---
title: "Google stellt Nvidia eine Herausforderung: Ambitionierter Plan zur Herstellung von 15 Millionen eigener KI-Chips bis 2028"
description: "Google plant bis 2028 die Herstellung von 12 bis 15 Millionen eigener KI-Chips TPU v9, um die Produktionsmengen von Nvidia einzuholen. 🚀 Für die Umsetzung dieses ambitionierten Plans könnte die Hinzuziehung der Kapazitäten von Intel notwendig sein, da TSMC den Auftrag allein nicht bewältigen kann. 🏭"
date: 2026-07-31T20:28:33.000Z
lang: de
url: https://xab.info/de/posts/google-stellt-nvidia-eine-herausforderung-ambitionierter-plan-zur-herstellung-von-15-millionen-eigener-ki-chips-bis-2028
tags: [google, nvidia, tpu, ai-chips, intel]
publisher: "XAB.info"
---

# Google stellt Nvidia eine Herausforderung: Ambitionierter Plan zur Herstellung von 15 Millionen eigener KI-Chips bis 2028

![Server-Racks mit blinkenden Lichtern und Google TPU-Chips im Vordergrund, die den ehrgeizigen Plan des Unternehmens symbolisieren, bis 2028 15 Millionen eigene KI-Prozessoren zu produzieren](https://xab.info/media/2026/07/31/google-planirovet-proizvodstvo-15-mln-chipov-tpu-k-2028-godu/google-planirovet-proizvodstvo-15-mln-chipov-tpu-k-2028-godu-1.webp)

Der globale Markt für künstliche Intelligenz rüstet sich für massive Verschiebungen. Nach nicht offiziellen Berichten plant Google, die Produktion eigener KI-Chips in den kommenden Jahren drastisch zu steigern, um ein Produktionsniveau zu erreichen, das mit dem des Marktführers Nvidia vergleichbar ist.

### Zahlen, die das Kräfteverhältnis verändern

Bis 2028 rechnet Google damit, zwischen 12 und 15 Millionen der neuesten TPU v9-Beschleuniger zu deployen. Sollten sich diese Prognosen bestätigen, wird der Suchriese tatsächlich die Werte seines Hauptkonkurrenten erreichen. Analysten schätzen, dass Nvidia im Jahr 2026 8,2 Millionen Grafikprozessoren für Rechenzentren liefern wird, und bis 2028 könnte sich diese Menge auf 12,4 Millionen erhöhen. Somit ist ein Cloud-Anbieter bereit, KI-Beschleuniger in Mengen zu produzieren, die denen des führenden Anbieters von kommerziellen Chips entsprechen.

### Technologische Herausforderungen und Produktionskapazitäten

Grundlage des Plans von Google ist die Entwicklung der TPU der neunten Generation, deren Debüt für 2028 geplant ist. Die Architektur der neuen Chips wird dem branchenweiten Trend zur Chiplet-Konfiguration folgen: Jeder Beschleuniger wird vier Rechenkristalle verwenden. Das geplante Produktionsvolumen wird voraussichtlich die Nachfrage im Vergleich zum Niveau von 2027 mehr als verdoppeln.

Die Umsetzung dieser Pläne ist jedoch mit erheblichen technischen Schwierigkeiten verbunden. Die Platzierung mehrerer großer Kristalle auf einem einzigen Chip erfordert fortschrittliche Technologien für Verbindungen und Verpackung. Die Massenproduktion erschwert die Aufgabe, wobei die Produktionskapazitäten zum Hauptengpass werden.

Die entscheidende Frage ist, wer diese Chips herstellen wird. TSMC wird diesen Auftrag allein nicht bewältigen können, daher muss möglicherweise die Produktionsabteilung von Intel hinzugezogen werden. Hier liegt eine weitere Komplexität: Die Verpackungstechnologien der verschiedenen Hersteller unterscheiden sich. Die von Intel verwendeten Technologien EMIB oder EMIB-T sind nicht direkt mit CoWoS-L kompatibel, was zusätzliche ingenieurtechnische Lösungen erfordern wird.

### Strategie der Unabhängigkeit

Google entwickelt eigene Chips seit etwa einem Jahrzehnt. War dies anfangs eine Möglichkeit, Arbeitslasten zu unterstützen, so geht es heute um eine umfassende Strategie des Cloud-Geschäfts. Wenn Google 2028 sein Ziel erreicht, könnte es zum größten Nutzer von KI-Beschleunigern weltweit werden.

Dies bedeutet nicht, dass die Einkäufe bei Nvidia eingestellt werden müssen, aber Google wird deutlich mehr Kontrolle über seine eigene Recheninfrastruktur und Lieferketten haben. Vergleichstests der Google TPU der neunten Generation mit den zukünftigen Nvidia Rubin- und Rubin Ultra-Chips liegen noch nicht vor, doch der Umfang der Pläne des Suchriesen deutet darauf hin, dass der Wettbewerb auf dem Markt für KI-Hardware zunehmend von den Deployment-Mengen abhängt und nicht nur von der Leistung einzelner Chips.