Modellgewichte werden zur Hardware
AMD übernimmt das 2023 in Toronto gegründete Chip-Startup Taalas. Die Ankündigung erfolgte Anfang August 2026, der Abschluss der Transaktion wird vorbehaltlich behördlicher Genehmigungen für das vierte Quartal 2026 erwartet. Zum Kaufpreis machte AMD keine Angaben.
Der Ansatz von Taalas unterscheidet sich grundlegend von dem klassischer Grafikprozessoren. Statt die Gewichte eines KI-Modells, also die trainierten Zahlenwerte, aus schnellem HBM-Speicher zu laden, ätzt Taalas sie direkt in das Silizium. Technisch geschieht das über ein Mask-ROM, einen Speicherbereich, dessen Inhalt bei der Fertigung fest verdrahtet wird.
Nur variable Daten bleiben flexibel: KV-Caches, also die Zwischenergebnisse eines laufenden Dialogs, und LoRA-Adapter für kleinere Feinanpassungen liegen im SRAM des Chips. Damit wird aus dem Beschleuniger faktisch ein modellspezifischer Schaltkreis, der genau ein Modell ausführt und sonst nichts.
Die Zahlen des ersten Testchips
Taalas hat die Technik bereits in Hardware gegossen. Im Februar 2026 stellte das Unternehmen den Testchip HC1 vor, gefertigt bei TSMC im 6-Nanometer-Verfahren. Beim Ausführen von Metas Llama 3.1 8B kam der Chip auf 16.960 Token pro Sekunde.
| Kennzahl | Wert |
|---|---|
| Testchip | HC1, TSMC 6 nm, Februar 2026 |
| Durchsatz (Llama 3.1 8B) | 16.960 Token/Sekunde |
| Vergleich Nvidia-GPUs (Stand Feb. 2026) | 48-mal langsamer |
| Vergleich Cerebras-Beschleuniger (Stand Feb. 2026) | 8,5-mal langsamer |
| Nachfolger HC2 (Sommer 2026) | bis 20 Mrd. Parameter je Beschleuniger |
| Modell mit 1 Billion Parametern | rund 50 Beschleuniger |
Llama 3.1 stammt aus der Mitte des Jahres 2024 und ist damit alles andere als aktuell. Der Chip diente ausdrücklich dem Nachweis, dass das Konzept trägt. Der für Sommer 2026 angekündigte HC2 soll bis zu 20 Milliarden Parameter pro Beschleuniger aufnehmen. Größere Modelle lassen sich über Pipeline-Parallelität verteilen, also indem einzelne Schichten des Modells auf mehrere Chips aufgeteilt werden.
Arbeitsteilung mit den Instinct-GPUs
AMD will die Taalas-Technik mit den eigenen Helios-Racks auf Basis der Instinct-Beschleuniger kombinieren. Die Aufgabenteilung ist dabei klar umrissen: Die GPUs übernehmen die rechenintensive Verarbeitung des Prompts, die Taalas-Chips erzeugen anschließend die Ausgabe-Token.
AMD baut eine Full-Stack-KI-Plattform auf, die Kunden die Flexibilität gibt, die richtigen Compute-Lösungen für jeden KI-Workload einzusetzen. (Vamsi Boppana, SVP of AI bei AMD, sinngemäß übersetzt)
Wie sich das konkret in Produkte übersetzt, ist offen. AMD hat bislang nicht mitgeteilt, ob entsprechende Systeme ausschließlich an Cloud-Anbieter gehen oder auch als On-Premise-Lösung für Unternehmen angeboten werden. Auch ein Termin für erste kommerziell verfügbare Systeme steht nicht fest.
Der Haken: ein Chip, ein Modell
Wer Gewichte in Silizium ätzt, legt sich fest. Alles, was über einen LoRA-Adapter hinausgeht, erfordert ein Neuprägen der Chips, im Fachjargon ein Re-Spin. Laut Taalas müssen dafür lediglich zwei Metallschichten angepasst werden, was den Aufwand gegenüber einem kompletten Neuentwurf deutlich senkt. Das Unternehmen beziffert die Kosten für das Ätzen eines Modells auf ein Hundertstel dessen, was das Training eines Frontier-Modells kostet. Konkrete Beträge und Zeitspannen für einen Re-Spin nennt es nicht.
In einem Markt, in dem neue Modellgenerationen im Monatsrhythmus erscheinen, ist das ein erhebliches Risiko. Wer ein Modell in Hardware gießt, muss sicher sein, dass es sich über eine relevante Nutzungsdauer trägt. Für Betreiber, die ohnehin ein einziges Modell in sehr großem Umfang ausliefern, ist die Rechnung leichter als für alle anderen.
Was das für Kosten und Abhängigkeiten bedeutet
Der wirtschaftliche Hebel liegt beim Preis pro Token. Reasoning-Modelle, die vor der Antwort länger "nachdenken", verbrauchen deutlich mehr Token und treiben damit die Rechnung nach oben. Sinken Kosten und Latenz um eine Größenordnung, wird längeres Nachdenken bezahlbar und Agenten, die über viele Schritte hinweg arbeiten, werden günstiger im Betrieb.
Für Unternehmen im DACH-Raum ist das zunächst eine indirekte Angelegenheit. Die Technik zielt auf Modellentwickler, Infrastrukturanbieter und spezialisierte Inferenzdienste. Spürbar würde sie über die API-Preise, ähnlich wie zuletzt bei der Preissenkung von OpenAI bei GPT-5.6. Auch dass Anthropic ein eigenes Chipdesign-Team aufbaut, zeigt, wie stark der Kostendruck inzwischen bis in die Hardware durchschlägt.
Aus Sicht der Anbieterunabhängigkeit ist der Ansatz zweischneidig. Ein in Silizium gegossenes Modell ist die härteste Form von Lock-in, die derzeit denkbar ist, und zwar auf Ebene der Infrastruktur. Andererseits eignet sich das Verfahren besonders für Modelle mit offenen Gewichten, weil deren Parameter frei verfügbar sind. Denkbar wären spezialisierte, sehr günstige Inferenzdienste für etablierte offene Modelle, was den Kostenvorsprung von Open-Weight-Modellen gegenüber geschlossenen Abo-Diensten weiter vergrößern würde.
Für Eigenentwicklungen im Mittelstand ist die Technik kurzfristig nicht relevant. Wer heute Agenten oder Code-Assistenten aufbaut, tut das weiterhin auf gemieteter GPU-Kapazität oder per API. Mittelfristig entscheidet sich an solchen Hardware-Wetten aber, wie teuer der Betrieb eigener KI-Anwendungen bleibt.