101-Eintrag
Custom Silicon: Warum ASICs auch dann wichtig sind, wenn NVIDIA gewinnt
Custom-AI-Silizium — Googles TPU, Amazons Trainium und Inferentia, Metas MTIA, Microsofts Maia sowie eine Welle kundenspezifischer Chips, die von Broadcom und Marvell entwickelt werden — wird oft als Bedrohung für NVIDIA dargestellt. Diese Einordnung ist falsch. Custom Silicon ist kein Winner-take-all-Markt, sondern workload-spezifisch. NVIDIA gewinnt den Trainings- und Allzweck-Inferenzmarkt aufgrund von CUDA und Ecosystem-Lock-in. ASICs gewinnen spezifische Inferenz-Workloads, bei denen Hyperscaler die Design-Kosten rechtfertigen können. Beide Trends wachsen gleichzeitig, und Broadcom und Marvell kassieren Design-Gebühren aus dem ASIC-Geschäft, unabhängig davon, welcher Hyperscaler gewinnt.
Automatisch aus dem englischen Original übersetzt. Zum englischen Original →
Die drei Akteure im Custom-Silicon-Markt
- Hyperscaler mit Inhouse-Design: Google (TPU v5), Amazon (Trainium 2, Inferentia 3), Meta (MTIA v2), Microsoft (Maia). Mehrjährige Programme, Design-Ausgaben im Milliardenbereich.
- Custom-Silicon-Foundries: Broadcom (die größte, mit Googles TPU unter den Kunden), Marvell (AWS, andere). Sie entwerfen und fertigen Chips nach Kundenspezifikation.
- IP und Design-Tools: Arm, Cadence, Synopsys. Jeder Custom-Chip nutzt lizenzierte IP und Design-Software — und diese Anbieter werden bezahlt, unabhängig davon, welcher Chip gewinnt.
Warum ASICs für bestimmte Workloads Sinn ergeben
Ein Workload, der 24/7 im großen Maßstab läuft — Suchranking, Ad-Inferenz, Empfehlungssysteme — kann Design-Kosten eines Chips von $500M über Jahre des Betriebs amortisieren. ASICs liefern eine 3–10x bessere Performance pro Watt gegenüber GPUs bei spezifischen, eng gefassten Workloads. Sobald ein Hyperscaler ein ausreichendes internes Volumen erreicht, wird Inhouse-Silizium auf Basis eines klaren ROI kostenmäßig gerechtfertigt. Die Rechnung ist einfach und hängt nicht davon ab, dass sich ein bestimmter KI-Trend fortsetzt.
Warum ASICs NVIDIA nicht töten
Das Training von Frontier-Modellen erfordert die allgemeine Programmierbarkeit, die CUDA + GPUs bieten. Neue Modellarchitekturen entstehen schneller, als ASIC-Designzyklen folgen können — ein 2-jähriger Chip-Designzyklus gegenüber 6-monatigen architektonischen Verschiebungen. Die Netzwerkeffekte des CUDA-Ökosystems (Entwickler-Mindshare, Bibliotheksreife, Kompatibilität) verstärken sich Jahr für Jahr. Kunden mit gemischten Workloads — die meisten Unternehmen — können ASIC-Design nicht rechtfertigen; sie kaufen GPUs. Die Einordnung als „NVIDIA-Killer“ ist seit einem Jahrzehnt falsch, weil sie die Marktstruktur falsch liest.
Wohin das Geld fließt
NVIDIA vereinnahmt Training, allgemeine Inferenz und den Long Tail der Enterprise-KI-Workloads. Hyperscaler vereinnahmen Kosteneinsparungen bei ihrer internen Hochvolumen-Inferenz. Broadcom und Marvell vereinnahmen Design-Service-Umsätze, unabhängig davon, welcher Hyperscaler gewinnt. TSMC vereinnahmt Wafer-Anteile sowohl von NVIDIA als auch vom ASIC-Ökosystem. Der gesamte KI-Silizium-Kuchen wächst; die Stücke sind unterschiedlich.
Die Investment-Implikation
Der Barbell — long NVIDIA für Training und Allzweck, long Broadcom/Marvell/Arm für das ASIC-Ökosystem — erfasst beide Beine des Trends. Gegen NVIDIA allein aufgrund der ASIC-Bedrohung zu wetten, war seit 2017 ein Verlustgeschäft. Custom Silicon zu ignorieren übersieht eine der saubersten Wachstumsgeschichten für Design-Services im Halbleiterbereich.