Huawei hat am 17. September 2026 mehr als zehn Chips für KI-Infrastrukturen vorgestellt. Die gemeldete Palette umfasst KI-Beschleuniger, CPUs und Hochgeschwindigkeits-Verbindungschips. Damit zielt Huawei nicht auf einen einzelnen Chip als direkte Kopie von Nvidia, sondern auf ein komplettes System aus Rechenchips, Vernetzung und großen Clustern.
Huawei stellt eine breite KI-Chip-Palette vor
Die neue Palette soll laut Huawei mehrere Ebenen einer KI-Infrastruktur abdecken: Beschleuniger für die eigentlichen Rechenaufgaben, CPUs für das Gesamtsystem und Chips für die schnelle Verbindung zwischen den Komponenten. Eine exakte öffentliche Liste aller angekündigten Modelle gehört nicht zu den Angaben, die Huawei in diesem Zusammenhang vorgelegt hat.
Der Schritt passt zu Huaweis längerem Aufbau der Ascend-Familie. Ascend bezeichnet Huaweis Linie für KI-Beschleuniger. Atlas ist die dazugehörige Plattform für intelligente Rechensysteme und große Cluster.
Das ist für den Wettbewerb mit Nvidia entscheidend: In Rechenzentren zählt nicht nur, wie schnell ein einzelner Beschleuniger arbeitet. Ebenso wichtig sind Speicher, Kühlung, Verbindungen zwischen den Chips, Software und die Zahl der Systeme, die tatsächlich produziert werden können.
Es geht nicht nur um einen Beschleuniger
Huawei verfolgt einen Systemansatz. Ascend-Prozessoren werden über schnelle Verbindungen zu größeren Recheneinheiten zusammengeschaltet. Diese sogenannten SuperPods bündeln viele Beschleuniger, während SuperCluster noch größere Installationen bilden.
Für das Atlas 950 SuperPoD nannte Huawei eine Ausstattung von bis zu 8.192 Ascend-Prozessoren. Das Atlas 960 SuperPoD soll bis zu 15.488 Ascend-Prozessoren aufnehmen. Für die Atlas-950- und Atlas-960-SuperCluster wurden außerdem Größenordnungen von 500.000 bis 1 Million Prozessoren genannt.
Die Zahlen beschreiben die mögliche Systemgröße, nicht automatisch die Leistung jedes einzelnen Chips. Genau diese Trennung ist wichtig: Viele weniger leistungsfähige Beschleuniger können eine große Rechenplattform bilden, lösen aber nicht jedes Problem bei Software, Kommunikation zwischen den Chips oder Energieversorgung.
Huawei setzt auf Tausende Ascend-Chips
Huawei versucht also nicht allein, Nvidia mit einem einzelnen besonders starken Beschleuniger zu schlagen. Die Strategie besteht darin, viele Ascend-Chips in einer gemeinsamen Infrastruktur zu verbinden und ihre Rechenleistung auf Systemebene zu nutzen.
Alex Capri von der NUS Business School beschreibt den Ansatz als Bündelung von Tausenden Ascend-Chips, um die Gesamtleistung zu maximieren. Für chinesische Betreiber kann ein solcher Aufbau besonders interessant sein, wenn der Zugang zu den leistungsfähigsten Nvidia-Beschleunigern und zu moderner Halbleitertechnik eingeschränkt ist.
Die entscheidende Frage lautet deshalb nicht nur: „Ist ein Ascend-Chip so schnell wie ein Nvidia-Chip?“ Sie lautet auch: Lässt sich ein vollständiges System aus vielen Ascend-Prozessoren zuverlässig bauen, programmieren und betreiben?
Was über die Leistung gegenüber Nvidia berichtet wurde
Der am klarsten bezifferte Vergleich betrifft den Ascend 910C. DeepSeek-Forscher sollen in einem Vergleich eine Inferenzleistung von etwa 60 Prozent der Leistung eines Nvidia H100 gemessen haben. Inferenz bezeichnet dabei die Ausführung eines bereits trainierten KI-Modells.
Der Wert bezieht sich auf diesen berichteten Vergleich und ist kein allgemeiner Leistungsfaktor für jede Anwendung. Die Angaben zum verwendeten Modell, zur Software, zur Hardwarekonfiguration und zur Messmethode sind nicht vollständig veröffentlicht.
Eine separate TPP-Analyse — TPP steht für „Total Processing Performance“ — beziffert den Abstand zwischen Huaweis leistungsfähigsten aktuellen Chips und den besten US-amerikanischen KI-Chips auf etwa den Faktor fünf. Für die zweite Hälfte des Jahres 2027 wird in dieser Analyse unter Roadmap-Annahmen ein Abstand von 17 zu 1 projiziert. Das ist eine Analyse auf Basis eines anderen Leistungsmaßes als der 910C-H100-Inferenzvergleich.
Der Engpass liegt auch in der Fertigung
Chipdesign allein reicht für Huaweis Plan nicht aus. KI-Beschleuniger benötigen moderne Fertigungsprozesse, leistungsfähigen Speicher mit hoher Bandbreite, fortschrittliches Packaging, hohe Ausbeuten in der Produktion und eine Softwareumgebung, die Entwickler verwenden können.
Die chinesische Fertigung ist besonders beim Zugang zu moderner Lithografie und anderen Halbleiteranlagen eingeschränkt. Die Produktion von Ascend-Chips wird mit 7-nm-Fertigungsprozessen in Verbindung gebracht; welche aktuellen Chips genau bei SMIC oder TSMC gefertigt werden, ist dabei nicht abschließend geklärt.
Auch die Software bleibt ein zentraler Faktor. Nvidia verfügt mit CUDA über ein weit verbreitetes Entwicklungsökosystem. Huawei muss deshalb nicht nur Beschleuniger und Netzwerke bereitstellen, sondern auch Werkzeuge und Schnittstellen, mit denen bestehende KI-Anwendungen auf Ascend-Systemen laufen.
Huaweis Atlas-Strategie ist damit ein Versuch, Einschränkungen bei einzelnen Komponenten durch Systemgröße, Vernetzung und eigene Infrastruktur auszugleichen. Ob dieser Ansatz Nvidia bei einzelnen Chips erreicht, ist eine andere Frage als die, ob er für bestimmte chinesische KI-Rechenzentren ausreichend leistungsfähig und skalierbar ist.
