein Teil davon realisierbar ist, zeigt es die Richtung: Die Software-Ebene wird zum entscheidenden Hebel, um die Leistungslücke zwischen chinesischen und Nvidia-Chips zu schließen.

Zhipu hat diesen Hebel erkannt und im Juni 2026 das Unternehmen Zhongke Jiahe übernommen, ein Spin-off des Compiler-Labors der Chinesischen Akademie der Wissenschaften. Dessen Kernkompetenz: virtuelle Befehlssätze, Runtime-Optimierung und Inferenz-Engines für heimische Chips wie Loongson, Sunway, Cambricon und Huawei Ascend. Der Preis lag nach Medienberichten bei mehreren Hundert Millionen Yuan.

Die Strategie ist klar: Zhipu baut nicht nur ein Rechenzentrum, sondern eine vollständig von Nvidia unabhängige Infrastruktur. Die Übernahme von Zhongke Jiahe löst das Software-Problem. Das 1-Gigawatt-Rechenzentrum löst das Kapazitätsproblem. Und die Gespräche mit Chipdesign-Firmen über maßgeschneiderte KI-Chips zielen darauf ab, langfristig die Inferenzkosten zu optimieren.

Ein Gigawatt für die Unabhängigkeit

Die Dimensionen von Zhipus Projekt sind atemberaubend – und zugleich typisch für die chinesische Herangehensweise. Wo westliche Unternehmen optimieren, bauen Chinesen erst einmal in Größenordnungen, die jeden Vergleich sprengen.

Ein Gigawatt Stromversorgung für ein Rechenzentrum bedeutet: 750.000 Haushalte gleichzeitig mit Strom versorgen zu können. Das ist keine Pilotanlage, sondern eine industrielle Infrastruktur. Bloomberg berichtete unter Berufung auf eine mit dem Projekt vertraute Person, dass Zhipu mehrere Cluster mit jeweils über 10.000 Chips betreibt – alle mit heimischen Beschleunigern.

Die genauen Chipmodelle und Lieferanten wurden nicht genannt. Aber die Botschaft ist unmissverständlich: Chinas führendes KI-Labor kann seine Modelle trainieren und betreiben, ohne ein einziges Nvidia-Produkt zu verwenden.

Das ist nicht nur eine technische, sondern auch eine politische Aussage. Die USA haben Zhipu auf die schwarze Liste gesetzt, um genau das zu verhindern. Stattdessen haben sie den Anreiz geschaffen, schneller und massiver in heimische Alternativen zu investieren.

China Telecom hat im gleichen Zeitraum öffentlich nachgewiesen, dass sich großskalige KI-Modelle vollständig auf Huawei-Chips trainieren lassen. Die TeleChat3-Modellreihe wurde ausschließlich auf Ascend-910B-Beschleunigern entwickelt und nutzt Huaweis MindSpore-Framework. Der Nachweis, dass ein staatlicher Telekommunikationskonzern KI ohne Nvidia betreiben kann, ist ein wichtiger Referenzpunkt für andere chinesische Unternehmen.

Die Leistungslücke bleibt – aber sie schrumpft

Die Euphorie über chinesische Chips sollte nicht darüber hinwegtäuschen, dass die technische Lücke zu Nvidias aktueller Blackwell-Generation real ist. Huaweis Ascend 910B erreicht nach Branchenschätzungen etwa 60 Prozent der FP16-Trainingsleistung einer Nvidia H100. Der im März 2026 angekündigte Ascend 950PR soll etwa die 2,8-fache FP4-Leistung von Nvidias H20 bieten – aber das ist ein China-spezifischer Chip, der selbst bereits gedrosselt ist.

Die entscheidende Frage ist nicht, ob ein einzelner Ascend-Chip mit einer H100 mithalten kann. Die Frage ist, ob die Cluster-Architektur, die Vernetzung und die Software den Leistungsnachteil durch massive Parallelisierung ausgleichen können.

Huawei hat mit dem Atlas 950 SuperCluster eine Antwort gegeben. Der Verbund aus bis zu 500.000 Ascend-Chips soll ab 2026 KI-Modelle trainieren. Das Interconnect-Protokoll UnifiedBus 2.0, das Huawei als eigenen Industriestandard etablieren will, soll die Verbindung tausender Chips über große Distanzen bei hoher Geschwindigkeit und niedriger Latenz sichern.

„SuperPoDs und SuperCluster, die auf UnifiedBus basieren, sind unsere Antwort auf die steigende Nachfrage nach Rechenleistung“, sagte Eric Xu.

Ob das funktioniert, ist offen. Unabhängige Leistungsdaten fehlen. Die Skalierung von bis zu einer Million Chips stellt extreme Anforderungen an Energieversorgung, Kühlung und vor allem Software. Nvidia hat mit NVLink und der InfiniBand-Vernetzung jahrelange Erfahrung in genau diesen Fragen. Huawei beginnt gerade erst.

Doch der Ansatz ist strategisch klug. Statt zu versuchen, Nvidia auf dessen eigenem Feld zu schlagen – einzelne Chips mit immer höherer Leistung –, setzt China auf Masse. Hunderttausende mittelmäßige Chips, intelligent verschaltet, können in der Summe mehr Rechenleistung bieten als einige tausend hochoptimierte. Das ist teurer in der Energiebilanz, aber es funktioniert.

Der neue Engpass heißt HBM

Während die Chip-Community vor allem auf die Recheneinheiten schaut, zeichnet sich ein anderer Engpass ab: High-Bandwidth Memory (HBM). KI-Chips sind heute weniger durch ihre Rechenleistung begrenzt als durch die Geschwindigkeit, mit der sie Daten aus dem Speicher holen können.

Bloomberg Intelligence hat darauf hingewiesen, dass der Engpass im KI-Chip-Wettbewerb von der Rechenleistung auf die HBM-Versorgung übergeht. Das ist eine schlechte Nachricht für China, weil HBM ein extrem anspruchsvolles Produkt ist, das von nur drei Unternehmen weltweit hergestellt wird: Samsung, SK Hynix und Micron.

Chinas DRAM-Hersteller CXMT (ChangXin Memory Technologies) arbeitet daran, die Lücke zu schließen. Das Unternehmen hat ehrgeizige Pläne: Bis Ende 2026 soll die Produktionskapazität auf 350.000 Wafer pro Monat steigen – fast auf dem Niveau von Microns 375.000 Wafern. Ein Börsengang über 8,5 Milliarden Dollar ist geplant.

Doch CXMT produziert derzeit Standard-DRAM, nicht HBM. Der Technologiesprung von 17nm-DRAM zu den hochkomplexen HBM3e- oder HBM4-Stapeln ist enorm. HBM erfordert Through-Silicon-Vias (TSVs), Mikrobumps und eine präzise Stapeltechnologie, die CXMT erst entwickeln muss.

Die USA haben das Potenzial dieser Schwachstelle erkannt. Im Juli 2026 mehrten sich Berichte, dass Washington strengere Exportbeschränkungen für HBM-Chips erwägt. Micron hat bereits erklärt, dass seine gesamte HBM-Produktion für 2026 zu Festpreisen verkauft ist – was bedeutet, dass China keine Möglichkeit hat, kurzfristig zusätzliche Mengen zu beschaffen.

Nvidias China-Dilemma

Für Nvidia ist die Entwicklung eine Katastrophe. Das Unternehmen hat am 18. Juli 2026 den Titel des wertvollsten Unternehmens der Welt an Apple verloren – ein symbolischer, aber dennoch signifikanter Wendepunkt.

Die Ursache liegt nicht in schwacher Nachfrage. Nvidias Datencenter-Geschäft boomt. Das Problem ist, dass der zweitgrößte KI-Markt der Welt – China – faktisch wegfällt. Die US-Regierung hat im Dezember 2025 ein neues Lizenzsystem eingeführt, das begrenzte Exporte des H200-Chips erlaubt. Ein US-Handelsbeamter bezeichnete die Mengen als „trivial“. Rund zehn chinesische Firmen, darunter Alibaba, Tencent, ByteDance und JD.com, haben konditionale Genehmigungen erhalten, jeweils bis zu 75.000 Chips zu kaufen.

Doch am Tag nach der Exportfreigabe verhängte Präsident Trump einen 25-prozentigen Zoll auf dieselben Chips – unter Berufung auf nationale Sicherheit. Das Ergebnis: ein theoretischer Kanal, der bisher keinen nennenswerten Umsatz generiert hat.

Nvidias Management hat die Konsequenzen bereits gezogen. Auf der letzten Gewinnkonferenz sagte das Unternehmen, es kalkuliere mit „Null Umsatz aus dem China-Datacenter-Geschäft“ für den Ausblick.

Die chinesische Nachfrage ist dagegen enorm. Technologieunternehmen haben gemeinsam mehr als zwei Millionen H200-Chips für 2026 bestellt. Nvidias gesamter Bestand liegt bei etwa 700.000 Einheiten. Selbst wenn alle Genehmigungen erteilt würden, könnte Nvidia die Nachfrage nicht bedienen.

Zwei Märkte, zwei Ökosysteme

Die Entwicklung deutet auf eine dauerhafte Spaltung des globalen KI-Chipmarktes hin. Zhou Di, Senior Engineer der National Science and Technology Expert Database des chinesischen Wissenschaftsministeriums, hat dafür eine klare Prognose: „Nvidia is likely to retain a share in the high-end AI training market, represented by the demand of hyper-scale internet companies and cutting-edge research institutes, by virtue of its technical advantages. Domestic GPUs, leveraging cost-performance ratios, customized services, policy support and security advantages, are positioned to dominate vertical sectors like government affairs, finance, industry and healthcare, as well as broader cost-performance-sensitive markets.“

Das bedeutet: Nvidia bleibt der König des globalen KI-Trainingsmarktes – aber China wird sich zunehmend abkoppeln. Ein „dual-track, domestically led“ Markt entsteht, wie Zhou es nennt.

Die treibende Kraft dahinter ist nicht nur Technologie, sondern auch Geopolitik. Chinesische Unternehmen können es sich schlicht nicht leisten, von einem Lieferanten abhängig zu sein, den Washington jederzeit abschalten kann.

„Nvidia's H200 chips are believed to accelerate the development of China's AI large language models, but we don't know whether the US will restrict exports in the future“, sagte He Hui von Omdia. „It makes sense to have other alternatives.“

Die chinesischen Internetkonzerne fahren eine doppelte Strategie: Sie kaufen Nvidia-Chips, wo immer es legal möglich ist, und unterstützen gleichzeitig die Entwicklung heimischer Alternativen. ByteDance testet Chips von Baidus Kunlunxin und Cambricon. Tencent nutzt Prozessoren von Enflame. Alibaba setzt massiv auf T-Head.

Was das für Europa bedeutet

Die Spaltung des KI-Chipmarktes ist keine rein chinesisch-amerikanische Angelegenheit. Sie hat direkte Auswirkungen auf Europa – und auf Deutschland im Besonderen.

Erstens: Europäische Unternehmen, die KI-Modelle in China einsetzen oder mit chinesischen Partnern entwickeln, werden zunehmend mit inkompatiblen Hardware-Ökosystemen konfrontiert. Ein KI-Modell, das auf Nvidia-Chips trainiert wurde, lässt sich nicht einfach auf Huawei-Clustern ausführen. Die Migration erfordert erheblichen Aufwand.

Zweitens: Die chinesische Middleware-Industrie, die genau diese Inkompatibilitäten überbrückt, entsteht derzeit ohne europäische Beteiligung. Unternehmen wie Unisound bauen eine Position auf, die später schwer zu kopieren sein wird.

Drittens: Die Helium-Krise zeigt, wie verwundbar die globale Chip-Lieferkette ist. China hat am 10. Juli 2026 einen temporären Exportstopp für Helium verhängt – ein Gas, das in der Halbleiterproduktion unverzichtbar ist. Die Begründung: steigende Spannungen zwischen den USA und dem Iran, die die Heliumversorgung aus Katar beeinträchtigen. In Wirklichkeit ist es ein Machtinstrument: China sichert sich die Versorgung für die eigene Chipindustrie, während der Rest der Welt um die verbleibenden Mengen kämpft.

Die niederländische Regierung hat bereits reagiert. Eine Studie des Hague Centre for Strategic Studies bewertet die niederländische Halbleiterindustrie als „sehr hohes Risiko“ für chinesische Einmischung – noch vor der maritimen und der Luftfahrtindustrie. ASML, der niederländische Hersteller von Lithographie-Maschinen, ist seit Jahren Ziel von Spionageversuchen.

Für deutsche Unternehmen wie Volkswagen, BMW oder Bosch bedeutet das: Wer in China KI-basierte Produkte entwickelt – von autonomem Fahren bis zur Produktionssteuerung –, wird sich entscheiden müssen, auf welcher Seite der Hardware-Spaltung er steht. Eine Brückenposition ist teuer und technisch anspruchsvoll.

Die Achillesferse bleibt die Software

So beeindruckend die Fortschritte bei chinesischen KI-Chips sind – die Software-Lücke zu Nvidia bleibt die Achillesferse.

Nvidias CUDA-Ökosystem ist mehr als eine Programmierbibliothek. Es ist eine zwanzig Jahre alte Plattform, die von Millionen Entwicklern genutzt, von jedem Framework unterstützt und von einer ganzen Industrie optimiert wird. Huawei hat mit CANN und MindSpore eigene Alternativen, aber sie erreichen nicht die Breite und Tiefe von CUDA.

„While Chinese chips, such as Huawei's Ascend series, can technically rival certain Nvidia chips, they lack CUDA's universal adaptability for AI large language models“, sagte Xiang Ligang.

Die Middleware-Unternehmen versuchen, diese Lücke zu schließen, indem sie eine Abstraktionsschicht zwischen Modell und Chip legen. Aber das ist kein perfekter Ersatz. Jede Abstraktionsebene kostet Leistung. Und die Optimierungen, die Nvidia direkt in CUDA für bestimmte Modellarchitekturen einbaut, müssen von den Middleware-Anbietern mühsam nachgebaut werden.

Hinzu kommt ein strukturelles Problem: Die chinesische Chipindustrie ist fragmentiert. Huawei, Cambricon, Moore Threads, Enflame, Iluvatar CoreX – jeder Hersteller hat eigene Architekturen, eigene Programmiermodelle, eigene Optimierungen. Die Middleware muss all diese Varianten unterstützen, was die Komplexität exponentiell erhöht.

Unisound gibt an, bereits 16 verschiedene Chip-Plattformen optimieren zu können. Das ist beeindruckend, aber auch ein Hinweis auf die Fragmentierung. In einer idealen Welt gäbe es zwei oder drei dominierende Architekturen. China hat mindestens neun.

Die Frage nach der Skalierung

Der entscheidende Test für Chinas KI-Chip-Ökosystem steht noch bevor: die Skalierung auf Produktionsniveau.

Zhipus 1-Gigawatt-Rechenzentrum ist ein Proof of Concept. Aber ob es tatsächlich die versprochene Leistung liefert, ist unklar. „No independent party has verified the chip count, named the accelerators, or shown where a gigawatt of power is coming from – the questions that separate a working AI factory from a press-ready number“, schrieb der Technologie-Blog Unite.AI.

Das ist kein Zynismus, sondern journalistische Vorsicht. In der chinesischen Technologiebranche gibt es eine lange Tradition von Ankündigungen, die sich später als übertrieben herausstellen. Huaweis Atlas 950 SuperCluster mit 500.000 Chips klingt beeindruckend – aber ob die Software die Chips tatsächlich effizient zusammenarbeiten lässt, ist eine offene Frage.

Die Herausforderungen sind real: Netzwerk-Engpässe, Speicherbandbreite, Fehlertoleranz bei zehntausenden Chips, Energieversorgung und Kühlung. Nvidia hat diese Probleme über Jahre gelöst. Huawei und Zhipu versuchen, sie in Monaten zu bewältigen.

China Telecom hat immerhin gezeigt, dass großskaliges KI-Training auf Huawei-Chips grundsätzlich möglich ist. Die TeleChat3-Modelle wurden vollständig auf Ascend-910B-Beschleunigern trainiert. Das ist ein wichtiger Referenzpunkt – aber kein Beweis dafür, dass die Architektur auf Hunderttausende Chips skaliert.

Der Wettlauf gegen die Zeit

Die chinesische Chipindustrie arbeitet unter enormem Zeitdruck. Die US-Sanktionen werden nicht gelockert – im Gegenteil. Der US-Kongress wurde im Juni 2026 gewarnt, dass der Gewinner des KI-Wettrennens die Welt beherrschen werde, und es dürfe nicht China sein.

Gleichzeitig wächst der Druck aus der Industrie. Chinesische KI-Modellfirmen wie Moonshot (Kimi) und Alibaba (Qwen) haben ähnliche Kapazitätsprobleme wie Zhipu. Nach der Veröffentlichung von Kimi K3 überstieg die Zahl der Nutzeranfragen innerhalb von 48 Stunden die Erwartungen bei weitem und näherte sich der Kapazitätsgrenze der bestehenden Cluster. Moonshot setzte daraufhin die Neukundenabonnements aus.

Das Qwen3.8-Max mit 2,4 Billionen Parametern führte zu Zugriffsbeschränkungen an den Einstiegspunkten. Die Modelle werden leistungsfähiger – aber die Infrastruktur hält nicht Schritt.

Zhipu selbst erlebte im Januar 2026 einen Zusammenbruch der Servicequalität, als der Coding Agent GLM-5 nach dem Start plötzlich „Zeichensalat, Wiederholungen und seltene Schriftzeichen“ produzierte. Nach wochenlanger Fehlersuche stellte sich heraus, dass das Problem nicht im Modell lag, sondern im Inferenzsystem unter hoher Last: KV-Cache-Fehlanpassungen und Race Conditions führten zu scheinbarer „Verdummung“ des Modells.

Der Vorfall offenbart eine leicht übersehene Tatsache: Die Modellfähigkeit wird nicht nur durch die Parameteranzahl bestimmt, sondern auch durch die Leistung des Inferenzsystems. Dieselben Modellgewichte können in einer Umgebung mit geringer Last normal ausgeben; sobald sie in Szenarien mit hohem Parallelismus geraten, können selbst kleine Fehler in Cache-, Planungs- und Kommunikationssystemen dazu führen, dass der Nutzer eine Verschlechterung der Modellqualität wahrnimmt.

Chinesische KI-Firmen lernen derzeit, dass der Bau eigener Rechenzentren nicht nur eine Frage der Chip-Beschaffung ist. Es ist eine systemische Herausforderung, die Netzwerkarchitektur, Speicherhierarchie, Kühlung, Stromversorgung und vor allem Software umfasst.

OpenAIs parallele Strategie

Die „Ent-Nvidia-isierung“ ist kein rein chinesisches Phänomen. OpenAI hat im Juni 2026 mit Broadcom einen eigenen Inferenzchip namens Jalapeño vorgestellt – entwickelt, um die Abhängigkeit von Nvidia zu reduzieren.

„We have a deep understanding of the workload“, sagte Greg Brockman, President von OpenAI, in einem unternehmenseigenen Podcast. „We've really been looking for specific workloads that are underserved, and asking how can we build something that will be able to accelerate what's possible?“

Der Chip ist speziell für Inferenz optimiert, den Prozess der Ausführung trainierter Modelle. OpenAI betont die niedrigen Betriebskosten bei der Ausführung von Echtzeit-Coding-Modellen. Für rechenintensivere Aufgaben wie Pre-Training werde man weiterhin auf Nvidia-Hardware setzen.

Die Parallele zu China ist auffällig: Auch OpenAI baut eine eigene Infrastruktur, um die Kosten zu senken und die Abhängigkeit von einem einzigen Lieferanten zu reduzieren. Der Unterschied: OpenAI hat weiterhin Zugang zu Nvidias besten Chips und kann Jalapeño als Ergänzung nutzen. Chinesische Unternehmen müssen komplett auf heimische Alternativen umsteigen – nicht aus Optimierung, sondern aus Notwendigkeit.

Die Rolle des Staates

Hinter dem Aufbau der chinesischen KI-Chip-Infrastruktur steht massiver staatlicher Druck. Die Regierung hat staatliche Betreiber angewiesen, neue KI-Rechenzentren mit heimischen Chips zu bestücken. Die Beschaffung von Nvidia-H20-Chips wird zunehmend erschwert, auch wenn sie legal ist.

Die Botschaft ist klar: Wer in China KI entwickelt, muss auf heimische Hardware setzen – oder riskiert, irgendwann ohne Versorgung dazustehen.

Das hat Konsequenzen für internationale Unternehmen. Wer in China KI-Produkte verkaufen will, muss sicherstellen, dass sie auf Huawei-Chips laufen. Wer mit chinesischen Partnern entwickelt, muss inkompatible Hardware-Ökosysteme berücksichtigen.

Für deutsche Autobauer, die in China an autonomem Fahren arbeiten, bedeutet das: Die KI-Modelle, die in deutschen Rechenzentren auf Nvidia-Chips trainiert werden, müssen auf chinesische Hardware portiert werden können. Das ist technisch möglich, aber aufwendig und teuer.

Der Preis der Autarkie

Chinas Weg in die Chip-Autarkie hat einen Preis, der selten genannt wird: höhere Kosten, geringere Effizienz und langsamere Innovationszyklen.

Ein Gigawatt Rechenzentrum mit chinesischen Chips liefert weniger nutzbare Rechenleistung als ein Gigawatt mit Nvidia-Systemen. Die chinesischen Beschleuniger haben eine schlechtere Leistung pro Watt. Das bedeutet höhere Stromkosten, mehr Kühlungsbedarf und größere Investitionen in die Infrastruktur.

Die Skalierung von zehntausenden Chips stellt extreme Anforderungen an die Vernetzung. Huaweis UnifiedBus 2.0 mag funktionieren, aber es ist nicht NVLink. Die Latenzzeiten sind höher, die Bandbreite geringer.

Und die Fragmentierung der Software-Landschaft bedeutet, dass Optimierungen, die für einen Chip entwickelt wurden, nicht auf andere übertragbar sind. Jeder Hersteller hat seine eigenen Treiber, Bibliotheken und Optimierungen.

Xia Lixue von Unisound hält dagegen: „算力即收入，优化即利润“ – „Rechenleistung ist Einnahme, Optimierung ist Gewinn.“ Sein Unternehmen hat die Inferenzkosten um das Zehnfache gesenkt, wie er behauptet, und sieht weiteres Potenzial.

Ob diese Optimierungen ausreichen, um die strukturellen Nachteile auszugleichen, wird sich zeigen. Fest steht: Chinas KI-Industrie hat keine Wahl. Sie muss diesen Weg gehen, weil der alternative Weg – Abhängigkeit von Nvidia – durch US-Sanktionen versperrt ist.

Ein Blick in die Zukunft

Vier Szenarien zeichnen sich ab:

Szenario 1: Die Lücke schließt sich. Chinesische Chips erreichen in zwei bis drei Jahren 80-90 Prozent der Nvidia-Leistung. Die Middleware-Schicht wird so gut, dass die Unterschiede für die meisten Anwendungen irrelevant sind. China wird faktisch unabhängig von US-Chip-Technologie. Nvidia verliert seinen zweitgrößten Markt dauerhaft.

Szenario 2: Die Lücke bleibt. Chinesische Chips erreichen nie die Leistungsfähigkeit von Nvidias Spitzenprodukten. Die Fragmentierung der Software-Landschaft verhindert effiziente Skalierung. Chinesische KI-Modelle fallen im internationalen Vergleich zurück – aber innerhalb Chinas reicht die Leistung für die meisten Anwendungen aus. Ein dualer Markt entsteht.

Szenario 3: Der Engpass HBM wird zum Showstopper. CXMT schafft den Sprung zu HBM nicht rechtzeitig. Chinesische KI-Chips bleiben durch Speicherbandbreite limitiert. Die USA verschärfen die Exportbeschränkungen für HBM zusätzlich. China muss Kompromisse bei der Modellqualität eingehen.

Szenario 4: Technologischer Durchbruch. Huawei oder ein anderes chinesisches Unternehmen entwickelt eine Architektur, die Nvidias Ansatz überflüssig macht – zum Beispiel durch optische Interconnects, neuromorphe Chips oder radikal neue Speicherarchitekturen. Die Abhängigkeit von Nvidia wird nicht nur reduziert, sondern überwunden.

Welches Szenario eintritt, hängt von Faktoren ab, die heute niemand sicher vorhersagen kann: dem Tempo des technologischen Fortschritts, der Härte weiterer Sanktionen, der Fähigkeit chinesischer Unternehmen, Software-Ökosysteme aufzubauen, und nicht zuletzt der Frage, ob die Helium- und HBM-Versorgungsketten halten.

Die chinesische Regierung hat ein klares Ziel: 80 Prozent Selbstversorgung bei KI-Chips innerhalb von fünf Jahren. Ob das realistisch ist, wird sich daran messen lassen, ob Zhipus Gigawatt-Rechenzentrum tatsächlich die versprochene Leistung liefert – und ob andere Unternehmen diesem Beispiel folgen können.

Die Frage ist nicht, ob China Nvidia einholen wird, sondern ob Nvidia seinen Vorsprung schnell genug ausbauen kann, um den Abstand so groß zu halten, dass Chinas Chip-Industrie ihn nie überbrücken wird – und ob Europa in diesem Wettlauf zwischen zwei Giganten überhaupt noch eine Rolle spielen kann.