Entwickelt DeepSeek wirklich einen eigenen KI-Chip?
Reuters-Bericht Juli 2026 erklärt — und warum alle KI-Unternehmen dasselbe tun

Am 24. Juni 2026 kündigte OpenAI Jalapeño an — einen gemeinsam mit Broadcom entwickelten Inferenz-Chip, der in nur neun Monaten bis zum Tape-out fertiggestellt wurde. Eine Woche später, am 7. Juli, berichtete Reuters unter Berufung auf drei Quellen, dass DeepSeek einen eigenen KI-Inferenz-Chip entwickelt — gestartet etwa ein Jahr zuvor, derzeit noch in einem frühen Stadium. Am selben Tag meldete The Information, dass auch Zhipu AI Custom-Silicon evaluiert. Alibabas T-Head hat bereits über 560.000 Zhenwu-Chips ausgeliefert und erzielt einen jährlichen Umsatz im Milliardenbereich. Dies ist keine Geschichte über China oder Geopolitik — es ist eine Geschichte über Unit Economics. Dieser Artikel analysiert die Beweiskette zu DeepSeek, Liang Wenfengs tatsächliche öffentliche Äußerungen, Alibabas T-Head-Acht-Jahres-Roadmap, die globale Custom-Chip-Welle, fünf strukturelle Treiber und warum Inferenz — nicht Training — der Bereich ist, in dem Custom-ASICs gewinnen.

• Fazit: DeepSeek-Chip ist glaubwürdig, aber früh. Alibaba liefert bereits in großem Maßstab. OpenAI hat Jalapeño angekündigt. Custom-Silicon ist eine Mainstream-Infrastrukturentscheidung geworden.
• Primärer Treiber: Wirtschaftlichkeit. Inferenz ist die permanente monatliche Betriebskosten von KI. Custom-ASICs können TCO gegenüber GPUs bei großem Maßstab um 30–65 % reduzieren.
• Liang Wenfeng hat kein Chip-Programm angekündigt. Reuters berichtete über Unternehmensaktionen (Einstellungen, Foundry-Kontakte) — keine Gründererklärung.
• Alibaba T-Head ist kein Gerücht. Jack Ma nannte es 2018, acht Jahre später ist der Zhenwu 810E in der Serienproduktion.

SECTION 01 Was Reuters tatsächlich berichtete (und was DeepSeek nicht bestätigt hat)

Korrekte Formulierung: „Laut Reuters und anderen Medien hat DeepSeek ein Custom-Inferenz-Chip-Projekt gestartet." Ungenau: „Liang Wenfeng hat angekündigt, Chips zu bauen." Diese Unterscheidung ist für die Glaubwürdigkeit entscheidend.

SECTION 02 Was DeepSeek-CEO Liang Wenfeng über Chips und Rechenleistung gesagt hat

Liang Wenfeng gibt selten Interviews. Die autoritativste Quelle sind zwei ausführliche Gespräche mit dem chinesischen Medium Angang Waves im Mai 2023 und Juli 2024. Er hat nie öffentlich ein Chip-Entwicklungsprogramm angekündigt, hat aber die strategische Begründung klar etabliert:

• „Die wahre Herausforderung ist nicht Geld — es sind die Exportkontrollen für Hochleistungschips." — Juli 2024, Angang Waves
• Der 4-fache Compute-Gap: „Chinas bestes Niveau gegenüber dem Ausland hat eine ca. 1-fache Lücke in der Trainingseffizienz und eine ca. 1-fache Lücke in der Dateneffizienz — zusammen etwa 4-mal so viel Compute für dasselbe Ergebnis nötig."
• „China muss an der Frontier stehen." Aussage über das Ökosystem, nicht über Produktankündigungen.
• „Hunger nach Rechenleistung ist endlos." Strategische Absicht, kein Produktfahrplan.

SECTION 03 Alibaba T-Head liefert bereits — Jack Mas Wette von 2018 zahlt sich 2026 aus

• Auslieferungen: 560.000+ kumulativ (H1 2026)
• Umsatz: Jährlicher Lauf im Milliardenbereich (CNY)
• CUDA-Kompatibilität: WSJ berichtet, Zhenwu-Chips seien mit dem Nvidia-CUDA-Ökosystem kompatibel, was Migrationskosten senkt — ein wesentlicher Unterschied zur Huawei-Ascend-Strategie
• Fertigung: Von TSMC zu inländischen Foundries (SMIC) verlagert, um US-Beschränkungen zu umgehen
• Capex: Alibaba kündigte ¥380 Mrd. ($52 Mrd.) Investitionen in drei Jahren für Cloud- und KI-Infrastruktur an

SECTION 04 Das ist nicht nur eine China-Geschichte: OpenAI Jalapeño und die globale Custom-Chip-Welle

TrendForce 2026: Wachstumsrate der Hyperscaler-Custom-KI-Chip-Auslieferungen 44,6 % gegenüber 16,1 % für allgemeine GPUs. Custom-Silicon wächst erstmals signifikant schneller als der GPU-Markt.

OpenAI — Offizielle Jalapeño-Ankündigung

SECTION 05 Warum Tech-Konzerne eigene KI-Chips bauen: Kosten, Kontrolle und die „Nvidia-Steuer"

Kurze Antwort: KI-Wettbewerb hat sich von „Wer hat das beste Modell?" zu „Wer hat den günstigsten, kontrollierbaren Compute?" verschoben.

1. Wirtschaftlichkeit: Inferenz ist die permanente monatliche Betriebskosten von KI
   Training = Anzahlung (einmalig). Inferenz = Monatsmiete (kontinuierlich, skaliert mit Nutzerzahlen). Bei ChatGPT-Klasse mit Hunderten Millionen DAU übersteigen Inferenzkosten die Trainingskosten. Morgan Stanley schätzte: 24.000-GPU-Blackwell-Cluster ~$852 Mio. Hardware; gleichwertiger Google-TPU-Cluster ~$99 Mio. Custom-ASICs können bei großmaßstäblichem Einsatz 40–65 % TCO-Vorteil gegenüber GPUs erzielen, mit 30–40 % geringeren Kosten pro Token. Nvidias Rechenzentrum-GPU-Bruttomarge übersteigt 70 %. Custom-Chips konvertieren diese permanente „GPU-Steuer" in einmalige F&E-Investitionen.
2. Lieferkettensicherheit und Geopolitik
   US-Exportkontrollen auf H100/H800/H20 und Folgemodelle. Auch US-Unternehmen stehen vor GPU-Zuteilungsproblemen. Sicherheit bedeutet Planbarkeit: nicht von einem einzigen Anbieter oder einer einzigen nationalen Exportpolitik abhängig zu sein.
3. Hardware-Software-Co-Design
   DeepSeeks UE8M0-FP8 und MLA-Architektur für spezifische Hardware optimiert; OpenAI Jalapeño um echte ChatGPT-Serving-Muster (KV-Cache, Batching, Latenz) herum entwickelt; Google TPU mit TensorFlow/JAX eng gekoppelt.
4. Wettbewerbsvorteil und Verhandlungsmacht
   Auch ohne vollständige Nvidia-Ablösung bieten eigene Chips Verhandlungshebel, differenzierten Compute für Cloud-Kunden und ermöglichen Vollstack-Narrativen.
5. Energie und Nachhaltigkeit
   Inferenz-Chips optimieren Performance-per-Watt. In Megawatt-bis-Gigawatt-Rechenzentren sind Strom- und Kühlkosten ebenso wichtig wie Chip-Beschaffungskosten. ASICs eliminieren den großen Teil der GPU-Die-Fläche für Allzweckschaltkreise.

SECTION 06 Inferenz-Chips vs. Training-GPUs: Warum die Branche sich aufteilt

Fazit: Training bleibt Nvidias Heimfeld. Inferenz ist das Spielfeld, auf dem Custom-ASICs gewinnen. Jeder 2026 angekündigte Custom-Chip — OpenAI, Alibaba, DeepSeek — zielt auf Inferenz.

Dieser Wandel in der Compute-Wirtschaft hat direkte Auswirkungen auf die Produktionsbereitstellung von KI-Workloads. Geteilte virtuelle Maschinen verursachen Hypervisor-Scheduling-Overhead, der die Token-Kosteneinsparungen durch Custom-Silicon zunichtemacht. Für Teams, die hochdichte Inferenz, 24/7-KI-Agent-Workflows mit Zero-Overhead-nativen Compute benötigen und dabei auf DSGVO-konforme Infrastruktur achten müssen, bieten MACNOX dedizierte physische Mac Mini M4 Knoten Bare-Metal-Performance mit Root-Zugang ohne Virtualisierung. Tageweise, wochenweise oder monatliche Bereitstellung. Weitere Informationen: KI-Agent-Produktionshärtung und Mac Mini M4 Miete vs. Kauf Kostenvergleich, oder besuchen Sie die Preisseite.

Quellenangaben für die in diesem Artikel zitierten Daten (Links nach Veröffentlichung erneut überprüfen):

WSJ — Alibaba AI Chip to Fill Nvidia Void (Zhenwu-Chip-Analyse)

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

OpenAI — Jalapeño Inference Chip — Offizielle Ankündigung

Zuletzt aktualisiert: 10. Juli 2026. Haftungsausschluss: Dieser Artikel basiert auf öffentlichen Medienberichten. DeepSeeks Chip-Projekt wurde zum Zeitpunkt dieses Schreibens nicht offiziell bestätigt. Aktuelle Nachrichten unbedingt prüfen. Die Datenverarbeitung in der Cloud unterliegt den Anforderungen der DSGVO; bei sensiblen Workloads empfiehlt sich eine rechtliche Prüfung der Infrastrukturwahl.

SECTION 07 FAQ