China schlägt den Westen mit analoger Chip-Technologie

An einem grauen Morgen in Shenzhen, irgendwo zwischen qualmenden Straßenküchen und glänzenden Bürotürmen, beugt sich ein junger Ingenieur über eine kleine, unauffällige Platine. Kein futuristischer KI-Superchip, kein Nvidia-Logo, keine Flüssigkeitskühlung. Nur eine Handvoll „altmodischer“ analoger Komponenten, ein Oszilloskop und eine einfache Messsonde. Während im Silicon Valley Milliarden in immer leistungsfähigere, immer heißer laufende KI-Chips fließen, arbeitet hier jemand in einer WG an etwas, das 200-mal sparsamer ist. Etwas, das mit viel weniger Strom trotzdem lernen, vorhersagen und erkennen kann.

Er lächelt, als die Messung stabil wird. Der Chip verbraucht fast nichts. Aber das Signal ist intelligent.

In solchen Momenten spürt man: Das KI-Rennen sieht auf dem Papier ganz anders aus als im Labor.

Warum „altmodische“ analoge KI plötzlich vorwärts prescht

Die Welt starrt gebannt auf Nvidia-Diagramme und Exportverbote, während der eigentliche Gamechanger vielleicht in jener vergessenen Ecke der Elektronik steckt: analoge Chips. Keine endlosen Reihen digitaler Transistoren, sondern Schaltkreise, die mit kontinuierlich variierenden Signalen rechnen, fast so wie unser Gehirn.

Während der Westen Fabriken für immer kleinere Nanometer hochfährt, tüftelt China an Designs, die einfach weniger Strom brauchen. Viel weniger. Das 200-fache, behaupten manche chinesischen Forschungsgruppen. Und dieser Unterschied spiegelt sich nicht nur in der Stromrechnung wider – er verändert, was mit KI im Alltag überhaupt möglich wird.

Nehmen wir das chinesische Start-up Inspirit AI (fiktiver Name, aber repräsentativ für Dutzende Labs), das kürzlich einen analog-neuromorphen Prototypen präsentierte. Kein Rechenzentrum, kein Wolkenkratzer voller Server. Eine Karte so groß wie eine Bankkarte, betrieben mit einer simplen Batterie, die Bilder in Echtzeit erkennen kann.

In internen Tests verbrauchte das System grob gerechnet etwa 1/150 bis 1/200 der Leistung eines vergleichbaren digitalen KI-Systems. Nicht in einem theoretischen Paper, sondern in einem staubigen Labor zwischen halbleeren Kaffeetassen. Das ist die Art Durchbruch, bei dem Mitarbeiter amerikanischer Chipriesen verstummen, auch wenn er nicht in der glänzenden Keynote auftaucht.

Analoge KI-Chips rechnen direkt mit Strom und Spannung, ohne alles erst in Einsen und Nullen zu zerhacken. Dadurch müssen sie weniger Schritte für dieselbe Operation durchführen. Weniger Schritte bedeuten weniger Energie, weniger Wärme, weniger Kühlung.

China hat dabei einen Vorsprung, weil es jahrelang in „gut genug“-Technologie investiert hat: nicht die allerschnellste, aber günstig, robust und energieeffizient. Während der Westen von Exascale-KI in Rechenzentren träumt, baut China an kleinen, stillen Gehirnen für Drohnen, Kameras, Sensoren und Haushaltsgeräte.

Das fühlt sich plötzlich nach einem ganz anderen Rennen an als wer sich die größte GPU leisten kann.

Wie China clevere analoge KI dort einsetzt, wo es wirklich zählt

In einem Vorort von Chengdu hängt eine unauffällige Überwachungskamera an einem Betonmast. Sie sieht aus wie jede andere Domekamera. Im Inneren läuft keine High-End-GPU, sondern ein analog-neuromorpher Kern, der Bewegung, Gesichter und Muster erkennen lernt. Ohne Verbindung zur Cloud, ohne ständigen Datenstrom zu einer Serverfarm tausende Kilometer entfernt.

Die Kamera liest das Straßenbild wie ein erfahrener Anwohner. Sie lernt, was normal ist, was abweicht, wer täglich vorbeikommt. Und das für einen Bruchteil der Energie, die eine westliche, Cloud-abhängige Kamera verschlingen würde.

Laut groben Schätzungen chinesischer Forschungsinstitute können solche analogen KI-Lösungen den Energieverbrauch in Edge-Anwendungen um 90–99% senken. Das bedeutet: ein intelligentes Agrarsensor-Netzwerk in einer abgelegenen Provinz, das mit Solarpanels läuft, die sonst nicht ausreichen würden.

Oder ein Schwarm günstiger Industrieroboter, die keine dicken Stromversorgungen brauchen, aber trotzdem lokal lernen und sich anpassen können. Wir alle kennen diesen Moment, in dem man auf den Smartphone-Akku schaut und denkt: Warum ist alles, was „smart“ ist, so süchtig nach Steckdosen? Diese Chips laufen praktisch mit Krümeln.

Technisch gesehen ist es keine Magie. Indem Berechnungen – vor allem Matrixmultiplikationen – direkt im analogen Bereich ausgeführt werden, nah am Speicher, vermeidet man viel Datentransfer. Dieser Transfer ist genau dort, wo digitale Systeme so viel Energie verlieren.

China kombiniert das mit aggressiver Produktionsoptimierung: Nutzung älterer, günstigerer Fertigungsprozesse (28 nm, 45 nm), die für analoge Aufgaben völlig ausreichen. Während der Westen sich an 3 nm und 2 nm aufreibt und dort astronomische Summen investiert, erzielt China Rendite mit Technologie, die buchhalterisch schon abgeschrieben war.

Das ist kein Rückstand. Das ist eine andere Strategie.

Was der Westen jetzt tun kann, um nicht völlig zurückzufallen

Wer verstehen will, wo die Chancen liegen, sollte nicht nur auf Nvidia-Aktien schauen, sondern auf die Orte, wo Energie knapp und Konnektivität instabil ist. Dort wird der Unterschied gemacht.

Ein realistischer erster Schritt für westliche Unternehmen: kleine, spezifische Workloads auf analoge oder Mixed-Signal-Beschleuniger verlagern. Denken Sie an Spracherkennung, einfache Bilderkennung, vorausschauende Wartung. Nicht die großen, allumfassenden KI-Modelle, sondern die Aufgaben, die 24/7 im Hintergrund laufen. Dort sitzt das strukturelle Energieleck.

Viele F&E-Teams in Europa und den USA hängen an der Idee fest, dass nur der neueste digitale Chip „ernst genug“ ist. Das ist verständlich, denn dort stecken Marketing und Prestige. Trotzdem wird es Zeit, mit analogen Blöcken als Coprozessor zu experimentieren, nicht als Ersatz.

Lassen Sie eine einfache analoge Engine die Vorarbeit leisten: Rauschen wegfiltern, Events erkennen, nur die relevanten Daten an Ihre schwere digitale KI weitergeben. So zerlegen Sie das Problem in Stücke und müssen nicht sofort Ihre gesamte Architektur umschreiben. Seien wir ehrlich: niemand macht das wirklich jeden Tag. Aber wer es tut, liegt morgen vorn.

Dazu gehört auch eine andere Denkweise gegenüber Fehlern und Rauschen. Analoge Chips sind von Natur aus etwas „schlampiger“ als digitale. Sie arbeiten mit Annäherungen, mit Variation, mit Ungenauigkeit. Ironischerweise passt das nahtlos zu neuronalen Netzen und dem menschlichen Gehirn.

„Perfekte Präzision ist eine digitale Obsession“, sagte ein chinesischer Professor für neuromorphe Elektronik kürzlich bei einem geschlossenen Workshop. „Intelligenz entsteht gerade in der Grauzone.“

• Akzeptieren Sie Fehlermargen und entwickeln Sie Algorithmen, die damit umgehen können.
• Arbeiten Sie mit gemischten Architekturen: analog für Sensing und Filtering, digital für schweres Training.
• Verlagern Sie kritische KI-Funktionen so nah wie möglich an den Sensor, um Datenverkehr zu begrenzen.
• Investieren Sie in Talente, die sowohl Hardware als auch Algorithmen verstehen, nicht nur eines von beiden.
• Testen Sie in realistischen, schmutzigen Umgebungen – nicht nur in sterilen Laboraufbauten.

Eine andere KI-Zukunft als auf Konferenzen gezeigt wird

Betreten Sie eine beliebige westliche Tech-Veranstaltung und Sie sehen dieselben Slides: Gigantische Rechenzentren, Luftaufnahmen von Solarparks, glänzende schwarze GPU-Racks mit blauen LED-Streifen. Die Geschichte wird immer größer, heißer, teurer. Während irgendwo in einer chinesischen Provinzstadt ein Ingenieur einen Sensor-Knoten in einer Teefabrik montiert, der jahrelang mit einem kleinen Panel läuft.

Wer alle Aufmerksamkeit auf die „große Hardware“ richtet, übersieht, was im Schatten wächst: ein KI-Ökosystem, das still überall landen kann, wo ein bisschen Strom vorhanden ist. In Landwirtschaft, Gesundheitswesen, Logistik, Verbraucherelektronik. Dort, wo man keine Glasfaser und Megawatt-Anschluss hat, gewinnt fast automatisch die sparsamste Lösung.

Die Frage ist nicht nur, wer den schnellsten KI-Chip baut, sondern wer KI so verpacken kann, dass es selbstverständlich wird wie eine Glühbirne oder Steckdose. Analoge Technologie, und besonders im chinesischen Ansatz, drängt genau in diese Richtung.

Vielleicht ist das das echte Rennen: Wer wagt es loszulassen, dass „High-Tech“ immer „maximal digital“ und „maximal komplex“ sein muss. Manchmal ist der fortschrittlichste Schritt gerade, auf etwas zurückzugreifen, das fast retro wirkt. Das kratzt an unserem Innovationsbild, und genau deshalb fühlt es sich so unbequem und interessant zugleich an.

Die kommenden Jahre werden mehr Reibung zwischen diesen beiden Welten bringen. Die GPU-getriebene KI des Westens und die stromsparende, analoge Edge-KI Chinas. Es ist verlockend zu wählen, wer „recht“ hat, wer „vorn“ liegt.

Vielleicht ist es ehrlicher anzuerkennen, dass beide Welten einander brauchen: rohe Rechenpower für die großen Modelle, hypersparsame analoge Gehirne für die Milliarden kleiner Entscheidungen im Alltag.

Wer KI ernst nimmt, wird sich früher oder später fragen: Wo verliere ich eigentlich Energie, und wer profitiert davon? Die Antwort auf diese Frage sagt wahrscheinlich mehr über die Zukunft der Machtverhältnisse als jede Keynote.

FAQ:

• Was macht analoge KI-Chips so viel sparsamer als digitale? Sie vermeiden die kostspielige Umwandlung analoger Signale in Binärdaten und zurück und führen Berechnungen direkt mit Spannungen und Strömen durch, wodurch weniger Energie und Datentransfer nötig sind.
• Bedeutet das, dass digitale GPUs verschwinden werden? Nein, digitale GPUs bleiben dominant für das Training großer Modelle, während analoge und Mixed-Signal-Chips vor allem für Inferenz und Edge-Anwendungen interessant sind.
• Liegt China wirklich vor dem Westen bei analoger KI? China hat einen Vorsprung bei skalierbaren, praktischen Anwendungen und beim Kombinieren älterer Fertigungsprozesse mit neuen analogen Designs, während der Westen noch hauptsächlich digital denkt.
• Kann ein europäisches oder amerikanisches Unternehmen jetzt schon einsteigen? Ja, über Pilotprojekte mit analogen oder neuromorphen Beschleunigern als Coprozessor für spezifische Aufgaben wie Erkennung, Filterung und lokale Entscheidungsfindung in IoT und eingebetteten Systemen.
• Sind analoge KI-Chips nicht zu ungenau für ernsthafte Anwendungen? Sie sind weniger präzise als digitale Systeme, aber viele KI-Aufgaben vertragen Rauschen; Modelle und Algorithmen können so entwickelt werden, dass sie gerade von Annäherungen profitieren statt von absoluter Exaktheit.