KI entwirft Chips: Fünf Projekte, aber nur eins mit gemessenem Silizium
Innerhalb weniger Tage melden OpenAI, das Start-up Architect Labs und ein einzelner Entwickler Rekorde mit KI-entworfenen Chips: 14 Prozent, 4,59-fach, 33-fach. Wir haben die Fälle nach Reifegrad geordnet, von der Simulation bis zum fertigen Chip. Dabei zeigt sich: Die großen Zahlen kommen meist von weit unten auf dieser Leiter, und hinter jedem Faktor steckt ein bestimmter Vergleich.

Darum geht es
Innerhalb von drei Tagen gab es gleich mehrere Meldungen, nach denen KI Computerchips entwirft. Am 18. November meldete OpenAI, die eigenen Modelle hätten Schaltungen von AMDs Flaggschiff-GPU um „bis zu 14 Prozent“ verbessert. Am selben Tag stellte das Start-up Architect Labs Frostbite vor, eine von KI-Agenten entworfene CPU, die pro Watt 4,59-mal effizienter sein soll. Am 20. November beschrieb der Entwickler Ankit Gupta in seinem Blog, wie Coding-Agenten einen LLM-Beschleuniger auf einem Amazon-FPGA um das 33-Fache beschleunigt haben, obwohl er selbst keine Hardware-Erfahrung hat. Dazu kommen das offene GitHub-Projekt apex-inference-chip und das bereits im Mai erschienene Paper zu Design Conductor 2.0 des Start-ups Verkor.
Die Zahlen klingen beeindruckend, sind aber nicht vergleichbar. Ein Chip durchläuft auf dem Weg zum fertigen Produkt mehrere Stufen. Je weiter unten ein Projekt steht, desto mehr kann sich noch ändern. Wir ordnen die fünf Fälle deshalb auf einer Reifegrad-Leiter ein und rechnen nach, worauf sich die Faktoren beziehen.
Die Leiter: Von der Simulation zum gemessenen Chip
Die Stufen, kurz erklärt:
- RTL-Simulation: Die Schaltung wird als Code geschrieben (RTL, Register Transfer Level, eine Art Bauplan in Sprachen wie Verilog) und im Rechner simuliert.
- FPGA: Die Schaltung läuft auf einem umprogrammierbaren Chip, also auf echter Hardware. Taktraten und Effizienz liegen aber weit unter denen eines eigens gefertigten Chips.
- GDS: Es gibt das fertige Layout, die Datei, die eine Chipfabrik zur Herstellung bekommt. Strom- und Taktwerte sind aber noch berechnet.
- Tape-out: Das Design wurde zur Fertigung geschickt.
- Gemessenes Silizium: Der fertige Chip läuft und wurde vermessen.
| Projekt | Höchste erreichte Stufe | Schlagzeilen-Zahl | Vergleichsbasis |
|---|---|---|---|
| OpenAI × Jalapeño | 5 – Silizium (Funktion bestätigt) | ca. 13 % / 10 % weniger Zellfläche | eigene Ausgangsentwürfe, Werte aus der Synthese geschätzt |
| OpenAI × AMD-GPU | 4 – Tape-out (einzelne Änderungen) | bis zu 14 % PPA | stark optimierte AMD-Blöcke |
| Frostbite (Architect Labs) | 3 – GDS (7 nm, kein FPGA) | 4,59× Leistung pro Watt | ein ungenannter In-Order-Kern |
| Gupta, FPGA-Beschleuniger | 2 – FPGA, ganzes Modell | 33× | eigene erste Version (6,43 Tok/s) |
| Design Conductor 2.0 (VerTQ) | 2 – FPGA, 125 MHz | 80 Stunden Entwicklungszeit | – (Fläche in 16 nm nur geschätzt) |
| apex-inference-chip | 2 – FPGA, Teilfunktionen | 0,56 Tok/s | eigene Anfangsversion (0,004 Tok/s) |
33-fach – aber gegenüber was?
Gupta hat das sauberste Datenmaterial vorgelegt, gerade deshalb lohnt es sich, nachzurechnen. Auf einer AWS-F2-Instanz (1,98 Dollar pro Stunde, 16 GB HBM-Speicher) lief ein Qwen-ähnliches Modell mit 24 Schichten und ternären Gewichten (nur die Werte −1, 0 und 1). Die erste vollständige Version, die bit-exakt rechnete, also exakt dieselben Ausgaben wie eine Referenz auf der CPU lieferte, schaffte 6,43 Token pro Sekunde. Am Ende waren es 213,13. Das ergibt den Faktor 33. Der Beschleuniger entstand in 14 gemessenen Schritten, die laut Gupta jeweils etwa das 1,5-Fache brachten. Insgesamt flossen 166 Prompts hinein, davon nur sieben zum Steuern. Die Agenten (Claude Opus und OpenAI-Modelle) schrieben über die gesamte Versuchsreihe rund drei Millionen Zeilen Code und werteten 30 Millionen Zeilen Ausgabedateien aus. An Token kostete das etwa 10.000 Dollar.
Die eigentliche Messlatte steht in Guptas eigener Tabelle. Ein CPU-Server mit 32 Zen-5-Threads (m8a.8xlarge, 1,95 Dollar pro Stunde) kommt mit einem exakten CPU-Nachbau auf 129,5 Token pro Sekunde. Gegenüber dieser gleich teuren Maschine ist das FPGA also nur 1,65-mal schneller. Unsere Rechnung mit seinen Zahlen geht noch weiter: Die kleine 4-Kern-Instanz m8a.xlarge schafft 67,6 Token pro Sekunde für 0,24 Dollar pro Stunde. Das sind rund 282 Token pro Sekunde je Dollar Stundenpreis, beim FPGA sind es rund 108. Pro Dollar liegt die kleine CPU damit gut 2,6-mal vorn. Gupta schreibt selbst, ein Vergleich 1:1 sei schwierig. Er habe die Agentenschleife nicht auf die Alternativen angesetzt, dort sei wohl noch mehr herauszuholen. Wer die CPU-Version gebaut hat und wie gründlich sie optimiert wurde, verrät der Bericht nicht.
Lehrreich sind auch die Rückschläge. Zwei Hänger traten erst in der Hardware auf. Ein Takt von 231,25/450 MHz zeigte in einem Dauertest (Soak-Test, das System läuft stundenlang unter Last) zufällige Fehler, deshalb läuft die finale Version mit 225/425 MHz. Eine große Integration kostete 38 Stunden, weil Fehler, die eine Simulation hätte finden können, erst am nächsten Tag auf der Platine auffielen. Bei langen Kontexten sinkt das Tempo von rund 233 auf etwa 76 Token pro Sekunde. Gupta zieht ein nüchternes Fazit:
„Die Menschen sind weiterhin nützlich, wenn es darum geht festzulegen, wie man schnell iteriert und wie Korrektheit aussieht.“
Für den Produktiveinsatz empfiehlt er die Lösung ausdrücklich nicht. In der Hacker-News-Diskussion wenden FPGA-Praktiker ein, dass man bei FPGAs für die Umprogrammierbarkeit mit Kosten, Tempo und Strom bezahle. Der Mehraufwand gegenüber einem eigens gefertigten Chip liege beim 10- bis 100-Fachen.
Frostbite: Fertiges Layout, geheimer Gegner
Architect Labs steht auf der Leiter höher als Gupta. Es gibt ein fertiges GDS-Layout in 7 nm, das laut Firma nach der Synthese 800 MHz erreichte, im finalen Layout 500 MHz. Ein Quad aus vier Rechenkacheln plus vier L3-Knoten belegt 0,792 mm², der Vergleichskern 0,895 mm². Auf einem FPGA lief Frostbite aber nie, gefertigt wurde der Chip auch nicht. Die Stromwerte stammen aus dem eigenen Systemmodell Arcmodel. Das wich vor der Kalibrierung um bis zu fast 250 Prozent von der Schaltung ab, danach laut Firma noch um 1 bis 5 Prozent. Die Firma räumt selbst ein, das seien „natürlich weiterhin Zahlen vor dem Silizium“.
Der Faktor 4,59 ist ein Durchschnitt (geometrisches Mittel) über 25 Testprogramme. Auf den 10 Programmen, auf die die Agenten hin optimiert haben, sind es 6,02. Auf den 15 zurückgehaltenen Programmen sind es 3,83, und dieser Wert ist der ehrlichere. Je nach Programm reicht die Spanne von 23,12 (conv2d) bis 1,15 (Fibonacci). Verglichen wird ein einzelnes Quad mit einem einzelnen Kern, einem „modernen superskalaren In-Order-Kern mit zwei Befehlen pro Takt“. Welcher Kern das ist, verschweigt die Firma „aus rechtlichen Gründen“. In-Order heißt, der Kern arbeitet Befehle strikt der Reihe nach ab. Das ist ein bescheidener Gegner, keine Laptop- oder Serverklasse. explainx.ai und ein Kommentar auf dev.to weisen zudem auf winzige Testaufgaben hin, etwa Mergesort über 1.024 Elemente oder Fibonacci von 20. Einen Termin für ein Tape-out nennt Architect Labs nicht. Schon beim Vorgängerprojekt Redwood lag der gemessene FPGA-Wert laut VentureBeat mit 12,1 Token pro Sekunde unter dem von Nvidias Jetson Orin Nano (28). Erst die Hochrechnung auf einen nicht gebauten 8-nm-Chip ergab einen Vorsprung von 3,4× pro Watt.
OpenAI und AMD: Am weitesten oben, aber mit den wenigsten Details
OpenAI ist der einzige Fall mit echtem Silizium. Seit Anfang 2025 hilft zunächst GPT-o3 mini beim Entwurf des eigenen Inferenzchips Jalapeño. Die Änderungen seien beim ersten Hochfahren des Chips im Silizium bestätigt worden. Das Team schätzt, dass sie die Standardzellenfläche (die Fläche der vorgefertigten Logikbausteine) in der Vektoreinheit um etwa 13 Prozent und in der Matrixeinheit um etwa 10 Prozent verringert haben. Ein neu entworfener Multiplizierer brauchte in der Synthese rund 15 Prozent weniger Fläche und eine Taktstufe weniger. „Im Silizium bewährt“ heißt hier also: Die Schaltung funktioniert. Die Prozentwerte sind trotzdem Schätzungen aus dem Entwurfsprozess.
Bei AMD ging es um einzelne Blöcke. Wörtlich nennt OpenAI „bis zu 14 Prozent Verbesserung gegenüber stark optimierten Ausgangsentwürfen bei der Flaggschiff-GPU-IP“. Ob Strom, Leistung oder Fläche gemeint ist, bleibt offen, ebenso, welche Blöcke es waren. Einige Änderungen stecken laut OpenAI in einem Design, das AMD zur Fertigung geschickt hat. Gemessen ist davon noch nichts. Bei einer kommenden CPU habe AMD einstellige Prozentgewinne in wichtigen Blöcken verifiziert. Deutlicher wird der Bericht bei einem Benchmark mit den offenen RISC-V-Kernen PicoRV32 und Ibex (9.881 Durchläufe). Dort bewertet aber das Synthesewerkzeug Yosys, eine Prüfung des Timings nach dem physischen Entwurf fehlt. OpenAI räumt das selbst ein. Mehrere Kommentatoren betonen, dass alle Zahlen von OpenAI selbst stammen und unabhängig nicht geprüft sind. OpenAI hat zudem eine Geschäftsbeziehung zu AMD.
Offene Projekte: apex-inference-chip und Design Conductor 2.0
Das Repo SigmanticAI/apex-inference-chip (Apache-2.0) ist bemerkenswert offen, was seine Belege angeht. Es führt maschinell erzeugte Statuslisten, eine Rückverfolgungsdatei für bekannte Lücken und kennzeichnet jede Zahl als gemessen oder hochgerechnet. In RTL umgesetzt ist eine einzige Transformer-Decoder-Schicht mit komprimiertem KV-Cache (dem Zwischenspeicher für bereits verarbeitete Tokens). In der Simulation rechnet sie bit-exakt gegen ein NumPy-Referenzmodell. Auf dem AWS-FPGA misst das Projekt mit Qwen2.5-0.5B 0,56 Token pro Sekunde bei 62,5 MHz. Der Teil, der die Attention auf dem FPGA selbst steuert, wird noch in Betrieb genommen. Alle Angaben zu 7B-Modellen, etwa Lesegeschwindigkeit bei rund 3 Watt, sind Hochrechnungen. Silizium gibt es nicht, ein Abschluss für den offenen Fertigungsprozess Sky130 steht auf der Roadmap.
Design Conductor 2.0 von Verkor (arXiv 2605.05170) erzeugte in 80 Stunden den Beschleuniger VerTQ für Googles Komprimierungsverfahren TurboQuant. Er lief auf einem Xilinx-FPGA mit 125 MHz. Getestet wurde in der Systemsimulation mit Qwen3-4B, allerdings nur mit 64 Tokens Kontext. Die 5,7 mm² in TSMCs 16-nm-Prozess sind ausdrücklich eine Schätzung. Ein GDS zeigt das Paper nur für einen AES-Verschlüsselungskern im akademischen Prozess ASAP7. Laut den Autoren waren Verifikation und Timing Closure die teuersten Phasen, also der Nachweis, dass alle Signale rechtzeitig ankommen. Der größte Engpass sei die Prüfung durch Menschen.
Wo Agenten heute schon Arbeit sparen
Die Belege zeigen ein Muster. Agenten sind stark darin, viele Varianten auszuprobieren, wenn es einen harten automatischen Prüfer gibt: Bit-Exaktheit bei Gupta, Äquivalenzprüfung mit Synopsys-Werkzeugen bei OpenAI, Lean-Beweise bei Frostbite. Die großen EDA-Hersteller (Anbieter von Chipentwurfssoftware) verkaufen genau das. Laut Tom's Hardware nennt Cadence eine 40-mal schnellere RTL-Validierung bei Nvidia, Synopsys das Zwei- bis Fünffache von der Spezifikation bis zum geprüften RTL. Das sind allerdings Hersteller- oder Kundenangaben mit unterschiedlichen Vergleichsbasen. Keiner der Agenten der drei großen Anbieter ist bislang nachweislich allgemein verfügbar.
Als Mahnung taugt Googles AlphaChip. Das Verfahren platzierte nachweislich Blöcke in den gefertigten TPU-Generationen v5e, v5p und Trillium, laut Google mit 3,2 bzw. 6,2 Prozent kürzerer Verdrahtung. Trotzdem streitet die Fachwelt seit 2021 darüber, ob es besser ist als etablierte Verfahren. Eine positive unabhängige Wiederholung in begutachteter Literatur gibt es laut Wikipedia bis heute nicht. Echtes Silizium beweist, dass etwas funktioniert. Dass es besser ist als die Alternative, beweist es noch nicht.
Einordnung
Unsere Einschätzung: Belegt ist, dass Agenten Entwurf, Verifikation und Optimierung auf RTL- und FPGA-Ebene spürbar beschleunigen. Ein Laie bringt heute ein ganzes Sprachmodell bit-exakt auf ein FPGA, und OpenAIs Änderungen funktionieren im Silizium. Nicht belegt ist, dass KI-erfundene Architekturen menschliche Entwürfe in echter Hardware schlagen. Für Frostbites 4,59 und Redwoods 3,4 pro Watt gibt es nur Rechenmodelle. Die gemessenen Werte von der FPGA-Platine sind bescheidener.
Beim Lesen solcher Meldungen helfen drei Fragen. Auf welcher Stufe der Leiter steht das Projekt? Gegen was wird verglichen: die eigene erste Version, einen ungenannten Kern, einen gleich teuren Rechner? Und wurde gemessen oder hochgerechnet? Den nächsten echten Test liefern Architect Labs mit dem versprochenen Tape-out bei TSMC und AMD mit dem ersten vermessenen Chip, in dem KI-Änderungen stecken.
Quellen
- Ankit Gupta: Vibecoding an inference chip ankitg.me
- OpenAI: Advancing chip design with our models openai.com
- Architect Labs: Introducing Frostbite architectlabs.com
- GitHub: SigmanticAI/apex-inference-chip github.com
- arXiv: Design Conductor 2.0 arxiv.org
- arXiv (HTML): Design Conductor 2.0 arxiv.org
- GeekNews: 추론 칩을 바이브 코딩하기 news.hada.io
- explainx.ai: Frostbite – claimed vs. verified explainx.ai
- DEV Community: What Frostbite's 4.59x claim actually rests on dev.to
- Notebookcheck: AI designed an all-new CPU notebookcheck.net
- VentureBeat: Architect Labs has to prove Redwood in silicon venturebeat.com
- PyTorch Korea: APEX FPGA LLM discuss.pytorch.kr
- HPCwire: Verkor unveils VerTQ hpcwire.com
- Tom's Hardware: The state of agentic AI in chip design tools in 2026 tomshardware.com
- Wikipedia: AlphaChip (controversy) en.wikipedia.org
- Google DeepMind: How AlphaChip transformed computer chip design deepmind.google
Frag den KI-Assistenten
Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.
Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.
Kommentare
Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.
Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.