Technologiekonzerne setzen zunehmend auf maßgeschneiderte Spezialhardware, um KI-Arbeitslasten zu beschleunigen. Durch eigene Prozessorarchitekturen wollen führende Cloud-Betreiber und Halbleiterentwickler ihre Abhängigkeit von dominanten Chipherstellern verringern und die immensen Betriebskosten beim Einsatz moderner KI-Modelle eindämmen.
Amazon verzeichnet Nachfrageschub nach hauseigenen Prozessoren
Die Strategie eigener Siliziumlösungen zeigt sich deutlich bei Amazon Web Services (AWS). Nach Angaben von Amazon-CEO Andy Jassy im Bericht zum dritten Quartal wächst das eigene Chipgeschäft im Jahresvergleich prozentual dreistellig. Die vertraglichen Umsatzverpflichtungen für die Prozessoren Graviton und Trainium stiegen dabei jeweils um mehr als das Zwanzigfache gegenüber dem Vorjahr.
Allein im dritten Quartal konnten Kunden durch den Einsatz von Amazons eigener Chiptechnik über 2 Milliarden US-Dollar einsparen. Nach Unternehmensangaben bietet die Graviton-Reihe ein um 30 bis 40 Prozent besseres Preis-Leistungs-Verhältnis im Vergleich zu herkömmlichen Alternativen.
Die Cloud-Sparte AWS verzeichnete insgesamt ein Umsatzwachstum von 39,3 Prozent im Jahresvergleich – die sechste Beschleunigung in Folge und das stärkste Plus seit fast fünf Jahren.
Ausschlaggebend für die Nachfrage ist vor allem der laufende Modellbetrieb: Deutlich über die Hälfte des AWS-KI-Umsatzes entfällt mittlerweile auf die Inferenz. Zugleich verdoppelte sich der Auftragsbestand der vorherigen Graviton-Generation nach dem Start von Graviton 5 im Quartalsvergleich mehr als.
Um das Ökosystem auszubauen, wurde die Softwarebibliothek TorchNeuron quelloffen bereitgestellt; zudem plant AWS, Trainium-Chips ab Ende 2027 auch außerhalb der eigenen Cloud-Infrastruktur verfügbar zu machen.
Cloud-Betreiber setzen auf multi-Vendor-Strategien
Gleichzeitig diversifizieren andere Cloud-Anbieter ihre Beschleunigerarchitekturen. Oracle erweitert zwar seine bestehende Partnerschaft mit Nvidia und plant, Systeme rund um die Serverplattform Vera Rubin auf Multi-Gigawatt-Skala auszurollen, setzt jedoch selektiv auf eigene Komponenten: Bestimmte Nvidia-Systeme stattet Oracle mit eigenen Acceleron-Netzwerkchips anstelle von Nvidia-Bauteilen aus.
Wer sich mit der Entwicklung und dem Einsatz moderner KI-Systeme befasst, muss neben der Hardware auch die rechtlichen Rahmenbedingungen im Blick behalten. Dieser kostenlose Umsetzungsleitfaden bietet Unternehmen einen kompakten Überblick über alle Anforderungen, Pflichten und Fristen des EU AI Acts. EU AI Act in 5 Schritten verstehen: Fristen, Pflichten und Risikoklassen kompakt erklärt
Zudem kündigte Oracle an, ab 2027 als erste Hyperscale-Cloud außerhalb von Google auch Google TPUs über die Oracle Cloud Infrastructure (OCI) bereitzustellen. Ergänzt wird das Portfolio durch Hardware von Cerebras Systems und SambaNova Systems. OCI-Manager Mahesh Thiagarajan betonte in diesem Zusammenhang, dass unterschiedliche KI-Workloads stark variierende Rechenanforderungen mit sich bringen.
Auch KI-Entwickler suchen nach Wegen, Engpässe bei der Rechenkapazität zu umgehen. Wie aus Marktberichten hervorgeht, plant OpenAI den Zukauf von Google TPUs, um die bestehende Nvidia-Flotte sowie in Entwicklung befindliche Broadcom-Chips zu ergänzen.
Branchenbeobachter werten diesen Schritt als Maßnahme, um mehr Verhandlungsmacht und Flexibilität bei Inferenz-Workloads zu erlangen, wenngleich die Portierung von Programmcode auf alternative Compiler- und Softwareumgebungen einen erheblichen Entwicklungsaufwand erfordert.
Die rasanten technologischen Fortschritte im Bereich der Künstlichen Intelligenz bringen neue Regeln mit sich, die viele Verantwortliche noch nicht vollständig kennen. Erfahren Sie in diesem kostenlosen Report, welche KI-Systeme als Hochrisiko gelten und was Unternehmen jetzt konkret tun müssen, um rechtssicher zu agieren. Welche KI-Systeme gelten als Hochrisiko – und was müssen Unternehmen jetzt konkret tun?
Globale Herausforderer drängen auf den Markt
Abseits der US-amerikanischen Hyperscaler verstärken internationale Anbieter den Druck mit spezialisierten Recheneinheiten:
- Südkorea: Um die Abhängigkeit von US-Technologien zu verringern, investiert das Land massiv in heimische Entwickler. Das Start-up FuriosaAI sicherte sich in einer Series-D-Finanzierungsrunde 620 Millionen US-Dollar bei einer Bewertung von 2,9 Milliarden US-Dollar. Das Unternehmen plant die Fertigung von 20.000 RNGD-Chips im Jahr 2026 sowie 40.000 Einheiten im Jahr 2027. Rebellions positioniert seinen chip Rebel100 indes auf dem Leistungsniveau von Nvidias H200.
- China: Der Entwickler Iluvatar CoreX demonstrierte am 28. Oktober 2026 seine neue GPU Tiangai 300 vor Medienvertretern. Unternehmensangaben zufolge erreicht oder übertrifft der Prozessor bei realen Arbeitslasten und multimodalen Aufgaben – wie Text-zu-Bild- und Text-zu-Video-Anwendungen – Nvidias H200, der als fortschrittlichster unter aktuellen US-Handelsregeln für China freigegebener KI-Chip gilt.
Ergänzt wird dieser Trend durch Neuentwicklungen im Bereich der Halbleiter-IP und Fertigungsinfrastruktur. Unternehmen wie Ceva, SiFive und Altera positionieren neue NPU- und RISC-V-Designs speziell für maßgeschneiderte Inferenz- und Beschleunigersysteme, um dem wachsenden Bedarf an energieeffizienter KI-Hardware zu begegnen.