Was ist eine GPU?

Eine GPU (Graphics Processing Unit) ist ein hochparalleler Mikroprozessor, der ursprünglich für Grafik-Rendering entwickelt wurde, sich aber seit Mitte der 2010er-Jahre zur zentralen Hardware für KI-Training und -Inferenz entwickelt hat. Während eine CPU wenige sehr leistungsfähige Kerne für sequenzielle Aufgaben hat (typisch 8 bis 64), bringt eine moderne GPU Tausende kleinere Kerne mit, die parallel an Matrix-Operationen arbeiten — exakt das, was neuronale Netze brauchen. Der Begriff GPU wurde 1999 von NVIDIA mit der GeForce 256 geprägt. Bis 2010 waren GPUs primär Gaming-Hardware. CUDA, NVIDIAs Programmier-Plattform für GPGPU (General-Purpose Computing on GPUs), öffnete die Architektur 2007 für wissenschaftliche und später KI-Workloads. Mit AlexNet 2012 — einem Bilderkennungs-Modell, das GPUs zum Training nutzte — wurde GPU-basierte KI zur dominanten Architektur. Heute sind GPUs nicht mehr ausschließlich für Grafik gedacht. Datacenter-GPUs wie NVIDIA H100 oder AMD MI300X haben oft keine Grafik-Ausgabe mehr — sie sind reine Tensor-Beschleuniger mit Spezial-Einheiten für FP16-, BF16-, INT8- und FP8-Operationen, die im KI-Training und in der Inferenz dominieren.

Der KI-GPU-Markt ist 2026 hochgradig konzentriert. NVIDIA hält über 80 Prozent Marktanteil bei Datacenter-KI-Beschleunigern. Aktuelle Generation H100 (80 GB HBM, ~3.000 TFLOPS FP8) und H200 (141 GB HBM) sind seit 2023/2024 produktiv. Blackwell B100 und B200 (192 GB) wurden 2024 angekündigt und werden 2025/2026 in Hyperscalern und AI Factories eingesetzt. Die nächste Generation Rubin ist für 2026/2027 angekündigt. CUDA-Ökosystem und ausgereifte Software-Stacks (cuDNN, TensorRT, Triton) zementieren NVIDIAs Marktmacht. AMD ist mit Instinct MI300X (192 GB HBM3, ~5.300 TFLOPS FP8) und MI325X seriöser Herausforderer. Vorteile: mehr Speicher pro GPU, oft besseres Preis-Leistungs-Verhältnis. Nachteile: ROCm-Software-Stack ist weniger ausgereift als CUDA, viele Frameworks brauchen Anpassung. Marktanteil 2026 unter 15 Prozent, aber wachsend. Intel mit Gaudi 3 (128 GB HBM, schwächere Roh-Performance, aber gutes Preis-Leistungs-Verhältnis) ist Nische — primär bei Hyperscalern wie AWS und in einzelnen On-Prem-Deployments. Spezialisten: Google TPU v5/v6 (nur intern in Google Cloud), AWS Trainium und Inferentia (nur in AWS), Cerebras Wafer-Scale Engine (Spezial-Hardware für extrem große Modelle), Tenstorrent Wormhole und Blackhole (offene RISC-V-basierte Architektur, geringer Marktanteil aber strategisch interessant). Europäische Hardware-Hersteller existieren — SiPearl (CPU mit KI-Erweiterungen), Tenstorrent-Beteiligung von Hyundai/europäischen Investoren — sind 2026 aber im KI-Inferenz-Mainstream nicht relevant.

Seit 2023 ist KI-GPU-Verfügbarkeit ein chronisches Engpass-Thema. Drei Faktoren wirken zusammen. Produktionskapazität: Alle High-End-KI-GPUs werden bei TSMC in Taiwan gefertigt — typisch 4-nm- und 3-nm-Prozesse. TSMCs Kapazität ist hochgradig priorisiert; NVIDIA, AMD, Apple und einige Hyperscaler (Google, AWS) konkurrieren um dieselben Wafer. Ausweich-Fabs (Samsung, Intel Foundry) haben aufgeholt, aber Latenz von 18 bis 24 Monaten zwischen Auftrag und Lieferung bleibt typisch. HBM-Speicher: High-Bandwidth-Memory ist der zweite Engpass. SK Hynix, Samsung und Micron sind die einzigen Lieferanten — alle mit volle Auftragsbüchern. HBM-Knappheit limitiert die Produktion auch dann, wenn GPU-Logik verfügbar wäre. US-Exportkontrollen: Seit 2022 hat die US-Regierung schrittweise Exportbeschränkungen für High-End-KI-GPUs nach China eingeführt. Auch europäische Käufer:innen sind teilweise betroffen — Lieferungen erfordern US-Genehmigungen, die für bestimmte Endkund:innen verweigert werden können. Damit hat die US-Regierung ein Druckmittel, das auch in Handelsstreitigkeiten zwischen EU und USA aktivierbar wäre. Folge für europäische KI-Akteure: Beschaffungs-Vorlauf von 6 bis 18 Monaten, Preise oft über Listenpreis durch Knappheit, kein Plan B bei Lieferketten-Unterbrechung. AI Factories adressieren das Problem über staatliche Vorab-Allokationen, einzelne Unternehmen bleiben verwundbar.

GPU-Hardware ist 2026 die schwächste Souveränitäts-Säule der europäischen KI-Strategie. Die Abhängigkeit ist strukturell und wird sich kurzfristig nicht auflösen. Design: NVIDIA, AMD und Intel sind US-Unternehmen, ihre GPU-Designs unterliegen US-Exportkontrollen und können theoretisch auch außerhalb regulärer Lieferketten zurückgehalten werden — über Lizenz-Auflagen, Firmware-Updates oder direkte Druckmechanismen. Fertigung: TSMC in Taiwan dominiert die Produktion. Die geopolitische Risiko-Exposition (China-Taiwan-Spannungen) ist erheblich. Samsung in Korea ist Alternative, aber ebenfalls außerhalb europäischer Jurisdiktion. Firmware und BIOS: GPU-Firmware kommt von US-Herstellern. Sicherheits-Updates, BIOS-Patches und Driver-Releases laufen über US-Kanäle. Theoretisch könnte ein Hersteller bestimmten Endkund:innen Updates verweigern oder kompromittieren — bislang nicht beobachtet, aber strukturell möglich. Gegenmodelle: Die EU fördert mit dem European Chips Act (43 Milliarden Euro über 10 Jahre) den Aufbau eigener Halbleiter-Kapazitäten. Intel-Fab in Magdeburg (geplant, aber 2024 verzögert), TSMC-Fab in Dresden (Bau läuft 2026), STMicro-Erweiterungen in Catania. Speziell für KI: SiPearl Rhea-CPU als Bestandteil des JUPITER-Supercomputers, Tenstorrent-Allianzen mit europäischen Investoren. Kurzfristige Realität: Vollständige GPU-Souveränität ist 2026 nicht erreichbar. Mittelständler und Forschungs-Einrichtungen können das Risiko diversifizieren (mehrere Anbieter, Mehrjahres-Verträge mit Lager-Optionen, AMD- statt NVIDIA-only-Strategien), aber nicht eliminieren. Souveräne KI in Europa läuft auf US-Hardware — das ist die wesentliche Asymmetrie der Strategie.

Welche GPU für welchen Use Case? Eine Faustregel-Übersicht für 2026. Foundation-Model-Training (über 7 Milliarden Parameter): NVIDIA H100/H200 oder Blackwell B200 als Cluster mit 16 bis 1.024 GPUs, NVLink intern, InfiniBand zwischen Servern. Alternative AMD MI300X mit ROCm-Stack — funktional, aber Anpassungs-Aufwand bei Frameworks. Foundation-Model-Inferenz (7 bis 70 Milliarden Parameter): H100/H200 oder MI300X einzeln, mit vLLM, TGI oder Triton als Inferenz-Server. Quantisierte Modelle (FP8, INT4) reduzieren GPU-Bedarf erheblich. Fine-Tuning und kleinere Modelle: NVIDIA L40S (Generative AI optimiert), A100 (40 oder 80 GB) gebraucht erhältlich, AMD MI210/MI250. Edge-Inferenz und Embedded: NVIDIA Jetson (Orin Nano bis AGX Orin), Google Coral, Intel NPU, Qualcomm AI 100. Forschung und Entwicklung: GeForce RTX 4090/5090 (24 GB) oder RTX 6000 Ada (48 GB) für lokale Experimente. Für produktiven Einsatz nicht geeignet (keine ECC, fehlende Datacenter-Treiber-Lizenzen). Neben Roh-Performance zählen: Speichergröße (HBM-Kapazität limitiert die Modellgröße direkter als Roh-FLOPS), Software-Ökosystem (CUDA-Reife schlägt ROCm-Reife oft in der Praxis), Lieferzeit, Total Cost of Ownership inklusive Strom und Kühlung. Die optimale GPU-Auswahl hängt nicht primär an Benchmarks, sondern an Workload-Profil und Budget-Realität.