Anthropic gilt als Softwarehaus: ein Labor, das Modelle trainiert und die Rechenleistung dafür einkauft. Von dieser Rolle rückt das Unternehmen gerade ab. Der Claude-Hersteller baut ein Team für das Design eigener KI-Chips auf, also für die Hardware, auf der seine Modelle später laufen sollen. Wer eigene Chips entwirft, hört auf, bloßer Kunde zu sein, und wird zum Mitspieler in einem Markt, den bisher Nvidia bestimmt. Das könnte die KI-Branche verändern.
Warum ein KI-Unternehmen plötzlich eigene Chips baut
Anthropic hat in den letzten Jahren viel in Recheninfrastruktur investiert. Das Unternehmen hat Verträge mit AWS, Google, Nvidia und AMD abgeschlossen, um Zugang zu den besten verfügbaren KI-Beschleunigern zu bekommen. Nvidias GPUs sind der De-facto-Standard für das Trainieren und Betreiben großer Sprachmodelle, aber sie sind teuer, knapp und nicht immer optimal für die spezifischen Anforderungen eines Modells wie Claude. Wenn du ein KI-Modell betreibst, geht es nicht nur um reine Rechenleistung – es geht um die Art der Berechnungen, die Speicherbandbreite, die Latenz zwischen den Prozessorkernen und den Energieverbrauch. Ein generischer Chip muss Kompromisse machen, um für viele verschiedene Workloads zu funktionieren. Ein spezialisierter Chip, der genau für die Architektur deines Modells gebaut ist, kann diese Kompromisse eliminieren. Anthropic will nicht mehr nur abwarten, was Nvidia oder AMD liefern, sondern die Hardware aktiv mitgestalten. Das ist der nächste Schritt, wenn du die Kontrolle über deine eigene Leistungsfähigkeit übernehmen willst.
Die Nachfrage nach Claude steigt so stark, dass das Mieten von Rechenleistung bei Dritten nicht mehr ausreicht, um das Tempo zu halten. Es geht nicht nur um Skalierung, sondern auch um Effizienz. Wenn du ein Modell hundertmal so schnell ausführen willst, aber dabei doppelt so viel Energie verbrauchst, ist das langfristig nicht nachhaltig – weder finanziell noch ökologisch. Eigene Chips könnten die Antwort sein: weniger Energieverbrauch pro Inferenz, höhere Durchsatzraten, niedrigere Kosten pro Anfrage. Das klingt nach einem Detail, ist aber für den Betrieb eines KI-Dienstes im großen Maßstab existentiell.
Co-Design von Hardware und Modellen: Mehr als nur ein Buzzword
Anthropic spricht davon, Hardware und Modelle gemeinsam zu designen – ein Konzept, das als „Hardware-Software-Co-Design“ bekannt ist. Das klingt abstrakt, lässt sich aber mit einem Schneider vergleichen: Statt ein fertiges Hemd von der Stange zu kaufen, nimmst du Maß und lässt den Stoff, die Knöpfe und die Nahtführung exakt auf deinen Körper abstimmen. So sitzt das Hemd am Ende perfekt und du kannst dich freier bewegen. Ähnlich verhält es sich bei KI-Chips: Wenn du die Architektur deines neuronalen Netzes kennst – also wie die Schichten, die Aktivierungsfunktionen und die Aufmerksamkeitsmechanismen aufgebaut sind –, kannst du einen Chip bauen, der genau diese Berechnungen beschleunigt. Zum Beispiel können bestimmte Matrizenmultiplikationen, die in Transformer-Modellen dominieren, in spezielle Hardware-Einheiten ausgelagert werden. Oder die Speicheranbindung wird so optimiert, dass die Datenübertragung zwischen Recheneinheit und Speicher zum Flaschenhals wird – und genau dieser Flaschenhals wird dann beseitigt.
Das Co-Design geht aber noch weiter: Das Unternehmen will nicht nur die Hardware an das Modell anpassen, sondern auch das Modell an die Hardware. Das bedeutet, dass bei der Entwicklung künftiger Claude-Versionen die Eigenschaften des eigenen Chips berücksichtigt werden. Vielleicht toleriert das Modell eine etwas geringere numerische Präzision, wenn der Chip dafür effizienter arbeitet. Oder man nutzt spezielle Befehle, die nur dieser Chip kennt, um bestimmte Operationen zu vereinfachen. Diese enge Verzahnung kann zu erheblichen Leistungssprüngen führen – oft um ein Vielfaches schneller als mit generischen GPUs. Für die Nutzer von Claude könnte das konkret bedeuten: schnellere Antworten, günstigere Preise und vielleicht sogar neue Funktionen, die bisher wegen der Rechenlimits nicht umsetzbar waren.
Die Konkurrenz schläft nicht: OpenAI, Google und Meta sind schon weiter
Anthropic ist nicht das erste KI-Unternehmen, das diesen Weg einschlägt. Im Juni hat OpenAI seinen „Jalapeño“-Chip vorgestellt, der gemeinsam mit Broadcom entwickelt wurde und speziell für Inferenz-Workloads ausgelegt ist. Inferenz – also das Ausführen eines trainierten Modells – ist der Dauerbetrieb, in dem KI-Systeme ständig Anfragen beantworten. Bei Chatbots wie Claude oder ChatGPT ist das der Hauptkostenfaktor. OpenAI hat also erkannt, dass ein spezialisierter Chip für diesen Zweck enorme Einsparungen bringen kann. Google DeepMind verlässt sich seit Jahren auf die hauseigenen TPUs (Tensor Processing Units), die für die spezifischen Anforderungen ihrer Modelle gebaut wurden. Diese TPUs sind ein zentraler Faktor für Googles Fähigkeit, große Modelle effizient zu trainieren und zu betreiben. Und auch Meta hat eigene AI-Beschleuniger entwickelt – die MTIA-Chips –, die für die Empfehlungssysteme und andere KI-Workloads in den sozialen Netzwerken verwendet werden.
Diese Beispiele zeigen einen klaren Trend: Die großen KI-Akteure wollen die Hardware-Kontrolle nicht mehr nur den klassischen Halbleiterherstellern überlassen. Sie sehen, dass die maximale Leistungsfähigkeit eines KI-Modells nicht allein durch die Algorithmen bestimmt wird, sondern durch die Hardware, auf der sie laufen. Wer diesen Hebel nicht selbst in der Hand hat, bleibt von externen Lieferanten abhängig – und deren Roadmaps sind nicht unbedingt auf die eigenen Bedürfnisse zugeschnitten. Anthropic zieht hier nach. Es ist ein Wettlauf, bei dem es nicht nur um Technologie geht, sondern auch um Marktmacht: Wer die effizienteste KI-Infrastruktur besitzt, kann niedrigere Preise anbieten und mehr Nutzer bedienen.
Der Samsung-Deal: Ein möglicher Partner mit Speicher-Kompetenz
Letzten Monat berichtete The Information, dass Anthropic Samsung als Partner für den Bau dieser Chips ins Auge gefasst hat. Sollte sich das bestätigen, wäre das strategisch klug. Samsung ist nicht nur einer der größten Halbleiterhersteller der Welt, sondern auch führend bei Speicherchips – insbesondere bei High-Bandwidth-Memory (HBM), das für KI-Beschleuniger entscheidend ist. Moderne KI-Chips benötigen enorme Speicherbandbreiten, um die Datenmengen der Modelle zu verarbeiten. Samsungs Erfahrung mit HBM könnte dazu beitragen, dass Anthropic einen Chip bekommt, der in puncto Speicheranbindung keine Kompromisse eingehen muss. Zudem hat Samsung eigene Foundry-Kapazitäten – das heißt, sie können Chips in ihren Fabriken herstellen. Das wäre ein Vorteil, weil die Nachfrage nach fortschrittlichen Chips die Fertigungskapazitäten von TSMC und anderen derzeit an ihre Grenzen bringt.
Eine Partnerschaft mit Samsung würde Anthropic auch Zugang zu Samsungs Lieferkette und möglicherweise zu günstigeren Produktionskosten verschaffen. Allerdings sind solche Verträge komplex, und es bleibt abzuwarten, ob und wie die Zusammenarbeit konkret aussieht. Fest steht: Anthropic hat sich offiziell dazu geäußert, dass man ein eigenes Team für „Custom Silicon“ aufbaut – und die Jobausschreibungen bestätigen, dass man Ingenieure mit Erfahrung im Chip-Design sucht. Das ist ein starkes Signal, dass es nicht bei einer bloßen PR-Ankündigung bleibt.
Was diese Entwicklung für die KI-Branche bedeutet
Der Schritt von Anthropic verändert die Kräfteverhältnisse in der KI-Hardware-Landschaft. Wenn immer mehr KI-Unternehmen eigene Chips bauen, steigt der Druck auf Nvidia, der dominierenden Marke im KI-Beschleunigermarkt. Nvidia hat bisher von seiner fast monopolartigen Stellung profitiert, aber wenn die größten Kunden eigene Alternativen entwickeln, muss Nvidia sich stärker differenzieren – etwa durch bessere Software-Ökosysteme oder noch höhere Leistung. Das könnte langfristig zu günstigeren Preisen für alle führen, auch für kleinere KI-Unternehmen, die weiterhin auf Zukauf angewiesen sind.
Gleichzeitig wird die Bedeutung von Co-Design zunehmen. Wer Modelle und Hardware gemeinsam entwickelt, hat einen strukturellen Vorteil gegenüber denen, die dies nicht tun. Das könnte zu einer neuen Runde des Wettrüstens führen – diesmal nicht um die größten Parameterzahlen, sondern um die effizienteste Kombination aus Algorithmus und Silizium. Für uns als Nutzer bedeutet das: schnellere, günstigere und leistungsfähigere KI-Dienste. Aber auch: eine wachsende Konzentration von Know-how bei einigen wenigen Tech-Giganten, die sich die teure Chip-Entwicklung leisten können. Kleinere Player könnten abgehängt werden, wenn sie keine Partnerschaften mit Chip-Designern eingehen.
Auch die Frage der Nachhaltigkeit spielt eine Rolle: Spezialisierte Chips können den Energieverbrauch pro KI-Aufgabe deutlich senken. Das ist nicht nur betriebswirtschaftlich relevant, sondern auch ökologisch geboten, denn Rechenzentren verbrauchen bereits heute enorme Mengen Strom. Wenn Anthropic und andere ihre Chips effizienter machen, könnte das den CO2-Fußabdruck der KI-Branche spürbar reduzieren. Es bleibt also noch viel zu tun – aber der Anfang ist gemacht.
Für die Entwicklung von Sprachmodellen wie Claude wird der Weg zu einer eigenen Chip-Architektur nicht über Nacht Ergebnisse liefern. Chip-Design ist ein hochkomplexer Prozess, der Jahre dauert und Milliarden verschlingt. Aber der Schritt zeigt, dass Anthropic langfristig denkt und bereit ist, in die eigenen Fähigkeiten zu investieren. In den nächsten Jahren werden wir sehen, ob sich dieser Ansatz auszahlt – und ob andere Unternehmen nachziehen. Die Zukunft der KI-Hardware wird nicht mehr allein in Santa Clara entschieden, sondern auch in den Design-Centern der KI-Unternehmen selbst.
Quelle: techcrunch.com
