Nvidia dominiert seit Jahren den Markt f\u00fcr KI-Beschleuniger. Wer gro\u00dfe Sprachmodelle trainieren oder KI-Dienste im gro\u00dfen Stil betreiben m\u00f6chte, entscheidet sich h\u00e4ufig f\u00fcr Nvidia-GPUs. Doch genau diese Abh\u00e4ngigkeit wird f\u00fcr viele Unternehmen zunehmend zum Problem: Die Chips sind teuer, die Nachfrage ist hoch und die Infrastrukturkosten steigen weiter. Google sieht darin offenbar eine Chance und baut sein eigenes Gesch\u00e4ft mit KI-Chips deutlich aus.<\/p>\n\n\n\n
Im Mittelpunkt stehen Googles Tensor Processing Units (TPUs). Diese Spezialchips wurden urspr\u00fcnglich vor allem f\u00fcr interne Google-Dienste entwickelt. Sie treiben unter anderem KI-Modelle, die Suche, Cloud-Dienste und die Gemini-Infrastruktur an. Inzwischen hat sich daraus jedoch ein eigenes Gesch\u00e4ftsfeld entwickelt, mit dem Google Nvidia direkte Konkurrenz machen will.<\/p>\n\n\n\n\n\n\n\n
Bisher wurden Googles TPUs vor allem \u00fcber Google Cloud bereitgestellt. Kunden konnten somit Rechenleistung auf Googles Infrastruktur mieten, \u00e4hnlich wie bei GPU-Instanzen anderer Cloud-Anbieter. Der entscheidende Unterschied ist, dass Google seine TPU-Technologie inzwischen st\u00e4rker f\u00fcr externe Kunden \u00f6ffnet und ausgew\u00e4hlten Unternehmen die Chips auch direkt f\u00fcr eigene Rechenzentren zur Verf\u00fcgung stellen will.<\/p>\n\n\n\n
Damit tritt Google n\u00e4mlich nicht mehr nur als Cloud-Anbieter auf, sondern r\u00fcckt n\u00e4her an das Gesch\u00e4ftsmodell von Nvidia heran. Nvidia verkauft nicht nur Chips, sondern hat ein komplettes \u00d6kosystem aus Hardware, Software, Netzwerktechnik, Entwicklerwerkzeugen und Partnern aufgebaut. Genau hier versucht Google nun aufzuholen.<\/p>\n\n\n\n
Google setzt nicht nur auf bessere Hardware, sondern auch auf Finanzierungsmodelle, Partnerschaften und Infrastrukturprojekte. Das Ziel besteht darin, ein gr\u00f6\u00dferes KI-\u00d6kosystem rund um die eigenen TPUs zu schaffen. Unternehmen, die bislang fast automatisch zu Nvidia greifen mussten, sollen eine ernsthafte Alternative erhalten.<\/p>\n\n\n\n
TPUs sind auf KI-Berechnungen spezialisiert. Im Gegensatz dazu wurden klassische GPUs urspr\u00fcnglich f\u00fcr den Grafikbereich entwickelt und sp\u00e4ter f\u00fcr KI-Workloads optimiert. Google hat seine TPUs hingegen gezielt f\u00fcr maschinelles Lernen entwickelt. Sie sind besonders interessant f\u00fcr gro\u00dfe Modelle, Inferenzaufgaben und sehr skalierbare Rechencluster.<\/p>\n\n\n\n
Mit \u201eIronwood\u201d hat Google bereits die siebte Generation seiner TPU vorgestellt. Sie wurde insbesondere f\u00fcr Inferenz, also den Betrieb fertiger KI-Modelle, optimiert. Genau dieser Bereich wird immer wichtiger. Das Training gro\u00dfer Modelle ist zwar extrem teuer, doch auch der t\u00e4gliche Betrieb von Chatbots, KI-Agenten, Suchfunktionen und Unternehmensassistenten erfordert enorme Rechenleistung.<\/p>\n\n\n\n
Auf der Google Cloud Next 2026 hat Google zudem die achte Generation der TPU vorgestellt. TPU 8t ist auf das Training ausgelegt, TPU 8i auf die Inferenz und sogenannte agentische Workloads. Google zufolge bietet TPU 8i eine deutlich bessere Leistung pro Dollar als die vorherige Generation. Genau das ist der Hebel, mit dem Google Nvidia angreifen kann. Es geht nicht um maximale Rohleistung um jeden Preis, sondern um g\u00fcnstigere und effizientere KI-Rechenleistung f\u00fcr bestimmte Aufgaben.<\/p>\n\n\n\n
Nvidia hat nach wie vor einen gro\u00dfen Vorsprung. Der gr\u00f6\u00dfte Vorteil liegt dabei nicht nur in der Hardware, sondern auch im Software-\u00d6kosystem. CUDA ist f\u00fcr viele KI-Entwickler praktisch der Standard. Zahlreiche Frameworks, Bibliotheken und Optimierungen sind auf Nvidia-Hardware abgestimmt. Wer von Nvidia weg m\u00f6chte, muss oft zus\u00e4tzlichen Entwicklungsaufwand einplanen.<\/p>\n\n\n\n
Genau hier liegt Googles gr\u00f6\u00dfte H\u00fcrde. TPUs m\u00f6gen technisch attraktiv sein, doch Unternehmen wollen ihre bestehenden KI-Workloads nicht vollst\u00e4ndig umstrukturieren. Insbesondere PyTorch ist in der KI-Entwicklung weit verbreitet. Google arbeitet Berichten zufolge bereits daran, TPUs besser mit PyTorch kompatibel zu machen. Eine solche Initiative w\u00fcrde die Einstiegsh\u00fcrde f\u00fcr Entwickler deutlich senken.<\/p>\n\n\n\n
Das ist ein entscheidender Punkt: KI-Chips werden nicht nur \u00fcber ihre technischen Daten verkauft. Ausschlaggebend ist, wie einfach Entwickler ihre Modelle darauf trainieren und betreiben k\u00f6nnen. Nvidia hat sich diesen Vorsprung \u00fcber Jahre hinweg erarbeitet. Google muss ihn zumindest teilweise schlie\u00dfen, wenn TPUs wirklich breiter eingesetzt werden sollen.<\/p>\n\n\n\n
Ein prominentes Beispiel f\u00fcr Googles TPU-Offensive ist das Unternehmen Anthropic. Das Unternehmen, das hinter dem Chatbot Claude steht, nutzt eine Mischung aus verschiedenen KI-Infrastrukturen, darunter AWS Trainium, Google TPUs und Nvidia-GPUs. Im April wurde eine erweiterte Partnerschaft mit Google und Broadcom bekannt, durch die Anthropic Zugriff auf mehrere Gigawatt TPU-Kapazit\u00e4t erhalten soll. Diese Kapazit\u00e4t soll ab 2027 online gehen.<\/p>\n\n\n\n
Auch OpenAI nutzt offenbar bereits Google-TPUs \u00fcber Google Cloud, vor allem, um die Inferenzkosten zu senken. Selbst wenn Nvidia weiterhin eine zentrale Rolle spielt, zeigt sich: Die gro\u00dfen KI-Unternehmen diversifizieren ihre Infrastruktur.<\/p>\n\n\n\n
Die Lage ist trotz der wachsenden Konkurrenz nicht schwarz-wei\u00df. Google greift Nvidia zwar mit eigenen Chips an, ist aber gleichzeitig ein wichtiger Partner von Nvidia. Google Cloud bietet weiterhin Nvidia-GPUs an und m\u00f6chte auch kommende Plattformen wie Vera Rubin bereitstellen.<\/p>\n\n\n\n
Das mag widerspr\u00fcchlich klingen, ist aber logisch. Google muss seinen Cloud-Kunden m\u00f6glichst viele Optionen bieten. Einige Kunden bevorzugen Nvidia-GPUs aufgrund von CUDA, vorhandenen Workloads oder spezifischen Leistungsanforderungen. Andere wiederum k\u00f6nnten TPUs nutzen, wenn ihnen bessere Kosten, mehr Verf\u00fcgbarkeit oder effizientere Inferenz wichtiger sind.<\/p>\n\n\n\n
Google verfolgt deshalb eine zweigleisige Strategie: Einerseits wird die Nvidia-Infrastruktur weiterhin verkauft, andererseits wird eine eigene Alternative aufgebaut. Langfristig k\u00f6nnte Google so mehr Marge erzielen und mehr Kontrolle \u00fcber die eigene KI-Infrastruktur gewinnen.<\/p>\n\n\n\n
Ein weiterer wichtiger Partner ist Broadcom. Das Unternehmen arbeitet seit Jahren mit Google an ma\u00dfgeschneiderten Chips. Im April wurde eine langfristige Vereinbarung unterzeichnet, in der festgelegt wurde, dass Broadcom k\u00fcnftige Generationen von Googles KI-Chips und Komponenten f\u00fcr KI-Racks bis 2031 entwickeln und liefern soll.<\/p>","protected":false},"excerpt":{"rendered":"
Nvidia dominiert seit Jahren den Markt f\u00fcr KI-Beschleuniger. Wer gro\u00dfe Sprachmodelle trainieren oder KI-Dienste im gro\u00dfen Stil betreiben m\u00f6chte, entscheidet sich h\u00e4ufig f\u00fcr Nvidia-GPUs. Doch genau diese Abh\u00e4ngigkeit wird f\u00fcr viele Unternehmen zunehmend zum Problem: Die Chips sind teuer, die Nachfrage ist hoch und die Infrastrukturkosten steigen weiter. Google sieht darin offenbar eine Chance und...<\/p>\n","protected":false},"author":1,"featured_media":13914,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[6],"tags":[],"class_list":["post-13913","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-aktuelles"],"_links":{"self":[{"href":"https:\/\/www.felix-bauer-it.de\/blog\/wp-json\/wp\/v2\/posts\/13913","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.felix-bauer-it.de\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.felix-bauer-it.de\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.felix-bauer-it.de\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.felix-bauer-it.de\/blog\/wp-json\/wp\/v2\/comments?post=13913"}],"version-history":[{"count":3,"href":"https:\/\/www.felix-bauer-it.de\/blog\/wp-json\/wp\/v2\/posts\/13913\/revisions"}],"predecessor-version":[{"id":13917,"href":"https:\/\/www.felix-bauer-it.de\/blog\/wp-json\/wp\/v2\/posts\/13913\/revisions\/13917"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.felix-bauer-it.de\/blog\/wp-json\/wp\/v2\/media\/13914"}],"wp:attachment":[{"href":"https:\/\/www.felix-bauer-it.de\/blog\/wp-json\/wp\/v2\/media?parent=13913"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.felix-bauer-it.de\/blog\/wp-json\/wp\/v2\/categories?post=13913"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.felix-bauer-it.de\/blog\/wp-json\/wp\/v2\/tags?post=13913"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}