Am 23. September 2026 berichteten mehrere Medien unter Berufung auf The Information: DeepSeek-Gründer Liang Wenfeng habe auf einem geschlossenen Investorentreffen erklärt, das Unternehmen verlagere den Schwerpunkt seines Modelltrainings auf einheimische Chips und plane, Huaweis Ascend-Serie in großem Stil für das Training einzusetzen. Gleichzeitig trainiere DeepSeek ein Modell mit 2 Billionen Parametern und habe eine 8-Billionen-Parameter-Version auf der Roadmap. Liang nannte das „Training von KI-Modellen auf einheimischen Chips" eine der größten strategischen Maßnahmen des Unternehmens — und sagte, es „müsse gelingen".
Vorab ein Hinweis: Das ist keine offizielle DeepSeek-Ankündigung, sondern Hörensagen aus einer geschlossenen Sitzung. Die Kerninformationen stammen aus dem Bericht von The Information, mehrere Tech-Medien haben ihn aufgegriffen, aber weder DeepSeek noch Huawei haben sich öffentlich geäußert. Man sollte das Ganze mit dem Gewicht eines „Gerüchts, das auf Bestätigung wartet" lesen.
Was auf dem Treffen gesagt wurde
Über die sich überschneidenden Berichte hinweg stechen vier Punkte hervor:
Erstens: Das Training wandert zu einheimischen Chips. DeepSeek trainierte bisher vor allem auf Nvidias High-End-GPUs; einheimische Chips liefen meist auf der Inferenz-Seite. Neu ist die Behauptung, Huawei Ascend steige in die rechenintensivste Stufe — das Training — ein; die ersten neuen Chips könnten bereits im vierten Quartal 2026 geliefert werden.
Zweitens: Die Modellgröße wächst weiter. Das 2-Billionen-Parameter-Modell im Training wird weithin als das nächste Flaggschiff V4.1 Pro vermutet; die 8-Billionen-Version ist ein längerfristiger Plan. Zum Vergleich: Alibabas Qwen 3.8 Max liegt bei 2,4 Billionen Parametern, Moonshots Kimi K3 bei 2,8 Billionen — 8 Billionen wären etwa das Dreifache des größten bestehenden offenen Modells.
Drittens: Geld fließt in Rechenleistung. DeepSeek plane angeblich Investitionen von rund 30 Milliarden Yuan in einheimische KI-Rechenleistung; Berichte sprechen zudem von einer Bestellung über 160.000 Ascend-950DT-Chips von Huawei für sein 1-GW-Rechenzentrum in der Inneren Mongolei.
Viertens: Liangs Wette — Huawei-Chips würden Nvidia bei der Leistung in wenigen Jahren einholen. Das ist zugleich die Vertrauensquelle des gesamten Vorhabens und seine größte Unsicherheit.
Die Rechen-Mathematik: ein Preis von 4 zu 1
Der Wechsel ist nicht umsonst. Die berichtete Umrechnung: Für das Training eines Modells im größten OpenAI-Maßstab braucht es rund 50.000 Nvidia-GB300-Chips — oder mindestens 200.000 Huawei Ascend 950, also etwa ein Verhältnis von 4:1. Eine andere Zahl: Für das 2-Billionen-Parameter-Modell etwa 60.000 Ascend-Chips gegenüber 30.000 Nvidia H100/H200.
Das heißt: Für dieselbe Trainingsaufgabe kostet die einheimische Route ein Vielfaches an physischer Größe, Strom und Betriebskomplexität. DeepSeek setzt auf zwei Dinge: dass Exportkontrollen Nvidias Top-Karten immer schwerer verfügbar machen — und dass Huaweis Iterationstempo die Lücke schließen kann.
Warum gerade jetzt
Das Timing ist kein Zufall. Einerseits verschärfen die USA ihre Chip-Exportkontrollen fortlaufend, Nvidias China-Verkäufe geraten immer wieder ins Stocken, und das Fenster zum Horten von Karten wird enger. Andererseits hat Huawei im April offengelegt, dass seine Chips bereits teilweise beim Training von DeepSeeks leichtgewichtigem V4-Flash-Modell zum Einsatz kamen — dieser Schritt hebt den „Versuch auf der Inferenz-Seite" zur Strategie.
Zufällig hat erst einen Tag zuvor Alibaba seinen hauseigenen KI-Chip Zhenwu V900 vorgestellt (Alibaba stellt Zhenwu V900 vor: dreifache Leistung, 10-Billionen-Parameter-Modelle im Visier (/article/2050-alibaba-launches-zhenwu-v900-triple-the-performance-aiming-at-10-trillion-parame)), ebenfalls für Training und Inferenz von Billionen-Parameter-Modellen. Einheimische KI-Chips wandern von der „Notlösung" auf die „Hauptstrecke" — DeepSeeks Zug ist schlicht der schwerste.
Wie man das liest
Die symbolische Bedeutung überwiegt die technischen Details: Erstmals würde ein führendes chinesisches Modell-Labor das Training öffentlich auf einheimische Chips setzen. Wenn DeepSeek tatsächlich ein 2-Billionen-Parameter-Modell auf Ascend trainieren kann, validiert das die gesamte einheimische Compute-Kette — Chips, Interconnect, Trainings-Frameworks, Betrieb: Jedes Glied muss halten.
Aber die Risiken sind real: Die 4:1-Rechenkosten sind greifbar, Huaweis Lieferungen sind weiter durch Engpässe bei fortschrittlichem Speicher und Komponenten begrenzt, und Liangs eigenes „Es muss gelingen" verrät, dass dies eine Wette ohne Rückweg ist. Für Nvidia ist der Verlust eines Vorzeigekunden wie DeepSeek ein weiteres Signal dafür, dass sein KI-Chip-Anteil in China bröckelt.
Für normale Entwickler ändern sich kurzfristig keine API-Preise. Längerfristig könnten offene Modelle schneller iterieren und offener werden, wenn einheimische Rechenleistung die Trainingskosten wirklich drückt. Zunächst gilt es, das vierte Quartal 2026 abzuwarten, in dem Huaweis erste Lieferungen fällig sind — der erste Prüfpunkt für diese Wette.
