Alibaba und Baidu trainieren KI mit eigenen Chips, während die US-Beschränkungen verschärft werden

Warum das jetzt wichtig ist

Chinas zwei größte Unternehmen im Verbraucher-Internet- und Cloud-Geschäft unternehmen einen entscheidenden Schritt, um ihre Lieferketten für künstliche Intelligenz abzusichern. Alibaba und Baidu haben damit begonnen, einige Modelle auf selbst entwickelten Prozessoren zu trainieren. Damit verringern sie ihre Abhängigkeit von Nvidia-Chips, die bislang das Rückgrat moderner KI bilden. Der Wandel spiegelt zwei starke Kräfte wider: verschärfte US-Exportkontrollen für moderne Halbleiter mit Ziel China und Chinas Bestreben, heimische Technologie in kritischer Infrastruktur zu bevorzugen.

Beide Unternehmen gehen behutsam vor, statt mit einem Schlag umzustellen. Alibaba setzt seine eigenen Beschleuniger für kleinere Trainingsaufgaben ein, nutzt für die anspruchsvollsten Arbeiten aber weiterhin Nvidia-Hardware. Baidu testet seinen neuesten Kunlun-P800-Chip mit neuen Versionen seines Ernie-Modells, der Technologie hinter den generativen KI-Diensten des Unternehmens. Für die größten und komplexesten Trainingsläufe sind die Unternehmen weiterhin auf Nvidia angewiesen, bei denen Leistung, ausgereifte Software und Verbindungen zwischen mehreren Chips besonders entscheidend sind.

Die praktischen Folgen in Chinas Rechenzentren könnten erheblich sein. Unternehmen, die früher auf importierte GPUs warten mussten, haben nun einen zweiten Weg, ihre KI-Rechenkapazitäten auszubauen. Heimische Chips, die für einen wachsenden Anteil der Arbeitslasten leistungsfähig genug sind, helfen, Lieferengpässe abzufedern, Projekte im Zeitplan zu halten und Ausgaben an den nationalen Technologiezielen auszurichten. Wenn sich diese Einsätze bewähren, bestätigen sie jahrelange Investitionen in lokale KI-Chips und beschleunigen den umfassenderen Wandel, bei dem chinesische Cloud-Anbieter ausländische und heimische Hardware in ihren Rechenzentren kombinieren.

Was Alibaba und Baidu entwickeln

Alibaba hat mit seiner T-Head-Sparte Erfahrung in der Entwicklung maßgeschneiderter Chips. Sie stellte zuvor den KI-Beschleuniger Hanguang 800 für Inferenz sowie eine Server-CPU auf Basis der Arm-Befehlssätze vor. Alibabas neuester KI-Trainingsprozessor, den Mitarbeiter intern Zhenwu nennen, wird inzwischen bei Alibaba Cloud zum Training kleinerer Modelle eingesetzt. Nach Angaben von Personen, die mit dem Chip gearbeitet haben, ist seine Leistung in der Praxis mit der des Nvidia H20 vergleichbar, sofern die Aufgaben keine besonders modernen Verbindungen zwischen den Chips oder sehr große Speicherkapazitäten erfordern. Für das Training führender Modelle setzt Alibaba weiterhin auf Nvidia-Systeme und erprobt den neuen Chip zugleich im großen Maßstab.

Ba idus Kunlun-Projekt zählt zu Chinas am längsten laufenden Entwicklungsreihen für heimische KI-Beschleuniger. Die frühen Kunlun-Chips waren vor allem auf Inferenz ausgelegt, also auf die Ausführung trainierter Modelle. Mit dem Kunlun P800 führt Baidu Trainingsexperimente für neue Ernie-Versionen durch, um Stabilität, Durchsatz und die Einsatzbereitschaft des Software-Stacks zu überprüfen. Baidus zentraler Vorteil ist die vertikale Integration: Das Unternehmen entwickelt die Ernie-Modelle, betreibt große Cloud-Cluster und kontrolliert das PaddlePaddle-Framework. Dadurch kann es Hardware und Software freier gemeinsam entwickeln und so effizienter gestalten.

Wie US-Exportregeln den Markt verändert haben

Washington hat die Kontrollen seit 2022 schrittweise verschärft. Damals schränkten erstmals Leistungsschwellen ein, welche KI-Beschleuniger US-Anbieter nach China liefern durften. Umgehungslösungen wie spezielle China-GPUs mit geringerer Bandbreite bei den Verbindungen zwischen Chips hielten die Lieferungen eine Zeit lang teilweise aufrecht. In den folgenden Jahren angekündigte Maßnahmen schränkten diese Wege weiter ein. Die leistungsstärksten Nvidia-Plattformen, etwa H100 und neuere Blackwell-Chips, sind in China weiterhin nicht erhältlich. Nvidia entwickelte den weniger leistungsfähigen H20, um die US-Vorschriften einzuhalten. Branchenanalysen zufolge benötigen inzwischen jedoch selbst Lieferungen dieser Chips ab April 2025 eine Exportlizenz. Das erhöht den Aufwand und die Unsicherheit für chinesische Käufer von US-Chips.

Chinas große Cloud- und Internetplattformen reagieren mit einem zweigleisigen Plan: Sie beschaffen im Ausland, was möglich ist, und investieren zugleich massiv in heimische Beschleuniger. Auch die politischen Rahmenbedingungen begünstigen lokale Lösungen. Kunden aus Regierung und kritischer Infrastruktur bevorzugen zunehmend Hardware, die in China entwickelt und unterstützt wird. Das veranlasst Cloud-Anbieter, nachzuweisen, dass chinesische Beschleuniger Produktionslasten zu vertretbaren Kosten und mit verlässlicher Leistung bewältigen können.

Nvidia ist sich bewusst, dass sich das Wettbewerbsumfeld verändert und Kunden Anreize haben, ihre Bezugsquellen zu diversifizieren. Ein Unternehmenssprecher räumte das ein und betonte zugleich, Nvidia wolle Entwickler weltweit weiterhin bedienen.

Der Wettbewerb ist unbestreitbar angekommen. Wir werden uns weiterhin darum bemühen, das Vertrauen und die Unterstützung von Entwicklern im gesamten Mainstream zu gewinnen.

Wie nah sind heimische Chips an Nvidia herangekommen?

Die Antwort hängt von der jeweiligen Aufgabe ab. Berichte von Ingenieuren, die Alibabas neuesten Beschleuniger eingesetzt haben, deuten darauf hin, dass er bei manchen Trainingsaufgaben und kleineren Modellen mit Nvidias H20 gleichzieht. Für eine junge Plattform ist das ein bedeutender Fortschritt. Bei den größten Modellen und den ambitioniertesten Trainingsplänen hat Nvidia dank höherer Spitzenrechenleistung, schnellerer Verbindungen zwischen mehreren GPUs, ausgereifter Compiler und eines breiten Ökosystems optimierter Bibliotheken weiterhin die Nase vorn. Chips wie der H100 und die neuesten Blackwell-Designs bleiben außerhalb Chinas der Maßstab für das Training hochmoderner Modelle.

Training und Inferenz sind unterschiedliche Aufgaben

Beim KI-Training wird ein Modell gelehrt, indem Milliarden von Parametern in vielen Durchläufen mit Daten angepasst werden. Dabei werden Rechenleistung und Speicherbandbreite der Hardware maximal beansprucht. Außerdem sind sehr schnelle Verbindungen zwischen den Beschleunigern nötig, damit Tausende Chips effizient synchronisiert werden können. Inferenz findet nach dem Training statt. Das Modell ist bereits trainiert und erzeugt in Echtzeit Ausgaben für Nutzer. Bei der Inferenz zählen geringe Latenz, Kosteneffizienz und ein niedriger Energieverbrauch. Ein Chip, der sich hervorragend für Inferenz oder das Training kleinerer Modelle eignet, kann bei monatelangen Trainingsläufen sehr großer Modelle dennoch an seine Grenzen stoßen, weil dann die Verbindung zwischen den Chips und die Softwaresteuerung zum Engpass werden.

Der Software-Stack ist genauso wichtig wie der Chip

Nvidias Vormachtstellung beruht nicht allein auf seinen Chips. Die CUDA-Plattform, Bibliotheken wie cuDNN und TensorRT sowie zahlreiche Werkzeuge von Partnern machen die Entwicklung unkompliziert und die Leistung berechenbar. Chinesische Plattformen entwickeln eigene Software-Stacks für heimische Beschleuniger. Baidus PaddlePaddle und Alibabas Cloud-Werkzeuge unterstützen ihre Chips bereits. Beide Unternehmen können zudem Kernel und Graph-Compiler auf ihre eigenen Modelle zuschneiden. Diese Kontrolle kann Effizienzgewinne ermöglichen, bedeutet aber auch, dass externe Entwickler beim Umstieg auf heimische Hardware eine Einarbeitungszeit einplanen müssen. Wenn Alibaba und Baidu den Wechsel innerhalb ihrer Clouds reibungslos gestalten, könnten Kunden Preis, Verfügbarkeit und Servicequalität wichtiger sein als der Name auf dem Chip.

Geschäftsstrategie und Marktreaktion

Anleger begrüßten die Anzeichen, dass Chinas führende Internetunternehmen sich KI-Rechenleistung sichern können, ohne vollständig von Importen abhängig zu sein. Die Aktien von Alibaba und Baidu stiegen nach Berichten über die neuen Einsätze. Darin spiegeln sich die Erwartungen wider, dass eine widerstandsfähigere Versorgung die Produktpläne unterstützt und das Verzögerungsrisiko senkt. Ein heimischer Chip, der für einen großen Anteil der Trainingsaufgaben leistungsfähig genug ist, kann langfristig auch die Betriebskosten senken, wenn er leichter zu beschaffen und in heimischen Rechenzentren einfacher zu skalieren ist.

Die strategischen Gründe gehen über Kosten und Versorgung hinaus. Alibaba Cloud und Baidu Cloud verkaufen ihre Dienste an Unternehmen und öffentliche Stellen, die häufig lokal entwickelte Hardware bevorzugen. Rechenleistung auf heimischen Beschleunigern anzubieten, kann dabei helfen, sensible Arbeitslasten zu gewinnen und zugleich den regulatorischen Präferenzen bei Sicherheit und Datenlokalität zu entsprechen. Beide Unternehmen scheinen jedoch auf einen pragmatischen Mix zu setzen: Nvidia-Systeme bleiben für die schwierigsten Aufgaben im Einsatz, während heimische Chips die vielen Aufgaben übernehmen, bei denen ihre Leistung vergleichbar und ihr Einsatz wirtschaftlich attraktiv ist.

Engpässe bei Lieferketten und Fertigung

Einen konkurrenzfähigen KI-Beschleuniger zu entwickeln, ist nur ein Teil der Herausforderung. Auch Fertigung, Verpackung und Speicherversorgung spielen eine Rolle. Die leistungsstärksten Chips werden heute in modernen Fertigungsprozessen hergestellt und nutzen Stacks aus Speicher mit hoher Bandbreite, die nahe am Prozessor verpackt sind. Chinas Halbleiterfertiger haben Fortschritte erzielt, erreichen aber noch nicht das Niveau der modernsten ausländischen Fertigungsprozesse. Durch kluge Designentscheidungen, hochwertige Verpackung und effiziente Software lässt sich dieser Abstand teilweise ausgleichen. Auf Spitzenleistung und Energieeffizienz wirkt er sich dennoch aus.

Auch die Verfügbarkeit von Speicher mit hoher Bandbreite ist ein Engpass, denn das Training großer Modelle benötigt enorme Speicherbandbreite und -kapazität. Cloud-Anbieter begegnen diesen Grenzen, indem sie Arbeitslasten auf mehr Chips verteilen, Zahlenformate optimieren und Aufgaben entsprechend den Stärken der jeweiligen Plattform einplanen. Unter diesen Bedingungen kann ein heimischer Beschleuniger einen bedeutenden Teil der Arbeit übernehmen, wenn er gut in den Cloud-Software-Stack integriert und leicht zu beschaffen ist, selbst wenn seine theoretische Spitzenleistung hinter den besten ausländischen Chips zurückbleibt.

Was das für Entwickler und Kunden bedeutet

Kunden von Alibaba und Baidu achten auf drei Dinge: wie schnell sie Rechenkapazität erhalten, wie zuverlässig sie ist und welche Gesamtkosten für einen Trainingslauf oder eine Inferenzaufgabe anfallen. Wenn heimische Beschleuniger Wartezeiten verkürzen und mit vertrauten Frameworks gleichbleibende Leistung liefern, werden viele Teams ohne große Hürden umsteigen. Modellentwickler müssen möglicherweise Kernel neu abstimmen oder herstellerspezifische Werkzeuge einsetzen, um den höchstmöglichen Durchsatz zu erzielen. Das ist im Hochleistungsrechnen jedoch üblich. Kurzfristig dürften gemischte Cluster und Richtlinien für die Aufgabenplanung vorherrschen, die Aufträge an die jeweils beste verfügbare Hardware weiterleiten. Das Training der größten Spitzenmodelle wird weiterhin auf Nvidia-Systemen laufen, während eine wachsende Zahl gewöhnlicher Aufgaben auf Chips von Alibaba und Baidu ausgeführt wird.

Worauf es als Nächstes ankommt

Im kommenden Jahr zeichnen sich zwei wichtige Meilensteine ab. Erstens geht es um die Lizenzpflicht für Lieferungen von US-Beschleunigern nach China. Branchenforscher zufolge soll sie ab April 2025 Chips wie Nvidia H20 und AMD MI308 umfassen. Zweitens müssen Alibaba und Baidu in der Praxis zeigen, dass ihre Chips Trainingsaufgaben im Produktivbetrieb und großen Maßstab bewältigen können und nicht nur Labortests bestehen. Benchmarks mit bekannten Modellen, Kundenberichte und die Geschwindigkeit, mit der Cloud-Instanzen auf Basis heimischer Beschleuniger ausgebucht sind, werden Aufschluss geben. Zu beobachten ist auch, wie schnell die Software-Ökosysteme rund um diese Chips ausreifen, einschließlich der Unterstützung durch beliebte Frameworks und Werkzeuge von Drittanbietern. Ebenso wichtig ist, wie andere chinesische Plattformen, darunter Entwickler eigener Beschleuniger und Käufer bei heimischen Anbietern, ihr Kapital zwischen importierten GPUs und lokalen Alternativen aufteilen, wenn neue Projekte starten.

Die wichtigsten Punkte

• Alibaba und Baidu haben begonnen, KI-Modelle auf selbst entwickelten Chips zu trainieren. Für die anspruchsvollsten Aufgaben nutzen sie weiterhin Nvidia-Systeme.
• Alibabas neuester Beschleuniger kommt bei kleineren Trainingsaufgaben zum Einsatz. Mitarbeiter zufolge kann er bei manchen Aufgaben mit Nvidias H20 mithalten.
• Baidu testet seinen Kunlun P800 mit neuen Versionen des Ernie-Modells und nutzt dabei seine Kontrolle über das PaddlePaddle-Framework.
• US-Exportkontrollen schränken den Zugang zu den leistungsstärksten Nvidia-Chips ein. Branchenanalysen zufolge sind für Lieferungen des H20 nach China ab 2025 neue Lizenzen erforderlich.
• Nvidia erklärt, das Unternehmen werde sich weiterhin um das Vertrauen der Entwickler bemühen, während der Wettbewerb zunimmt.
• Heimische Beschleuniger sind für einen wachsenden Anteil der Arbeitslasten leistungsfähig genug, auch wenn Nvidia beim Training der größten Modelle weiterhin führend ist.
• Software-Ökosysteme sind ein entscheidender Faktor. Alibaba und Baidu passen ihre Werkzeugketten an die eigene Hardware an.
• Anleger reagierten positiv und sehen geringere Versorgungsrisiken sowie mehr Kontrolle über die KI-Produktpläne.
• Fertigung und Speicherversorgung bleiben Engpässe. Durchdachtes Design und die Integration in Cloud-Dienste können einige Einschränkungen jedoch ausgleichen.
• In Chinas Clouds ist mit gemischten Clustern zu rechnen. Aufgabenplaner werden Arbeitslasten zwischen heimischen Chips und importierten GPUs verteilen.