Jeder KI-Chip · im Blick
Jeder KI-Chip von jedem Hersteller und jeder Foundry. Spezifikationen, Leistung, Cloud-Preise, bekannte Käufer und Live-Versorgungsengpässe · querverlinkt zu Foundries, Speicherlieferanten, Racks, Rechenzentren und den darauf trainierten Modellen.
- Gewichtete Knappheit68
- Multiplikator Lieferzeit2.09×
- Capex-Beschleuniger1.85×
- Frontier-Holdout-Prämie+60
New since Apr 14, 2026
verified on the source page · specs added after review- Zhenwu M890Alibaba T-Headannounced2026-05-20source
T-Head formally debuted the Zhenwu M890 as its latest AI training and inference processor for datacenter use.
- TPU 8tGoogleannounced2026-04-22source
Google announced TPU 8t as its training-focused eighth-generation TPU for AI workloads.
- TPU 8iGoogleannounced2026-04-22source
Google announced TPU 8i as its inference-focused eighth-generation TPU for AI workloads.
Stufenleiter
Frontier · Mainstream · Spezialisiert · Legacy · quartalsweise bewertet
Aktuelle Flaggschiff-Chips, die in großem Umfang an Hyperscaler geliefert werden. Die Chips, die gerade die größten Modelle trainieren.
Aktuelle Nicht-Flaggschiffe oder Flaggschiffe der Vorgeneration, die weiterhin breit im Einsatz sind. Die Arbeitspferde der KI-Wirtschaft.
Wafer-Scale, eigene Hyperscaler-Chips oder experimentelle Architekturen für Nischen-Workloads.
Ältere Chips, die auslaufen oder bereits das Supportende erreicht haben. Weiterhin in Forschungsclustern und preissensiblen Workloads im Einsatz.
Leistung pro Watt
FP16-TFLOPs vs. TDP · logarithmische Skala · Blasengröße = HBM-Kapazität
Oben links gewinnt. Chips oberhalb der 4 T/W Linie bilden die Effizienzgrenze · dort wird das Spiel um das Strombudget im Hyperscale gewonnen. Wafer-Scale- und Multi-Die-Superchips liegen oben rechts, weil sie Watt gegen rohen Durchsatz tauschen.
Chip Demand Ladder
Wie knapp ist das Angebot aktuell · manuell kuratiert aus Auftragsbüchern und Earnings Calls
Hinweise zum Angebot
- GB200Sold out through 2027 · Oracle, Microsoft, Meta competing
- GB300xAI Memphis + Stargate phase 2
- B200CoWoS-L packaging capacity is the bottleneck
- Ascend 910CChina export-ban alternative · SMIC N7 constrained
- WSE-3G42 Condor Galaxy absorbing most wafers
- B300Ultra variant ramping Q4 2025
Dies ist die Vorschau pro Chip auf die AI Compute Demand Index Seite unter /compute · nach oben offen über 100, steigt auf 250+, wenn der Markt heißläuft. Wöchentlich aktualisiert aus Auftragsbüchern der Hyperscaler und Earnings-Angaben.
Am besten für
Sechs kuratierte Kurzlisten berechnet aus den Live-Spezifikationsdaten
Höchster roher FP16-Durchsatz
Top 5 nach FP16/BF16-TFLOPs · Preis und Leistungsaufnahme ignoriert · reine Rechenleistung
Am effizientesten (TFLOPs/W)
Beste FP16-TFLOPs pro Watt · die Chips, mit denen Strombudgets in Rechenzentren aufgehen
Größte HBM-Kapazität
Größter Speicher, um Modelle mit über 400 Mrd. Parametern auf einem einzigen Node unterzubringen
Günstigste Cloud-Miete
Niedrigster $/h-Preis in öffentlichen Clouds · ideal für schnelle Experimente
Aktuelle Flaggschiff-Chips
Die Chips, die gerade die größten Frontier-Modelle trainieren
Vollständige Bestenliste
Sortiert nach Gecko Score · Komposit aus Stufe, Aktualität, Verbreitung, Leistungsdichte
| # | Chip | Hersteller | Score |
|---|---|---|---|
| 1 | NVIDIA | 94 | |
| 2 | NVIDIA | 86 | |
| 3 | 83 | ||
| 4 | AWS | 78 | |
| 5 | NVIDIA | 75 | |
| 6 | AMD | 75 | |
| 7 | Huawei | 75 | |
| 8 | 71 | ||
| 9 | NVIDIA | 70 | |
| 10 | AMD | 68 | |
| 11 | AMD | 65 | |
| 12 | Cerebras | 60 | |
| 13 | Intel | 57 | |
| 14 | NVIDIA | 55 | |
| 15 | NVIDIA | 55 | |
| 16 | Meta | 52 | |
| 17 | 49 | ||
| 18 | Microsoft | 42 | |
| 19 | Groq | 34 | |
| 20 | NVIDIA | 31 |
Nach Hersteller
10 Unternehmen · 3 Foundries · 2 Länder
Häufig gefragt
Aus dem Live-Datensatz gezogen · täglich aktualisiert
Welcher KI-Chip hat aktuell die meisten FP16-TFLOPs?
Die NVIDIA GB300 (Grace Blackwell Ultra) führt beim dichten FP16-Durchsatz mit ca. 5000 TFLOPs pro Superchip, gefolgt von der GB200 mit 4500 TFLOPs. Der Cerebras WSE-3 erreicht 125000 TFLOPs pro Wafer, ist aber eine grundlegend andere Architektur · ein einzelner Wafer enthält, was sonst etwa 50 GPUs wären.
Welcher KI-Chip ist pro Watt am effizientesten?
Google TPU v7 (Ironwood) und NVIDIA B200 liegen bei den FP16-TFLOPs pro Watt unter den lieferbaren Chips vorn. Trillium (TPU v6e) folgt dicht dahinter. Inferenz-orientierte Designs (Ironwood, Groq LPU) dominieren die Leistung pro Watt meist, weil sie auf trainingsspezifische Schaltungen verzichten.
Wer stellt neben NVIDIA KI-Chips her?
10 Unternehmen liefern auf BenchGecko erfasste KI-Beschleuniger in Serie aus · NVIDIA, AMD, Google, AWS, Intel, Microsoft, Meta, Huawei, Cerebras, Groq und weitere. NVIDIA dominiert den Verkauf an Dritte, doch Hyperscaler liefern zunehmend eigene Chips (Trainium2, TPU v7, Maia 100, MTIA) aus, um Abhängigkeiten zu verringern.
Welche Fabs fertigen KI-Chips?
90% der erfassten Chips werden bei TSMC gefertigt. GlobalFoundries fertigt Groqs 14-nm-LPU. SMIC fertigt Huaweis Ascend 910C im N7-Node als zentrale Antwort auf das US-Exportverbot. Die fortschrittlichen TSMC-Nodes (N5/N4/N3) sind der Engpass für aktuelle Chips von NVIDIA, AMD, AWS, Google und Microsoft.
Wie wird entschieden, welcher Chip zur Stufe "Frontier" gehört?
Frontier steht für das aktuelle Flaggschiff der neuesten Generation, das 2025-2026 ausgeliefert und von Hyperscalern breit bestellt wird. Mainstream bezeichnet Nicht-Flaggschiffe der aktuellen Generation oder Flaggschiffe der Vorgängergeneration, die noch im Einsatz sind (H100, H200, MI300X). Specialized steht für Wafer-Scale, LPU, MTIA und andere Spezialdesigns. Legacy bedeutet EOL oder Auslaufmodell (A100, V100). Die Stufen werden vierteljährlich überprüft.
Woher bezieht BenchGecko seine Chipdaten?
Herstellerdatenblätter für Spezifikationen, SEC-10-K-Berichte und Telefonkonferenz-Transkripte für Angaben zu Abnehmern, API-Preise der Cloud-Anbieter für $/Stunde, öffentliche Pressemitteilungen für Veröffentlichungsdaten. Jede Chip-Detailseite enthält Quellenlinks. Keine Daten hinter Paywalls · keine von Herstellern gesponserten Rankings · alles ist reproduzierbar.
Siehe auch
Den Compute-Graphen weiter erkunden