Top 25+ KI-Chip-Hersteller: NVIDIA & seine Konkurrenten

Basierend auf unserer Erfahrung mit dem Cloud-GPU-Benchmark von AIMultiple mit 10 verschiedenen GPU-Modellen in 4 verschiedenen Szenarien sind dies die führenden KI-Hardware-Unternehmen für Rechenzentrums-Workloads. Folgen Sie den Links, um unsere Begründung für jede Auswahl zu sehen:

25+ KI-Chip-Hersteller nach Kategorie

*Die ausgewählten Modelle basieren auf den neuesten Ankündigungen.

**ACCEL wurde von chinesischen Wissenschaftlern in Zusammenarbeit mit Alibaba und Chinas Semiconductor Manufacturing International Corporation (SMIC) entwickelt​ ¹

Sortierung erfolgt nach Kategorie. Anbieter werden innerhalb der 3 wichtigsten Kategorien (d. h. Führender Hersteller, Public Cloud, Public KI Cloud) nach geschätztem Marktanteil eingestuft, da Umsatzzahlen oder Cloud-Nutzung geschätzt werden können. Anbieter in den letzten drei Kategorien (d. h. KI-Startup, Kommender Hersteller, Weitere Hersteller) sind alphabetisch sortiert.

5 mobile KI-Chip-Anbieter

*Die beliebtesten und aktuellsten Chips sind ausgewählt.

5 Edge-KI-Chips

Die Nachfrage nach latenzarmer Verarbeitung hat die Innovation bei Edge-KI-Chips vorangetrieben. Die Prozessoren dieser Chips sind darauf ausgelegt, KI-Berechnungen lokal auf Geräten durchzuführen, anstatt auf Cloud-basierte Lösungen angewiesen zu sein:

*Dies sind die maximal von den Anbietern angegebenen Werte. TOPS steht für Tera Operations Per Second.

KI-Chip-Architekturen verstehen: GPUs vs. ASICs

Nicht alle KI-Chips sind gleich. Während die oben genannten Anbieter auf demselben Markt konkurrieren, verwenden sie grundlegend unterschiedliche Chip-Architekturen:

• GPUs (Graphics Processing Units) sind universell einsetzbare Prozessoren, die sowohl Training als auch Inferenz für eine breite Palette von KI-Workloads bewältigen können. NVIDIA und AMD dominieren diese Kategorie.
• ASICs (Application-Specific Integrated Circuits) sind für spezifische Aufgaben maßgeschneidert. Einige unterstützen sowohl Training als auch Inferenz (Google TPU, AWS Trainium), während andere nur für Inferenz ausgelegt sind (Groq LPU, AWS Inferentia).

Wichtige Erkenntnis:

Nicht alle ASICs sind nur für Inferenz geeignet. Google TPU, AWS Trainium, Cerebras und SambaNova unterstützen sowohl Training als auch Inferenz, während Groq LPU und AWS Inferentia ausschließlich auf Inferenz ausgerichtet sind.

Diese Unterscheidung ist für Käufer wichtig: GPUs bieten Flexibilität über verschiedene KI-Workloads hinweg, während ASICs eine bessere Leistung pro Watt liefern, aber schwerer umzuprogrammieren sind, wenn sich die Modellarchitekturen ändern.

Laut TrendForce² werden die kundenspezifischen ASIC-Lieferungen von Cloud-Anbietern basierend auf den Wachstumsraten der KI-Server-Lieferungen im Jahr 2026 voraussichtlich um 44,6% wachsen, während die GPU-Lieferungen voraussichtlich um 16,1% zunehmen werden. Dies signalisiert einen Wandel in der KI-Hardware-Landschaft, da Hyperscaler zunehmend in ihre eigene Siliziumentwicklung investieren.

Welches sind die führenden KI-Chip-Hersteller?

1. NVIDIA

NVIDIA entwickelt seit den 1990er Jahren Grafikprozessoren (GPUs) für den Gaming-Sektor. NVIDIA ist ein fabless Chiphersteller, der den Großteil seiner Chipfertigung an TSMC auslagert. Zu den Hauptgeschäftsbereichen gehören:

Desktop-KI-Lösungen

DGX Spark (ehemals Project Digits) ist ein Desktop-KI-Supercomputer für KI-Ingenieure und Datenwissenschaftler mit einem Grace Blackwell Superchip mit einer NVIDIA Blackwell RTX GPU mit 6.144 CUDA-Kernen und Tensor Cores der fünften Generation mit FP4-Präzision, verbunden über die NVIDIA NVLink-C2C Chip-zu-Chip-Verbindung mit einer leistungsstarken 20-Kern NVIDIA Grace CPU, mit bis zu 1 Petaflop KI-Rechenleistung und 128 GB einheitlichem Speicher für On-Device-Agenten.^{3 4}

NVIDIA und Microsoft arbeiten zusammen, um eine sichere Windows-Plattform für On-Device-Agenten bereitzustellen, die auf neuen OS-Sicherheitsprimitiven basiert.⁵

Rechenzentrumslösungen

Das Unternehmen stellt KI-Chips nach seinen Ampere-, Hopper- und zuletzt Blackwell-Architekturen her. Dank des Boom der generativen KI erzielte NVIDIA in den vergangenen Jahren hervorragende Ergebnisse, erreichte eine Billionenbewertung und festigte seinen Status als Marktführer im GPU- und KI-Hardware-Markt. Das folgende Diagramm zeigt, wie der Umsatz von NVIDIA in diesem Segment im Laufe der Jahre gewachsen ist und wie es zur Haupteinnahmequelle des Unternehmens wurde.

Quelle: Finanzberichte der NVIDIA Corporation.⁶

DGX™ A100 und H100 waren erfolgreiche Flaggschiff-KI-Chips von Nvidia, die für KI-Training und Inferenz in Rechenzentren entwickelt wurden.⁷ NVIDIA ergänzte diese durch

• H200-, B300- und GB300-Chips
• HGX-Server wie HGX H200 und HGX B300, die 8 dieser Chips kombinieren
• NVL-Serie und GB200 SuperPod, die noch mehr Chips zu großen Clustern zusammenfassen.⁸

Cloud-GPUs

Dank der Stärke seines Rechenzentrumsangebots hat NVIDIA nahezu ein Monopol auf dem Cloud-KI-Markt, wobei die meisten Cloud-Anbieter nur NVIDIA GPUs als Cloud-GPUs anbieten.

NVIDIA führte auch sein DGX Cloud-Angebot ein, das Cloud-GPU-Infrastruktur direkt für Unternehmen bereitstellt und Cloud-Anbieter umgeht.

GPUs für Grafik

Xbox verwendet einen Chipsatz, der gemeinsam von NVIDIA und Microsoft entwickelt wurde. Zu den NVIDIA GPUs für Endverbraucher gehört die GeForce-Serie.

Aktuelle Entwicklungen

DGX Cloud Lepton

Am 19. Mai 2025 auf der Computex angekündigt, ist NVIDIAs DGX Cloud Lepton ein Marktplatz, der KI-Entwickler mit NVIDIAs GPU-Cloud-Anbietern verbindet, darunter CoreWeave, Lambda und Crusoe. Es ermöglicht flexiblen Zugriff auf GPU-Ressourcen für KI-Modelltraining und Inferenz und umgeht dabei traditionelle Abhängigkeiten von Cloud-Anbietern. Dies stärkt die unternehmensorientierte Cloud-Strategie von NVIDIA.⁹

NVIDIA Dynamo

NVIDIA Dynamo, angekündigt auf der GTC 2025, ist ein neues Open-Source-Inferenz-Framework, das für die hochdurchsatzstarke, latenzarme Bereitstellung von generativen KI-Modellen in verteilten Umgebungen entwickelt wurde und die Request-Bereitstellung um bis zu 30x auf NVIDIA Blackwell beschleunigt, wie in der folgenden Abbildung gezeigt. Dieses Framework, das mit beliebten Tools wie PyTorch und TensorRT-LLM kompatibel ist, nutzt Innovationen wie disaggregierte Inferenzstufen und dynamisches GPU-Scheduling, um die Leistung zu optimieren und Kosten zu senken. Verfügbar auf GitHub für Entwickler und enthalten in NVIDIA NIM Microservices für Unternehmenslösungen, erleichtert Dynamo die skalierbare und kosteneffiziente generative KI-Bereitstellung von Einzel- bis zu Multi-GPU-Systemen.¹⁰

NVIDIA RTX PRO Server und Enterprise KI Factory

Im Mai 2025 auf der Computex angekündigt, stellte NVIDIA RTX PRO Server vor, die mit RTX PRO 6000 Blackwell Server Edition GPUs betrieben werden und für Enterprise KI Factories konzipiert sind. Diese Server liefern universelle Beschleunigung für KI-, Design-, Engineering- und Geschäftsanwendungen und unterstützen Workloads wie multimodale KI-Inferenz, Physical KI und digitale Zwillinge auf der NVIDIA Omniverse Plattform.

Das validierte Design der NVIDIA Enterprise KI Factory, das RTX PRO Server, NVIDIA Spectrum-X Ethernet, NVIDIA BlueField DPUs und NVIDIA KI Enterprise Software umfasst, ermöglicht es Partnern wie Cadence, Foxconn und Lilly, On-Premises-KI-Infrastruktur aufzubauen. Diese Initiative beschleunigt den billionenschweren Wandel der IT-Branche hin zu GPU-beschleunigten KI-Fabriken. ¹²

NVIDIA Vera Rubin Plattform

Die nächste Generation der NVIDIA-Plattform nach Blackwell Ultra, angekündigt auf der CES 2026 und auf der Computex 2026 als in Produktion bestätigt, liefert 3,5× schnelleres Training und 5× schnellere Inferenz gegenüber Blackwell und basiert auf TSMC 3 nm mit HBM4.^{13 14} Das NVL72 Rack bietet 260 TB/s Bandbreite.

DeepSeek

Die Veröffentlichung von DeepSeeks R1 zeigte, dass hochmoderne Modelle mit einer relativ kleinen Anzahl von GPUs trainiert werden können. Dies führte zu einem Rückgang des Aktienkurses von NVIDIA. Obwohl dies keine Anlageberatung ist, könnte dies positiv für NVIDIA sein, da je mehr Nutzen Rechenleistung bietet, desto breiter sollte sie genutzt werden (d. h. Jevons-Paradoxon¹⁵ ).

Angesichts der Tatsache, dass sich die Leistung von GPU-Systemen aufgrund von Fortschritten im Chip-Design und bei Verbindungen jährlich um ein Vielfaches verbessert, wären Käufer jedoch gut beraten, nicht über ihren jährlichen Bedarf hinaus zu kaufen, da dies zum Besitz veralteter Systeme führen kann.

Zölle & Exportbeschränkungen

NVIDIA ist nun berechtigt, fortschrittliche KI-Prozessoren auf den chinesischen Markt zu exportieren, was eine Abkehr von früheren Anforderungen darstellt, nur abgeschwächte Versionen zu verkaufen. Diese Exporte stehen jedoch vor neuen logistischen und finanziellen Hürden: In Taiwan hergestellte Chips müssen nun einen Umweg über die Vereinigten Staaten für Tests durch Dritte machen, was einen neu eingeführten nationalen Sicherheitszoll von 25% auslöst.

Trotz des wiederhergestellten Zugangs zu High-End-Hardware halten die zusätzlichen Kosten und die Komplexität der Lieferkette die chinesische Regierung und die Chipindustrie weiterhin dazu an, wettbewerbsfähige lokale Alternativen zu entwickeln. Während chinesische Chips derzeit hinter der neuesten Technologie von NVIDIA zurückbleiben, sorgen diese Handelshemmnisse dafür, dass die heimische Entwicklung eine strategische Priorität bleibt und möglicherweise die Marktdominanz von NVIDIA in Zukunft herausfordert.¹⁶

Wettbewerb im Inferenzmarkt

Während NVIDIA den KI-„Trainingsmarkt“ dominiert, verschärft sich der Wettbewerb im Bereich „Inferenz“, also dem Einsatz von KI-Modellen für reale Aufgaben. Unternehmen wie AMD und zahlreiche Startups, darunter Untether KI und Groq, entwickeln Chips, die darauf abzielen, kosteneffizientere Inferenzlösungen zu bieten, mit besonderem Fokus auf geringeren Stromverbrauch.

Neue „Reasoning“-KI-Techniken erfordern mehr Rechenleistung. NVIDIA glaubt, dass Reasoning langfristig seine Architektur begünstigen wird und erwartet, dass der Inferenzmarkt den Trainingsmarkt letztendlich an Größe übertreffen wird, selbst wenn sein Marktanteil geringer ist. ¹⁷

2. AMD

AMD ist ein fabless Chiphersteller mit CPU-, GPU- und KI-Beschleuniger-Produkten.

AMD brachte im Juni 2023 den MI300 für KI-Trainings-Workloads auf den Markt und konkurriert mit NVIDIA um Marktanteile. Es gibt Startups, Forschungsinstitute, Unternehmen und Tech-Giganten, die 2023 auf AMD-Hardware umgestiegen sind, da Nvidia-KI-Hardware aufgrund der rasant steigenden Nachfrage schwer zu beschaffen war, ausgelöst durch den Aufstieg der generativen KI mit dem Start von ChatGPT.^{18 19 20}

Im Jahr 2025 kündigte AMD die Übernahme eines talentierten Teams von KI-Hardware- und Software-Ingenieuren von Untether KI an, einem Entwickler energieeffizienter KI-Inferenzchips für Edge-Anbieter und Unternehmensrechenzentren. Dieser Schritt erweitert die Fähigkeiten von AMD im Bereich KI-Compiler, Kernel-Entwicklung und Chip-Design und stärkt seine Position im Inferenzmarkt weiter. Darüber hinaus erwarb AMD das Compiler-Startup Brium, um die KI-Leistung auf seinen Instinct-Rechenzentrums-GPUs für Unternehmensanwendungen zu optimieren.²¹

AMD wird die MI350-Serie herausbringen, um den MI300 zu ersetzen und mit NVIDIAs H200 zu konkurrieren. AMD behauptet, dass der MI325X, ein weiterer aktueller Chip, eine marktführende Inferenzleistung aufweist. Im Februar 2026 kündigte Meta eine langfristige Infrastrukturvereinbarung mit AMD an, um bis zu 6 GW an AMD Instinct GPUs bereitzustellen, einer der größten nicht-NVIDIA GPU-Beschaffungsverträge in der Geschichte und eine bedeutende Bestätigung der KI-Hardware-Roadmap von AMD.^{22 23}

AMD arbeitet auch mit Machine-Learning-Unternehmen wie Hugging Face zusammen, um Datenwissenschaftlern eine effizientere Nutzung ihrer Hardware zu ermöglichen.²⁴

Das Software-Ökosystem ist entscheidend, da die Hardware-Leistung stark von der Software-Optimierung abhängt. So hatten AMD und NVIDIA beispielsweise eine öffentliche Meinungsverschiedenheit über das Benchmarking von H100 und MI300. Im Mittelpunkt der Auseinandersetzung standen das Paket und die im Benchmark zu verwendende Gleitkomma-Präzision. Den neuesten Benchmarks zufolge scheint der MI300 besser oder gleichwertig mit dem H100 bei der Inferenz eines 70B LLM zu sein.²⁵

Software

Während die Hardware von AMD zu NVIDIA aufschließt, hinkt die Software in puncto Benutzerfreundlichkeit hinterher. Während CUDA für die meisten Aufgaben sofort einsatzbereit ist, erfordert die AMD-Software eine erhebliche Konfiguration. ²⁶

Ökosystem

Wie NVIDIA investiert AMD selektiv in Nutzer seiner Lösungen, um die Akzeptanz seiner Hardware zu fördern. ²⁷

3. Intel

Intel ist der bedeutendste Akteur im CPU-Markt und blickt auf eine lange Geschichte der Halbleiterentwicklung zurück. Im Gegensatz zu NVIDIA und AMD nutzt Intel seine eigene Fertigung, um seine Chips herzustellen.

Gaudi3 ist der neueste KI-Beschleuniger-Prozessor von Intel. ²⁸ Allerdings lag die Umsatzprognose von Intel für Gaudi3 bei etwa 500 Mio. $ für 2024, was deutlich niedriger ist im Vergleich zu den Milliarden, die AMD für 2024 prognostiziert.

Unter dem neuen CEO Lip-Bu Tan (ernannt im März 2025) hat sich die KI-Strategie von Intel um Rack-Scale-Lösungen herum geklärt.²⁹ Intel hat seine Falcon Shores GPU gestrichen, um auf Jaguar Shores umzuschwenken, einen Rack-Scale-KI-Beschleuniger der nächsten Generation, der auf dem Intel 18A Prozessknoten basiert, und machte auf der Computex 2026 neue KI-Hardware-Ankündigungen, darunter den Xeon 6+ Prozessor auf dem 18A Knoten und die Crescent Island Rechenzentrums-GPU.^{30 31}

Welche Public-Cloud-Anbieter produzieren KI-Chips?

4. AWS

AWS produziert Trainium-Chips für das Modelltraining und Inferentia-Chips für die Inferenz. Obwohl AWS Marktführer im Public-Cloud-Bereich ist, begann das Unternehmen mit der Entwicklung eigener Chips nach Google.

Hunderttausende von Trainium2-Chips werden verwendet, um den Project Rainier Cluster zu bilden, der die Modelle des LLM-Entwicklers Anthropic antreibt.

5. Google Cloud Platform

Google Cloud TPU ist der speziell entwickelte Machine-Learning-Beschleunigerchip, der Google-Produkte wie Translate, Photos, Search, Assistant und Gmail antreibt. Google kündigte TPUs im Jahr 2016 an.³² Die neueste Trillium TPU ist die 6. Generation.³³

Google hat Ironwood eingeführt. Diese neueste Generation wurde speziell für komplexe „denkende Modelle“ wie LLMs und MoEs entwickelt und bietet massive parallele Verarbeitung (4.614 TFLOPs pro Chip) und Skalierung auf bis zu 42,5 Exaflops in 9.216-Chip-Pods.³⁴

Ironwood bietet bedeutende Fortschritte gegenüber Trillium, darunter 2x bessere Energieeffizienz, 6x die High-Bandwidth-Memory-Kapazität (192 GB/Chip), 4,5x die HBM-Bandbreite (7,2 TBps/Chip) und 1,5x die Inter-Chip-Interconnect-Geschwindigkeit (1,2 Tbps). Es verfügt auch über einen verbesserten SparseCore für große Embeddings. Google produziert auch die viel kleinere Edge TPU für andere Anforderungen, die für den Einsatz auf Edge-Geräten wie Smartphones und IoT-Hardware konzipiert ist.

6. Alibaba

Alibaba produziert Chips wie den Hanguang 800 für die Inferenz. Einige nordamerikanische, europäische und australische Organisationen (z. B. aus der Verteidigungsindustrie) bevorzugen jedoch möglicherweise aus geopolitischen Gründen die Nutzung von Alibaba Cloud nicht.

7. IBM

IBM kündigte 2022 seinen neuesten Deep-Learning-Chip, die Artificial Intelligence Unit (AIU), an.³⁵ . IBM erwägt, diese Chips für seine generative KI-Plattform Watsonx einzusetzen.³⁶

Die IBM AIU baut auf dem IBM Telum Processor auf, der die KI-Verarbeitungsfähigkeiten der IBM Z-Mainframe-Server antreibt. Zu den hervorgehobenen Anwendungsfällen der Telum-Prozessoren bei der Markteinführung gehörte die Betrugserkennung.³⁷

IBM demonstrierte auch, dass die Zusammenführung von Rechen- und Speicherkapazität zu Effizienzsteigerungen führen kann. Dies wurde im North Pole Prozessor-Prototyp gezeigt.³⁸

8. Huawei

Huaweis HiSilicon Ascend 910C ist Teil der Ascend 910 Chip-Familie, die 2019 eingeführt wurde.

Aufgrund von Sanktionen können KI-Labore in China nicht die neuesten Chips mit der höchsten Leistung von US-Firmen wie NVIDIA oder AMD kaufen. Daher experimentieren sie mit dem Ascend 910C.

Huaweis Cloud hostet DeepSeek-Modelle, und ein Forscher bei DeepSeek behauptet, dass sie 60% der Inferenzleistung der NVIDIA H100 erreichen können. ³⁹

Welche Cloud-KI-Anbieter produzieren ihre eigenen Chips?

Diese Anbieter verfügen nicht über Public Clouds mit umfassenden Funktionen wie die Hyperscaler. Sie bieten begrenzte Cloud-Dienste an, die typischerweise auf KI-Inferenz ausgerichtet sind. Wir konnten uns für diese Dienste anmelden, ohne mit Vertriebsteams zu sprechen:

9. Groq

Groq wurde von ehemaligen Google-Mitarbeitern gegründet. Das Unternehmen präsentiert LPUs, ein neues Modell für KI-Chip-Architektur, das es Unternehmen erleichtern soll, ihre Systeme zu übernehmen. Das Startup hat bereits rund 350 Millionen $ gesammelt und seine ersten Modelle produziert, wie den GroqChip™ Processor, GroqCard™ Accelerator usw.

Das Unternehmen konzentriert sich auf LLM-Inferenz und veröffentlichte Benchmarks für Llama-2 70B.⁴⁰

Kürzlich sicherte sich Groq eine bedeutende Investitionszusage in Höhe von 1,5 Milliarden $ aus Saudi-Arabien, um die Lieferung seiner fortschrittlichen KI-Chips in das Land auszuweiten. Diese Investition wird verwendet, um das bestehende Rechenzentrum von Groq in Dammam, Saudi-Arabien, zu erweitern, das in Partnerschaft mit Aramco Digital errichtet wurde.⁴¹

Im 1. Quartal 2024 teilte das Unternehmen mit, dass sich 70.000 Entwickler auf seiner Cloud-Plattform registriert und 19.000 neue Anwendungen erstellt haben.⁴²

Am 1. März 2022 übernahm Groq Maxeler, das über High-Performance-Computing (HPC)-Lösungen für Finanzdienstleistungen verfügt.⁴³

10. SambaNova Systems

SambaNova Systems wurde 2017 gegründet, um leistungsstarke, hochpräzise Hardware-Software-Systeme für generative KI-Workloads mit hohem Volumen zu entwickeln. Das Unternehmen hat insgesamt mehr als 1,5 Milliarden Dollar an Finanzmitteln eingeworben, darunter eine Serie-E-Runde über 350 Millionen Dollar im Februar 2026.⁴⁴

Im Februar 2026 stellte SambaNova den SN50-Chip vor, seine neueste Reconfigurable Data Unit (RDU), die eine maximale Geschwindigkeit von 5x schneller als konkurrierende Chips und 3x niedrigere Gesamtbetriebskosten im Vergleich zu GPUs für agentische KI-Workloads beansprucht. Der SN50 liefert 5x mehr Rechenleistung pro Beschleuniger und 4x mehr Netzwerkbandbreite als die vorherige Generation SN40L und unterstützt eine dreistufige Speicherarchitektur für Modelle mit über 10 Billionen Parametern und 10 Millionen+ Token-Kontextlängen.⁴⁵

SoftBank Corp. wird der erste Kunde sein, der SN50 in seinen KI-Rechenzentren der nächsten Generation in Japan einsetzt.

SambaNova kündigte außerdem eine geplante mehrjährige strategische Zusammenarbeit mit Intel an, um KI-Inferenzlösungen bereitzustellen, die die Systeme von SambaNova mit Intel Xeon Prozessoren, Intel GPUs und Intel Netzwerktechnologie kombinieren, um eine skalierbare Inferenzinfrastruktur als Alternative zu GPU-zentrierten Lösungen zu schaffen.

SambaNova Systems vermietet seine Plattform über SambaCloud an Unternehmen. Dieser KI-Plattform-as-a-Service-Ansatz erleichtert die Einführung ihrer Systeme und fördert die Hardware-Wiederverwendung im Sinne der Kreislaufwirtschaft.⁴⁶

Welches sind die führenden KI-Chip-Startups?

Wir möchten auch einige Startups in der KI-Chip-Branche vorstellen, deren Namen wir in naher Zukunft vielleicht häufiger hören werden.

11. Cerebras

Cerebras wurde 2015 gegründet und ist der einzige große Chiphersteller, der sich auf Wafer-Scale-Chips konzentriert. ⁴⁷ Wafer-Scale-Chips haben Vorteile bei der Parallelität im Vergleich zu GPUs, dank ihrer höheren Speicherbandbreite. Das Design und die Herstellung solcher Chips sind jedoch eine aufstrebende Technologie.

Zu den Cerebras-Chips gehören:

• WSE-1 mit 1,2 Billionen Transistoren und 400.000 Verarbeitungskernen.
• WSE-2 mit 2,6 Billionen Transistoren und 850.000 Kernen wurde im April 2021 angekündigt. Er nutzte den 7 nm-Prozess von TSMC
• WSE-3 mit 4 Billionen Transistoren und 900.000 KI-Kernen wurde im März 2024 angekündigt. Er nutzt den 5 nm-Prozess von TSMC⁴⁸

Das System von Cerebras arbeitet mit Pharmaunternehmen wie AstraZeneca und GlaxoSmithKline sowie Forschungslaboren, die für Simulationen darauf angewiesen sind. Es zielt auch auf LLM-Hersteller ab, da seine Chips die Inferenzkosten für Frontier-Modelle senken können.

Cerebras bietet seine Chips auch in seiner Cloud für Unternehmen an.

12. d-Matrix

d-Matrix verfolgt einen neuartigen Ansatz, indem es die traditionelle von-Neumann-Architektur zugunsten von In-Memory-Computing aufgibt. Dieser Ansatz hat das Potenzial, den Engpass zwischen Speicher und Rechenleistung zu beseitigen, ist aber neu und unerprobt. Im November 2025 sammelte d-Matrix 275 Mio. $ in einer Serie-C-Runde unter der Leitung von Bullhound Capital, Triatomic Capital und Temasek ein, wobei der M12-Fonds von Microsoft als Folgeinvestor teilnahm und das Unternehmen mit 2 Milliarden $ bewertet wurde.^{49 50}

Stand Juni 2026 ist d-Matrix mit seiner Corsair KI-Inferenzplattform, die auf einer SRAM-basierten In-Memory-Compute-Chiplet-Architektur basiert, in die vollständige Chipproduktion eingetreten, wobei unabhängige Tests eine über 10x schnellere Leistung im Vergleich zu GPU-basierten Alternativen für KI-Inferenz-Workloads zeigten.⁵¹

13. Rebellions

Ein in Korea ansässiges Startup sammelte 2024 124 Mio. $ ein und konzentriert sich auf LLM-Inferenz.⁵²

Rebellions fusionierte mit einem anderen koreanischen Halbleiter-Design-Unternehmen, SAPEON, und erreichte 2024 eine Einhorn-Bewertung.⁵³

Im Juli 2025 sicherte sich Rebellions eine Investition des Tech-Giganten Samsung im Rahmen einer Finanzierungsrunde mit einem Ziel von bis zu 200 Millionen $ vor einem geplanten Börsengang (IPO). Das Unternehmen hat seit seiner Gründung 2020 220 Millionen $ gesammelt und arbeitet mit Samsung zusammen, um seinen Chip der zweiten Generation, Rebel-Quad (bestehend aus vier Rebel-KI-Chips), noch 2025 auf den Markt zu bringen und dabei den 4-Nanometer-Fertigungsprozess von Samsung zu nutzen. ⁵⁴

14. Tenstorrent

Der neueste Blackhole Tensix Prozessor von Tenstorrent liefert 664 TFLOPS (BLOCKFP8) Leistung, gepaart mit 32 GB GDDR6-Speicher und 512 GB/s Speicherbandbreite.

Die P150a-Karte kostet 1.399 $ und verfügt über vier QSFP-DD 800G-Ports für die Skalierung über mehrere Karten. Das Einstiegsmodell P100a beginnt bei 999 $.⁵⁵

Tenstorrent bietet einen vollständig quelloffenen Software-Stack. Das Unternehmen sammelte im Dezember 2024 700 Mio. $ bei einer Bewertung von mehr als 2,6 Milliarden $ von Investoren, darunter Jeff Bezos, ein. ⁵⁶

15. Positron

Positron wurde 2023 gegründet und konzentriert sich ausschließlich auf die Transformer-Modell-Inferenz. Das Unternehmen verfolgt einen ASIC-Ansatz und baut speziell für Transformer-Architekturen optimierte Hardware, anstatt auf allgemeine GPU-Berechnungen zu setzen.

Produkte:

• Atlas (wird jetzt ausgeliefert): Ein Transformer-Inferenzserver mit 8x Positron Archer Transformer Accelerators mit 256 GB HBM insgesamt. Das Unternehmen beansprucht >4x Leistung pro Watt und >3x Leistung pro Dollar im Vergleich zu NVIDIA Hopper Systemen, gemessen an Llama 3.1 8B mit BF16-Berechnung.⁵⁷
• Titan (kommt 2027): Ein System der nächsten Generation mit über 8 TB Speicher, angetrieben von 4x Asimov Custom-Chips, das für Modelle mit bis zu 16 Billionen Parametern und 10 Millionen+ Token-Kontextfenster in einem luftgekühlten 4U-Formfaktor ausgelegt ist.⁵⁸
• Asimov (kommt 2027): Kundenspezifischer Inferenz-Beschleuniger-Silizium mit über 2 TB Speicher pro Chip.

Positron sammelte Anfang 2026 eine Serie-B-Runde von über 230 Mio. $+ mit Investoren wie QIA, Arm Holdings, Arena und Jump Trading ein⁵⁹

Atlas wird derzeit von Unternehmen aus den Bereichen Netzwerke, Gaming, Inhaltsmoderation, CDN und Token-as-a-Service genutzt. Positron behauptet, dass sein Atlas-System eine 3x niedrigere End-to-End-Latenz für Trading-Inferenz-Workloads im Vergleich zu vergleichbaren H100-Systemen bei einem Drittel des Stromverbrauchs demonstriert hat.

Positrons Chips werden in den Vereinigten Staaten entworfen, gefertigt und montiert.

16. _etched

Ihr Ansatz opfert Flexibilität zugunsten von Effizienz, indem die Transformer-Architektur direkt in ihre Chips eingebrannt wird.

Das Team behauptet,

• Sohu habe den weltweit ersten Transformer-ASIC gebaut.
• Diese 8 Sohu-Chips können >500.000 Token/Sekunde generieren. Das ist eine Größenordnung mehr, als 8 NVIDIA B200 erreichen können.

Derzeit basieren diese auf internen Messungen des Teams. Die Teams von AIMultiple sind bisher auf keine Benchmarks oder Kundenreferenzen gestoßen. Wir sind neugierig auf:

• Was passiert, wenn das Modell veraltet ist? Müssen Benutzer einen neuen Chip kaufen, oder kann der alte Chip mit dem nächsten Modell umkonfiguriert werden?
• Wie haben sie ihren Benchmark durchgeführt? Welche Quantisierung und welches Modell wurden verwendet?

Wir werden dies aktualisieren, sobald das _etched-Team weitere Details veröffentlicht. Es wird interessant sein zu sehen, ob das Einbrennen von Modellen in Chips nachhaltig ist, angesichts der Veröffentlichung neuer Modelle alle paar Monate.

17. Taalas

Taalas wurde Anfang 2023 gegründet und verfolgt den extremsten Ansatz zur KI-Chip-Spezialisierung: das direkte Einbrennen einzelner Modelle in kundenspezifisches Silizium, was das Unternehmen als „Hardcore Models“ bezeichnet.⁶⁰ Das Unternehmen behauptet, jedes bisher ungesehene KI-Modell innerhalb von zwei Monaten in kundenspezifisches Silizium umwandeln zu können.

Die Architektur von Taalas vereint Speicher und Rechenleistung auf einem einzigen Chip mit DRAM-ähnlicher Dichte und eliminiert die Notwendigkeit von HBM, fortschrittlichem Packaging, 3D-Stacking, Flüssigkeitskühlung oder Hochgeschwindigkeits-I/O. Das Unternehmen beschreibt dies als eine radikale Vereinfachung des Hardware-Stacks.

Produkte:

• HC1 (jetzt verfügbar): Ein Technologiedemonstrator, fest verdrahtet mit Llama 3.1 8B, gebaut auf TSMC 6 nm mit 53 Milliarden Transistoren. Taalas beansprucht 17.000 Token pro Sekunde pro Benutzer, was nach eigenen Angaben fast 10x schneller ist als der aktuelle Stand der Technik, bei 20x geringeren Herstellungskosten und 10x weniger Stromverbrauch in einem luftgekühlten 2,5 kW Server. Das Modell verwendet jedoch eine aggressive kundenspezifische 3-Bit- und 6-Bit-Quantisierung, die Qualitätseinbußen im Vergleich zu GPU-Basislinien mit sich bringt.⁶¹
• HC2 (geplant): Eine Plattform der zweiten Generation mit höherer Dichte, schnellerer Ausführung und standardmäßigen 4-Bit-Gleitkommaformaten, um die Quantisierungsbeschränkungen von HC1 zu adressieren.

Taalas hat mehr als 200 Millionen Dollar eingesammelt, gibt aber an, nur 30 Millionen Dollar ausgegeben zu haben, um sein erstes Produkt mit einem Team von 24 Personen auf den Markt zu bringen.

18. Extropic

Extropic sammelte Ende 2023 eine Runde über 14 Mio. $ ein, um Thermodynamik für die Datenverarbeitung zu nutzen. Das Unternehmen hat noch keinen Chip veröffentlicht.

19. Vaire

Vaire ist ein in Großbritannien ansässiges Startup, das Pionierarbeit im Bereich des reversiblen Rechnens leistet, einem innovativen Ansatz, der darauf abzielt, Chips mit nahezu null Energieverbrauch zu schaffen. Anders als beim traditionellen Rechnen, bei dem Energie als Wärme verloren geht, wird beim reversiblen Rechnen ein erheblicher Teil der Energie für nachfolgende Berechnungen recycelt.

Vaire hat einen Testchip demonstriert, der 50% seiner Energie zurückgewinnen kann, was das Potenzial der Technologie zeigt, den Energieverbrauch von KI-Workloads zu senken und die physikalischen Grenzen, die sogenannte thermische Wand, zu umgehen, die die moderne Halbleiterfertigung herausfordern. ⁶²

20. Fractile

Fractile ist ein britisches KI-Inferenzchip-Startup, das im Juli 2024 mit 15 Millionen $ Finanzierung aus dem Stealth-Modus trat, um NVIDIA bei der Frontier-Modell-Inferenz herauszufordern.⁶³

Das Unternehmen baut Prozessoren, die Speicher und Rechenleistung physisch auf demselben Die verschränken, was nach eigenen Angaben die gleichzeitige Anforderung nach niedriger Latenz und hohem Durchsatz löst, die GPUs für die Frontier-Modell-Inferenz nicht erfüllen können. Fractile behauptet, dass sein Design Frontier-Modelle bis zu 25x schneller und zu 1/10 der Kosten bestehender Lösungen ausführen kann, mit dem Ziel, Tausende von Token pro Sekunde an Tausende gleichzeitiger Benutzer zu liefern.

Fractile hat seinen Hauptsitz in London mit Hardware-Entwicklung in Bristol und wurde im März 2025 von der Financial Times als Teil einer Welle von inferenzorientierten Startups profiliert, die die Dominanz von NVIDIA herausfordern.⁶⁴

Entdecken Sie weitere unserer Benchmarks und datengestützten Erkenntnisse in der Google-Suche.

Als bevorzugte Quelle hinzufügen

Welches sind die kommenden KI-Hardware-Hersteller?

Obwohl es sich um überzeugende KI-Hardware-Lösungen handelt, gibt es derzeit nur begrenzte Benchmarks zu ihrer Wirksamkeit, da sie neu auf dem Markt sind.

21. Apple

Das Projekt ACDC von Apple konzentriert sich Berichten zufolge auf den Bau von Chips für KI-Inferenz in Rechenzentren, wobei die Massenproduktion für das 2. Halbjahr 2026 erwartet wird.⁶⁵ Apple ist bereits ein großer Chip-Designer mit seinen intern entwickelten Halbleitern, die in iPhones, iPads und MacBooks verwendet werden. Apple stärkt seine On-Device-KI-Strategie mit dem Core KI Framework, das Modelle vollständig auf Apple-Silizium ohne Server-Abhängigkeiten ausführt, unterstützt durch ein Open-Source-Repository für Core KI-Modelle auf GitHub.^{66 67}

22. Meta

Der Meta Training and Inference Accelerator (MTIA) ist eine Familie von Prozessoren für KI-Workloads wie das Training der LLaMa-Modelle von Meta.

Das neueste MTIA-Modell, Next Gen MTIA, basiert auf der 5 nm-Technologie von TSMC und soll die 3x Leistung von MTIA v1 bieten. MTIA wird in Racks mit bis zu 72 Beschleunigern untergebracht.⁶⁸

MTIA ist derzeit für den internen Gebrauch bei Meta bestimmt. Sollte Meta jedoch in Zukunft ein LLaMa-basiertes Enterprise Generative KI-Angebot auf den Markt bringen, könnten diese Chips ein solches Angebot antreiben.

23. Microsoft Azure

Auf der Hot Chips 2024 enthüllte Microsoft Maia 100, ihren ersten kundenspezifischen KI-Beschleuniger, der für die Optimierung großer KI-Workloads in Azure durch Hardware- und Software-Co-Optimierung entwickelt wurde. Basierend auf dem N5-Prozess von TSMC mit fortschrittlicher Speicher- und Interconnect-Technologie zielt Maia 100 auf hohen Durchsatz und vielfältige Datenformate ab und bietet Entwicklern Flexibilität durch sein SDK für die schnelle Bereitstellung von PyTorch- und Triton-Modellen. Microsoft führte Maia 200 (Codename Braga) am 26. Januar 2026 als inferenzorientierten KI-Beschleuniger für Azure ein, der darauf ausgelegt ist, die KI-Token-Kosten zu senken und eine um 30% bessere Leistung pro Dollar im Vergleich zu bestehenden Systemen zu liefern.⁶⁹

24. OpenAI

OpenAI finalisiert das Design seines ersten KI-Chips mit Broadcom und TSMC unter Verwendung der 3-Nanometer-Technologie von TSMC. Die Führung des Chip-Teams von OpenAI verfügt über Erfahrung im Design von TPUs bei Google, und sie streben die Massenproduktion ihres Chips im Jahr 2026 an. Der Project Titan Chip von OpenAI, der gemeinsam mit Broadcom entwickelt und im 3 nm-Prozess von TSMC gefertigt wird, ist auf Kurs für die Massenproduktion im 2. Halbjahr 2026.^{70 71}

Samsung hat eine Vereinbarung zur Lieferung von HBM4-Speicher für den Titan-Chip gesichert und stellt Berichten zufolge über 50% seiner Pyeongtaek-Fertigungskapazität für HBM4-Base-Dies für diesen Zweck bereit.⁷² OpenAI und Broadcom haben den Jalapeño-Inferenzchip angekündigt, eine strategische Zusammenarbeit im Wert von rund 10 Milliarden $, die auf 10 GW bereitgestellter KI-Rechenleistung bis 2029 abzielt, um die Abhängigkeit von OpenAI von NVIDIA zu reduzieren.⁷³

Welches sind weitere KI-Chip-Hersteller?

25. Graphcore

Graphcore ist ein britisches Unternehmen, das 2016 gegründet wurde. Das Unternehmen kündigte seinen Flaggschiff-KI-Chip als IPU-POD256 an. Graphcore wurde bereits mit rund 700 Millionen $ finanziert.

Das Unternehmen unterhält strategische Partnerschaften mit Datenspeicherunternehmen wie DDN, Pure Storage und Vast Data. Die KI-Chips von Graphcore bedienen Forschungsinstitute wie das Oxford-Man Institute of Quantitative Finance, die University of Bristol und die Berkeley University of California.

Die langfristige Überlebensfähigkeit des Unternehmens war gefährdet, da es etwa 200 Mio. $ pro Jahr verlor.⁷⁴ Graphcore wurde im Oktober 2024 von SoftBank für über 600 Millionen $ übernommen.⁷⁵

26. Mythic

Mythic wurde 2012 gegründet und konzentriert sich auf Edge-KI. Mythic verfolgt einen unkonventionellen Weg, eine analoge Rechenarchitektur, die darauf abzielt, energieeffiziente Edge-KI-Berechnungen zu liefern.

Das Unternehmen hat Produkte wie M1076 AMP und die MM1076 Key Card entwickelt und bereits etwa 165 Millionen $ an Finanzmitteln eingeworben.⁷⁶

Mythic entließ den Großteil seiner Belegschaft und restrukturierte sein Geschäft mit seiner Finanzierungsrunde im März 2023.⁷⁷

27. Speedata

Speedata wurde 2019 in Tel Aviv gegründet und entwickelt eine Analytics Processing Unit (APU), die darauf ausgelegt ist, Big-Data-Analysen und KI-Workloads zu beschleunigen. Es handelt sich um eine APU, die auf Apache Spark-Workloads abzielt, mit Plänen, weitere große Datenanalyseplattformen zu unterstützen.

Speedata sammelte im Juni 2025 44 Mio. $ in einer Serie-B-Runde ein, angeführt von Walden Catalyst Ventures, 83North und anderen, wodurch sich die Gesamtfinanzierung auf 114 Mio. $ erhöht. Das Unternehmen behauptet, dass seine APU Allzweckprozessoren und GPUs übertrifft, indem sie Racks voller Server durch einen einzigen Chip ersetzt und überlegene Leistung und Energieeffizienz für die Datenverarbeitung bietet.⁷⁸

28. Axelera KI

Axelera KI wurde im Juli 2021 in Eindhoven, Niederlande, gegründet und ist auf KI-Hardware-Beschleunigungstechnologie für Computer Vision und generative KI spezialisiert. Das Unternehmen entwickelt Titania, ein KI-Inferenz-Chiplet, das auf seiner Digital In-Memory Computing (D-IMC)-Architektur basiert und darauf ausgelegt ist, KI-Workloads von Edge bis Cloud zu beschleunigen.

Axelera KI sicherte sich im März 2025 eine Finanzierung von bis zu 61,6 Millionen € vom Gemeinsamen Unternehmen EuroHPC (JU) und den Mitgliedstaaten im Rahmen des DARE-Projekts, nach einer vorherigen Serie-B-Finanzierungsrunde über 68 Millionen $. Damit beläuft sich die Gesamtfinanzierung auf über 200 Millionen $ in drei Jahren. Axelera KI strebt an, Titania bis 2028 einzusetzen, um der steigenden Nachfrage nach leistungsstarken, kosteneffektiven und nachhaltigen KI-Lösungen gerecht zu werden und betont die Fähigkeit, Durchsatz und Effizienz im Vergleich zu traditionellen Cloud-Lösungen zu verbessern.⁷⁹

Foundry-Partner und die Rolle von TSMC

Als weltweit führende reine Foundry fertigt TSMC Halbleiter auf der Grundlage von Kundendesigns, anstatt eigene Chips zu entwickeln, was es von Unternehmen wie NVIDIA und AMD unterscheidet. Während Samsung Foundry und Intel Foundry Services in diesem Bereich konkurrieren, behauptet TSMC einen technologischen Vorsprung.

Seine fortschrittlichen Prozesstechnologien, insbesondere die bahnbrechenden 5 nm- und 3 nm-Knoten, bieten die wesentliche Kombination aus Leistung und Energieeffizienz, die für modernste KI-Anwendungen erforderlich ist, wie seine Fertigungspartnerschaften mit den unten aufgeführten KI-Chip-Designern zeigen:

Erweiterungspläne

TSMC bemüht sich um Investitionen von Nvidia, AMD, Broadcom und Qualcomm in ein Joint Venture zum Betrieb der Foundry-Sparte von Intel, wobei die operative Kontrolle, aber weniger als 50% Eigentum behalten werden soll. Diese von der Trump-Administration unterstützte Initiative folgt auf die Ankündigung von TSMC über eine bedeutende US-Investition und zielt darauf ab, Intel wiederzubeleben und die US-Chip-Fertigung zu stärken. Der Deal steht aufgrund von Prozessunterschieden vor Herausforderungen, baut aber auf den Stärken von TSMC als führender Foundry auf.^{80 81}

Welches sind die KI-Chip-Hersteller in China?

Aufgrund von US-Sanktionen, die viele chinesische Unternehmen daran hindern, die fortschrittlichsten KI-Chips von AMD und NVIDIA zu erwerben, haben chinesische Käufer ihre Einkäufe bei lokalen Herstellern erhöht.

Neben Huawei und Alibaba, die oben behandelt wurden, sind dies die führenden KI-Chip-Hersteller in China:

• Cambricon konzentriert sich auf KI-Hardware und erwartet im letzten Geschäftsjahr einen Umsatz von etwa 150 Mio. $. ⁸²
• Baidu verwendet Kunlun-Chips in seiner Cloud und entwirft den Chip der 3. Generation. Kunlun 2 war vergleichbar mit NVIDIA A100.
• Biren, gegründet von NVIDIA-Alumni, produziert BR106 & BR110 GPU-Chips.
• Moore Threads produziert MTT S2000 GPUs.

FAQs

Weiterführende Lektüre

Für praktische Leistungsvergleiche der in diesem Artikel behandelten Chips sehen Sie sich unsere Benchmarks an:

• Multi-GPU-Benchmark: Wie NVIDIAs B200, H200, H100 und AMDs MI300X über 1, 2, 4 und 8-GPU-Konfigurationen für LLM-Inferenz skalieren, mit Analyse von Durchsatz, Latenz und Kosten pro Token.
• GPU-Concurrency-Benchmark: Wie NVIDIAs B200, H200, H100 und AMDs MI300X 1 bis 512 gleichzeitige Anfragen bewältigen, einschließlich Systemdurchsatz, Abfragegeschwindigkeit, End-to-End-Latenz und Token pro Dollar auf jeder Concurrency-Stufe.

Referenzen

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Top 25+ KI-Chip-Hersteller: NVIDIA & seine Konkurrenten}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/ai-chip-makers}},
  note   = {AIMultiple. Abgerufen am 25. Juni 2026}
}

Referenzlinks

1.

Good News For Alibaba - ACCEL Chip Outshines Nvidia's AI Chips, China Claims - Alibaba Gr Hldgs (NYSE:BAB - Benzinga

Benzinga

2.

ASIC Set to Outpace GPU? NVIDIA’s Scale-Up and Beyond | TrendForce

TrendForce

3.

Personal AI Supercomputer Powered by Blackwell | NVIDIA DGX Spark

4.

NVIDIA and Microsoft Reinvent Windows PCs for the Age of Personal AI | NVIDIA Newsroom

5.

Introducing a powerful new chapter for Windows PCs, accelerated by NVIDIA RTX Spark | Windows Experience Blog

6.

NVIDIA Corporation - Financial Reports

7.

DGX Platform: Built for Enterprise AI | NVIDIA

8.

DGX GB200: AI Infrastructure for State-of-the-Art AI Models | NVIDIA

9.

Nvidia Pushes Further Into Cloud With GPU Marketplace - WSJ

The Wall Street Journal

10.

NVIDIA Dynamo, A Low-Latency Distributed Inference Framework for Scaling Reasoning AI Models | NVIDIA Technical Blog

NVIDIA Developer

11.

NVIDIA Dynamo, A Low-Latency Distributed Inference Framework for Scaling Reasoning AI Models | NVIDIA Technical Blog

NVIDIA Developer

12.

NVIDIA RTX PRO Servers Speed Trillion-Dollar Enterprise IT Industry Transition to AI Factories | NVIDIA Newsroom

13.

NVIDIA Vera Rubin Opens Agentic AI Frontier | NVIDIA Newsroom

14.

NVIDIA Computex 2026 News Bytes: Vera Rubin Now In Production, DGX Station Gets Windows - ServeTheHome

ServeTheHome

15.

Jevons paradox - Wikipedia

Contributors to Wikimedia projects

16.

Trump imposes 25% tariff on Nvidia AI chips and others, citing national security | Nvidia | The Guardian

The Guardian

17.

Nvidia CEO to defend AI dominance as competition intensifies | Reuters

Reuters

18.

Announcing AI2 OLMo, an Open Language Model Made by Scientists, for Scientists | by Ai2 | Ai2 Blog | Medium

Ai2 Blog

19.

Training LLMs at Scale with AMD MI250 GPUs | Databricks Blog

20.

Training 221B Parameter Korean LLM on 1,200 AMD MI250 GPU Cluster – Moreh

21.

Exclusive: AMD Acquires Team Behind AI Chip Startup Untether AI

22.

Meta and AMD Partner for Longterm AI Infrastructure Agreement

Meta

23.

AMD and Meta Announce Expanded Strategic Partnership to Deploy 6 Gigawatts of AMD GPUs

Advanced Micro Devices (AMD)

24.

AMD + 🤗: Large Language Models Out-of-the-Box Acceleration with AMD GPU

Hugging Face

25.

Achieving Top Inference Performance with the NVIDIA H100 Tensor Core GPU and NVIDIA TensorRT-LLM | NVIDIA Technical Blog

NVIDIA Developer

26.

MI300X vs H100 vs H200 Benchmark Part 1: Training - CUDA Moat Still Alive

SemiAnalysis

27.

Exclusive | AMD Invests in Drug-Discovery Company Absci in Push to Sell AI Chips - WSJ

The Wall Street Journal

28.

Intel Breaks Down Proprietary Walls to Bring Choice to Enterprise GenAI Market - Intel Newsroom

Intel Corporation

29.

Intel Appoints Lip-Bu Tan as Chief Executive Officer - Intel Newsroom

Intel Corporation

30.

Intel’s ‘Make-or-Break’ Jaguar Shores Rack-Scale AI Lineup Expected to Be Finalized in H1 2026, With Talks Underway With Alchip

31.

Intel Computex 2026 Keynote Live Coverage - ServeTheHome

ServeTheHome

32.

Google supercharges machine learning tasks with TPU custom chip | Google Cloud Blog

Google Cloud

33.

Introducing Trillium, sixth-generation TPUs | Google Cloud Blog

Google Cloud

34.

Ironwood: The first Google TPU for the age of inference

Google

35.

IBM’s new AIU artificial intelligence chip - IBM Research

IBM

36.

Can an in-house AI chip save IBM's cost of operating WatsonX?

TechHQ

37.

Telum Processor: IBM’s newest chip - IBM Research

IBM

38.

‘Mind-blowing’ IBM chip speeds up AI

Nature Publishing Group UK

39.

Tech war: China’s chip firms embrace DeepSeek in AI self-sufficiency drive | South China Morning Post

South China Morning Post

40.

Groq Sets New Large Language Model Performance Record of 300 Tokens per Second per User on Meta AI Foundational LLM, Llama-2 70B

Cision PR Newswire

41.

AI chip startup Groq secures $1.5 billion commitment from Saudi Arabia | Reuters

Reuters

42.

Real-time AI Inference Demand Accelerates on GroqCloud | Groq is fast, low cost inference.

43.

Groq Acquires Dataflow Systems Pioneer Maxeler Technologies

Cision PR Newswire

44.

SambaNova Unveils Fastest Chip for Agentic AI, Collaborates with Intel, and Raises $350M+

SambaNova

45.

Introducing the SN50 RDU: Purpose-Built for Agentic Inference

SambaNova

46.

SambaCloud | Full-Stack AI Platform for Large Open-Source Models

47.

Cerebras Systems - Wikipedia

Contributors to Wikimedia projects

48.

Cerebras Systems Unveils World’s Fastest AI Chip with Whopping 4 Trillion Transistors - Cerebras

49.

d-Matrix Raises $275 Million to Power the Age of AI Inference - d-Matrix

d-Matrix

50.

Bullhound Capital leads $275m investment into AI inference leader d-Matrix - Bullhound Capital

Bullhound Capital

51.

d-Matrix Corsair AI Inference Platform Enters Full Production to Meet Customer Demand - d-Matrix

d-Matrix

52.

Korean AI chipmaker Rebellions Closes $124M Series B Fundraise - Rebellions

Rebellions

53.

Rebellions and SAPEON Korea Sign Definitive Merger Agreement - Rebellions

Rebellions

54.

Samsung backs AI chip startup Rebellions ahead of IPO

CNBC

55.

https://tenstorrent.com/hardware/cards

56.

Jeff Bezos Is Betting on AI Chip Startup Tenstorrent to Take on Nvidia (NVDA) - Bloomberg

Bloomberg

57.

Positron | About

58.

Positron | About

59.

Positron | About

60.

The path to ubiquitous AI | Taalas

61.

Products | Taalas

62.

A startup working on 'reversible computing' chip for AI says initial tests show a 50% energy savings | Fortune

Fortune

63.

https://www.fractile.ai/news/startup-with-radical-concept-for-ai-chips-emerges-from-stealth

64.

https://www.fractile.ai/news/how-inference-is-driving-competition-to-nvidias-ai-chip-dominance

65.

Secret Apple 'Project ACDC' to pioneer AI chips for data centers

AppleInsider

66.

Core AI - Apple Developer

67.

GitHub - apple/coreai-models: Model export recipes, Python primitives, and Swift runtime utilities for on-device AI · GitHub

68.

Our next generation Meta Training and Inference Accelerator

69.

Maia 200: The AI accelerator built for inference - The Official Microsoft Blog

70.

OpenAI and Broadcom announce strategic collaboration to deploy 10 gigawatts of OpenAI-designed AI accelerators | OpenAI

71.

[News] OpenAI Reportedly to Deploy Custom AI Chip on TSMC N3 by End-2026, Second-Gen Planned for A16

TrendForce

72.

[News] Samsung Reportedly Allocates 50%+ of Pyeongtaek Foundry Capacity to HBM4 Base Die; Said to Win OpenAI Deal

TrendForce

73.

OpenAI and Broadcom unveil LLM-optimized inference chip | OpenAI

74.

GRAPHCORE LIMITED filing history - Find and update company information - GOV.UK

75.

Graphcore joins SoftBank Group to build next generation of AI compute

Graphcore

76.

Mythic company information, funding & investors | Dealroom.co

77.

AI chip startup Mythic rises from the ashes with $13M, new CEO | TechCrunch

TechCrunch

78.

Speedata, a chip startup competing with Nvidia, raises a $44M Series B | TechCrunch

TechCrunch

79.

Eindhoven-based Axelera AI secures €61.6M grant

Silicon Canals Editorial Team

80.

TSMC shares open lower following announcement of $100 billion investment in US | Reuters

Reuters

81.

Exclusive: TSMC pitched Intel foundry JV to Nvidia, AMD and Broadcom, sources say | Reuters

Reuters

82.

https://www.cambricon.com/index.php?m=content&c=index&a=lists&catid=326

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen wie Business Insider, Forbes und der Washington Post, von globalen Unternehmen wie Deloitte und HPE sowie von NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. Weitere namhafte Unternehmen und Ressourcen, die AIMultiple referenziert haben, finden Sie hier. Im Laufe seiner Karriere war Cem als Technologieberater, Technologieeinkäufer und Technologieunternehmer tätig. Über ein Jahrzehnt lang beriet er Unternehmen bei McKinsey & Company und Altman Solon in ihren Technologieentscheidungen. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung. Bei einem Telekommunikationsunternehmen leitete er die Technologiestrategie und -beschaffung und berichtete direkt an den CEO. Darüber hinaus verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von null auf einen siebenstelligen jährlichen wiederkehrenden Umsatz und eine neunstellige Unternehmensbewertung kam. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider gewürdigt. Er ist ein gefragter Redner auf internationalen Technologiekonferenzen. Cem absolvierte sein Studium der Informatik an der Bogazici-Universität und besitzt einen MBA der Columbia Business School.

Vollständiges Profil anzeigen

Kommentare 2

Teilen Sie Ihre Gedanken

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten

Dave

Aug 29, 2022 at 05:49

You forgot to include Tesla with their DOJO supercomputer. From the ground-up, the supercomputer was specifically designed for machine learning and image recognition - which means that every component was designed for it including, but not limited to, PCI board design, CPU, RAM, cooling, power, scalable hardware design and software. If I'm not mistaken, the AI is also the second most widely tested and used in the "wild", just below that of Google due to Google using it in their Search.

Antworten

Cem Dilmegani

Sep 06, 2022 at 13:52

Thank you for your feedback, Dave! Here we are only covering companies that sell the chips that they produce. Therefore, companies like Tesla that build supercomputers for their own use or companies that embed chips in their products are out of our scope.

Antworten

thayyil

Mar 19, 2022 at 11:48

surprised that brainchip (akida) missing in this report. any reasons?

Antworten

Cem Dilmegani

Nov 18, 2022 at 07:36

All included companies here raised $100+M. Last time we collected the data, that wasn't the case for akida. Why don't you reach out to us at info@aimultiple.com and let's discuss why it should be included. Thank you!

Antworten