Entwickelt DeepSeek wirklich einen eigenen AI-Chip?
Reuters-Bericht Juli 2026 vollständig analysiert

Am 24. Juni 2026 stellten OpenAI und Broadcom Jalapeño vor — einen Custom-Inferenz-Chip, der in nur neun Monaten entwickelt wurde. Am 2. Juli wurde berichtet, dass Anthropic mit Samsung über einen 2-nm-Custom-Chip verhandelt. Dann meldete Reuters am 7. Juli unter Berufung auf drei Quellen, dass DeepSeek einen eigenen AI-Inferenz-Chip entwickelt. Dies ist keine China-Geschichte allein — es ist ein branchenweiter Wandel von Standard-GPUs hin zu Custom Silicon. Dieser Artikel analysiert, was bestätigt ist, was Gerücht bleibt, und warum alle großen AI-Labore jetzt eigene Chips bauen.

01 Globaler Trend: Custom Silicon auf dem Vormarsch

TrendForce-Daten (2026) zeigen: Das Wachstum bei Custom-AI-Chip-Lieferungen von Hyperscalern liegt bei 44,6 % — weit vor dem Wachstum bei Standard-GPUs von 16,1 %. Custom Silicon übertrifft GPUs erstmals deutlich im Wachstumstempo.

02 Reuters-Bericht: Was bestätigt ist und was nicht

Der Reuters-Bericht vom 7. Juli 2026 enthält fünf überprüfbare Behauptungen:

• Zielbereich: Der Chip ist für Inferenz (inference) ausgelegt, nicht für Training — konsistent mit allen großen Custom-Chip-Projekten 2025–2026.
• Projektstart: Etwa ein Jahr vor dem Bericht (Mitte 2025), noch in einer frühen Phase.
• Lieferketten-Kontakte: DeepSeek führt Gespräche mit Chip-Designfirmen, Foundries und Speicherlieferanten.
• Einstellungsstrategie: Ingenieure werden privat rekrutiert, nicht über öffentliche Stellenbörsen.
• Doppelte Unabhängigkeit: Erfolg würde die Abhängigkeit von Nvidia und Huawei Ascend reduzieren.

Nicht bestätigt: DeepSeek hat das Chip-Programm zum Zeitpunkt der Erstellung dieses Artikels nicht offiziell bestätigt.

Indirekte Belege: Die Series-A-Finanzierung im Juni 2026 (ca. 51 Mrd. RMB / ca. 7,4 Mrd. USD) benennt als Verwendungszweck explizit die „Entwicklung eigener AI-Chips".

Primärquellen:

Reuters — DeepSeek developing own AI chip (7. Juli 2026)

OpenAI Offizieller Blog — Jalapeño-Inferenzchip-Ankündigung

Wall Street Journal — Alibaba AI chip to fill Nvidia void

03 Liang Wenfengs Aussagen und strategische Motivation

Liang Wenfeng, DeepSeeks Gründer und CEO, gibt selten öffentliche Interviews. Die wichtigsten sind zwei ausführliche Gespräche mit dem chinesischen Medienunternehmen Waves (Angyong) im Mai 2023 und Juli 2024. Relevante Aussagen zu Chips und Rechenkapazität:

• Die eigentliche Einschränkung: „Unsere echte Herausforderung war nie das Kapital — es sind die Exportbeschränkungen bei fortgeschrittenen Chips." (Juli 2024, Waves-Interview)
• Effizienzlücke bei Rechenkapazität: Chinesische Labs benötigen ca. viermal so viel Rechenkapazität wie internationale Wettbewerber, um gleichwertige Ergebnisse zu erzielen.
• Ökosystem-Problem: „Viele inländische Chips scheitern nicht an der Hardware, sondern am fehlenden Entwickler-Ökosystem. China braucht Menschen an der technologischen Spitze."
• Hunger nach Rechenkapazität: „Für Forscher ist der Hunger nach Rechenkapazität endlos. Wir werden bewusst so viel Rechenkapazität wie möglich aufbauen."

Wichtige Unterscheidung: Liang Wenfengs Zitate belegen strategische Motivation. Reuters berichtet über konkrete Unternehmenshandlungen (Einstellungen, Lieferantengespräche). Beides darf nicht vermischt werden.

04 Alibaba T-Head: Jack Mas Wette von 2018 trägt Früchte

Im Gegensatz zu DeepSeeks frühem Stadium ist Alibabas Chip-Programm eine über viele Jahre ausgeführte Strategie, die sich nun in der Serienproduktion befindet. Im September 2018 gründete Jack Ma durch die Integration von CTP und dem Damo-Academy-Chipteam T-Head Semiconductor (平頭哥). Der Name „Honigdachs" — furchtlos und beharrlich — steht für die langfristige Verpflichtung im Chip-Bereich.

Wichtige Kommerzializierungsmetriken (H1 2026): Kumulierte Lieferungen 560.000+ Einheiten; Jahresumsatz Milliarden RMB; 400+ Unternehmenskunden; T-Head Stammkapital auf 1 Mrd. RMB erhöht (Juni 2026); Alibaba investiert in den nächsten 3 Jahren 380 Mrd. RMB (~52 Mrd. USD) in Cloud- und AI-Infrastruktur; Zhenwu 810E ist mit dem Nvidia-CUDA-Ökosystem kompatibel (WSJ-Bericht).

Caixin Global — Alibaba\'s New Processor Shows Applications Are Key to AI Chip Success

05 5 Gründe, warum große AI-Unternehmen eigene Chips entwickeln

Die Entwicklung eigener Chips dient nicht dem Selbstzweck, sondern dem Wandel: AI-Wettbewerb verlagert sich von „wer hat das beste Modell" zu „wer hat die günstigste, kontrollierteste Rechenkapazität". Die fünf Treiber nach Wichtigkeit:

• 1. Wirtschaftlichkeit: Inferenz-Kosten sind die Betriebsmiete. Training ist die Anzahlung (einmalig), Inferenz die monatliche Miete (kontinuierlich, skaliert mit Nutzerzahl). Nvidias Bruttomargen bei Rechenzentrum-GPUs übersteigen 70 %. Custom ASICs wandeln die permanente „Nvidia-Steuer" in eine einmalige F&E-Investition um. Bei großangelegtem Inferenz-Einsatz über mehrere Jahre liegt der TCO-Vorteil bei 40–65 % gegenüber Standard-GPUs.
• 2. Lieferkettensicherheit und geopolitische Risiken. US-Exportkontrollen bei fortgeschrittenen AI-Chips (H100/H800/H20) zwingen chinesische AI-Unternehmen zu Alternativen. Sicherheit bedeutet auch Lieferketten-Vorhersagbarkeit — nicht von einem einzigen Lieferanten oder einer Regierungspolitik abhängig zu sein.
• 3. Hardware-Software-Co-Design. DeepSeeks UE8M0 FP8 und MLA-Architektur sind auf spezifische Hardwareeigenschaften optimiert. OpenAIs Jalapeño wurde um ChatGPTs reale Serving-Muster herum entworfen. Standard-GPUs opfern Effizienz für Flexibilität; Custom ASICs opfern Flexibilität für bekannte Workloads.
• 4. Wettbewerbsvorteil und Verhandlungsmacht. Selbst eine partielle Nvidia-Alternative stärkt die Verhandlungsposition bei Preisgestaltung und Zuteilung und ermöglicht eine Vollstack-Erzählung.
• 5. Energie und Nachhaltigkeit. Inferenz-Chips priorisieren Leistung pro Watt. In Gigawatt-Rechenzentren sind Energie- und Kühlkosten ebenso wichtig wie Hardware. ASICs eliminieren ungenutzte Allzweckschaltkreise von GPUs.

06 Inferenz-Chips vs. Training-GPUs: Warum zuerst Inferenz?

Fast alle Custom-Chip-Programme 2025–2026 zielen auf Inferenz ab. Der folgende Vergleich erklärt die Grundprinzipien:

Fazit: Training bleibt Nvidias Domäne. Inferenz ist das Hauptschlachtfeld für Custom ASICs. DeepSeeks Fokus auf Inferenz ist die wirtschaftlich rationale Entscheidung.

Risiken bei Frühphasenprojekten:

• Hohe Frühphasen-Ausfallrate: Von Tape-out bis zur stabilen Serienproduktion dauert es typischerweise 2–4 Jahre. Projekte können an Ausbeute, Architekturwechsel oder Foundry-Einschränkungen scheitern.
• Metas MTIA-Redesign: Meta musste seinen MTIA-Chip von Grund auf neu designen, bevor er in der Serienproduktion eingesetzt werden konnte.
• DSGVO-Hinweis: Beim Einsatz von AI-Inferenz-Diensten, die personenbezogene Daten verarbeiten, sind die Anforderungen der DSGVO hinsichtlich Datenspeicherort, Verarbeitungstransparenz und Auftragsverarbeitung zu beachten — unabhängig davon, welche Chip-Infrastruktur genutzt wird.

07 6-Schritte-Entscheidungsrahmen für Technologieverantwortliche

Ein praxisorientierter Rahmen für Technologieverantwortliche und Architekten zur Bewertung des Custom-Silicon-Trends:

1. Aktuelle Inferenzkosten quantifizieren (Nvidia-Steuer berechnen): Überprüfen Sie die GPU-Rechenkosten der letzten 12 Monate und trennen Sie Training von Inferenz. Übersteigt Inferenz 50 %, lohnt sich eine ernsthafte Bewertung von Custom-Silicon-Alternativen.
2. Workload-Eigenschaften analysieren: Bewerten Sie Anfragemuster-Stabilität, Batch-Größen-Vorhersehbarkeit und Latenz-Anforderungen. Stabile, vorhersehbare Inferenz ist am besten für ASIC-Migration geeignet.
3. CUDA-Ökosystem-Abhängigkeit bewerten: Erstellen Sie eine Übersicht der CUDA-spezifischen API-Abhängigkeiten im Inferenz-Code. Höhere Abhängigkeit bedeutet höhere Migrationskosten und längere Zeiträume.
4. Anbieter-Roadmaps nach Compliance-Anforderungen filtern: Alibaba Zhenwu (CUDA-kompatibel, inländische Fertigung), Huawei Ascend (geschlossenes Ökosystem), internationale ASICs (Google TPU, AWS Trainium) — filtern nach Geschäftsgerichtsbarkeit und regulatorischen Anforderungen.
5. Hybrid-Rechenarchitektur entwerfen: Nicht alles auf einmal ersetzen. Nvidia GPUs (flexibles Training und Experimente) + Custom ASICs (stabile Massen-Inferenz) + Bare-Metal-Maschinen (latenzarme AI-Agent-Workflows) als Hybrid-Konfiguration beibehalten.
6. Lieferketten-Diversifizierung aufbauen: Mindestens zwei unabhängige Rechenkapazitäts-Lieferketten sichern. Exportkontroll-Entwicklungen quartalsweise überprüfen und Notfallpläne aktualisieren.

08 Häufig gestellte Fragen

F: Ist der Reuters-Bericht über DeepSeeks Chip-Entwicklung zuverlässig?
A: Reuters zitierte am 7. Juli 2026 drei Quellen, was für die Agentur hohe Glaubwürdigkeit signalisiert. DeepSeek hat das Projekt jedoch nicht offiziell bestätigt. Es befindet sich in einer frühen Phase.

F: Hat CEO Liang Wenfeng ein Chip-Programm angekündigt?
A: Nein. In Interviews 2024 beschrieb er Exportkontrollen als größte Herausforderung — strategische Motivation, keine offizielle Ankündigung. Reuters berichtet über Unternehmenshandlungen, nicht über Gründeraussagen.

F: Was unterscheidet Alibaba von DeepSeek bei Chips?
A: Völlig verschiedene Phasen. Alibabas T-Head entwickelt seit 2018 Chips und produziert den Zhenwu 810E bereits in Serie mit 560.000+ ausgelieferten Einheiten. DeepSeek befindet sich im frühen F&E-Stadium ohne offizielle Bestätigung.

F: Warum zuerst Inferenz-Chips, nicht Training-Chips?
A: Inferenz-Workloads sind repetitiv und vorhersehbar — ideal für ASIC-Optimierung. Training erfordert CUDA-Flexibilität und Spitzenleistung, bei der Nvidia dominiert. Wirtschaftlich ist Inferenz die laufende Miete, Training die Anzahlung.

F: Geht es um nationale Sicherheit oder Kostensenkung?
A: Beides, aber Wirtschaftlichkeit ist der primäre Treiber. Custom ASICs können TCO bei großangelegter Inferenz um 40–65 % senken. Exportkontrollen beschleunigen eine bereits wirtschaftlich motivierte Verlagerung.

Letzte Aktualisierung: 10. Juli 2026 | Haftungsausschluss: DeepSeek hat das Chip-Projekt zum Zeitpunkt der Erstellung dieses Artikels nicht offiziell bestätigt. Alle Angaben basieren auf öffentlich zugänglichen Quellen (Reuters, WSJ, Caixin).

Die Geschichten von DeepSeek und Alibaba zeigen einen strukturellen Wandel: Inferenz-Kosten sind zur zentralen Variable in der AI-Kommerzialisierung geworden. Standard-GPU-Cloud hat bekannte Schwächen — unvorhersehbare Performance bei geteilten Ressourcen im Lastspitzenbetrieb, eingeschränkte Umgebungen, hohe Inferenz-Kosten pro Token. Im Gegensatz dazu bieten ZUKCLOUD Bare-Metal-Mac-mini-Cloudknoten dedizierte Apple-Silicon-Maschinen, kein Hypervisor-Overhead, 7×24-h-AI-Agent-Betrieb und flexible Tages-/Wochen-/Monats-Tarife — eine stabile, kontrollierbare Inferenz-Umgebung für die Übergangszeit, bis der Custom-ASIC-Markt reift. Bei der Verarbeitung personenbezogener Daten in AI-Workflows sind weiterhin die Anforderungen der DSGVO zu beachten, unabhängig von der genutzten Chip-Infrastruktur.