Ohne Nvidia trainiert: Was Chinas KI-Unabhängigkeit wirklich kostet

Meituan, Alibaba, Z.AI und DeepSeek werben damit, ihre Modelle auf chinesischen Chips zu trainieren. Wir haben die Behauptungen neben die harten Zahlen gelegt, von Epochs Satellitenanalyse bis zu Chipzahlen und Stromverbrauch. Das Ergebnis: Training ohne Nvidia funktioniert, kostet aber ein Vielfaches an Chips, Strom und Zeit.

Analysen 19. Nov. 2026 9 Min. Lesezeit Eigene Analyse der Redaktion
Symbolbild, KI-generiert

Darum geht es

In Chinas KI-Branche ist „ohne Nvidia trainiert“ innerhalb weniger Wochen vom Ausnahmefall zum Werbeargument geworden. Meituan hat Anfang November die Gewichte von LongCat-2.5 freigegeben, das laut Modellkarte auf „heimischen KI-Beschleunigern“ entstanden ist. Alibaba-Chef Eddie Wu hat am 19. November im Analysten-Call gesagt, Qwen trainiere die nächste Generation auf Chips der Konzerntochter T-Head. Z.AI, früher Zhipu, betreibt laut Bloomberg ein 1-Gigawatt-Rechenzentrum nur mit chinesischen Chips. Und DeepSeek soll V5 auf Huaweis Ascend 950 trainieren.

Die These dieses Artikels: Für das Training ist die Abhängigkeit von Nvidia gebrochen. Der Preis dafür sind deutlich mehr Chips, mehr Strom und weniger Tempo. Eine Annahme mussten wir bei der Recherche korrigieren: Strom ist in China nicht knapp. Knapp sind Speicherchips und die Leistung pro Watt.

Wer was behauptet und was davon belegt ist

Firma Behauptung Quelle Stand
Meituan LongCat-2.0/2.5 auf heimischen Chips trainiert, 50.000-Chip-Cluster Eigene Angaben, Modellkarte Hersteller nennt keinen Chiplieferanten
Alibaba Qwen trainiert nächste Generation auf T-Head-Chips Analysten-Call 19.11. Offiziell, aber ohne Chipzahlen
Z.AI 1-GW-Rechenzentrum nur mit chinesischen Chips, teilweise in Betrieb Bloomberg, eine anonyme Quelle Chiphersteller unbekannt
DeepSeek V5 auf Ascend 950, 160.000 Ascend 950DT bestellt Caiwen, Bloomberg, The Information Unbestätigt, Berichte widersprechen sich

Meituan: Laut Hugging-Face-Modellkarte nutzt LongCat-2.5 „Infrastruktur-Optimierungen auf heimischen KI-Beschleunigern“. Huawei wird nicht genannt. Erst die Betriebsanleitung im GitHub-Repo SGLang-FluentLLM wird konkret: Das Beispiel läuft auf einem Cluster aus 194 Atlas-A2-Karten von Huawei. Davon arbeiten 2 am Bild-Encoder, 64 verarbeiten die Eingabe und 128 erzeugen die Antwort. Gerechnet wird in W4A4, also mit Gewichten und Zwischenwerten in nur 4 Bit. Für den Vorgänger nannte Meituan einen Cluster mit 50.000 Chips. Tech Buzz China leitet aus der angegebenen Speichergröße von unter 80 GB ab, dass es Chips der älteren Klasse Ascend 910B gewesen sein dürften. Ein 910C hat 128 GB, die 950er-Serie 112 bis 144 GB.

Alibaba: Laut Transkript sagte Wu wörtlich:

Qwen trainiert sein Next-Generation-Modell bereits auf T-Heads heimischen Chips.

Außerdem liefere die Plattform Model Studio (chinesisch Bailian) ihre Inferenz schon auf heimischen Chips aus. Inferenz bedeutet, dass das fertige Modell Anfragen beantwortet. Wu sagte nicht, dass das gerade veröffentlichte Qwen4-Max so entstanden ist. Bis zum ersten Quartal 2027 sollen die T-Head-Chips das Training „ultragroßer“ Modelle vollständig übernehmen können. Der Nachfolgechip Zhenwu V900 mit 216 GB Speicher soll dreimal so schnell sein wie der M890 und im ersten Quartal 2027 in Serie gehen.

Z.AI: Belegt ist eine Sache: Im Januar 2026 hat Z.AI das Bildmodell GLM-Image komplett auf Huawei-Servern vom Typ Atlas 800T A2 trainiert. Das Modell ist klein, es kombiniert 9 und 7 Milliarden Parameter. Für das große Sprachmodell GLM-5 hat Z.AI laut Digital Applied nie offiziell bestätigt, auf welcher Hardware es trainiert wurde. Die verbreitete Zahl von 100.000 Ascend-Chips stammt nur aus Sekundärquellen. Zum 1-GW-Rechenzentrum gibt es nur eine anonyme Quelle bei Bloomberg (20. Juli). Danach ist die Anlage teilweise in Betrieb und besteht aus mehreren Clustern mit jeweils mehr als 10.000 Chips. Hersteller und Gesamtzahl der Chips sind unbekannt, ebenso, welches GLM-Modell dort trainiert wurde.

DeepSeek: Der Originalbericht von Caiwen ist vorsichtiger als die Schlagzeilen. Das Training von V5 sei „noch in der Auswahlphase“ und solle 2027 abgeschlossen werden. Das geplante Ascend-Rechenzentrum in Ulanqab ist demnach noch früh im Bau, und das erste Training von V5 muss nicht dort stattfinden. Bloomberg berichtete am 4. September von mindestens 160.000 bestellten Ascend 950DT. Diese Chips seien zunächst für die Inferenz gedacht, trainiert werde weiter auf Nvidia. The Information schrieb dagegen, das Vortraining starte schon Ende 2026. Die oft zitierten 2,56 Milliarden Dollar sind eine Hochrechnung einiger Medien (160.000 Chips × rund 16.000 Dollar), kein bestätigter Vertragswert.

Die unabhängige Messlatte: Epochs Satellitenblick auf Horinger

Am 6. November hat das Forschungsinstitut Epoch AI Huaweis Rechenzentrums-Campus Horinger in der Inneren Mongolei vermessen. Ausgangspunkt waren die Kühlanlagen auf den Dächern, ausgewertet auf Satellitenbildern. Epoch schätzt dort rund 105.000 Ascend 910C und 8.000 910B. Das entspricht etwa 81.000 H100-Äquivalenten, also umgerechnet in Nvidias H100 als Standardeinheit. Die 90-Prozent-Spanne reicht von 36.000 bis 141.000. Ein 910C zählt laut Epoch als 0,76 H100, ein Nvidia B200 oder B300 als 2,5. Dabei braucht der 910C pro Rechenoperation etwa 2,5-mal so viel Energie.

Die Kernaussage von Epoch:

Eine gegebene Stromkapazität trägt nur 40 Prozent der Rechenleistung führender US-Anlagen.

Zum Maßstab: Mit 10 Prozent der Leistung von Horinger ließe sich laut Epoch ein Modell in der Größe von DeepSeek-V4-Pro in etwa einem Monat trainieren. Für ein Modell mit 10²⁷ Rechenoperationen, also die nächste Größenklasse an der Spitze, bräuchte der ganze Campus rund 361 Tage. Und das auch nur, falls er sich überhaupt zu einem einzigen Trainingslauf zusammenschalten lässt.

Nachgerechnet: Was ein Megawatt und ein Dollar bringen

Wir haben die Werte aus Epochs Datenbank nebeneinandergestellt:

Huawei Horinger xAI Colossus 2
IT-Leistung 170 MW 946 MW
Rechenleistung ~81.000 H100e ~1.112.000 H100e
H100e pro Megawatt (eigene Rechnung) ~476 ~1.175
Investitionskosten (Epoch-Modell) 6,4 Mrd. $ 35,8 Mrd. $
Kosten pro H100e (eigene Rechnung) ~79.000 $ ~32.000 $

Das Verhältnis von 476 zu 1.175 ergibt 0,41. Das bestätigt Epochs 40-Prozent-Wert. Bei den Kosten ist Vorsicht nötig: Epoch berechnet sie über ein pauschales Modell aus Kosten pro Watt. Der Faktor von etwa 2,5 spiegelt deshalb vor allem die geringere Effizienz wider und ist keine gemessene Rechnung. Auf Ebene der Chips ist die Lücke noch größer. Laut Epoch liefert ein B300 auf dem Papier etwa 0,34 TFLOPS pro Dollar, ein Ascend 950DT etwa 0,05. Das ist fast ein Faktor 7.

Noch deutlicher wird der Zeitverlust. Tech Buzz China hat zusammen mit dem Analysten Ryan Cunningham durchgerechnet, wie lange ein Modell in der Größe von Kimi K3 braucht, geschätzt 2,4 × 10²⁵ Rechenoperationen. Auf 50.000 Ascend 950DT wären es etwa 49 Tage (Spanne 33 bis 146), auf 50.000 Nvidia GB300 rund 5 Tage. Für LongCat-2.0 schätzt Tech Buzz etwa 10²⁵ Operationen und rund 33 Tage auf 50.000 Chips. Angenommen ist dabei eine MFU von 30 Prozent, also dass die Chips im Schnitt 30 Prozent ihrer theoretischen Rechenleistung nutzen. Im Investorengespräch, dessen Mitschrift geleakt wurde, setzte DeepSeek-Gründer Liang Wenfeng rund 16.000 Huawei-Chips mit etwa 4.000 Nvidia-GPUs der B-Serie gleich. Laut Tech Buzz passt dieses Verhältnis von 4:1 zur Inferenz. Beim Vortraining an der Spitze liege ein GB300 dagegen 8- bis 10-mal vor einem 910C oder 950DT.

Der neue 950DT bringt bei der Effizienz weniger, als man denken könnte. Er schafft 1 PFLOPS in FP8, 2 PFLOPS in FP4 und hat 144 GB von Huawei selbst entwickelten Speicher. Bei der 8-Bit-Spitzenleistung pro Joule setzt Epoch ihn mit 516 GFLOP/J sogar unter den 910C mit 964. Seine Vorteile sind die neuen Zahlenformate FP8 und FP4 und viel schnellerer Speicher. Deshalb sieht Tech Buzz ihn beim Energieverbrauch pro erzeugtem Token in der Inferenz etwa gleichauf mit dem GB300. Für die Inferenz ist das ein großer Schritt, für das Training ein kleiner.

Der eigentliche Engpass ist nicht der Strom

Die Vermutung lag nahe, dass China der Strom ausgeht. Epoch widerspricht: „China scheint keinen Mangel an Energie für Rechenzentren zu haben.“ Das Netz um Horinger könnte das 3,5-Fache der heutigen Kapazität tragen. Mehr Rechenleistung entstehe deshalb durch mehr Stromanschlüsse und nicht durch effizientere Chips. Der Ausbaustufe mit 76.000 Ascend 950DT für Anfang 2028 rechnet Epoch 135 MW zu.

Knapp sind die Chips selbst, genauer gesagt HBM, der schnelle Stapelspeicher, ohne den kein KI-Beschleuniger funktioniert. SemiAnalysis nennt HBM den Flaschenhals. Der chinesische Hersteller CXMT könne 2026 rund 2 Millionen Speicherstapel liefern, genug für 250.000 bis 300.000 Chips vom Typ 910C. Epoch schätzt die Produktion von Huawei 2026 auf etwa 1,5 Millionen Chips bzw. 0,88 Millionen H100-Äquivalente. Nvidia liefert im selben Jahr rund 23 Millionen, Huawei kommt damit auf weniger als 4 Prozent. Vor diesem Hintergrund wirkt eine Einzelbestellung von 160.000 Chips wie die von DeepSeek gewaltig. Laut Bloomberg könnte es mehr als ein Jahr dauern, sie zu liefern.

Dazu kommt Druck aus Washington. Am 16. November hat das US-Handelsministerium eine Regel erlassen, nach der Rechenzentren weltweit eine Lizenz brauchen, wenn sie Rechenleistung an Firmen mit Sitz in China vermieten. Sie gilt ab 12 Millionen TPP, laut CSIS etwa 750 H200. Damit fällt auch der Ausweg weg, Nvidia-Rechenleistung im Ausland zu mieten. Wu nannte die Regel im Call eine „sehr große Unsicherheit“ und deutete an, dass Alibaba sein langfristiges Ziel von 20 Gigawatt senken könnte. Ab 2028 sollen neu angeschaffte Chips überwiegend von T-Head kommen. Ein Tencent-Manager sagte laut IT之家, die Beschränkungen würden Chinas Firmen langfristig noch stärker zu heimischen Lieferketten treiben.

Einordnung

Unsere Einschätzung: Der Satz „ohne Nvidia trainiert“ ist im Kern glaubwürdig, aber die Belege dafür sind lückenhaft. Am besten belegt sind Meituans Angaben, mit einem dokumentierten Ascend-Betrieb und einem ausführlichen Technikbericht. Allerdings nennt Meituan auch hier den Hersteller nicht. Alibaba hat sich offiziell festgelegt, aber keine Zahlen genannt. Bei Z.AI und DeepSeek stützen sich die Behauptungen auf anonyme Quellen, die einander teils widersprechen.

Die Zahlen sind trotzdem eindeutig. Pro Megawatt holt China etwa 40 Prozent der Rechenleistung heraus, pro Dollar Rechenzentrum wohl ein Drittel bis ein Siebtel. Beim Training an der Spitze dauert es ungefähr zehnmal so lange wie auf gleich vielen Nvidia-Chips. Chinas Labore gleichen das mit Masse und Architektur aus. Sparsame MoE-Modelle wie LongCat mit 48 Milliarden aktiven von 1,6 Billionen Parametern oder Qwens Lookup-Tabellen für Chips mit wenig Speicher sind auch eine Antwort auf schwächere Hardware. Unbelegt sind weiterhin die reale Auslastung der Chips, die Ausfallraten und die Zeit für Neustarts nach Abstürzen. Kein Labor nennt Trainingsdauer oder Stromrechnung.

Für die nächsten zwei Jahre ist laut Epoch keine Entspannung zu erwarten. Training ohne Nvidia ist möglich, aber es bleibt teurer und langsamer. Begrenzt wird es von HBM und Effizienz pro Watt, nicht vom Stromnetz.

Quellen

#china#huawei#ki-chips#rechenzentren#exportkontrollen#deepseek

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.

Verbinde …

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.

  1. Kommentare werden geladen …

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.