Alle paar Wochen, kündigt ein weiteres Unternehmen an, dass es "Nvidia $NVDA herausfordert." Die Darstellung ist konsistent. Die dahinter stehenden Ambitionen sind es nicht. Einige Unternehmen entwerfen Chips, die nur für Inferenz gebaut sind, die Aufgabe, eine Frage zu beantworten oder ein Bild zu generieren, sobald ein Modell bereits trainiert ist. Andere wollen etwas Anspruchsvolleres: Kontrolle über die gesamte Pipeline, vom Chipdesign bis zur Fabrik, die ihn baut. Viele andere fallen irgendwo zwischen diese beiden Extreme und verfolgen engere Ziele, wie z.B. die Senkung bestimmter Kosten oder die Reduzierung ihrer Abhängigkeit von einem Lieferanten. Fast niemand versucht einen vollständigen Ersatz von Nvidia über Training, Inferenz und den freien Markt hinweg.
Einige Unternehmen entwerfen Chips, die nur für Inferenz gebaut sind, die Aufgabe, eine Frage zu beantworten oder ein Bild zu generieren, sobald ein Modell bereits trainiert ist. Andere wollen etwas Anspruchsvolleres: Kontrolle über die gesamte Pipeline, vom Chipdesign bis zur Fabrik, die ihn baut. Viele andere fallen irgendwo zwischen diese beiden Extreme und verfolgen engere Ziele, wie z.B. die Senkung bestimmter Kosten oder die Reduzierung ihrer Abhängigkeit von einem Lieferanten. Fast niemand versucht einen vollständigen Ersatz von Nvidia über Training, Inferenz und den freien Markt hinweg.
Der Unterschied ist wichtig, denn Unternehmen, die jetzt versuchen, Nvidias dominante Position auf dem Chipmarkt zu verdrängen, jagen nicht alle dem gleichen Preis hinterher. Der einzige Weg, sie zu unterscheiden, ist, sich anzusehen, was jeder tatsächlich will, nicht die Schlagzeile, die sie zusammenfasst.
Die Trennung zwischen Training und Inferenz
Nvidias Dominanz im Training – dem rechenintensiven Prozess des Aufbaus von KI-Modellen von Grund auf – bleibt seine stärkste Position. Laut Silicon Analysts, das Schätzungen von TrendForce, Morgan Stanley $MS und TSMC $TSM-Kapazitätsdaten zusammenstellt, überstieg Nvidias Anteil im Training im Jahr 2025 90 %. Sein Inferenzanteil lag im gleichen Zeitraum zwischen 60 % und 75 %, beeinträchtigt durch wachsenden Wettbewerb durch kundenspezifisches Silizium. Zwischen den beiden Bereichen beträgt die Lücke ungefähr 15 bis 30 Prozentpunkte. Genau in diesem Bereich kämpfen die meisten Herausforderer.
Groq, ein AI-Chip-Startup, baute seine Language Processing Unit speziell für Inferenz, wobei schnelle, vorhersehbare Antworten gegenüber der für das Training erforderlichen Flexibilität priorisiert wurden. Laut seiner eigenen Produktbeschreibung wurde das Unternehmen „2016 für Inferenz gegründet“ und vermarktet sich als „der einzige maßgeschneiderte Inferenzchip“ für Entwickler. Groq konkurriert um die Arbeitslast, die nach dem Vorhandensein eines Modells entsteht, nicht um Nvidias Trainingsverträge.
Googles Verlauf erzählt eine ähnliche Geschichte. Google $GOOGL beschreibt Ironwood, das neueste Tensor Processing Unit des Unternehmens, als sein erstes TPU „speziell für Inferenz entwickelt.“ Google baut immer noch TPUs, die das Training bewältigen, aber der strategische Schwerpunkt hat sich auf das Segment verlagert, in dem Nvidias Griff am schwächsten ist. Und Google verkauft Ironwood nicht als eigenständigen Chip. Der einzige Weg, einen zu nutzen, besteht darin, Kapazität über Google Cloud zu mieten. Käufer sind an die Cloud-Preise und Infrastruktur von Google gebunden und können die Hardware nicht direkt besitzen.
Interne Siliziumlösungen versus der offene Markt
Der wichtigste Unterschied zwischen Nvidias Herausforderern könnte der einfachste sein: Verkaufen sie Chips an andere oder verwenden sie diese intern?
OpenAI will sich von Nvidias Preis- und Produktionsplan befreien, nicht ins Chip-Geschäft einsteigen. Seine Partnerschaft mit Broadcom $AVGO, angekündigt im Oktober 2025, beinhaltet die gemeinsame Entwicklung von maßgeschneiderten KI-Chips, die bis zu 10 Gigawatt Leistung ziehen, was so viel Strom wie 10 große Kernreaktoren erzeugen. Der erklärte Zweck ist es, OpenAI zu ermöglichen, „das, was es beim Entwickeln von Spitzenmodellen und Produkten gelernt hat, direkt in die Hardware zu integrieren.“ Die Chips werden „über die Einrichtungen von OpenAI und die Rechenzentren von Partnern eingesetzt“ und niemals an andere verkauft.
Amazon $AMZN ist der nächste, den ein Cloud-Anbieter gekommen ist, um einen echten offenen Markt-Rivalen zu Nvidia aufzubauen. AWS, Amazons Cloud-Abteilung, hat gemacht seine Trainium-Chips externen Kunden durch den Cloud-Mietservice EC2 zur Verfügung. Bis März wurden laut TechCrunch, mit mehr als einer Million Trainium2-Chips allein für Claudes Betrieb bei Anthropic. Amazon hat auch zwei Gigawatt Trainium-Rechenkapazität an OpenAI zugesagt und seine Chips in zwei der prominentesten KI-Labore der Branche platziert.
AMD $AMD belegt eine einzigartige Kategorie als das einzige große Unternehmen, das Trainings- und Inferenz-GPUs an Dritte verkauft, ohne auch eine Cloud-Plattform zu sein. Seine Instinct-MI300-Serie hat gewonnen Kunden wie Microsoft $MSFT Azure, Meta $META, Dell $DELL, HPE und Lenovo. AMD-CEO Lisa Su hat gesagt die MI350-Serie bietet "den größten generationalen Leistungssprung in der Geschichte von Instinct."
Der Wassergraben, der nicht aus Silizium besteht
Selbst dort, wo konkurrierende Hardware die Spezifikationen von Nvidia auf dem Papier erreicht oder übertrifft, bleibt eine separate Barriere bestehen. Das CUDA-Software-Ökosystem von Nvidia, das 2006 eingeführt wurde, hat fast zwei Jahrzehnte an Bibliotheken, Tools und Entwicklerexpertise angesammelt. Laut Nvidias eigenem Jahresbericht vom Januar 2025 nutzen weltweit mehr als 5,9 Millionen Entwickler CUDA und verwandte Tools, über Hunderte von domänenspezifischen Bibliotheken hinweg.
Eine Benchmark-Studie von SemiAnalysis im Dezember 2024 fand heraus dass AMDs MI300X, trotz höherer vermarkteter Leistungszahlen, in wichtigen Trainingsbenchmarks um 14 % langsamere Ergebnisse lieferte als Nvidias H100 und H200. "Der CUDA-Graben ist für AMD noch nicht überwunden, aufgrund der schwächer als erwarteten Software-Qualitätssicherungskultur von AMD und ihrer herausfordernden Out-of-the-Box-Erfahrung", schloss SemiAnalysis.
Nvidias Chip zu schlagen, ist notwendig, aber nicht ausreichend. Das Ökosystem darum bestimmt, ob Kunden es nutzen können, ohne ihren gesamten Workflow neu aufzubauen. Deshalb hat Amazon in die Unterstützung von PyTorch investiert, der Software, die die meisten KI-Entwickler bereits zur Modellbildung verwenden, auf seinem Neuron-Entwickler-Toolkit, und warum AMD ROCm 7 und eine kostenlose Entwickler-Cloud gestartet hat.
Was das Wettbewerbsspektrum offenbart
Die großen Cloud-Anbieter, die ihre eigenen Chips bauen, ziehen sich nicht vollständig von Nvidia zurück. Daniel Newman, ein Analyst bei der Futurum Group, sagte CNBC im November 2025: „Sie wollen ein wenig mehr Kontrolle über die Workloads, die sie erstellen. Gleichzeitig werden sie sehr eng mit Nvidia und AMD zusammenarbeiten, weil sie auch die Kapazität benötigen. Die Nachfrage ist so unersättlich.“
Nvidias gesamter Marktanteil an AI-Chips, geschätzt von Mizuho Securities auf zwischen 70% und 95% je nach Segment, wird laut Silicon Analysts bei etwa 75% liegen, während sich der Gesamtmarkt über 200 Milliarden Dollar hinaus ausweitet. Der Markt ist kein Nullsummenspiel. Nvidia kann prozentual Marktanteile verlieren, während es mehr Chips als je zuvor verkauft.
Keine zwei Unternehmen hier verfolgen dieselbe Strategie. Während Groq sich auf Inferenz festgelegt hat, verfolgt Google ein engeres Ziel: die Senkung der eigenen Cloud-Kosten. OpenAI will das Gegenteil von eng. Es sichert seine eigene Lieferkette, damit Nvidias Preisgestaltung und Produktionsplan es nicht berühren können. Amazon ging weiter und baute ein ganzes Ökosystem auf, das es tatsächlich an andere verkaufen kann. AMD ist der einzige Außenseiter, der bereit ist, Nvidia im offenen Markt direkt zu bekämpfen.