Wer fragt, ob DeepSeek und Liang Wenfeng wirklich eigene Chips bauen, findet am 7. Juli 2026 eine Reuters-Exklusive: Drei Insider berichten, DeepSeek entwickle einen maßgeschneiderten KI-Inferenzchip. Das Projekt startete etwa ein Jahr zuvor und befindet sich in einer frühen Phase – ohne offizielle Bestätigung. Paradox: DeepSeek ist bereits tief in Huawei Ascend integriert, treibt dennoch Eigenentwicklung voran – Kooperation und Eigenbau laufen parallel. Gleichzeitig hat Alibaba T-Head Zhenwu 810E über 560.000 Stück ausgeliefert und erzielt milliardenschwere Jahresumsätze – der Kontrast zwischen Gerücht und achtjähriger Praxis. Dieser Artikel deckt die vollständige Recherche ab: Reuters-Beweiskette, Liang-Wenfeng-Zitate, Jacks-Ma-T-Head-Strategie von 2018, globaler Fortschrittsvergleich Juli 2026, fünf Treiber, Inferenz vs. Training, Risiken und FAQ – inklusive Hyperscaler-Vergleichstabelle und Sechs-Schritte-Checkliste für Entwickler. Für Enterprise-Leser relevant: Lieferketten- und Data-Residency-Fragen (auch im DSGVO-Kontext bei EU-Workloads). Letzte Aktualisierung: 2026-07-09
Am 7.–8. Juli 2026 griffen zahlreiche Medien die Reuters-Exklusive auf. Die Kernpunkte stimmen überein:
Ziel ist Inferenz, nicht Training: DeepSeek entwickelt einen hauseigenen KI-Chip, optimiert für Inferenz-Workloads (inference).
Frühe Phase: Das Projekt startete etwa Mitte 2025 (in Berichten als „vor einem Jahr“), befindet sich noch in früher F&E.
Lieferkettengespräche: Gespräche mit Chip-Design-Häusern, Foundries und Speicherlieferanten laufen.
Diskrete Rekrutierung: In den letzten Monaten verstärkte Einstellung von Chip-Design-Ingenieuren – nicht über öffentliche Jobportale, sondern gezieltes Abwerben.
Doppelte Abhängigkeit durchbrechen: Bei Erfolg sinkt die Abhängigkeit von Nvidia und Huawei Ascend – DeepSeek hatte Ascend bereits tief integriert.
Formulierungsgrenze: Korrekt: „Laut Reuters und weiteren Medien hat DeepSeek ein Inferenz-Chip-Programm gestartet.“ Nicht korrekt: „Liang Wenfeng kündigt Chip-Bau offiziell an“ – stets mit Insider-Quelle, früher Phase und fehlender Bestätigung kennzeichnen.
Haftungsausschluss: Stand 2026-07-09 hat DeepSeek kein Pressestatement oder Social-Media-Post zur Chip-Entwicklung veröffentlicht. Dieser Artikel zitiert Reuters mit der Standardformulierung „three people familiar with the matter“ – hohe Glaubwürdigkeit im Finanzjournalismus, aber keine offizielle Bestätigung.
| Dimension | Bewertung |
|---|---|
| Quellenstufe | Hoch. Reuters mit drei Insidern, von globalen Finanzmedien querverifiziert |
| Offizielle Unternehmensbestätigung | Keine. Stand Recherchedatum keine formelle Mitteilung von DeepSeek |
| Indirekte Belege | Stark. Erste externe Finanzierung Juni 2026 ca. 51 Mrd. Yuan (~7,4 Mrd. USD), u. a. für eigene KI-Chips und Ausbau inländischer Compute-Zentren; IDC-Planung für Ingenieur-Rekrutierung (Ulanqab u. a.); UE8M0-FP8-Format von Branchenbeobachtern als HW/SW-Co-Design für heimische Chips interpretiert |
| Widersprüchliche Einschätzungen | Teils wird kurzfristige Abhängigkeit von Huawei Ascend betont. Präziser: Kooperation und Eigenentwicklung parallel – Eigenbau früh, Kooperation bereits live |
2023–2024 Liang Wenfeng (Dark Waves): Exportverbote größte Herausforderung; Compute-Hunger 2025-01 DeepSeek R1, trainiert auf Nvidia H800 (seit Ende 2023 exportverboten) 2025 Mitte Gerücht: Start des Eigenchip-Programms 2026-04 DeepSeek V4 Ascend-kompatibel; V4-Flash teils auf Ascend trainiert 2026-06 Erste externe Finanzierung ~7,4 Mrd. USD, u. a. für Eigenchips 2026-07-07 Reuters: DeepSeek entwickelt Inferenz-Chip (Exklusive) 2026-07 The Information: Zhipu AI prüft ebenfalls Custom Chips
Liang Wenfeng gibt selten Interviews. Die wertvollsten Quellen sind die Dark-Waves-Interviews von Mai 2023 und Juli 2024. Er hat nie öffentlich angekündigt, dass „DeepSeek Chips baut“ – Reuters berichtet über Unternehmenshandeln (Rekrutierung, Lieferantengespräche), nicht über eine Gründererklärung.
„Unsere wahre Herausforderung war nie Kapital, sondern Exportverbote für High-End-Chips.“ – Liang Wenfeng, Dark Waves Juli 2024
Diese Aussagen definieren die strategischen Motive: Compute-Engpass, Exportkontrolle, Notwendigkeit von HW/SW-Co-Design. Im Text unterscheiden: „Langfristige Gründeraussagen“ ≠ „offizielle Projektankündigung“.
Die Frage „Hat Jack Ma Ähnliches gesagt?“ erfordert Klarstellung: Alibabas Chip-Strategie ist seit Jahren umgesetzt, kein aktuelles Gerücht. Nicht schreiben „Jack Ma will jetzt Chips bauen“, sondern: Jack Ma legte 2018 die T-Head-Strategie, Joe Tsai erklärte 2024 Exportkontrollen, Eddie Wu lieferte 2026 Serienproduktionsdaten.
| Person | Rolle | Öffentliche Chip-Aussagen |
|---|---|---|
| Jack Ma | Strategischer Entscheider 2018 | T-Head benannt, Chips als Gruppenstrategie; seit 2019 weniger öffentliche Auftritte nach Rücktritt als Vorsitzender |
| Joe Tsai | Aktueller Chairman | Podcast 2024: US-Chip-Exportbeschränkungen „deutliche Auswirkung“ auf Alibaba Cloud; China ~2 Jahre hinter USA in KI; langfristiges Vertrauen in heimische Halbleiterfähigkeit; Exportkontrolle ein Grund für aufgeschobene Alibaba-Cloud-Spin-off |
| Eddie Wu | Aktueller CEO | Earnings Call FY2026: T-Head AI-Chips kumuliert 470.000+ ausgeliefert, milliardenschwerer Jahresumsatz; T-Head-IPO nicht ausgeschlossen |
| Modell | Zeitpunkt | Kernpunkte |
|---|---|---|
| HanGuang 800 | 2019 | Früher KI-Inferenzchip |
| Zhenwu 810E | Jan. 2026 | Training+Inferenz; 96 GB HBM2e; Leistung zwischen Nvidia A800 und H20; in Serienproduktion |
| Zhenwu M890 | 2026 | 144 GB VRAM, 800 GB/s Chip-zu-Chip, ca. 3× Leistung vs. 810E |
| Zhenwu V900 | geplant Q3 2027 | 216 GB VRAM, 1200 GB/s Interconnect |
| Zhenwu J900 | geplant Q3 2028 | Iteration eigener Parallel-Compute-Architektur |
Verhältnis zu Nvidia: WSJ berichtet, Alibabas neuer Chip sei CUDA-kompatibel – geringere Migrationskosten für Ingenieure (anders als Huaweis Route). Fertigung: von früher TSMC hin zu inländischer Fertigung (Branche verweist auf SMIC 7nm u. ä.), um US-Regeln zu TSMC-Fertigung fortgeschrittener KI-Chips für Festlandchina zu umgehen. Für EU-Unternehmen mit DSGVO-Pflichten bleibt relevant, wo Trainings- und Inferenzdaten physisch verarbeitet werden – unabhängig vom Chip-Hersteller.
Im Juli 2026 ist „KI-Firmen bauen eigene Chips“ ein globales Phänomen. TrendForce (2026): Auslieferungswachstum bei Cloud-Custom-AI-Chips 44,6 %, deutlich über allgemeinen GPUs mit 16,1 % – Custom Silicon überholt GPUs erstmals signifikant beim Wachstum.
| Unternehmen | Chip-Projekt | Phase | Szenario | Schlüsselzahlen/Ereignisse |
|---|---|---|---|---|
| DeepSeek | Eigenes Inferenz-ASIC (unnamed) | Frühe F&E | Inferenz | 7,4 Mrd. USD Finanzierung; diskrete Rekrutierung; nicht offiziell bestätigt |
| Alibaba (T-Head) | Zhenwu 810E / M890 | Serienproduktion | Training+Inferenz | 560.000+ ausgeliefert; milliardenschwerer Jahresumsatz |
| Huawei | Ascend 950 u. a. | Serienproduktion | Training+Inferenz | DeepSeek V4 kompatibel; Auftragsspitze (Reuters) |
| OpenAI | Jalapeño (mit Broadcom) | Tape-out, Deployment ausstehend | Inferenz | 9 Monate Design bis Tape-out; Deployment Ende 2026 (siehe Jalapeño-Analyse) |
| TPU v6/v7 | Großflächig kommerziell | Training+Inferenz | Gemini End-to-End auf TPU | |
| Amazon | Trainium3 / Inferentia | Kommerziell | Training+Inferenz | Anthropic nutzt Trainium in großem Maßstab |
| Microsoft | Maia 100 | Deployment läuft | Inferenz | Azure / OpenAI-Workloads |
| Meta | MTIA | Intern deployed | Inferenz | Primär Empfehlungssysteme; einmaliger Neustart |
| Anthropic | Verhandlungen mit Samsung | Exploration | Offen | The Information, Juli 2026 |
| Zhipu AI | Prüfung eigener Custom Chips | Früh | Inferenz | The Information, Juli 2026 |
2026-06-24 OpenAI + Broadcom stellen Jalapeño vor (Inferenz-ASIC, 9 Monate bis Tape-out) 2026-07-02 Anthropic verhandelt laut Bericht mit Samsung über 2nm Custom Chip 2026-07-07 Reuters: DeepSeek entwickelt Inferenz-Chip 2026-07-07 The Information: Zhipu AI prüft Eigenchips
Kurzantwort: Nicht „Chips um der Chips willen“, sondern weil der KI-Wettbewerb von „bestes Modell“ zu „günstigste, kontrollierbarste Compute“ gewachsen ist.
Ökonomie: Inferenzkosten sind die „Miete“ der KI – Training = Anzahlung (einmalig); Inferenz = monatliche Miete (skaliert linear mit Nutzern). Bei ChatGPTs hunderten Millionen DAU übersteigen Inferenzausgaben Training. Morgan Stanley schätzte: 24.000 Blackwell-GPU-Cluster ~852 Mio. USD Hardware; vergleichbarer Google-TPU-Cluster ~99 Mio. USD. SemiAnalysis, Bernstein: Custom ASICs können 40–65 % TCO-Vorteil vs. General-Purpose-GPU; bei Hyperscalern 30–40 % niedrigere Kosten pro Token. Nvidias Datacenter-GPU-Marge über 70 % – Eigenchips wandeln permanente „GPU-Steuer“ in einmalige F&E um.
Lieferkettensicherheit und Geopolitik: US-Exportkontrollen für High-End-AI-Chips (H100/H800/H20 u. a.); chinesische Regulierung fördert heimische Compute-Beschaffung. „Sicherheit“ bedeutet planbare Lieferketten – nicht abhängig von einem Lieferanten oder einer Exportpolitik. Für EU-Enterprise-Teams mit DSGVO- und Lieferketten-Audits ist das kein abstraktes Thema: Wo liegen Chips, Foundries und Inference-Logs physisch?
HW/SW-Co-Design: DeepSeek UE8M0 FP8, MLA-Architektur → hardwareoptimiert; OpenAI Jalapeño → um ChatGPT-Serving; Google TPU → TensorFlow/JAX-tief integriert. General-Purpose-GPU opfert Effizienz für Flexibilität; Custom Chips opfern Flexibilität für bekannte Workloads.
Wettbewerbsvorteil und Verhandlungsmacht: Selbst ohne vollständigen Nvidia-Ersatz stärken Eigenchips Einkaufsverhandlungen, differenzieren Cloud-Angebote und erzählen die „Modell + Cloud + Chip“-Story (Alibabas „Golden Triangle“).
Energie und Nachhaltigkeit: Inferenz-Chips betonen Performance-per-Watt. In Megawatt- und Gigawatt-Rechenzentren sind Strom- und Kühlkosten vergleichbar mit Chip-Beschaffung.
| Dimension | Training | Inferenz |
|---|---|---|
| Workload | Dynamisch, experimentell, Architekturwechsel häufig | Statisch, Modell fix, Request-Muster planbar |
| Software-Ökosystem | CUDA-Moat tief (cuDNN, NCCL, Nsight) | Fixes Modell erlaubt handoptimierte Kernel |
| Chip-Anforderung | Peak-Compute + flexible Programmierung | Throughput, Latenz, Kosten pro Token |
| Ökonomische Skala | Einmalig große Cluster-Investition | 7×24 dauerhaft, größeres Volumen |
| Beispiele | Nvidia H100/B200 dominiert | TPU, Trainium, Maia, Jalapeño, DeepSeek-Gerücht-Chip |
Fazit: Training bleibt Nvidia-Domäne; Inferenz ist das Schlachtfeld der Custom ASICs. Sicherheit vs. Kostensenkung: beides – aber Ökonomie ist Treiber Nr. 1; Geopolitik beschleunigt vorhandene Motive. Beide Linien gehören in einen ausgewogenen Artikel.
Gerücht vs. Ankündigung trennen: DeepSeek-Chip laut Reuters in früher F&E – nicht als serienreif behandeln; Alibaba T-Head Zhenwu ist produktionsreif, aber primär Cloud- und Enterprise-Cluster, nicht Sofortkauf für Einzelentwickler.
Training vs. Inferenz-Compute trennen: Die Custom-Chip-Welle zielt auf Inferenz – lokales LLM-Training hängt weiter an Nvidias CUDA-Ökosystem; „heimische Alternative“ bedeutet nicht, dass CUDA verschwindet.
API-Preiskurve verfolgen: Sinkende Inferenz-TCO kann sich auf DeepSeek-API und Cloud-Preise auswirken – Model Routing, Batch API, Prompt Caching nutzen.
Heimische Compute-Stacks evaluieren: DeepSeek V4 Ascend-kompatibel; Alibaba Zhenwu CUDA-kompatibel – bei der Wahl HW/SW-Co-Design und Migrationskosten prüfen, nicht nur Peak-TOPS.
Lokalen Execution Layer separat planen: Günstigere Rechenzentrum-Inferenz löst nicht das Swap-Problem bei Claude Code Langsitzungen auf dem 16-GB-Laptop – CLI-Agenten brauchen stabile Hardware-Knoten.
macOS-Schwergewichte in die Cloud verlagern: iOS CI/CD, notarytool, Keychain-Isolation profitieren nicht von Inferenz-ASICs – dedizierter Remote-Mac-Execution-Layer nötig.
Quellenhinweis: Primärquellen: Reuters (DeepSeek-Chip), OpenAI offiziell (Jalapeño), WSJ (Alibaba AI-Chip), Caixin Global (Zhenwu-810E-Analyse), Joe Tsai SCMP-Interview. DeepSeek-Chip bis zur offiziellen Bestätigung vorsichtig formulieren.
Hyperscaler-Inferenzchips heben die Effizienz-Obergrenze im Rechenzentrum – doch lokale Agent-Langsitzungen auf dem Laptop swapen weiterhin; günstige Linux-VPS führen kein xcodebuild oder notarytool aus. Teams mit iOS CI/CD und AI-Agent-Automatisierung, die stabile SSH-Langsitzungen, Keychain-Isolation und planbare Bandbreite brauchen (inkl. DSGVO-bewusster Datenhaltung am Execution Layer), setzen Schwergewichte nach dem Verständnis dieses Chip-Wettlaufs oft auf dedizierte Cloud-Macs statt lokale Hardware-Wetten. NodeMini Mac Mini Cloud-Miete als CLI-Agent-Execution-Layer: Unabhängig davon, wie Inferenzchips Cloud-API-Preise verschieben, bleibt der SSH-Knoten stabil. Spezifikationen: Mac-Mini-Mietpreise; Onboarding: Hilfezentrum.
Letzte Aktualisierung: 2026-07-09. DeepSeek hat das Chip-Programm nicht offiziell bestätigt.
Reuters berichtete am 7. Juli 2026 unter Berufung auf drei Insider – hohe Glaubwürdigkeit, aber DeepSeek hat das Projekt nicht offiziell bestätigt. Es befindet sich in einer frühen Phase. Hardware-Empfehlungen für Agent-Langsitzungen: Mac-Mini-Mietpreise.
Nein. In einem Interview 2024 nannte er Exportverbote für High-End-Chips die größte Herausforderung und betonte Compute-Deployment, kündigte aber kein eigenes Chip-Programm an. Reuters berichtet über Unternehmenshandeln, nicht über eine Gründererklärung.
Jack Ma legte 2018 die T-Head-Strategie und benannte das Unternehmen; Joe Tsai betont Exportkontrollen, Eddie Wu liefert Serienproduktionsdaten. Alibabas Chip-Geschäft ist etabliert, kein aktuelles Gerücht. Nicht schreiben „Jack Ma will jetzt Chips bauen“.
Inferenz-Workloads sind stabil, groß und dauerhaft – ideal für ASIC-Optimierung. Training braucht CUDA-Ökosystem und maximale Flexibilität; Nvidia dominiert weiterhin. Remote-Dev-Setup: Hilfezentrum.
Beides. Kurzfristig sind Inferenzkosten und Lieferkettenrisiken am dringlichsten; Geopolitik beschleunigt vorhandene wirtschaftliche Motive. Ökonomie ist Treiber Nr. 1 – „Nvidia-Steuer“ und Kosten pro Token senken. Für EU-Enterprise auch DSGVO und Data Residency prüfen: Hilfezentrum.