Chinas Aufholjagd bei KI-Compute und Huawei-Alternativen

Bei einem Investorenmeeting nahm Liang Wenfeng kein Blatt vor den Mund. Der CEO von DeepSeek zeichnete ein rohes, fast filmisches Bild: China sprintet, um eine einst unüberbrückbar wirkende Compute-Lücke zu schließen, und der bisherige Spitzenreiter könnte überrascht sein, wie schnell sich das Feld entwickelt.

DeepSeek betreibt derzeit das Äquivalent von etwa 20.000 Nvidia H100-Chips, von denen die meisten in den letzten ein bis zwei Monaten eingetroffen sind. Diese Kapazität klingt enorm. Ist sie auch. Dennoch erlaubt sie es ihnen nur, ungefähr 10 Milliarden Parameter gleichzeitig aktiv zu halten. Verglichen mit den Spitzenmodellen von heute, die etwa 800 Milliarden Parameter gleichzeitig aktiv halten können, ist der Unterschied nicht klein. Er ist strukturell.

Wie Huawei in die Gleichung passt

Liang hob Huaweis Atlas 950-Knoten hervor, die von Ascend 950-Prozessoren angetrieben werden, und bezeichnete sie als echte Alternative. Seine Aussage war provokant: Obwohl ein einzelner Ascend 950 weniger effizient ist als ein Nvidia H100, kann in der Praxis ein Cluster dieser Huawei-Knoten die End-to-End-Performance der Nvidia GB200- und GB300-Racks erreichen. Mathematisch sehe das etwa so aus, dass rund vier Ascend-Chips einen Nvidia-Chip ersetzen, doch Gesamtdurchsatz und Latenz können nahe genug zusammenkommen, dass der Austausch praktisch möglich erscheint.

Er warnte: Nvidia gräbt sich sein eigenes Grab. Preisunterschiede seien weniger entscheidend, argumentierte Liang, denn selbst wenn Huawei-Hardware 50, 100 oder 200 Prozent teurer wäre, könnten die Fähigkeit zur großflächigen Bereitstellung und die politischen Vorteile einer inländischen Lieferkette rein kostenbasierte Vergleiche überwiegen.

Es gibt einen Haken. Das Training hochmoderner, großer Modelle ist brutal ressourcenhungrig. Um ein Modell im Maßstab der aktuellen KI-Giganten zu trainieren, schätzt Liang, bräuchte man etwa 50.000 Nvidia-Prozessoren der GB300-Klasse oder rund 200.000 Ascend-950-Chips. Das sind nur Trainingszahlen; Forschung und Experimente legen zusätzliche Compute-Anforderungen obendrauf. Das erklärt mit, warum die Lücke bei Compute-Ressourcen zwischen China und den USA weiterhin das größte einzelne Hindernis ist.

Was unternimmt DeepSeek also dagegen? Vorerst baut das Unternehmen seine Infrastruktur aggressiv aus. Liang betonte jedoch ein anderes Schlachtfeld: Daten. Qualitativ hochwertige Kennzeichnung, sagte er, sei der langsame Engpass. Man kann Chips auf ein Problem werfen, aber wenn die Labels und kuratierten Datensätze hinterherhinken, stockt der Fortschritt. Unternehmen wie OpenAI und Anthropic haben hier einen Vorsprung, weil sie früher gehandelt und mehr Ressourcen in hochwertige Annotation gesteckt haben.

Der Kern der Aussage betrifft nicht nur Chips oder nationalen Stolz. Es geht um die Gesamtkonstellation aus Hardware, Software, Talenten und Zeit. China baut die Compute-Kapazitäten auf. Gleichzeitig investiert es in die zeitintensive, weniger glanzvolle Arbeit an Datensatzpflege und Kennzeichnung. Wenn beide Bereiche vorankommen, könnte die Landkarte der KI-Wettbewerbsfähigkeit in wenigen Jahren ganz anders aussehen.

Liangs Botschaft war direkt, aber strategisch: Es ist nicht eine einzelne Schlacht um einen einzelnen Chip. Es ist eine langwierige Kampagne, in der Alternativen, die einst zweitklassig wirkten, entscheidend werden können, sobald sie skaliert und in einen kompletten Stack integriert sind. Dieser Wandel könnte der Moment sein, auf den Nvidia später zurückblickt und ihn als richtungsweisend bezeichnet.