Warum OpenAI, Google und SpaceX eigene KI-Chips entwickeln

Große Technologieunternehmen investieren in die Entwicklung kundenspezifischer KI-Chips. Das Ziel ist die Reduzierung der Abhängigkeit von externen GPU-Anbietern, die Senkung wiederkehrender Betriebskosten und die Optimierung von Leistung und Effizienz für spezifische KI-Workloads.

OpenAI stellt „Jalapeño“ vor

OpenAI hat seinen ersten kundenspezifischen KI-Inferenzchip mit dem Codenamen „Jalapeño“ in Zusammenarbeit mit Broadcom vorgestellt. Der ASIC ist speziell für die Inferenz von Large Language Models optimiert. Die Entwicklung vom ersten Entwurf bis zum Tape-out dauerte neun Monate. Dabei kamen eigene Modelle zur Beschleunigung des Chipdesigns zum Einsatz.

Erste Tests zeigen eine verbesserte Leistung pro Watt. Der Chip ist für Workloads wie ChatGPT, Codex und zukünftige agentische Produkte konzipiert. Die erste Bereitstellung in Rechenzentren ist für Ende 2026 geplant. TSMC übernimmt die Fertigung, Celestica die Systemintegration.

Motivation für eigene Hardware-Schichten

Kundenspezifische Chips adressieren mehrere strukturelle Herausforderungen:

• Senkung der Inferenzkosten, die bei der Skalierung von KI-Modellen den größten wachsenden Kostenblock darstellen.
• Höhere Leistung pro Watt und geringere Latenz durch optimierte Architekturen für spezifische Algorithmen.
• Erhöhte Kontrolle über den Hardware-Stack und Reduzierung von Lieferkettenrisiken.
• Engere Hard- und Software-Integration zur Beschleunigung von Innovationen.

Weitere Akteure im Aufbau eigener Infrastrukturschichten

Google setzt seit 2015 auf Tensor Processing Units (TPUs) und hat die achte Generation angekündigt. Apple erweitert seine bewährte Strategie kundenspezifischer Chips auf KI-Server für Rechenzentren. SpaceX plant im Rahmen des „Terafab“-Projekts in Texas die Produktion eigener KI-Beschleuniger mit Intel als Partner. Meta, Amazon Web Services und Microsoft entwickeln ebenfalls eigene Acceleratoren (MTIA, Trainium, Inferentia, Maia).

Broadcom agiert als zentraler Design-Partner für mehrere der genannten Unternehmen. TSMC bleibt der kritische Engpass für die fortschrittliche Fertigung.

Auswirkungen auf die bestehende GPU-Dominanz

Nvidia hält eine starke Position im KI-Chip-Markt. Die Entwicklung kundenspezifischer ASICs stellt vor allem im Inferenz-Bereich eine Herausforderung dar. Das CUDA-Ökosystem bleibt ein signifikanter Wettbewerbsvorteil. In der Praxis ergänzen die neuen Chips die bestehende Hardware zunächst, anstatt sie vollständig zu ersetzen. OpenAI plant, weiterhin ein bedeutender Nvidia-Kunde zu bleiben. Der Gesamtmarkt für KI-Chips wächst, wobei ASICs schneller zulegen als kommerzielle GPUs.

Quelle: TechCrunch AI

FAQ

Warum entwickeln Hyperscaler eigene KI-Chips statt weiterhin nur GPUs zu kaufen?
Um Inferenzkosten zu senken, die Leistung pro Watt zu steigern, Lieferkettenrisiken zu mindern und die Kontrolle über den gesamten Hardware-Stack zu gewinnen.

Was ist das Besondere an OpenAI’s „Jalapeño“-Chip?
Der in nur neun Monaten entwickelte ASIC ist speziell für LLM-Inferenz optimiert und zeigt in ersten Tests eine deutlich verbesserte Energieeffizienz. Er wird mit Modellen wie GPT-5.3-Codex-Spark getestet.

Wird Nvidia durch diese Entwicklungen vollständig verdrängt?
Nein. Die kundenspezifischen Chips ergänzen die bestehende GPU-Infrastruktur zunächst. Nvidias Software-Ökosystem bleibt eine hohe Barriere. Der Gesamtmarkt wächst für beide Technologieklassen.