Heterogeneous AI Compute: Warum die nächste KI-Infrastruktur aus vielen Spezialbausteinen besteht

Die öffentliche Debatte über KI-Infrastruktur konzentriert sich häufig auf leistungsfähige Prozessoren für Training und Inference. In der Praxis werden KI-Systeme jedoch immer stärker aus unterschiedlichen Bausteinen zusammengesetzt. Heterogeneous AI Compute beschreibt diese Entwicklung. Gemeint sind Architekturen, in denen GPUs, CPUs, spezialisierte Beschleuniger, Speichertechnologien, Netzwerklösungen und Software-Orchestrierung gemeinsam arbeiten. Ziel ist eine Infrastruktur, die für unterschiedliche KI-Aufgaben jeweils die passende Rechenform bereitstellt. Dieser Ansatz gewinnt an Bedeutung, weil produktive KI-Anwendungen sehr verschiedene Anforderungen stellen. Das Training großer Modelle benötigt andere Ressourcen als Echtzeit-Inference in Unternehmenssoftware. KI-Agenten erzeugen dynamische Workloads, weil sie Informationen abrufen, Tools nutzen und mehrere Verarbeitungsschritte kombinieren. Edge-Anwendungen in Industrie oder Fahrzeugen verlangen geringe Latenz und begrenzten Energieverbrauch. Eine einzige Hardwareklasse kann diese Anforderungen nicht in allen Einsatzfeldern wirtschaftlich abdecken.

"Die nächste Phase der KI-Infrastruktur wird stärker von Spezialisierung geprägt sein. Entscheidend ist nicht nur maximale Rechenleistung, sondern die Fähigkeit, unterschiedliche Workloads effizient auf passende Hardware- und Softwarekomponenten zu verteilen", sagt Tilmann Speck, Portfoliomanager des "AI Leaders", einem global investierenden Aktienfonds mit dem Fokus auf führende Anbieter und Anwender Künstlicher Intelligenz (WKN: A2PF0M / ISIN: DE000A2PF0M4). Der Fonds investiert weltweit in Unternehmen, die entweder als Anbieter von KI-Lösungen auftreten oder KI für den eigenen Unternehmenszweck nutzen.

Für Anleger erweitert sich dadurch der Blick auf die KI-Lieferkette. Neben führenden Chipanbietern rücken Speicherhersteller, Anbieter von Halbleiterausrüstung, Packaging-Spezialisten, Netzwerkkomponenten, Designsoftware und Cloud-Plattformen mit optimierten Inference-Diensten in den Fokus. Viele dieser Unternehmen arbeiten in der zweiten und dritten Reihe des KI-Ökosystems, sind aber für Skalierung und Wirtschaftlichkeit unverzichtbar. Ihre Produkte entscheiden darüber, ob KI-Anwendungen schneller, günstiger und energieeffizienter betrieben werden können. Auch Software gewinnt in heterogenen Architekturen an Bedeutung. Workloads müssen verteilt, überwacht und optimiert werden. Unternehmen benötigen Entwicklungsumgebungen, Compiler, Laufzeitumgebungen und Plattformdienste, die verschiedene Hardwareklassen nutzbar machen. Dadurch entstehen neue Eintrittsbarrieren, weil Kunden Infrastruktur nicht nur nach Einzelkomponenten auswählen, sondern nach ihrer Fähigkeit, stabile und wirtschaftliche KI-Systeme zu betreiben.

"Für langfristig ausgerichtete Anleger bietet Heterogeneous AI Compute eine breitere Perspektive auf den KI-Ausbau. Wertschöpfung entsteht dort, wo Rechenleistung, Speicher, Netzwerke und Software so verbunden werden, dass produktive KI in großem Maßstab wirtschaftlich möglich wird", erklärt Christian Hintz, ebenfalls Portfoliomanager des "AI Leaders". Der Investmentcase ist positiv, weil der Bedarf an spezialisierter Infrastruktur mit der Nutzung von KI steigt. Je mehr Anwendungen in Unternehmen, Industrie und Plattformen integriert werden, desto wichtiger werden Kosten pro Anfrage, Energieverbrauch, Verfügbarkeit und Reaktionszeit. Heterogeneous AI Compute adressiert genau diese Anforderungen. Für den AI Leaders ist das Thema damit ein Beispiel dafür, wie sich Chancen im KI-Markt entlang der gesamten Wertschöpfungskette verteilen und wie Anleger auch jenseits einzelner Leitwerte am strukturellen Ausbau partizipieren können.