Künstliche Intelligenz, eben jene Technologie, die Nvidias Chips antreiben, befeuert nun neue Startups, die darauf abzielen, die Marktposition des Chip-Giganten herauszufordern. Wafer und Ricursive Intelligence setzen KI ein, um Software für diverse Hardware zu optimieren und die Chipherstellung zu rationalisieren, was die Wettbewerbslandschaft potenziell verändern könnte. „Wir wollen die Intelligenz pro Watt maximieren“, erklärte Emilio Andere, Mitbegründer von Wafer, und betonte dabei Effizienz gegenüber reinen Leistungsbenchmarks.
Die Landschaft der Hardware für künstliche Intelligenz verändert sich, wobei neue Unternehmen die KI selbst einsetzen, um komplexe technische Herausforderungen zu bewältigen, die lange die Dominanz etablierter Akteure wie Nvidia gefestigt haben. Während Nvidias Grafikprozessoren (GPUs) das Rückgrat für das Training der größten KI-Modelle bleiben, konzentriert sich eine neue Innovationswelle darauf, *jeden* Chip optimal performen zu lassen. Wafer, ein Startup, das kürzlich 4 Millionen US-Dollar an Seed-Finanzierung erhalten hat, steht an der Spitze dieser Bewegung.
Das Unternehmen trainiert KI-Modelle, um eine der anspruchsvollsten Aufgaben im Software-Engineering zu erfüllen: Code so zu optimieren, dass er mit maximaler Effizienz auf spezifischen Silizium-Chips läuft. Dies beinhaltet die Generierung des sogenannten Kernel-Codes, der Softwareschicht, die direkt mit der Hardware eines Chips interagiert – ein Prozess, der historisch hochspezialisiertes menschliches Fachwissen erforderte. Emilio Andere, Mitbegründer und CEO von Wafer, erklärte, dass ihr Ansatz Reinforcement Learning auf Open-Source-Modellen beinhaltet.
Sie bringen diesen Modellen bei, Kernel-Code von Grund auf neu zu schreiben. Darüber hinaus integriert Wafer auch „agentische Frameworks“ mit bestehenden großen Sprachmodellen wie Anthropic's Claude und OpenAI's GPT, um deren Fähigkeit zum Schreiben von direkt-auf-Chip-Code zu verbessern. Diese duale Strategie zielt darauf ab, hocheffiziente Software zu entwickeln, die auf verschiedene Hardware-Architekturen zugeschnitten ist.
Die Optimierung von Software für verschiedene Chip-Designs war lange Zeit ein Engpass für Unternehmen, die sich über Nvidias Ökosystem hinauswagten. Während viele High-End-Chips von Konkurrenten wie AMD, Amazons Trainium und Googles TPUs eine Gleitkommaleistung bieten, die mit Nvidias Top-Silizium vergleichbar ist, liegt die Herausforderung in ihrer Programmierbarkeit. Nvidia hat ein umfassendes Software-Ökosystem aufgebaut, einschließlich Bibliotheken und Tools, das die Entwicklung und Wartung von Code für seine GPUs vereinfacht.
Dies erleichtert Entwicklern die Arbeit. Anderen Chip-Architekturen fehlt oft diese robuste Unterstützung, was es selbst großen Tech-Firmen erschwert, unabhängig Spitzenleistungen zu erzielen. Man betrachte die Erfahrung von Anthropic, einem prominenten KI-Forschungsunternehmen.
Als Anthropic sich entschied, seine KI-Modelle auf Amazons Trainium-Hardware aufzubauen, stand es vor der beträchtlichen Aufgabe, den Code seines Modells vollständig neu zu schreiben. Dies war notwendig, um sicherzustellen, dass die Software auf der neuen, nicht-Nvidia-Hardware so effizient wie möglich lief. Solche Bemühungen sind kostspielig und zeitaufwendig.
Sie erfordern spezifische Fähigkeiten. Andere glaubt, dass KI, die bereits übermenschliche Fähigkeiten beim Schreiben von allgemeinem Code erreicht hat, diesen Software-Vorteil bald untergraben wird. „Der Graben liegt in der Programmierbarkeit des Chips“, bemerkte Andere und bezog sich dabei auf die umfangreichen Software-Tools, die Nvidia bereitstellt. „Ich denke, es ist an der Zeit, zu überdenken, ob das tatsächlich ein starker Graben ist.“ Diese Verschiebung könnte den Zugang zu Hochleistungsrechnen demokratisieren und es einer breiteren Palette von Unternehmen ermöglichen, diverse Hardware ohne den prohibitiven technischen Aufwand zu nutzen. Über die Software-Optimierung für bestehendes Silizium hinaus widmet sich ein weiteres Startup, Ricursive Intelligence, einer noch grundlegenderen Herausforderung: dem Design der Chips selbst mithilfe künstlicher Intelligenz.
Ricursive, mitbegründet von den ehemaligen Google-Ingenieurinnen Azalia Mirhoseini und Anna Goldie, entwickelt neuartige Methoden zur Automatisierung und Beschleunigung des Chip-Designs, einem Bereich, der traditionell von hochspezialisierten menschlichen Ingenieuren dominiert wird. Das Design von Computerchips ist ein komplexer und anspruchsvoller Prozess. Ingenieure müssen Milliarden von Komponenten präzise auf einem winzigen Stück Silizium anordnen und dabei verschiedene Funktionalitäten wie Geschwindigkeit, Stromverbrauch und thermische Effizienz optimieren.
Nach einem ersten Entwurf durchläuft die Leistung des Chips strenge Tests und Verifizierungen in einem iterativen Zyklus, bevor er zur Fertigung an eine Gießerei geschickt werden kann. Dies erfordert immense Zeit und Ressourcen. Mirhoseini, die auch Assistenzprofessorin an der Stanford University ist, erklärte, dass Ricursive „die langwierigsten Aspekte des Chip-Designs – physisches Design und Design-Verifizierung“ ins Visier nimmt, zwei der zeitaufwendigsten Bereiche.
Mirhoseini und Goldie entwickelten zuvor bei Google eine KI-gesteuerte Methode, die das Layout wichtiger Komponenten in Computerchips optimierte. Dieser Ansatz transformierte Googles interne Prozessor-Designprozesse und ist seitdem eine in der gesamten Branche weit verbreitete Technik zur Anordnung von Funktionen auf verschiedenen Chips geworden. Ricursive will auf diesem Erfolg aufbauen, indem es weitere Elemente des Design-Workflows automatisiert und große Sprachmodelle integriert.
Ziel ist es, Ingenieuren zu ermöglichen, natürliche Sprache zu verwenden, um gewünschte Änderungen zu beschreiben oder spezifische Fragen zum Design eines Chips zu stellen, und sich so einer Zukunft zu nähern, in der man einen Chip „vibe-designen“ könnte, wie Goldie vorschlug. Das Potenzial der KI, sowohl Chips als auch Algorithmen mitzugestalten, bietet eine Vision rekursiver KI-Verbesserung. Goldie beschrieb eine Zukunft, in der KI ihr eigenes Silizium und ihren Code anpassen könnte, wodurch ein „Skalierungsgesetz für das Chip-Design“ entstünde. Dieses Konzept deutet auf einen kontinuierlichen Rückkopplungskreislauf hin, bei dem von KI entworfene Hardware die Fähigkeit der KI verbessert, noch bessere Hardware zu entwerfen, was das Innovationstempo beschleunigt.
Investoren beobachten diese Entwicklungen genau. Ricursive Intelligence hat in nur wenigen Monaten schnell 335 Millionen US-Dollar eingesammelt und eine Bewertung von 4 Milliarden US-Dollar erreicht. Diese erhebliche Kapitalspritze unterstreicht den Glauben des Marktes an das transformative Potenzial des KI-gesteuerten Chip-Designs.
Die Politik sagt das eine über den Marktwettbewerb, aber die Realität wird oft durch diese technologischen Durchbrüche geformt. Was dies tatsächlich für Ihre Familie, oder zumindest für die Tech-Unternehmen, die sie beschäftigen, bedeutet, ist eine Verschiebung, wer die Schlüssel zum fortschrittlichen Computing in Händen hält. Wenn KI die Fähigkeit demokratisieren kann, Code für jeden Chip zu optimieren und sogar kundenspezifisches Silizium zu entwerfen, dann könnte die Eintrittsbarriere für die Entwicklung von Spitzentechnologie-KI sinken.
Kleinere Unternehmen könnten die Fähigkeit erlangen, auf Augenhöhe mit Giganten zu innovieren, was ein vielfältigeres und wettbewerbsfähigeres Tech-Ökosystem fördern würde. Dies könnte zu spezialisierterer, effizienterer Hardware für spezifische KI-Aufgaben führen und potenziell die Kosten für den Betrieb großer KI-Modelle für Unternehmen und, im weiteren Sinne, für Verbraucher senken. Beide Seiten beanspruchen den Sieg im Innovationsrennen für sich.
Hier sind die Zahlen: Die Milliardeninvestitionen deuten auf eine echte Herausforderung des Status quo hin. Dieser aufkommende Wettbewerb ist nicht nur theoretischer Natur. Unternehmen wie Apple, Google und Amazon haben bereits seit Jahren massiv in kundenspezifisches Silizium investiert, um die Leistung und Effizienz ihrer Produkte, von Smartphones bis hin zu Cloud-Computing-Plattformen, zu verbessern.
Meta Platforms kündigte kürzlich Pläne an, eine Gigawatt-Rechenkapazität mit einem neuen, zusammen mit Broadcom entwickelten Chip einzusetzen. Der Einsatz von kundenspezifischem Silizium erfordert das Schreiben umfangreichen Codes, um einen reibungslosen, effizienten Betrieb zu gewährleisten. Dieser bestehende Trend bestätigt den Markt für Dienstleistungen wie die von Wafer und Technologien wie die von Ricursive.
Die Auswirkungen gehen über die bloße Gewinnspanne der Chiphersteller hinaus. Für die Tausenden von Ingenieuren, die sich auf Chip-Design und Leistungsoptimierung spezialisiert haben, stellen diese KI-Tools eine neue Grenze dar. Während einige die Automatisierung fürchten mögen, sehen andere darin eine Chance, mühsame Aufgaben auszulagern und sich auf höherwertige Innovationen zu konzentrieren.
Die Nachfrage nach qualifizierten Performance-Ingenieuren bleibt hoch, aber KI könnte ihre Fähigkeiten erweitern und es Teams ermöglichen, mit weniger Ressourcen mehr zu erreichen. Diese Verschiebung könnte neu definieren, was es bedeutet, ein Hardware-Ingenieur im Zeitalter der KI zu sein, weg von manueller Optimierung hin zur Verwaltung und Führung intelligenter Design-Agenten. - KI beginnt, Code für diverse Chip-Architekturen zu optimieren und Nvidias Software-Ökosystem-Vorteil herauszufordern. - Startups wie Wafer nutzen KI, um hocheffizienten Kernel-Code für Nicht-Nvidia-Hardware zu schreiben. - Ricursive Intelligence wendet KI an, um grundlegende Chip-Designprozesse, vom Layout bis zur Verifizierung, zu automatisieren und zu beschleunigen. - Diese Entwicklungen könnten den Zugang zu Hochleistungsrechnen demokratisieren und einen stärkeren Wettbewerb auf dem KI-Hardwaremarkt fördern. Mit Blick auf die Zukunft werden die nächsten 12 bis 18 Monate entscheidend sein.
Achten Sie auf weitere Finanzierungsrunden für diese Startups und spezifische Ankündigungen großer Tech-Unternehmen bezüglich ihrer Einführung von KI-optimiertem Code oder KI-designten Chips. Jede größere Partnerschaft zwischen einem großen Cloud-Anbieter oder KI-Entwickler und einem dieser aufstrebenden KI-gesteuerten Silizium-Unternehmen könnte einen Wendepunkt signalisieren. Die fortgesetzte Entwicklung der Fähigkeit von KI, ihre eigene Hardware zu bauen und zu programmieren, wird das wahre Ausmaß dieser technologischen Disruption bestimmen.
Wichtige Erkenntnisse
— - KI beginnt, Code für diverse Chip-Architekturen zu optimieren und Nvidias Software-Ökosystem-Vorteil herauszufordern.
— - Startups wie Wafer nutzen KI, um hocheffizienten Kernel-Code für Nicht-Nvidia-Hardware zu schreiben.
— - Ricursive Intelligence wendet KI an, um grundlegende Chip-Designprozesse, vom Layout bis zur Verifizierung, zu automatisieren und zu beschleunigen.
— - Diese Entwicklungen könnten den Zugang zu Hochleistungsrechnen demokratisieren und einen stärkeren Wettbewerb auf dem KI-Hardwaremarkt fördern.
Quelle: Wired