Warum Chinas führende KI-Modelle immer noch auf Nvidia-Chips trainieren

Chinas führende KI-Entwickler – darunter die Teams hinter DeepSeek, Kimi K3 und Alibabas Qwen-Modellen – sind für das Training ihrer modernsten großen Sprachmodelle weiterhin stark auf Nvidia-Chips angewiesen – trotz massiven politischen Drucks und US-Exportbeschränkungen . Das Haupthindernis ist nicht die Hardware-Leistung, sondern die Software-Ökosystem-Abhängigkeit: Nvidias CUDA-Plattform hat sich zum De-facto-Standard für KI-Entwicklung entwickelt, und ein Umstieg auf Huaweis Ascend-Chips mit dem CANN-Toolkit verursacht prohibitiv hohe Engineering-Kosten .

Der CUDA-Graben: 15 Jahre Entwickler-Abhängigkeit

Nvidias CUDA (Compute Unified Device Architecture) genießt einen Vorsprung von über 15 Jahren mit ausgereiften Bibliotheken (cuDNN, TensorRT), Debugging-Tools und einer globalen Entwickler-Community . Nahezu alle wichtigen KI-Frameworks – PyTorch, TensorFlow, JAX – sind ab Werk für CUDA optimiert .

Im Gegensatz dazu ist Huaweis CANN (Compute Architecture for Neural Networks)-Toolkit, selbst nach seiner Open-Source-Stellung im August 2025, in Bezug auf Operator-Abdeckung, Optimierung und Community-Tools noch weit weniger ausgereift . Entwickler berichten, dass viele CUDA-optimierte Kernel kein direktes CANN-Äquivalent haben und manuell neu geschrieben werden müssen .

Dieser sich selbst verstärkende Kreislauf ist schwer zu durchbrechen: Je größer Nvidias Entwickler-Community und je reichhaltiger die Bibliothek an voroptimiertem Code, desto schwerer wird es für Alternativen, Fuß zu fassen .

Die Kosten des Umstiegs: Mindestens 50 % mehr Zeit und Geld

Ein KI-Forscher eines in Shanghai ansässigen Instituts schätzt, dass ein Wechsel des Trainings von Nvidia CUDA auf Huawei Ascend mindestens 50 % mehr Zeit und Kosten verursachen würde . Branchenquellen bestätigen diese Zahl als realistische Untergrenze .

Dies beinhaltet:

• Anfänglicher Portierungsaufwand: Trainingscode, der für CUDA geschrieben wurde, verwendet architekturspezifische Kernel-Aufrufe, Speicherverwaltungsmuster und Parallelisierungsstrategien, die sich nicht direkt auf Ascends andere NPU-Architektur übertragen lassen .
• Laufendes Debugging und Tuning: Nach der Portierung müssen Modelle für die Leistungsparität auf CANNs kleinerer Operator-Bibliothek neu optimiert werden .
• Verlorene Produktivität: Entwickler müssen eine neue Toolchain erlernen, und die kleinere CANN-Community bedeutet weniger gemeinsame Lösungen für häufige Probleme.

DeepSeeks aufgegebener R2-Plan: Ein konkreter Fall

Das vielleicht aussagekräftigste Beispiel für die Softwarelücke kommt von DeepSeek, einem der bekanntesten KI-Labore Chinas. DeepSeek soll Pläne, sein R2-Modell auf Huaweis Ascend-NPUs zu trainieren, aufgrund ungelöster Leistungs- und Toolchain-Probleme fallengelassen haben . Dies ist ein konkreter Fall, in dem ein Spitzenlabor zu dem Schluss kam, dass die heimische Alternative für seine anspruchsvollsten Workloads noch nicht bereit war.

Leistungslücken bestehen fort

Während sich Huaweis Ascend 910C-NPU deutlich verbessert hat, berichten Entwickler, dass sie bei großen verteilten Trainingsaufgaben immer noch hinter Nvidias Hopper-Generation zurückbleibt . Der Ascend 910C, der auf SMICs verbessertem 7-nm-Prozess basiert, liefert etwa ein Drittel des BF16-Durchsatzes von Nvidias B200 . Huaweis kommender Ascend 950 soll diese Lücke weiter schließen, wobei Morgan-Stanley-Daten zeigen, dass sich die Leistungslücke zwischen chinesischen Chips und Nvidias exportkonformer Hardware deutlich verringert hat .

Das Versorgungsparadoxon: Gehortete Nvidia-Chips erzeugen Trägheit

Paradoxerweise haben US-Exportbeschränkungen die Nvidia-Versorgung nach China nicht vollständig unterbrochen. Die USA genehmigten den Verkauf des H200 nach China, Peking blockierte daraufhin dessen Annahme – aber chinesische Labore verfügen bereits über riesige Vorräte an Nvidia-Chips . ByteDance, Alibaba und Tencent gaben schätzungsweise 16 Milliarden US-Dollar aus, um in Erwartung eines Verbots etwa 1,3 bis 1,6 Millionen H20-Einheiten zu horten .

Dieser installierte Bestand erzeugt eine starke Trägheit: Solange die vorhandene Nvidia-Hardware weiter funktioniert, verzögern die hohen Umstellungskosten den Wechsel zu heimischen Alternativen .

Die 295-Milliarden-Dollar-Antwort: Chinas Vorstoß bei heimischen Chips

China steht nicht still. Als Reaktion auf diese Hürden:

• Chinesische Chip-Hersteller wollen die heimische KI-Chip-Produktion bis 2026 verdreifachen
• Peking arbeitet Berichten zufolge an einem ~295 Milliarden US-Dollar (2 Billionen Yuan)-Plan, um bis 2028 jedes große chinesische Rechenzentrum in einem einzigen KI-Computing-Netz zu verbinden, wobei mindestens 80 % der zugrunde liegenden Chips aus heimischer Produktion stammen müssen
• Huawei hat CANN im August 2025 als Open Source bereitgestellt und Kernkomponenten wie Operatoren, Domain-Bibliotheken und Graph-Engine-Technologie veröffentlicht
• ByteDance unterzeichnete im Dezember 2025 einen 5,6-Milliarden-Dollar-Vertrag mit Huawei über Ascend-KI-Chips, mit Lieferungen ab dem ersten Quartal 2026

Fortschritte sind real: Der Anteil des Trainings auf heimischen Chips stieg Berichten zufolge von 8 % Anfang 2025 auf 42 % im April 2026 . Doch ein Großteil dieser Übernahme scheint sich auf weniger kritische Workloads und Inferenzaufgaben zu konzentrieren, nicht auf das Training von Spitzenmodellen .

Ausblick: Ein mehrjähriger Übergang

Huaweis Open-Source-Stellung von CANN ist ein bedeutender Schritt zum Aufbau des Entwickler-Ökosystems, das CUDA genießt . Doch die meisten Analysten sind sich einig, dass die Lücke im Software-Ökosystem – nicht die rohen Hardwarespezifikationen – Jahre brauchen wird, um geschlossen zu werden . Kurzfristig werden Chinas Top-KI-Labore weiterhin auf Nvidia-Chips trainieren, während sie mit hybriden heimischen Bereitstellungen für weniger kritische Workloads experimentieren, und Pekings 295-Milliarden-Dollar-Grid-Plan soll den Übergang beschleunigen .