DeepSeek setzt Samsung Electronics und SK Hynix unter Druck

Die Aktien von Samsung Electronics fielen am 11. September 2026 in Südkorea um 3,5 Prozent, die von SK Hynix um 2,2 Prozent. Der Auslöser waren Meldungen, nach denen DeepSeek für seine KI-Modelle weniger High-Bandwidth Memory (HBM) benötigt. Das ist ein kräftiges Signal für die Nervosität des Marktes – aber noch kein Beleg für einen dauerhaften Einbruch der weltweiten HBM-Nachfrage.

Was am 11. September 2026 passiert ist

Die Kursbewegung betraf zwei der wichtigsten südkoreanischen Speicherhersteller. Im selben Monat sollen Privatanleger Aktien von Samsung Electronics und SK Hynix im Wert von rund 10 Milliarden US-Dollar verkauft haben.

Entscheidend ist die Reichweite der Nachricht: Der Markt reagierte auf die Aussicht, dass effizientere KI-Inferenz kurzfristig weniger Speicherressourcen benötigen könnte. Eine einzelne gemeldete Modelloptimierung beschreibt aber weder die gesamte Nachfrage aller KI-Dienste noch die künftige Entwicklung des HBM-Marktes.

HBM, KV-Cache und Engram sind nicht dasselbe

HBM ist ein aus mehreren übereinandergestapelten DRAM-Schichten aufgebauter Speicher, der nahe an einem KI-Beschleuniger sitzt. Dadurch kann er Daten mit sehr hoher Bandbreite bereitstellen. DDR5 ist dagegen ein universeller Arbeitsspeicher des Systems; beide Speicherarten erfüllen nicht in jedem Einsatz dieselbe Aufgabe.

Der KV-Cache ist wiederum kein eigener Speichertyp. Er hält während der Inferenz bereits berechnete Schlüssel- und Wertinformationen der Aufmerksamkeitsschichten vor. Bei langen Kontexten wächst dieser Zwischenspeicher stark und erhöht den Druck auf den verfügbaren Beschleunigerspeicher.

DeepSeek verfolgt dafür mehrere getrennte Ansätze:

• Multi-Head Latent Attention (MLA) speichert komprimierte latente Repräsentationen der Schlüssel-Wert-Informationen. Das kann den Platzbedarf des KV-Cache bei der Inferenz verringern.
• Engram nutzt bedingte Speicherzugriffe und eine ausgelagerte Speicherhierarchie. Bestimmtes statisches oder abrufbares Wissen muss dadurch nicht vollständig im Beschleunigerspeicher liegen.
• Komprimierte Aufmerksamkeitsverfahren wie Compressed Sparse Attention (CSA) und Heavily Compressed Attention (HCA) zielen ebenfalls auf eine kleinere Speicherlast bei langen Kontexten.

Diese Mechanismen greifen an unterschiedlichen Stellen an. MLA komprimiert den zwischengespeicherten Aufmerksamkeitszustand, Engram verlagert bestimmte Speicherzugriffe, und die Aufmerksamkeitsverfahren verändern die Verarbeitung langer Sequenzen. Ein gemeinsamer Prozentwert für die gesamte HBM-Kapazität lässt sich daraus nicht ableiten.

Warum weniger Speicherlast nicht automatisch weniger HBM bedeutet

Ein KI-Beschleuniger braucht Speicher nicht nur für den KV-Cache. Auch Modellgewichte, Aktivierungen, Aufmerksamkeitsberechnungen, Kommunikation zwischen Beschleunigern und die gewünschte Verarbeitungsgeschwindigkeit bestimmen, wie viel Speicher in einer konkreten Bereitstellung nötig ist.

Das macht den Unterschied praktisch greifbar: Wird der KV-Cache kleiner, kann ein einzelner Inferenzlauf weniger Speicherplatz beanspruchen. Für viele parallele Anfragen, große Modelle oder hohe Durchsatzanforderungen bleiben jedoch weitere Speicher- und Bandbreitenanforderungen bestehen. Weniger Druck auf einen Teil des Systems ist nicht dasselbe wie eine entsprechend kleinere HBM-Bestellung.

Auch eine effizientere KI kann einen gegenläufigen Effekt haben. Wenn Inferenz günstiger wird, könnten Unternehmen und Nutzer mehr Anfragen stellen. Diese als Jevons-Paradoxon bekannte Möglichkeit ist eine Hypothese, keine gemessene Entwicklung des HBM-Marktes.

Was die Kurszahlen aussagen – und was nicht

Die Bewertungen zeigen, warum der Markt empfindlich reagierte: Die beiden Speicherhersteller wurden mit anderen Halbleiterwerten verglichen, während gleichzeitig die Sorge über eine mögliche Abschwächung der KI-Speichernachfrage zunahm. Das sind Marktindikatoren für diesen Zeitraum, keine Aussage darüber, welche Aktie künftig steigt oder fällt.

Die offene Nachfragefrage

Kurzfristig kann eine gemeldete Speicheroptimierung die Erwartungen an Speicherhersteller belasten. Langfristig hängt die Branche aber davon ab, wie stark KI insgesamt genutzt wird. Modelle von Meta Platforms und OpenAI wurden als mögliche Treiber einer breiteren KI-Nutzung genannt – und damit als Faktoren, die den Bedarf an Halbleitern wieder ausweiten könnten.

Der technische Kern ist deshalb klarer als die Börsenprognose: DeepSeek kann mit MLA, Engram und verwandten Verfahren die Speicherlast bestimmter Inferenzaufgaben verringern. Das bedeutet weder, dass HBM überflüssig wird, noch dass der globale HBM-Bedarf dauerhaft sinkt. Für die Chipbranche entscheidet am Ende nicht nur, wie viel Speicher ein einzelner Durchlauf spart, sondern auch, wie viele KI-Durchläufe diese Einsparung ermöglicht.