Der CEO von Google DeepMind, Demis Hassabis, hat vor einer kritischen Engpässe im Bereich Speichermedien gewarnt, die die Entwicklung künstlicher Intelligenz erheblich behindern. In einem Interview mit CNBC erklärte er, dass die begrenzte Verfügbarkeit von Speicherchips – insbesondere High-Bandwidth-Memory (HBM) – zu einem „Choke Point“ in der AI-Entwicklung geworden sei. Obwohl Google über eigene, intern entwickelte Chips, die Tensor Processing Units (TPUs), verfügt, bleibt das Unternehmen von der globalen Knappheit betroffen. „Es kommt letztlich auf wenige Lieferanten für wenige Schlüsselkomponenten an“, betonte Hassabis. Diese Engpässe beeinträchtigen nicht nur die Skalierung bestehender Modelle wie Gemini, sondern auch die Forschung, da ausreichend Rechenleistung und Speicher für große Experimente unerlässlich sind. Die Nachfrage nach Speicherchips explodiert, vor allem durch die wachsenden Anforderungen von KI-Hyperskalern wie Google, Meta und OpenAI. Im Gegensatz zu herkömmlichen PCs benötigen KI-Modelle vor allem HBM-Chips, die hohe Datenübertragungsraten ermöglichen – ein Segment, das derzeit von nur drei Herstellern dominiert wird: Samsung, Micron und SK Hynix. Diese Unternehmen sind mit der gleichzeitigen Bedienung von KI-Unternehmen und traditionellen Elektronikmarken überfordert, was zu Lieferengpässen und steigenden Preisen führt. Selbst Google, das durch seine eigenen TPUs eine gewisse Unabhängigkeit genießt, kann die Knappheit nicht vollständig umgehen, da auch die TPUs auf HBM-Technologie angewiesen sind. Mark Zuckerberg hatte bereits früher betont, dass KI-Forscher neben finanzieller Unterstützung vor allem zwei Dinge benötigen: möglichst wenige Hierarchieebenen und die maximale Anzahl an verfügbaren Chips. Hassabis bestätigte diese Einschätzung und unterstrich, dass Kapazitätsengpässe an jeder Stelle der Lieferkette zu Verzögerungen führen. Die Folge ist eine zunehmende Konzentration auf die eigene Hardwareentwicklung und eine massiv gesteigerte Investition in Infrastruktur. Google kündigte an, für das Jahr 2026 Kapitalausgaben zwischen 175 und 185 Milliarden US-Dollar zu tätigen – ein deutliches Zeichen dafür, dass die Suche nach Speicher- und Rechenleistung weiterhin eine zentrale strategische Priorität ist. Industrieexperten sehen in der Situation eine strukturelle Herausforderung: Die Abhängigkeit von wenigen globalen Herstellern und die spezifischen Anforderungen von KI-Workloads machen die Branche anfällig für Störungen. Die Entwicklung von alternativen Speicherarchitekturen oder die Diversifizierung der Lieferketten werden zunehmend dringlicher. Für Google bleibt die Kombination aus eigenem Chipdesign und massiven Investitionen die beste Strategie, um die Wettbewerbsfähigkeit in der KI-Ära zu sichern.