%3A**%20SambaNova%20Systems%2C%20deren%20SN50%20Inferenz-ASICs%20(Application-Specific%20Integrated%20Circuits)%20als%20Sicherheit%20f%C3%BCr%20das%20Darlehen%20dienen.%0A*%20%20%20**Datum%20der%20Meldung%3A**%20Der%20TechCrunch%20AI-Artikel%20wurde%20am%2017.%20Juli%202026%20ver%C3%B6ffentlicht.%0A*%20%20%20**Technologischer%20Wandel%3A**%20Das%20Darlehen%20markiert%20eine%20Abkehr%20von%20der%20bisherigen%20Praxis%2C%20prim%C3%A4r%20Nvidia%20GPUs%20als%20Sicherheit%20f%C3%BCr%20Chip-gest%C3%BCtzte%20Kredite%20zu%20verwenden.%20Stattdessen%20werden%20hier%20spezialisierte%20Inferenz-ASICs%20eingesetzt.%0A%0A**DETAILS%20ZUM%20DEAL%20UND%20TECHNOLOGISCHE%20ASPEKTE%3A**%0A%0AGeneral%20Compute%2C%20ein%20auf%20Inferenz%20spezialisiertes%20%22Neocloud%22-Startup%2C%20hat%20eine%20Kreditlinie%20von%20bis%20zu%20%24400%20Millionen%20von%20Upper90%20Capital%20Management%20erhalten.%20Das%20Besondere%20an%20diesem%20Gesch%C3%A4ft%20ist%2C%20dass%20nicht%20die%20%C3%BCblichen%20General-Purpose-GPUs%20von%20Nvidia%20als%20Sicherheit%20dienen%2C%20sondern%20die%20SN50%20Inferenz-ASICs%20von%20SambaNova%20Systems.%20General%20Compute%20hat%20bereits%20Auftr%C3%A4ge%20im%20Wert%20von%20%24300%20Millionen%20f%C3%BCr%20diese%20spezialisierten%20Chips%20platziert%2C%20um%20eine%20Plattform%20aufzubauen%2C%20die%20f%C3%BCr%20autonome%20KI-Agenten%20optimiert%20und%20mit%20OpenAI%20APIs%20kompatibel%20ist.%0A%0ASambaNova's%20SN50%20Chips%20sollen%20Berichten%20zufolge%20600%20bis%20700%20Tokens%20pro%20Sekunde%20f%C3%BCr%20Inferenzaufgaben%20erreichen.%20Dieser%20Fokus%20auf%20Inferenz-Hardware%20spiegelt%20die%20%C3%9Cberzeugung%20der%20Kreditgeber%20wider%2C%20dass%20Inferenz%20ein%20bankf%C3%A4higeres%20Gesch%C3%A4ft%20ist%2C%20da%20es%20wiederkehrende%20Einnahmequellen%20im%20Gegensatz%20zu%20einmaligen%20Trainings-Workloads%20generiert.%0A%0A**GR%C3%9CNDE%20F%C3%9CR%20DEN%20WANDEL%20VON%20GPUs%20ZU%20INFERENZ-CHIPS%3A**%0A%0ADer%20Wechsel%20von%20GPUs%20zu%20spezialisierten%20Inferenz-Chips%20wird%20durch%20mehrere%20Faktoren%20vorangetrieben%3A%0A%0A1.%20%20**Effizienz%20und%20Kostenoptimierung%3A**%20Inferenz-Chips%20sind%20speziell%20darauf%20ausgelegt%2C%20trainierte%20KI-Modelle%20mit%20hoher%20Energieeffizienz%2C%20geringer%20Latenz%20und%20niedrigeren%20Kosten%20pro%20Inferenz%20auszuf%C3%BChren.%20Dies%20macht%20sie%20ideal%20f%C3%BCr%20den%20Einsatz%20in%20gro%C3%9Fvolumigen%2C%20Echtzeit-KI-Anwendungen.%0A2.%20%20**Leistungsspezialisierung%3A**%20W%C3%A4hrend%20GPUs%20flexibel%20f%C3%BCr%20Training%20und%20Inferenz%20eingesetzt%20werden%20k%C3%B6nnen%2C%20bieten%20ASICs%20eine%20%C3%BCberlegene%20Leistung%20und%20Effizienz%20f%C3%BCr%20spezifische%20Inferenz-Workloads%2C%20insbesondere%20wenn%20diese%20stabil%20und%20in%20gro%C3%9Fem%20Ma%C3%9Fstab%20sind.%0A3.%20%20**Marktverschiebung%3A**%20Die%20KI-Branche%20erlebt%20eine%20strukturelle%20Verschiebung%2C%20bei%20der%20der%20Fokus%20des%20Rechenleistungsverbrauchs%20vom%20%22Modelltraining%22%20zum%20%22Modellbetrieb%22%20(Inferenz)%20%C3%BCbergeht.%20Inferenz%20macht%20mittlerweile%20sch%C3%A4tzungsweise%20zwei%20Drittel%20der%20gesamten%20KI-Rechenleistung%20aus.%0A4.%20%20**Marktwachstum%3A**%20Der%20Markt%20f%C3%BCr%20KI-Inferenz-Chips%20w%C3%A4chst%20rasant.%20Prognosen%20zufolge%20wird%20er%20von%20%2417%2C73%20Milliarden%20im%20Jahr%202025%20auf%20%2436%2C97%20Milliarden%20im%20Jahr%202030%20ansteigen%20(CAGR%20von%2015%2C9%25)%20oder%20sogar%20von%20%2421%2C07%20Milliarden%20im%20Jahr%202025%20auf%20%24100%20Milliarden%20bis%202035%20(CAGR%20von%2016%2C8%25).%0A5.%20%20**GPU-Engp%C3%A4sse%3A**%20Startups%20haben%20zunehmend%20Schwierigkeiten%2C%20die%20ben%C3%B6tigten%20Nvidia-GPUs%20zu%20erhalten%2C%20was%20auf%20Knappheit%20und%20hohe%20Kosten%20zur%C3%BCckzuf%C3%BChren%20ist.%0A%0A**WEITERE%20MARKTRELEVANTE%20ASPEKTE%3A**%0A%0A*%20%20%20Chip-gest%C3%BCtzte%20Darlehen%20sind%20in%20der%20KI-Branche%20nicht%20neu%3B%20in%20den%20letzten%20Jahren%20wurden%20%C3%BCber%20%2420%20Milliarden%20an%20Finanzierungen%20unter%20Verwendung%20von%20Chips%2C%20haupts%C3%A4chlich%20Nvidia%20GPUs%2C%20als%20Sicherheit%20vergeben.%0A*%20%20%20Der%20aktuelle%20Deal%20ist%20jedoch%20ein%20wichtiges%20Signal%2C%20da%20ein%20gro%C3%9Fer%20Kreditgeber%20wie%20Upper90%20nun%20auch%20Nicht-Nvidia-Silizium%20als%20Sicherheit%20akzeptiert%2C%20was%20eine%20breitere%20Akzeptanz%20und%20Wertsch%C3%A4tzung%20f%C3%BCr%20spezialisierte%20KI-Hardware%20im%20Schuldenmarkt%20zeigt.%0A*%20%20%20Gro%C3%9Fe%20Technologieunternehmen%20wie%20Google%20(TPUs)%2C%20Amazon%20(Inferentia)%2C%20Microsoft%20(Maia)%20und%20Meta%20(MTIA)%20entwickeln%20ebenfalls%20eigene%2C%20kundenspezifische%20Inferenz-Chips%2C%20um%20ihre%20Abh%C3%A4ngigkeit%20von%20externen%20GPU-Anbietern%20zu%20verringern%20und%20die%20Effizienz%20zu%20steigern.%0A*%20%20%20Analysten%20erwarten%2C%20dass%20der%20Inferenz-Chip-Markt%20in%20den%20kommenden%20Jahren%20in%20Bezug%20auf%20den%20Dollarwert%20eine%20Gr%C3%B6%C3%9Fenordnung%20gr%C3%B6%C3%9Fer%20sein%20wird%20als%20der%20Trainingsmarkt.?width=1024&height=1024&seed=47416&nologo=true&model=flux)
Ein 400-Millionen-Dollar-Kredit markiert einen Wendepunkt in der Finanzierung von KI-Infrastruktur. Erstmals dienen spezialisierte Inferenz-ASICs statt Nvidia-GPUs als Kreditsicherheit.
Der Deal
Das Startup General Compute, das sich als Neocloud mit Schwerpunkt auf KI-Inferenz positioniert, hat eine Kreditfazilität von bis zu 400 Millionen Dollar von Upper90 Capital Management erhalten. Als Sicherheit dienen SN50 Inferenz-ASICs des Herstellers SambaNova Systems. General Compute hat bereits Aufträge im Wert von 300 Millionen Dollar für diese Chips platziert.
Die SN50-Chips sind für hohe Inferenz-Geschwindigkeiten ausgelegt und sollen laut Berichten 600 bis 700 Tokens pro Sekunde verarbeiten können. Die Plattform zielt auf autonome KI-Agenten ab und ist mit OpenAI-APIs kompatibel.
Signalwirkung
Bisher basierten chip-gestützte Darlehen in der KI-Branche fast ausschließlich auf Nvidia-GPUs. Über 20 Milliarden Dollar wurden in den vergangenen Jahren auf dieser Basis vergeben. Der aktuelle Deal zeigt, dass etablierte Kreditgeber nun auch Nicht-Nvidia-Silizium als werthaltige Sicherheit akzeptieren.
Dies spiegelt die wachsende Überzeugung wider, dass Inferenz ein stabiles Geschäftsmodell mit wiederkehrenden Einnahmen darstellt – im Gegensatz zu einmaligen Trainingsläufen.
Technologischer Hintergrund
Inferenz-Chips wie die SN50 sind als ASICs speziell für die Ausführung trainierter Modelle optimiert. Sie bieten Vorteile bei Energieeffizienz, Latenz und Kosten pro Inferenz im Vergleich zu universell einsetzbaren GPUs. Die Branche verzeichnet eine strukturelle Verschiebung: Der Anteil der Rechenleistung für Inferenz nimmt gegenüber dem Training deutlich zu.
Große Technologieunternehmen wie Google, Amazon, Microsoft und Meta entwickeln eigene kundenspezifische Inferenz-Chips, um Abhängigkeiten zu reduzieren.
Quelle: TechCrunch AI
FAQ
Warum gilt dieser Deal als Signal für den Markt?
Er ist der erste bekannte größere Kredit, bei dem explizit Inferenz-ASICs eines Nicht-Nvidia-Herstellers als primäre Sicherheit dienen. Dies deutet auf eine breitere Akzeptanz spezialisierter KI-Hardware im Schuldenmarkt hin.
Was unterscheidet Inferenz-Chips von GPUs in diesem Kontext?
Inferenz-Chips sind für stabile, hochvolumige Modell-Ausführung optimiert und erzeugen wiederkehrende Einnahmen. GPUs werden traditionell sowohl für Training als auch Inferenz genutzt, sind jedoch aktuell knapp und teuer.
Welche Vorteile sehen Kreditgeber bei Inferenz-Hardware?
Kreditgeber betrachten Inferenz als bankfähiger, da sie im Gegensatz zu Trainings-Workloads kontinuierliche Nutzung und damit stabile Cashflows ermöglicht.