Full-Stack-Infrastruktur

Damit ein Chatprogramm wie ChatGPT antworten kann, muss sehr viel zusammenspielen. Es braucht Spezialchips, die die Rechenarbeit erledigen. Es braucht Hallen voller Computer, die diese Chips beherbergen, kühlen und mit Strom versorgen. Es braucht Programme, die die Rechenarbeit auf die Chips verteilen. Und ganz oben braucht es das eigentliche KI-Programm samt der App, die der Nutzer sieht. Diese Ebenen übereinander nennt man einen Stack, also einen Stapel. Von Full-Stack-Infrastruktur spricht man, wenn eine einzige Firma alle diese Ebenen selbst besitzt oder zumindest selbst steuert, statt einzelne davon einzukaufen.

Warum Konzerne den ganzen Stapel wollen

Der wichtigste Grund ist Geld. Wer nur eine Ebene besitzt, muss allen anderen etwas abgeben. Ein Anbieter, der eine KI-App verkauft, aber Chips mieten muss, gibt einen großen Teil seiner Einnahmen an den Chiphersteller weiter. Wer dagegen den ganzen Stapel kontrolliert, behält die Gewinnspanne jeder Ebene für sich.

Der zweite Grund ist Abhängigkeit. Grafikchips für KI waren jahrelang knapp, und ein einziger Hersteller, Nvidia, beherrschte den Markt fast vollständig. Wer auf Lieferungen wartete, konnte seine Modelle nicht trainieren. Google und Amazon haben deshalb eigene KI-Chips entwickelt, um weniger erpressbar zu sein. Solche Chips heißen bei Google TPU, bei Amazon Trainium.

Der dritte Grund ist Tempo. Wenn Chip, Rechenzentrum und Software aus einem Haus kommen, kann man sie aufeinander abstimmen. Passt der Speicher eines Chips genau zu dem, was das eigene Modell braucht, spart das Rechenzeit. Diese Feinabstimmung ist schwer, wenn drei fremde Firmen beteiligt sind, die sich nicht in die Karten schauen lassen.

Die Ebenen des Stapels von unten nach oben

Ganz unten liegt die Hardware. Dazu gehören die Rechenchips, aber auch die Netzwerktechnik, die tausende Chips zu einer einzigen großen Maschine verbindet. Diese Verbindungen sind kein Nebendetail. Beim Training eines großen Modells tauschen die Chips ständig Zwischenergebnisse aus, und eine langsame Leitung bremst die gesamte Anlage.

Darüber liegt das Rechenzentrum selbst: das Gebäude, die Stromversorgung, die Kühlung. Eine moderne KI-Anlage kann so viel Strom brauchen wie eine Kleinstadt. Manche Betreiber kaufen deshalb ganze Kraftwerke oder schließen langfristige Verträge mit Energieversorgern. Auch das zählt inzwischen zum Stack.

Die nächste Ebene ist die Software, die die Hardware nutzbar macht. Sie zerlegt eine Rechenaufgabe in Teile und verteilt sie auf die Chips. Nvidias Programmpaket CUDA ist hier das bekannteste Beispiel und ein Hauptgrund, warum die Firma so schwer zu ersetzen ist. Ganz oben folgen dann das trainierte Modell und die Anwendung, mit der Kunden arbeiten.

Wer den vollen Stapel besitzt und wer nicht

Google kommt dem Ideal derzeit am nächsten. Der Konzern baut eigene Chips, betreibt eigene Rechenzentren, entwickelt eigene Software und verkauft mit Gemini ein eigenes Modell. Nvidia geht von unten nach oben denselben Weg: erst Chips, dann Netzwerktechnik, dann Software, inzwischen sogar komplette Rechenzentrumsentwürfe. Amazon und Microsoft mischen mit, kaufen aber weiterhin große Mengen Chips zu.

In Nachrichten begegnet dir der Begriff meist bei Quartalszahlen oder bei Milliardeninvestitionen. Wenn eine Firma verkündet, sie baue jetzt auch eigene Chips, ist das ein Schritt in Richtung Full Stack. Analysten bewerten solche Schritte oft positiv, weil sie langfristig die Kosten senken. Kurzfristig kosten sie aber enorm viel Geld, denn eine Chipentwicklung dauert Jahre.

Ein häufiger Irrtum ist, dass Full Stack automatisch besser sei. Wer alles selbst macht, bindet sehr viel Kapital und riskiert, in jeder Einzeldisziplin schwächer zu sein als ein Spezialist. Kleinere KI-Firmen setzen deshalb bewusst auf gemietete Rechenleistung und konzentrieren sich allein auf ihr Modell. Beide Strategien existieren nebeneinander, und welche sich lohnt, hängt vor allem von der Größe des Unternehmens ab.