Was kommt nach CPU und GPU? Eine Landkarte der neuen Rechnerarchitekturen

Kurz gesagt: Der nächste große Sprung kommt wahrscheinlich nicht von einem neuen Chip, sondern vom Umbau einer alten Gewohnheit: Daten ständig zwischen Speicher und Rechenwerk hin- und herzuschieben. Fast alle neuen Ansätze — rechnender Speicher, gehirnähnliche Chips, Licht als Rechenmedium — greifen genau dort an. Die meisten funktionieren heute im Labor. Wenige im Alltag. Diese Landkarte sortiert, was davon wie gut belegt ist.

Wer ein lokales Sprachmodell betreibt, merkt es zuerst am Speicher: Nicht die Rechenleistung der Grafikkarte entscheidet, ob ein 70B-Modell läuft, sondern ob die Gewichte in den VRAM passen (das rechnet der Local-AI-Rechner durch). Das ist kein Zufall, sondern ein Symptom — und der beste Einstieg in die Frage, was nach CPU und GPU kommt.

Das eigentliche Problem: Daten bewegen kostet mehr als rechnen #

Klassische Computer trennen Speicher und Rechenwerk. Jede Rechnung beginnt damit, Daten aus dem Speicher zu holen, und endet damit, sie zurückzuschreiben. Bei neuronalen Netzen, die für jedes Token Milliarden Gewichte lesen, dominiert dieser Transport.

In einem 45-nm-Referenzprozess kostet eine 32-Bit-Gleitkomma-Addition etwa 0,9 Pikojoule, ein Zugriff auf externen DRAM dagegen etwa 640 PikojouleBelegt — gut das Siebenhundertfache. Neuere Fertigung verschiebt die absoluten Zahlen, nicht das Muster: Bei Deep-Learning-Beschleunigern dominieren Speicherzugriffe und Datenbewegung den EnergieverbrauchBelegt.

Man nennt das die Memory Wall: Rechenwerke wurden über Jahrzehnte viel schneller, die Wege zum Speicher kaum. Jede Architektur auf dieser Landkarte ist im Kern ein Versuch, diese Wege zu verkürzen oder ganz zu vermeiden.

Zum Vergleich: das Gehirn #

Das menschliche Gehirn arbeitet mit einem Energiebudget von rund 20 WattBelegt — weniger als eine Schreibtischlampe. Ein direkter Vergleich mit einem Rechenzentrum hinkt, weil Gehirn und Computer völlig unterschiedliche Aufgaben unterschiedlich gut lösen. Aber ein Konstruktionsprinzip ist bemerkenswert: Im Gehirn liegen „Speicher“ (Synapsen) und „Rechnen“ (Neuronen) am selben Ort, und gerechnet wird nur, wenn etwas passiert.

1. Compute-in-Memory: Speicher, der selbst rechnet #

Die direkteste Antwort auf die Memory Wall: Die Gewichte eines neuronalen Netzes werden als physikalische Eigenschaft in Speicherzellen abgelegt — etwa als Widerstand —, und die Multiplikation passiert beim Auslesen, per Ohmschem Gesetz, analog.

• IBM Research hat einen analogen In-Memory-Chip mit 35 Millionen Phase-Change-Speicherzellen gebaut, der Spracherkennung mit bis zu 12,4 TOPS pro Watt ausführtDemonstriert. Softwaregleiche Genauigkeit erreichte er allerdings nur beim kleinen Netz; das große Spracherkennungsmodell lief verteilt auf fünf Chips knapp darunter.
• Der NeuRRAM-Chip nutzt resistiven Speicher (RRAM) und erreicht bei kleinen Bild- und Sprachaufgaben die Genauigkeit von 4-Bit-SoftwareDemonstriert — mit doppelter Energieeffizienz gegenüber früheren RRAM-Chips, nicht gegenüber GPUs.

Reality Check: Funktionierendes Silizium, aber Forschungsprototypen. Analoges Rechnen bringt Rauschen und Drift mit, die Genauigkeit ist die offene Flanke.

In Vorbereitung: Compute-in-Memory und Memristoren im Detail.

2. Neuromorphic Computing: Chips nach dem Vorbild des Gehirns #

Neuromorphe Chips übernehmen zwei Ideen aus der Biologie: Neuronen kommunizieren über kurze Impulse (Spikes), und gerechnet wird ereignisgesteuert — ohne Eingangssignal bleibt der Chip weitgehend still.

Intel beschreibt sein System Hala Point mit 1.152 Loihi-2-Prozessoren und 1,15 Milliarden Neuronen als größtes neuromorphes System, mit über 15 TOPS pro WattHerstellerangabe — ein Wert, den Intel selbst für ein bestimmtes, stark ausgedünntes Netz angibt und das System als Forschungsprototyp bezeichnet.

Eine Übersicht in Nature Computational Science kommt zu dem Schluss, dass die Hardware der Software voraus ist: Es fehlen Algorithmen und Anwendungen, die neuromorphe Chips wirklich ausreizenTheorie.

Reality Check: Beeindruckende Hardware, überwiegend Herstellerzahlen, wenig unabhängige Vergleiche mit GPUs auf praktischen Aufgaben.

In Vorbereitung: Warum braucht das Gehirn nur rund 20 Watt? · Neuromorphic Computing im Detail.

3. Photonik: Kann Licht rechnen? #

Licht kann Matrixmultiplikationen erledigen, indem sich Lichtwellen in einem Netz aus Interferometern überlagern — schnell und mit wenig Wärme, zumindest im Prinzip.

• 2017 zeigte ein programmierbarer nanophotonischer Chip mit 56 Interferometern VokalerkennungDemonstriert — ausdrücklich den Kernbaustein, kein vollständiges optisches Netz. Die Effizienzvorteile nannten die Autoren „prinzipiell“ möglich.
• 2025 führte ein photonischer Prozessor der Firma Lightmatter Modelle wie ResNet und BERT mit nahezu elektronischer Genauigkeit ausDemonstriert. Das Paper ist begutachtet, stammt aber von Firmenangehörigen und belegt keinen allgemeinen Effizienzvorsprung vor GPUs.

Ob photonische Rechner im großen Maßstab energieeffizienter als GPUs werden, hängt davon ab, wie teuer die Umwandlung zwischen Licht und Elektronik istEvidenz: Theorie — denn Speicher und Steuerung bleiben vorerst elektronisch.

In Vorbereitung: Kann Licht wirklich rechnen? · Glasfaser als Teil eines Computers · Warum nicht einfach digital simulieren?

4. Reservoir Computing: nicht alles trainieren #

Beim Reservoir Computing bleibt ein großer Teil des Netzes zufällig und fest; trainiert wird nur eine einfache Ausgangsschicht. Das macht es attraktiv für physikalische Systeme, die sich nicht trainieren lassen, aber interessante Dynamik haben. Schon ein einzelnes nichtlineares Element mit verzögerter Rückkopplung kann als Reservoir dienen — elektronisch gezeigt an Spracherkennungs-BenchmarksDemonstriert. Eine Übersicht zählt von Optik über Spintronik bis zu mechanischen Systemen zahlreiche physikalische Kandidaten auf, sieht für den Praxiseinsatz aber noch offene HerausforderungenTheorie.

Weil sich Reservoir Computing auch digital auf einem normalen Rechner nachbauen lässt, haben wir es im LAB selbst nachgemessen: Reservoir gegen klassisch trainiertes Netz, gleiche Aufgabe, gleicher Rechner, fünf Läufe.

5. Quantencomputer: Spezialisten, keine GPU-Nachfolger #

Google hat mit dem Willow-Prozessor gezeigt, dass ein fehlerkorrigiertes logisches Qubit länger lebt als das beste physischeDemonstriert — ein Meilenstein für Quantenspeicher, aber noch kein nützlicher Algorithmus.

Eine Abschätzung in Communications of the ACM kommt zu dem Schluss, dass quadratische Beschleunigungen für praktischen Quantenvorteil nicht reichen; aussichtsreich sind vor allem Chemie- und Materialprobleme mit wenig Eingabedaten, nicht das Training großer KI-ModelleTheorie.

Reality Check: Quantencomputer werden GPUs nach heutigem Stand ergänzen, nicht ersetzen.

In Vorbereitung: Warum Quantencomputer GPUs nicht einfach ersetzen.

6. Der Kreis schließt sich: KI entwickelt Rechner und Forschung mit #

Die vielleicht wirksamste Veränderung ist keine neue Hardware, sondern KI als Werkzeug der Forschung selbst.

• AlphaFold sagt Proteinstrukturen in vielen Fällen mit einer Genauigkeit vorher, die mit experimentellen Strukturen konkurriertBelegt — bestätigt im Blindtest CASP14.
• Google setzte Reinforcement Learning ein, um Chip-Floorpläne in unter sechs Stunden zu erzeugenDemonstriert — eine Nachauswertung in Communications of the ACM kommt allerdings zu dem Schluss, dass das Verfahren hinter menschlichen Designern und kommerzieller Software zurückbleibtBelegt. Nature hat seine eigene Prüfung des Papers 2024 abgeschlossen; die Sachfrage bleibt umstritten.
• Ein mobiler Roboterchemiker führte in acht Tagen autonom 688 Experimente aus und fand deutlich aktivere KatalysatormischungenDemonstriert. Beim A-Lab zeigt sich die Grenze solcher Meldungen: Das autonome Labor synthetisierte 36 von 57 Zielverbindungen; „neu“ hieß laut Korrektur von 2026 neu für die Vorhersageplattform, nicht zwingend neu für die WissenschaftDemonstriert — eine Gegenanalyse kam zu dem Schluss, dass dort keine neuen Materialien entdeckt wurdenBelegt.

Ob daraus ein sich selbst beschleunigender Kreislauf wird — KI entwirft bessere Chips, die bessere KI trainieren —, ist offen. Die Belege zeigen bisher einzelne starke Werkzeuge, keinen Selbstläufer.Evidenz: Spekulation

In Vorbereitung: Der KI-Forschungs-Loop · Self-driving Labs.

Die Landkarte auf einen Blick #

Was heißt das fürs eigene Homelab? #

Kurzfristig: nichts, was man kaufen könnte. Die GPU mit möglichst viel Speicher bleibt für lokale KI die richtige Wahl — und wer wissen will, warum Quantisierung so viel bringt, findet die Antwort im Guide zu Quantisierung und GGUF: Weniger Bits pro Gewicht heißt weniger Datenbewegung. Genau der Hebel, an dem auch die exotischen Architekturen ansetzen.

Langfristig lohnt der Blick auf zwei Signale: unabhängige Vergleiche statt Herstellerzahlen, und Software, die neue Hardware ohne Spezialwissen nutzbar macht. Beides fehlt bei den meisten Ansätzen noch.