Trotz Nvidias Dominanz bei KI-Beschleunigern sieht sich Wenfeng in guter Position – weil chinesische Hardware seiner Einschätzung nach aufschließt. (Bildquelle: Rokas via Adobe Stock / Nvidia / Deepseek)

Der Gründer und CEO von DeepSeek Liang Wenfeng hat sich in einem Investoren-Gespräch ungewohnt deutlich zu Chinas Aufholjagd im Kontext der Rechenleistung und zu Nvidia geäußert:

Ich bin recht optimistisch, was die heimische Rechenleistung angeht – an diesem Punkt schaufelt sich Nvidia sein eigenes Grab.

Huawei 950 gegen Nvidia GB300: Die Rechnung des DeepSeek-Chefs

Konkret behauptet Wenfeng, Huaweis »Atlas 950 SuperPoD« – ein sogenannter Supernode, also ein eng gekoppelter Verbund vieler Beschleuniger – könne Nvidias »GB200«- und »GB300«-Racks bei Leistung und Preis vollständig ersetzen. Der Preis liege höher, aber in Grenzen: Ob 50, 100 oder gar 200 Prozent teurer, das spiele letztlich keine Rolle, so Wenfeng.

Den zugehörigen Haken liefert er aber selbst: Für die Leistung einer Nvidia-GPU brauche es vier Huawei-Chips, und man liege rund zwei Jahre zurück.

Vier Huawei 950 entsprächen einem GB300 – bei laut Wenfeng gleicher Latenz und gleichem Aufgabenspektrum.
Der Huawei-Supernode soll im dritten oder vierten Quartal 2026 anlaufen, Nvidias GB200 kam im dritten Quartal vor zwei Jahren auf den Markt.

Chinas Rechenlücke: Warum die USA vorn liegen

Den Abstand zu den USA verortet Wenfeng bei den Ressourcen, nicht beim Personal – die Talentlücke ergebe sich erst aus dem Rechen-Defizit. Die derzeit größten KI-Modelle aktivieren dem DeepSeek-Chef zufolge rund 800 Milliarden Parameter gleichzeitig, chinesische Modelle nur etwa 10 Milliarden – eine Größenordnung Rückstand.

Empfohlener redaktioneller Inhalt

An dieser Stelle findest du einen externen Inhalt von Twitter, der den Artikel ergänzt.
Du kannst ihn dir mit einem Klick anzeigen lassen und wieder ausblenden.

Twitter-Inhalte erlauben

Ich bin damit einverstanden, dass mir Inhalte von Twitter angezeigt werden.

Personenbezogene Daten können an Drittplattformen übermittelt werden. Mehr dazu in unserer Datenschutzerklärung.

Link zum Twitter-Inhalt

Um ein Modell in dieser Liga zu trainieren, wären laut Wenfeng rund 50.000 GB300 oder etwa 200.000 Huawei 950 nötig – Forschung noch nicht eingerechnet. Huawei stelle DeepSeek derzeit Kapazität für etwa 16.000 Beschleuniger bereit; der Engpass liege bei Huaweis Fertigung.

DeepSeek rechnete fest mit seinem Erfolg als die große chinesische KI, doch damit hat man nicht gerechnet: Kimi

Bröckelnder Vorteil: CUDA und das TileLang-Argument

Nvidias oft zitierter Vorteil ist die Software-Plattform »CUDA«, an die viele KI-Entwickler gebunden sind. Genau diesen sieht Wenfeng schwinden: KI könne den nötigen Code heute selbst schreiben, dazu komme ein hauseigenes Werkzeug namens »TileLang«, mit dem sich Nvidias Ökosystem nachbauen lasse.

Als Beleg führt er das eigene Modell »V3« an: Das Modell lief zwar auf Nvidia-Hardware, klinkte sich beim Training aber aus Nvidias Software-Umgebung aus – über einen selbst geschriebenen TileLang-Compiler. Spezialchips für KI machten den CUDA-Vorsprung ohnehin zunehmend irrelevant, so seine These.