AI-Hochleistungschips

Jeder Computer hat einen Hauptprozessor, der die Rechenarbeit erledigt. Er ist ein Allrounder: Er kann Texte anzeigen, Musik abspielen oder Dateien speichern. AI-Hochleistungschips sind dagegen Spezialisten. Sie beherrschen nur eine sehr kleine Art von Rechnung, diese aber millionenfach gleichzeitig. Genau solche Rechnungen braucht künstliche Intelligenz, also Software, die aus Beispielen Muster lernt statt festen Regeln zu folgen. Deshalb laufen große KI-Systeme fast ausschließlich auf diesen Spezialchips.

Warum ohne diese Chips keine großen Sprachmodelle existieren

Ein Sprachmodell wie ChatGPT besteht aus Milliarden von einstellbaren Zahlen, den sogenannten Parametern. Damit das Modell entsteht, muss jede dieser Zahlen viele Male angepasst werden. Auf einem normalen Prozessor würde das Jahrzehnte dauern. Auf tausenden Spezialchips schrumpft dieselbe Arbeit auf einige Wochen. Ohne diese Beschleunigung hätte es die KI-Welle der letzten Jahre schlicht nicht gegeben.

Deshalb sind diese Chips zu einem wirtschaftlichen und politischen Machtfaktor geworden. Der US-Hersteller Nvidia dominiert den Markt und wurde dadurch zeitweise zum wertvollsten Unternehmen der Welt. Einzelne Serverkarten kosten je nach Modell mehrere zehntausend Euro. Wer ein großes Modell trainieren will, braucht davon zehntausende Stück.

Weil die Chips so wichtig sind, beschränken die USA seit 2022 ihren Export nach China. Auch der Stromverbrauch ist ein Thema. Ein großes Rechenzentrum voller KI-Chips verbraucht so viel Energie wie eine Kleinstadt. Debatten über Strompreise und neue Kraftwerke hängen inzwischen direkt an dieser Technik.

Rechnen mit vielen kleinen Arbeitern statt wenigen klugen

Im Inneren eines KI-Modells passiert erstaunlich wenig Verschiedenes. Fast alles läuft auf Multiplizieren und Addieren großer Zahlentabellen hinaus, sogenannte Matrixmultiplikationen. Ein Hauptprozessor hat vielleicht 16 sehr flexible Rechenkerne. Ein KI-Chip hat stattdessen zehntausende sehr einfache Recheneinheiten, die alle parallel dieselbe Sorte Aufgabe erledigen.

Ein Vergleich hilft: Ein Hauptprozessor ist wie ein Professor, der jede beliebige Aufgabe lösen kann, aber nur eine nach der anderen. Ein KI-Chip ist wie eine Halle mit tausend Schülern, die alle gleichzeitig einfache Multiplikationen rechnen. Für Steuererklärungen ist der Professor besser. Für zehn Millionen Multiplikationen gewinnt die Halle.

Ein oft unterschätzter Punkt ist der Speicher. Die Rechenwerke sind meistens schneller, als Daten nachgeliefert werden können. Deshalb sitzt bei modernen KI-Chips ein spezieller schneller Speicher direkt neben dem Rechenkern. Diese Bauteile heißen HBM, kurz für hochbandbreitiger Speicher. Sie sind derzeit häufiger der Engpass als die Rechenleistung selbst.

Von der Grafikkarte im PC bis zum Chip im Smartphone

Der bekannteste Vertreter ist die Grafikkarte, kurz GPU. Sie wurde ursprünglich für Computerspiele gebaut, weil auch dort viele einfache Rechnungen gleichzeitig nötig sind. Dass sie sich für KI eignet, war ein glücklicher Zufall. Heute verkauft Nvidia Serverversionen dieser Karten, die keinen Bildschirmanschluss mehr haben.

Daneben gibt es Chips, die von Anfang an nur für KI entworfen wurden. Google baut seine TPUs, Amazon und Microsoft entwickeln eigene Varianten für ihre Rechenzentren. Auch im Smartphone steckt ein kleiner KI-Chip. Er sorgt dafür, dass Gesichtserkennung oder Sprachbefehle direkt auf dem Gerät funktionieren, ohne Internetverbindung.

In Wirtschaftsnachrichten tauchen diese Chips fast täglich auf. Meldungen über Lieferengpässe, Exportverbote oder Quartalszahlen von Nvidia bewegen ganze Börsenindizes. Ein verbreiteter Irrtum ist dabei, dass ein besserer Chip automatisch eine klügere KI ergibt. Der Chip liefert nur Rechenkraft. Was das Modell am Ende kann, hängt genauso an den Trainingsdaten und am Aufbau des Modells.