Ein Gigawatt KI-Rechenleistung läuft jetzt ohne Nvidia

Zehntausend Chips, kein einziger amerikanischer

Z.ai, das früher als Zhipu firmierende chinesische Labor und Entwickler der GLM-Modellfamilie, hat ein Rechenzentrum der Gigawattklasse fertiggestellt und einen Teil davon ans Netz genommen. In der Anlage arbeiten mehr als zehntausend im Inland gefertigte Halbleiter und den Berichten zufolge kein einziger Nvidia-Chip. Sie gilt als die größte Serveranlage, die ein chinesisches KI-Unternehmen je gebaut hat, und Z.ai betreibt inzwischen mehrere Cluster mit jeweils über zehntausend Chips.

Bemerkenswert ist nicht die Größe, sondern die Ausschließlichkeit. Große Cluster bauen chinesische Firmen seit Jahren, meist aus einer Mischung aus gehorteter Nvidia-Hardware, exportkonformen Abwandlungen und heimischen Beschleunigern. Eine Anlage ganz ohne amerikanisches Silizium ist eine andere Aussage. Sie heißt: Die heimische Lieferkette, vom Beschleuniger über die Verbindungstechnik bis zur Software, die beides ansteuert, trägt inzwischen einen Trainingsstandort auf Spitzenniveau, ohne dass Washington eine Genehmigung erteilen müsste.

Dahinter steht ein größerer Rahmen. China hat rund 2 Billionen Yuan zugesagt, etwa 295 Milliarden Dollar oder 273 Milliarden Euro, um über fünf Jahre landesweit Rechenzentren zu bauen. Diese Anlage ist ein Fall, in dem dieses Programm den Betrieb erreicht und nicht nur die Ankündigung. Und nur der Betrieb verändert die Möglichkeiten anderer.

Die Übernahme wiegt schwerer als das Gebäude

Am selben Tag vollzog Z.ai den Kauf von Zhongke Jiahe, eines Softwarehauses für KI-Infrastruktur, das Forscher der Chinesischen Akademie der Wissenschaften gegründet haben. Dessen Technik leistet genau eine eng umrissene Sache, auf der aber alles andere ruht: Sie lässt ein und dasselbe Modell effizient auf unterschiedlichen, in China gefertigten Beschleunigern laufen, darunter Entwürfe von Huawei und Cambricon.

Genau da liegt der Engpass, und er ist kein Hardwareproblem. Dass ein Jahrzehnt voller Nvidia-Alternativen nichts verdrängt hat, lag nur selten an der reinen Rechenleistung des Siliziums. Es lag daran, dass jede Arbeitslast für jede Architektur einzeln portiert, optimiert und gepflegt werden musste und der Portierungsaufwand die Ersparnis bei der Hardware überstieg. Ein heimischer Aufbau mit zwei oder drei Beschleunigerfamilien verschärft dieses Problem, statt es zu umgehen.

Z.ai hat gar nicht erst versucht, das im eigenen Haus zu lösen. Das Unternehmen kaufte ein Team der Akademie der Wissenschaften, das die Lösung schon hatte, und schloss den Kauf am selben Tag ab, an dem es den Standort bekannt gab. Diese Reihenfolge ist eine Absichtserklärung. Wer sich zutraut, heterogene Hardware mit eigener Entwicklungsarbeit zu überbrücken, kauft die Fähigkeit nicht genau in dem Moment ein, in dem er sie braucht. Der Zukauf ist ein Eingeständnis, wie schwer diese Schicht ist, und zugleich der Grund, warum das Gigawatt überhaupt nutzbar wird.

Ein Gigawatt bringt weniger, als es klingt, und darum geht es

Ein Gigawatt entspricht ungefähr der momentanen Leistungsaufnahme von 750.000 Haushalten. So formuliert klingt das nach einer Vorentscheidung, und für europäische Leser lohnt es sich, die Zahl in die Währung zu übersetzen, die uns tatsächlich begrenzt. Das sind nicht die Chips. Das ist der Netzanschluss.

Chinesische Beschleuniger aus heimischer Fertigung liefern je Watt in aller Regel weniger Rechenleistung als die Nvidia-Chips, die sie ersetzen. Ein Gigawatt Silizium von Huawei und Cambricon bringt deshalb keinen Trainingsdurchsatz, der einem Gigawatt Nvidia entspräche. Es bringt spürbar weniger. Die Strategie geht nur auf, wenn man für dasselbe Ergebnis mehr Strom einsetzen kann, und Peking kann das, weil Netzkapazität und Kraftwerksausbau genau die Mittel sind, über die China im Überfluss verfügt.

Europa steht auf der anderen Seite dieses Tauschs. In den Niederlanden, in Deutschland, Irland und dem Vereinigten Königreich warten Projekte jahrelang auf einen Netzanschluss und nicht monatelang, und der begrenzende Faktor für europäische KI-Kapazität sind schon länger nicht die Chips. Deshalb liest man diese Meldung besser als Energiegeschichte im Halbleitermantel. Wer Ineffizienz mit Strom bezahlen kann, spielt ein Spiel, das ein europäischer Betreiber nicht nachspielen kann, ganz gleich, welche Hardware am Ende verfügbar ist.

Was das für ein Modell bedeutet, das schon bei Ihnen läuft

Die GLM-Modelle sind Open-Weight-Modelle, und eine erhebliche Zahl europäischer Unternehmen setzt sie produktiv ein, oft als die kostengünstige Ebene unterhalb eines Spitzenmodells. Für diese Unternehmen lautete die praktische Frage immer: Wie verlässlich ist der Nachschub? Wenn die Ausfuhrkontrollen strenger werden, wird das, worauf ich gebaut habe, dann noch weiterentwickelt?

Die Antwort ist nicht besser geworden, sie hat ihre Form verändert. Eine heimische Rechenbasis macht die Weiterentwicklung dieser Modelle sehr viel unabhängiger von amerikanischen Genehmigungsentscheidungen, ein Ausfallrisiko fällt damit weg. Doch genau diese Eigenständigkeit ist der Grund, warum die Modelle nun von der anderen Seite her kontrolliert werden sollen. Chinesische Aufsichtsbehörden hören heimische KI- und Chipunternehmen zu strengeren Ausfuhrregeln für fortgeschrittene Modelle und die Technik dahinter an. Diese Richtung wurde in dieser Woche berichtet, in Kraft ist sie noch nicht.

Das Risiko ist also nicht verschwunden. Es ist umgezogen, und es hat sich verdoppelt. Ein Modell, das früher einem einzigen Ausfuhrkontrollregime unterlag, steht jetzt zwischen zweien, und die beiden stimmen sich nicht ab. Für eine Architekturentscheidung mit Fünfjahreshorizont ist das ein deutlich anderes Bild als das, was in den meisten europäischen KI-Risikoregistern derzeit steht.

Gewichte spiegeln, dann festhalten, welches Regime gilt

Zwei Maßnahmen, beide günstig, beide noch in diesem Quartal. Erstens: Spiegeln Sie für jedes chinesische Open-Weight-Modell, das Sie produktiv betreiben, die Gewichte auf Speicher unter Ihrer Kontrolle, in Ihrer eigenen Rechtsordnung, mit dokumentiertem Hash. Einmal heruntergeladene offene Gewichte bleiben Ihnen erhalten, ganz gleich, was eine Regierung später entscheidet. Offene Gewichte, die Sie bei Bedarf aus einem fremden Repository ziehen, sind eine Abhängigkeit im Kostüm eines Vermögenswerts.

Zweitens: Ergänzen Sie Ihr Modellverzeichnis um ein einziges Feld, nämlich das Ausfuhrkontrollregime, dem das Modell unterliegt. Die meisten Verzeichnisse erfassen Lizenz, Parameterzahl und Hosting-Ort. Kaum eines erfasst die kontrollierende Jurisdiktion, weil es dafür bis vor Kurzem nur eine plausible Antwort gab. Jetzt sind es zwei, sie können unabhängig voneinander strenger werden, und ein Modell kann über jede von beiden ausfallen, ohne dass die andere etwas tut.

Nichts davon ist ein Argument für einen Anbieterwechsel oder gegen chinesische offene Gewichte. Der Kostenvorteil, der sie in Ihren Stack gebracht hat, ist echt, und er verschwindet nicht, eine heimische Rechenbasis macht ihn eher dauerhafter. Der Punkt ist enger gefasst. Sie hängen jetzt an einem Artefakt, dessen weitere Verfügbarkeit in zwei Hauptstädten politisch entschieden wird, und die Absicherung kostet einen Speicherplatz und eine Tabellenspalte.

Weiterlesen: Selbst ein Billionen-Labor muss Rechenleistung mieten  |  Die Nvidia-Steuer hat jetzt eine zweite Quelle