Der entscheidende Rohstoff: Rechenleistung, Chips und Rechenzentren

Seine Vormachtstellung beruht nicht allein auf dem Silizium: Sie stützt sich auch auf CUDA, die Softwareschicht, mit der das gesamte KI-Ökosystem seine Chips programmiert, ein schwer zu überwindender „Burggraben“ im Wettbewerb. Auf der CES im Januar 2026 stellte NVIDIA seine neue Generation Vera Rubin im Detail vor (die Nachfolgerin der Blackwell-Architektur): Jede Rubin-GPU liefert rund 50 PetaFLOP bei FP4-Genauigkeit, ist mit ultraschnellem HBM4-Speicher bestückt und wird in „NVL72“-Racks verbaut, die 72 GPUs und 36 Vera-Prozessoren vereinen. Die nächste Generation, „Feynman“, ist bereits angekündigt. In seinen am 26. August 2026 veröffentlichten Ergebnissen (Quartal zum 26. Juli) gibt NVIDIA an, dass die Vera-Rubin-Plattform in die volle Produktion hochfährt und Racks bei mehreren Cloud-Anbietern in Betrieb sind; der Quartalsumsatz erreicht 96,2 Milliarden Dollar, davon 89,0 Milliarden im Rechenzentrumsgeschäft.

Der Einfluss von NVIDIA reicht über das Silizium hinaus: angekündigte Übernahme von Hugging Face im September 2026 (Kapitel 9).

Wie trainiert man lebende Neuronen? Das Verfahren hat nichts mit dem Training einer KI auf Silizium zu tun: weder Backpropagation noch Gradientenabstieg (Kapitel 2). Die Neuronen werden auf einem Elektrodengitter kultiviert, das ihnen zugleich als Sinn und als Muskel dient und sie sowohl stimulieren als auch ihre Aktivität auslesen kann. Bei Pong wird die Position des Balls in elektrische Reize übersetzt; je nachdem, ob die Neuronen die richtige Aktivität zurückgeben (der Schläger fängt den Ball ab) oder nicht, erhalten sie als Rückmeldung entweder ein regelmäßiges, vorhersehbares Signal oder ein chaotisches Rauschen. Nach dem sogenannten Prinzip der freien Energie (formuliert vom Neurowissenschaftler Karl Friston) strebt ein Netz von Neuronen danach, die Unvorhersehbarkeit dessen, was es wahrnimmt, zu minimieren: Die Kulturen organisieren sich daher spontan um, um dem Chaos zu entgehen, das heißt, um besser zu spielen, und schaffen das in wenigen Minuten. Man programmiert nichts: Man gestaltet eine Umgebung, und das Gewebe passt sich von selbst daran an.

Zwei gewichtige Vorbehalte drängen sich dabei auf. Zunächst die Reife: Diese Systeme sind sehr langsam, von winziger Kapazität, und die Kulturen überleben nur wenige Monate; mehrere führende Neurowissenschaftler halten die Idee, auf diese Weise mit Silizium zu konkurrieren, für verfrüht, wenn nicht gar für zum Scheitern verurteilt.

Der ethische Abgrund. Der zweite Vorbehalt reicht tiefer (Kapitel 23). Das von manchen offen erklärte Fernziel ist es, für die KI eines Tages die künstlichen Neuronen (bloße Zahlen in einer Matrix) durch echte biologische Neuronen zu ersetzen, die weit energiesparender sind. Doch dieses Ziel reißt einen Abgrund auf: Könnten diese Kulturen, je größer sie würden, eine Form von Bewusstsein oder gar Leiden entwickeln? Niemand vermag heute das Bewusstsein eines solchen Systems zu definieren oder zu messen, und genau diese Unschärfe beunruhigt (als im Zusammenhang mit Pong das Wort „Sentience“ fiel, veröffentlichten Dutzende Forschende eine Widerlegung). Daraus ergeben sich drei konkrete Fragen. Zunächst die Einwilligung: Diese Neuronen stammen aus Zellen menschlicher Spender, die nicht unbedingt zugestimmt haben, zu einem denkenden Computer zu werden. Dann der moralische Status: Wenn eine solche Kultur irgendetwas empfinden könnte, hätte man dann das Recht, sie zu nutzen und abzuschalten? Einem Server den Strom abzustellen ist belanglos; ein möglicherweise empfindungsfähiges Hirngewebe abzuklemmen wäre es nicht mehr. Schließlich die Regulierung: Mangels wissenschaftlichen Konsenses fordern Forschende schon jetzt Leitplanken nach dem Vorbild der Ethikkommissionen in der Tierforschung. Zum jetzigen Zeitpunkt ist das biologische Computing daher weniger eine glaubwürdige Alternative zu Chips als ein faszinierendes und unbequemes Forschungsfeld, das man mit ebenso viel Vorsicht wie Neugier verfolgen sollte.

• ASML (Niederlande) hält ein weltweites Monopol auf Fotolithografiemaschinen mit extrem ultraviolettem Licht (EUV), die als einzige die feinsten Schaltkreise belichten können. Ohne ASML keine Spitzenchips.
• TSMC (Taiwan) fertigt rund 90 % der fortschrittlichsten Chips der Welt (mit 3 Nanometern und darunter) und hält zwei Drittel des weltweiten Foundry-Marktes. Seine geografische Konzentration auf Taiwan macht es zu einem neuralgischen Punkt der Weltwirtschaft.
• NVIDIA (USA) entwirft die GPUs, fertigt sie aber nicht selbst (sogenanntes „Fabless“-Modell): Die Herstellung überlässt das Unternehmen TSMC.

Weltweit dürfte die für Rechenzentren bereitgestellte Leistung 2026 rund 132 GW erreichen, und man schätzt, dass allein in diesem Jahr etwa 10 GW an neuer KI-Rechenkapazität (das sind 13 bis 15 Millionen Beschleuniger) hinzukommen.

Die Abfolge der Jahre 2025-2026 veranschaulicht eine bewegte Schachpartie. Nach der Aufhebung des von der Vorgängerregierung übernommenen Regelwerks im Jahr 2025 (wodurch eine Phase geringerer Kontrolle entstand, in der Hunderttausende Chips über Drittländer geflossen sein sollen) hat die US-Regierung die Regeln Ende Mai 2026 verschärft: Jeder Verkauf fortschrittlicher Beschleuniger (die Reihen Blackwell und Rubin von NVIDIA, MI350x von AMD) an eine ausländische Tochtergesellschaft eines chinesischen Unternehmens erfordert nun eine Lizenz. Parallel dazu hat das Hin und Her um den Chip H200 (erst genehmigt, dann blockiert, mal von Washington, mal von Peking, das auf Selbstversorgung drängt) NVIDIA dazu veranlasst, seine Kapazitäten bei TSMC auf die neue Generation Vera Rubin umzuschichten. Zuletzt, Mitte 2026, hat sich der amerikanische Druck weiter nach oben in der Kette verlagert, auf ASML selbst, das Washington verdächtigt, zugelassen zu haben, dass eine Spitzenmaschine nach China gelangte.

---

Das Wichtigste (Kapitel 8)

• KI ist zuallererst eine Frage der Rechenleistung: Man trainiert die Modelle auf Zehntausenden GPUs, und die Inferenz (jede Anfrage) dominiert auf Dauer die Rechnung.
• NVIDIA dominiert dank seiner Chips (Generation Vera Rubin im Jahr 2026) und vor allem dank seiner Software CUDA; Google (TPU), AMD (Helios-Rack, 2026) und die Cloud-Riesen entwickeln Alternativen.
• Die Wertschöpfungskette ist extrem konzentriert: ASML (EUV-Maschinen, Niederlande), TSMC (Fertigung, Taiwan, ~90 % der Spitzenchips), NVIDIA (Entwurf, „Fabless“-Modell).
• Die Mega-Rechenzentren werden in Gigawatt beziffert (Stargate 10 GW, Colossus, Hyperion); die Investitionsprognosen der vier Cloud-Riesen für 2026 liegen bei rund 735 bis 750 Milliarden Dollar.
• Ein Ansatz an der Grenze des Machbaren besteht darin, Rechenzentren in die Umlaufbahn zu bringen (nahezu ununterbrochene Solarenergie, Kühlung durch Abstrahlung): erste Demonstratoren 2025 (eine H100-GPU in der Umlaufbahn, Googles Projekt Suncatcher), aber gewichtige Hürden (Startkosten, Wärme, Strahlung).
• Ein noch radikalerer Ansatz, das biologische Computing (Rechnen mit lebenden Neuronen, auch „Wetware“), orientiert sich an der Effizienz des Gehirns (rund 20 W), bleibt aber langsam, winzig und mit schweren ethischen Fragen behaftet.
• Der chinesisch-amerikanische „Chipkrieg“, gestützt auf eine „Strategie der Engpässe“, spaltet die Welt in zwei Technologieblöcke.

Angesichts dieser Abhängigkeit von einigen wenigen Konzernen und ihren riesigen Rechenzentren gewinnt eine Alternative an Bedeutung: KI bei sich zu Hause laufen zu lassen, mit offenen Modellen. Darum geht es in Kapitel 9.

---