KI-Inferenz betritt das Zeitalter der heterogenen Rechenleistung! Microsoft Maia 300 beschleunigt den Aufstieg der eigenen Chipentwicklung, während TSMC (TSM.US) und Marvell (MRVL.US) von einem Wachstumszyklus bei ASICs profitieren

Das APP von Zhihui Finanz berichtet, dass, während Medien unter Berufung auf Insiderquellen meldeten, dass einer der US-amerikanischen Technologieriesen, Microsoft (MSFT.US), demnächst seinen neuesten selbst entwickelten AI-Beschleuniger Maia 300 auf den Markt bringen möchte, das bekannte Wall-Street-Investmenthaus Wedbush Securities der Auffassung ist, dass diese neueste Marktentwicklung äußerst positiv für Marvell Technology (MRVL.US), das sich auf AI-ASICs und optische Interconnect-Chips für Datenzentren spezialisiert hat, sowie für den „König des Chip-Fertigungsmarktes“, TSMC (TSM.US), sein könnte. Microsoft könnte bereits im September 2026 die nächste Generation seines selbst entwickelten AI-ASIC-Chips Maia 300 vorstellen und verhandelt derzeit mit TSMC, um bis 2027 die Kapazität für über 300.000 Chips zu sichern; langfristig hoffen sie sogar auf Kapazität für mehr als eine Million Chips.

Microsoft erklärte in einer Stellungnahme deutlich, dass die Maia selbst entwickelten AI-ASICs letztlich auf große AI-Inferenz-Workloads ausgelegt sind, die in Gigawatt (GW) gemessen werden. Das bedeutet in hohem Maße, dass Hyperscaler-Cloud-Anbieter von dem „kollektiven GPU-Einkauf“ auf eine heterogene AI-Infrastruktur aus Nvidia AI-GPUs, AMD AI-GPUs und selbst entwickelten ASICs/XPUs umsteigen: Die Trainingsprozesse fortschrittlicher, komplexer und schnelllebiger AI-Workloads benötigen weiterhin Cluster aus AI-GPUs, während große AI-Inferenz-Workloads rund um ausgereifte, Open-Source-AI-Modelle, Copilot und AI-Agenten (also KI-Intelligenzen) zunehmend besser für spezialisierte, selbst entwickelte AI-Chips geeignet sind.

Offensichtlich versucht Microsoft, einen ähnlichen Weg wie Google mit der kommerziellen Vermietung und dem Verkauf von Google TPUs zu gehen, anstatt die Chips nur für interne AI-Trainings oder Inferenzprozesse zu nutzen. Allerdings handelt es sich bislang eher um Azure-Cloud-Kapazitätsvermietung und nicht um den direkten Verkauf von Bare Chips. Microsoft hat bereits klar gemacht, dass Maia 200 dabei ist, die KI-Inferenzkapazität in der Azure-Cloud-Plattform für Kunden zu erweitern und gleichzeitig Entwicklern, AI-Startups und Forschungseinrichtungen eine Vorschau auf das Maia SDK zu ermöglichen.

Im Gesamtkontext hat Microsofts vorherige Generation selbst entwickelter AI-Chips, Maia 200, den Schritt von der internen Chipentwicklung in die Azure-Produktionsumgebung gemacht und beginnt, für die Kunden tatsächlich nutzbare KI-Inferenzkapazitäten bereitzustellen; dennoch sollte man gegenwärtig nicht interpretieren, dass Kunden bereits wie bei Nvidia Blackwell, H100 oder Google TPU massiv und einzeln Maia 200 Chip-Instanzen mieten können.

Wichtiger ist, dass Reuters kürzlich berichtete, Microsoft versucht, große Cloud-Kunden wie Anthropic vom Einsatz des Maia 300 zu überzeugen, was zeigt, dass Maia nicht mehr nur ein geschlossener, intern entwickelter Chip für Microsoft 365 Copilot oder OpenAI-Workloads ist.

Microsofts Maia 300 senkt die Kosten für KI-Inferencing, TSMC und Marvell stehen an der größten Profitchain?

Matt Bryson, Senior Analyst bei Wedbush, schrieb in einer Mitteilung an Kunden: „Bislang hat das selbst entwickelte AI-Chip-Projekt Maia von Microsoft die Erwartungen nicht erfüllt, und generell hat Microsoft in der Hardwarebranche stets mit Durchführungsproblemen zu kämpfen gehabt.“

„Trotzdem erreicht Microsofts selbst entwickelte AI-Chip-Initiative gerade einen entscheidenden Meilenstein in der Multi-Generation-Produktentwicklung; und historisch gesehen zeigen sich die positiven Effekte von Chipentwicklungen oft in dieser Phase – beispielsweise nach über vier bis fünf Jahren Entwicklung und dem Übergang zur dritten Generation des Produkts. Falls am Ende große Bestellungen für KI-Infrastruktur umgesetzt werden, sollten die Chip-IP- und Chip-Designpartner wie Marvell sowie der Fertigungspartner TSMC zu den direkten Nutznießern des Erfolgs von Microsofts selbst entwickelten AI-Chip zählen.“

Analyst Bryson betont zudem, dass Maia 300 auch Auswirkungen auf die Aktien und fundamentale Zukunft von Nvidia (NVDA.US) haben könnte, da nach Amazon und Google nun ein weiterer Cloud-Gigant an einem maßgeschneiderten, selbst entwickelten AI-Chip-Projekt arbeitet, das die Kosten für Enterprise-KI-Inferencing senken soll. Bryson ergänzt jedoch, dass die Auswirkungen auf Nvidia wohl begrenzt bleiben, da Nvidia beim „Sicherstellen ausreichender Liefermengen“ und der Basis allgemeiner KI-Infrastruktur stets „besonders kompetent“ gewesen ist.

Medien berichten, dass Maia 300 möglicherweise schon im Herbst dieses Jahres vorgestellt wird. Microsoft hat mit TSMC verhandelt, um die Fertigungskapazität für mehr als 300.000 Chips zu sichern und plant die Auslieferung im Jahr 2027. Maia 200 wurde im Januar dieses Jahres vorgestellt, während frühe Versionen des Maia AI-Chip-Projekts erstmals im November 2023 auf den Markt kamen.

Microsoft und Marvell haben Medienanfragen nach Kommentaren bislang nicht beantwortet.

Microsoft will den Weg von Google TPU einschlagen! Maia 300 im Visier als Basis für Azure-Computing-Power – TSMC und Custom-Chip-Lieferkette stehen vor neuem Wachstumszyklus

Aus Architekturperspektive liegt Microsofts Maia im Vergleich zu Nvidia GPU nicht in der „absoluten Rechenleistung“ vorne, sondern in der Wirtschaftlichkeit unter großskaligen, wiederholten Inferenz-Lasten – also bei den Kosten pro Token, Token-Durchsatz pro Watt (Tokens/Watt) und den Gesamtbetriebskosten (TCO) für einen AI-Server.

GPUs müssen Training, Inferenz, wissenschaftliche Berechnungen und viele dynamische Workloads abdecken und bieten mit ihrer Universalität, der CUDA/TensorRT Software-Ökosystem sowie den NVLink-Clusterfähigkeiten den größten Wettbewerbsvorteil; Maia hingegen ist ein maßgeschneiderter, selbst entwickelter AI-Beschleuniger basierend auf einer koordinierten Hard- und Software-Referenzarchitektur für Azure-Workloads, und kann mehr Transistoren, Energiebudget und Chipfläche auf die für Transformer-Inferencing wirklich benötigte Low-Precision Tensor-Berechnung, Speicherkapazität/-bandbreite und Datenverschiebung konzentrieren.

Maia 200 nutzt bereits TSMCs 3-Nanometer-Verfahren (TSMC 3nm), native FP4/FP8 Tensor Cores, 216 GB HBM3e, 7 TB/s Bandbreite und 272 MB On-Chip-SRAM. Microsoft hat die DMA-, NoC- und zweistufige Scale-up-Netzwerkarchitektur besonders verstärkt – im Kern optimiert für die zunehmend schwerwiegende Memory Wall in der Inferenzphase, KV Cache und Datenbewegungskosten. Microsofts jüngster Quartalsbericht betont, dass Maia 200 im Vergleich zur neuesten Hardwaregeneration im eigenen Cluster eine Leistungssteigerung von 30 % pro Dollar und etwa 40 % pro Watt bei eigenen MAI-Modellen erreicht. Das ist genau die gefährliche Wettbewerbsfähigkeit eines ASICs oder XPUs im Inferenz-Zeitalter: Wenn bei Milliarden ähnlicher Token-Generierungsaufgaben eine hohe Standardisierung möglich ist, muss der Flexibilitätspreis eines „universellen GPUs“ von Nvidia nicht bei jeder einzelnen Inferenzanfrage gezahlt werden.

Wenn Maia 300 wie derzeit von Medien berichtet mit der geplanten Geschwindigkeit und in der angepeilten Stückzahl implementiert wird, ist dies für das globale AI-Halbleiterinvestment-Thema eine „bedeutende strukturelle Gelegenheit“, bedeutet aber auch, dass die TAM (Total Addressable Market) von KI-Infrastruktur weiter wächst und die Gewinnpools neu strukturiert werden: TSMC-Kapazität für fortgeschrittene Fertigungen, fortschrittliche Prozessketten, Design individueller ASICs, HBM/NAND/DRAM auf Data-Center-Niveau, fortschrittliche Verpackung, schnelle optische Interconnects und Netzwerke ziehen zusätzliche Nachfrage an – während die Markterwartungen für den von Nvidia und AMD dominierten AI-GPU-Infrastrukturtrend eher negativ beeinflusst werden könnten.

Chris Caso, Stratege vom Top-Wall-Street-Institut Wolfe Research, stellte fest, dass der Philadelphia Semiconductor Index (SOXX) in den letzten drei Monaten etwa verdoppelt wurde, darauf aber um rund 25 % vom Höchststand gefallen ist; die jüngste Schwäche sei eher eine Neubewertung nach einer starken Rally. Caso erwartet, dass die Nachfrage nach AI-Chips mindestens bis 2028 das Angebot übersteigt, und meint, dass die befürchtete Zurückhaltung der Investitionen von Hyperscaler-Clouds in der Praxis nicht eingetreten ist, sondern der Trend rund um AI-Agenten die Hyperscaler zu „Investitionen ohne Alternative“ zwingt.

Ein aktueller Bericht des Analyse-Teams unter Leitung von Brian Nowak von Morgan Stanley zeigt, dass die Prognose der Kapitalausgaben für die fünf größten Hyperscaler (Meta, Amazon, Microsoft, Google, SpaceX) für 2027/2028 noch einmal deutlich angehoben wurde – auf etwa 1,2 bzw. 1,4 Billionen US-Dollar. Die Prognose der Kapitalausgaben großer US-Technologiekonzerne für 2026 ist von 433 Milliarden US-Dollar im Vorjahr auf nun 805 Milliarden US-Dollar signifikant aufgestockt worden.

Das bedeutet jedoch nicht, dass Maia kurzfristig Nvidia ersetzen kann. Im Gegenteil: Der Wettbewerb im Bereich KI-Inferenz hat sich vom „Chip-Peak-FLOPS“ zur „Effizienz der gesamten AI-Fabrik“ verschoben. Die Hauptfestung von Nvidia bleibt CUDA, TensorRT-LLM, Dynamo, ausgereifte Kernel-Bibliotheken und das hochwertige, integrierte GPU-NVLink-Netzwerk-Software-Ökosystem. TensorRT-LLM wird kontinuierlich für FP8/FP4-Quantisierung, Paged KV Cache, Speculative Decoding, Expert Parallelism in den Schlüsselbereichen der Inferenz optimiert – daher ist Microsofts größte Herausforderung bei der Entwicklung von Maia als Großplattform nicht das Chipdesign, sondern die Reife von Compiler, Kernel, Scheduler, Modell-Kompatibilität und Entwickler-Ökosystem.

Für Institute wie Morgan Stanley, Wedbush Securities und andere, die weiterhin der KI-Infrastrukturkette optimistisch gegenüberstehen, sorgt die nahezu unbegrenzte, fortschrittliche KI-Rechenleistung im Zeitalter des KI-Inferencing sowie die damit verbundenen AI-Agenten-Anforderungen dafür, dass AI-ASICs zu einem zweiten Billionen-US-Dollar-Ökosystem für Rechnerleistung werden, ohne die GPU-Nachfrage zu zerstören – und dies verstärkt die Logik, dass der „Superzyklus für AI-Halbleiter nicht nur ein GPU-Zyklus ist, sondern ein Zyklus der Steigerung des Siliziumanteils im gesamten Rechenzentrum“.

In Bezug auf die Aktienperspektive von TSMC, „König des Chip-Fertigungsmarktes“, hat Barclays-Analyst Simon Coles den Zielkurs für TSMC kürzlich von 625 auf 650 US-Dollar erhöht und bleibt bei „Overweight“; wird dieser Preis erreicht, steigt der Marktwert von TSMC von derzeit etwa 2,17 Billionen auf circa 3,37 Billionen US-Dollar.

Coles‘ wichtigste Argumentationskette lautet: Die globale KI führt zu einem „Wettbewerb um fortgeschrittene Logik-Wafer-Produktion“ – seine Untersuchungen der asiatischen Lieferketten zeigen einen heftigen Kampf der Kunden um die Produktionskapazität der fortschrittlichen Logik-Wafer. TSMC kontrolliert sowohl fortgeschrittene N2/N3-Prozesse als auch CoWoS-Fortschrittspackaging als zwei kritische Engpässe der KI-Infrastruktur; diese Knappheit verschafft TSMC große Macht bei Preis und Menge. Anders gesagt: Das bullishe Ziel von 650 US-Dollar beruht nicht allein darauf, dass „Nvidia weiterhin GPUs verkauft“, sondern darauf, dass alle heterogenen KI-Clusters von Nvidia/AMD GPUs, Google TPU, AWS Trainium, Microsoft Maia und AMD GPU fortgeschrittene Prozesse und Packaging benötigen. TSMC wird daher zu einem echten „Passieren-Gebührpunkt“ für KI-Inferencing-Infrastruktur unter den Halbleiterwerten.

In Sachen Marvell-Aktien ist der aggressivste Zielkurs aktuell 400 US-Dollar, genannt vom KeyBanc-Analysten John Vinh, am 14. Juli von 385 auf 400 US-Dollar angehoben und die Einstufung auf „Overweight“ belassen; verglichen mit dem aktuellen Kurs von 208,56 US-Dollar bedeutet das ein Aufwärtspotenzial von etwa 91,8 %. Nach aktuellem Freefloat von etwa 875,8 Millionen Aktien ergibt sich bei 400 US-Dollar eine potenzielle Marktkapitalisierung von etwa 350,3 Milliarden US-Dollar. Vinh argumentiert vor allem mit „Heterogene Rechenleistung der Cloud-Giganten + KI-Inferencing-Zeitalter“ – das heißt, Marvell (Marvell) profitiert gleichzeitig vom Wachstum bei Hyperscaler Custom AI-ASIC/XPU (Custom Silicon) und Hochgeschwindigkeits-Interconnect (Optical/Networking).

Der 400-Dollar-Zielkurs von KeyBanc-Analyst Vinh setzt nicht nur auf eine einzelne Maia 300 Chip-Generation, sondern darauf, dass Marvell, wenn Microsoft, Google oder Amazon als Cloud-Giganten von „Nvidia GPU-Einkäufen“ auf eine heterogene Rechenleistung aus GPU und eigenentwickelten ASICs umsteigen, vom Anbieter für AI-Interconnects zum zentralen „Waffenlieferanten“ für die eigenentwickelte Silizium-Lösung der Cloud-Giganten avanciert.