Was ist ein KI-Chip?

Vom Jeopardy!-Gewinn von IBM® Watson über die Veröffentlichung von ChatGPT durch OpenAI bis hin zu selbstfahrenden Autos und generativer KI – das Potenzial der KI scheint derzeit grenzenlos zu sein, und die meisten großen Technologieunternehmen, darunter Google, IBM, Intel, Apple und Microsoft, sind stark in diese Technologie involviert.

Doch je komplexer die Probleme werden, mit denen sich die KI befasst, desto höher sind auch die Anforderungen an Rechenleistung und Geschwindigkeit. KI-Chips sind so konzipiert, dass sie den Anforderungen hochentwickelter KI-Algorithmen gerecht werden und KI-Kernfunktionen ermöglichen, die auf herkömmlichen zentralen Recheneinheiten (Central Processing Units, CPUs) nicht möglich sind.

Der Begriff „KI-Chip“ ist weit gefasst und umfasst viele Arten von Chips, die für die anspruchsvollen Rechenumgebungen entwickelt wurden, die für KI-Aufgaben erforderlich sind. Zu den gängigen KI-Chips gehören Grafikprozessoren  (Graphics Processing Units, GPUs), Field Programmable Gate Arrays (FPGAs) und anwendungsspezifische integrierte Schaltkreise (Application-Specific Integrated Circuits, ASICs). Einige dieser Chips sind zwar nicht unbedingt speziell für KI konzipiert, aber sie sind für fortschrittliche Anwendungen ausgelegt und viele ihrer Funktionen sind auf KI-Workloads anwendbar.

Die KI-Branche entwickelt sich rasant weiter, und fast täglich gibt es in den Nachrichten Durchbrüche in den Bereichen ML und generative KI zu vermelden. Mit der Weiterentwicklung der KI-Technologie sind KI-Chips für die Entwicklung von KI-Lösungen im großen Maßstab unverzichtbar geworden. So würde beispielsweise die Bereitstellung einer modernen KI-Anwendung wie Gesichtserkennung oder umfangreiche Datenanalyse mit einer herkömmlichen CPU – oder sogar einem KI-Chip von vor einigen Jahren – exponentiell mehr kosten. Moderne KI-Chips sind ihren Vorgängern in vier entscheidenden Punkten überlegen: Sie sind schneller, leistungsfähiger, flexibler und effizienter.

KI-Chips verwenden eine andere, schnellere Rechenmethode als frühere Chipgenerationen. Parallelverarbeitung, auch bekannt als Parallel Computing, ist der Prozess der Aufteilung großer, komplexer Probleme oder Aufgaben in kleinere und weniger komplexe Bestandteile. Während ältere Chips einen Prozess verwenden, der als sequentielle Verarbeitung bezeichnet wird (d. h. der Übergang von einer Berechnung zur nächsten), führen KI-Chips Tausende, Millionen – sogar Milliarden –Berechnungen gleichzeitig durch. Diese Fähigkeit ermöglicht es KI-Chips, große, komplexe Probleme zu bewältigen, indem sie diese in kleinere aufteilen und gleichzeitig lösen, wodurch sich ihre Geschwindigkeit exponentiell erhöht.

KI-Chips sind viel anpassungsfähiger als ihre Gegenstücke und können für eine bestimmte KI-Funktion oder ein bestimmtes Trainingsmodell entwickelt werden. ASIC-KI-Chips sind beispielsweise extrem klein und hochgradig programmierbar und werden in einer Vielzahl von Anwendungen eingesetzt – von Mobiltelefonen bis hin zu Verteidigungssatelliten. Im Gegensatz zu herkömmlichen CPUs sind KI-Chips so konzipiert, dass sie die Anforderungen und Rechenanforderungen typischer KI-Aufgaben erfüllen. Diese Eigenschaft hat zu schnellen Fortschritten und Innovationen in der KI-Branche beigetragen.

Moderne KI-Chips benötigen weniger Energie als frühere Generationen. Dies ist vor allem auf Verbesserungen in der Chip-Technologie zurückzuführen, die es KI-Chips ermöglichen, ihre Aufgaben effizienter zu verteilen als ältere Chips. Moderne Chip-Funktionen wie die Arithmetik mit geringer Genauigkeit ermöglichen es KI-Chips, Probleme mit weniger Transistoren und damit geringerem Energieverbrauch zu lösen. Diese umweltfreundlichen Verbesserungen können dazu beitragen, den CO2-Fußabdruck ressourcenintensiver Betriebe wie Rechenzentren zu verringern.

Da KI-Chips speziell für einen bestimmten Zweck entwickelt werden, oft mit einer sehr spezifischen Aufgabe im Hinterkopf, liefern sie genauere Ergebnisse bei der Ausführung von Kernaufgaben wie der Verarbeitung natürlicher Sprache (NLP) oder der Datenanalyse. Diese Präzision ist zunehmend erforderlich, da KI-Technologie in Bereichen eingesetzt wird, in denen Geschwindigkeit und Genauigkeit von entscheidender Bedeutung sind, wie z. B. in der Medizin.

Obwohl es viele Eigenschaften gibt, die KI-Chips für die Weiterentwicklung der KI-Technologie entscheidend machen, gibt es auch Herausforderungen, die einer breiten Einführung dieser leistungsstarken Hardware im Wege stehen:

Laut The Economist produzieren Chiphersteller auf der Insel Taiwan über 60 % der weltweiten Halbleiter und mehr als 90 % der fortschrittlichsten Chips.Leider behindern entscheidende Engpässe und eine fragile geopolitische Lage das Wachstum.¹

Nvidia, das weltweit größte Unternehmen für KI-Hardware und -Software, verlässt sich bei seinen fortschrittlichsten KI-Chips fast ausschließlich auf die Taiwan Semiconductor Manufacturing Corporation (TSMC). Die Bemühungen Taiwans, seine Unabhängigkeit von China zu bewahren, dauern an, und einige Analysten haben spekuliert, dass eine chinesische Invasion der Insel die Fähigkeit von TSMC, KI-Chips herzustellen, vollständig zum Erliegen bringen könnte.

Da Entwickler immer größere und leistungsfähigere KI-Modelle entwickeln, steigen die Rechenanforderungen schneller als die Fortschritte beim Design von KI-Chips. Es werden Verbesserungen bei der KI-Hardware erwartet, wobei Unternehmen Bereiche wie In-Memory-Computing und KI-Algorithmus-gestützte Leistung und Fertigung erforschen, um die algorithmische Effizienz von Chips zu steigern. Allerdings schreiten diese Entwicklungen nicht so schnell voran wie die Zunahme des Rechenbedarfs von KI-Anwendungen.

Da die Leistungsanforderungen steigen, werden KI-Chips immer größer und benötigen mehr Energie, um zu funktionieren. Moderne, fortschrittliche KI-Chips benötigen Hunderte von Watt Leistung pro Chip, eine Energiemenge, die sich nur schwer auf kleinem Raum unterbringen lässt. Es sind erhebliche Fortschritte in der Architektur des Stromversorgungsnetzes (PDN) erforderlich, um KI-Chips mit Strom zu versorgen, da sonst ihre Leistung beeinträchtigt wird.

Der Begriff „KI-Chip“ bezieht sich auf eine integrierte Schaltungseinheit, die aus einem Halbleiter (in der Regel Silizium) und Transistoren besteht. Transistoren sind Halbleitermaterialien, die mit einem elektronischen Schaltkreis verbunden sind. Wenn ein elektrischer Strom durch den Schaltkreis geschickt und ein- und ausgeschaltet wird, erzeugt dies ein Signal, das von einem digitalen Gerät als Eins oder Null gelesen werden kann.

In modernen Geräten, wie z. B. KI-Chips, schalten sich die Ein- und Aus-Signale Milliarden Mal pro Sekunde um, sodass Schaltkreise komplexe Berechnungen mithilfe von Binärcode lösen können, um verschiedene Arten von Informationen und Daten darzustellen.

Chips können verschiedene Funktionen haben; zum Beispiel speichern und rufen Speicherchips in der Regel Daten ab, während Logikchips komplexe Vorgänge ausführen, die die Verarbeitung von Daten ermöglichen. KI-Chips sind Logikchips, die die großen Datenmengen verarbeiten, die für KI-Workloads benötigt werden.

Ihre Transistoren sind in der Regel kleiner und effizienter als die in Standardchips, wodurch sie eine schnellere Verarbeitungsleistung und einen geringeren Energieverbrauch erzielen.

Vielleicht ist keine andere Funktion von KI-Chips für KI-Workloads wichtiger als die Parallelverarbeitungsfunktion, die das Lösen komplexer Lernalgorithmen beschleunigt. Im Gegensatz zu herkömmlichen Chips ohne parallele Verarbeitungsfunktionen können KI-Chips viele Berechnungen gleichzeitig durchführen, sodass sie Aufgaben in wenigen Minuten oder Sekunden erledigen können, für die Standardchips viel länger benötigen würden.

Aufgrund der Anzahl und Komplexität der Berechnungen, die beim Training von KI-Modellen anfallen, sind die parallelen Verarbeitungsfähigkeiten von KI-Chips für die Effektivität und Skalierbarkeit der Technologie von entscheidender Bedeutung.

Es gibt verschiedene Arten von KI-Chips, die sich in Design und Zweck unterscheiden.

Grafikprozessoren (GPUs) sind elektronische Schaltkreise, die Computergrafiken und Bildverarbeitung auf verschiedenen Geräten beschleunigen, darunter Grafikkarten, Motherboards, Mobiltelefone und Personal Computer (PCs).

Obwohl sie ursprünglich für Grafikzwecke entwickelt wurden, sind GPU-Chips aufgrund ihrer Fähigkeit zur parallelen Verarbeitung für das Training von KI-Modellen unverzichtbar geworden. Entwickler schließen in der Regel mehrere GPUs an dasselbe KI-System an, um von einer noch höheren Rechenleistung zu profitieren.

Field Programmable Gate Arrays (FPGAs) sind maßgeschneiderte, programmierbare KI-Chips, die spezielle Kenntnisse zur Neuprogrammierung erfordern. Im Gegensatz zu anderen KI-Chips, die oft speziell für eine bestimmte Anwendung entwickelt werden, verfügen FPGAs über ein einzigartiges Design, das eine Reihe miteinander verbundener und konfigurierbarer Logikblöcke umfasst. FPGAs können auf Hardwareebene neu programmiert werden, was ein höheres Maß an Anpassung ermöglicht. 

Neuronale Verarbeitungseinheiten (NPUs) sind KI-Chips, die speziell für Deep Learning und Neural Networks und die großen Datenmengen, die diese Workloads erfordern, entwickelt wurden. NPUs können große Datenmengen schneller verarbeiten als andere Chips und verschiedene KI-Aufgaben wie Bilderkennung und NLP-Funktionen für beliebte Anwendungen wie ChatGPT ausführen.

Anwendungsspezifische integrierte Schaltkreise (ASICs) sind Chips, die speziell für KI-Anwendungen entwickelt wurden und nicht wie FPGAs neu programmiert werden können. Da sie jedoch für einen einzigen Zweck entwickelt wurden, nämlich häufig zur Beschleunigung von KI-Workloads, übertreffen sie in der Regel ihre weniger spezialisierten Pendants.

KI-Chips sind ein entscheidender Bestandteil bei der Entwicklung und Umsetzung einer der am schnellsten wachsenden Technologien der Welt. Ihre Anwendungsfälle erstrecken sich über Kontinente und Branchen hinweg. Von Smartphones und Laptops bis hin zu moderneren KI-Anwendungen wie Robotik, selbstfahrenden Autos und Satelliten – KI-Chips entwickeln sich in vielen Branchen schnell zu einer entscheidenden Komponente. Zu den gängigsten Anwendungen gehören: