Höhenflug am Chip-Markt

Die Anforderungen an KI-optimierte Chips sind damit sehr vielfältig. Sie sollen zum einen in den Rechenzentren das Training effizienter, schneller und energiesparender machen. Zum anderen sollen sie die KI-Rechenleistung raus aus den zentralen Data-Centern rein in die smarten Geräte transformieren. Dabei soll sowohl das Inferencing als auch das Training unterstützt werden. Wegen dieser Diversität der Einsatzszenarien gibt es auch nicht den einen KI-Chip, sondern verschiedene Designs und Ansätze.

Das Konglomerat unterschiedlicher Anforderungen spiegelt sich derzeit am Markt für KI-Chips wider - mit positiven Konsequenzen für die Chip-Branche. Laut der aktuellen PwC-Studie „Opportunities for the global semiconductor market“ sorgt KI für einen kräftigen Aufschwung in der Halbleiter­industrie. Der Studie zufolge ist vor allem der Automobilsektor ein Wachstumstreiber für Halbleiter mit KI-Unterstützung.

Den KI-bedingten Höhenflug erleben nicht nur die großen Chip-Hersteller wie Intel oder Nvidia. Auch viele kleine Start­-ups engagieren sich in diesem Umfeld. Sie alle hoffen auf eine goldene Zukunft, wenn es ihnen gelingt, ihre Ideen erfolgreich in Produkte für wichtige Marktsegmente umzusetzen. Besonders aktiv sind chinesische Start-ups sowie dort etablierte Hersteller wie Huawei. Weiterhin treten Big Player wie Tesla, Facebook oder Amazon auf, die angekündigt haben, für ihre spezifischen Belange eigene KI-Chips zu entwickeln. Elektroauto-Pionier Tesla will zum Beispiel die Prozessoren für die Selbstfahrfunktionen seiner Autos künftig in Eigenregie produzieren, wie Tesla-Chef Elon Musk kürzlich mitteilte.

Der Ansatz, spezielle Prozessoren für KI-Anwendungen zu entwickeln, ist nicht ganz neu. Die erste Generation von KI-Prozessoren, zu denen Googles erste Tensor Processing Unit (TPU) und Nvidias Kepler-GPUs zählen, verfügten über parallel arbeitende Rechenwerke, wobei die theoretisch mögliche Maximalleistung praktisch kaum erreicht wurde. Der Flaschenhals war die Speicheranbindung. Die zweite Chip-Generation - etwa Goo­gles TPU v2, Nvidias Volta-GPUs und Microsofts Brainwave-Chip - hatte große und schnelle Speicherchips.

Derzeit rufen Konzerne wie Google, Amazon und Alibaba, aber auch Prozessor-Spezialisten wie Intel, ARM und Nvidia die dritte Generation von KI-Chips aus. Sie heißen Tensor Processing Unit, Neural Network Prozessor, neuromorpher Prozessor oder Visual Processing Unit und sollen die KI auf die nächste Stufe heben. Gartner hat den aktuellen Wildwuchs an KI-Prozessoren etwas geordnet und klassifiziert die KI-Chips in Einheiten für Training und Inferencing in der einen Dimension und Rechenzentrums- und Edge-, IoT- und Smartphone-Prozessoren in der anderen. 

Im Data-Center-Segment sind vor allem Intel, Nvidia und Google die Big Player. Intels Nervana-NNP-Chips konkurrieren hier mit Googles Tensor-Prozessoren, Nvidias NVDLA und Amazons AWS-Inferentia-Chips. Intel konzentriert sich mit Nervana NNP-T und Nervana NNP-I auf Aufgaben im Bereich Machine Learning im Data-Center. Der Nervana NNP-T übernimmt das Training eines KI-Modells mittels Big Data. Für das Implementieren der Trainingsdaten in den KI-Workflow ist dann der NNP-I zuständig. Die beiden Chips ergänzen sich und sollen komplementär zum Einsatz kommen. (siehe nebenstehendes Interview). Huawei hat mit dem Ascend 910 ebenfalls einen Spezialprozessor für Data-Center zum Trainieren von KI-Modellen entwickelt. Der Ascend 910 wird als großer Cluster im Server eingesetzt. Laut Hersteller ist er der weltweit leistungsfähigste KI-Prozessor, der auf Machine Learning ausgerichtet ist, und schlägt die weitverbreitete Nvidia-GPU Tesla V100 - eine Art Referenz für KI-Prozessoren - um Längen. Das Gegenstück, der Ascend 310, ist Spezialist für das Inferencing und soll das Erlernte in die Tat umsetzen.