AI-Hardware Glossar: Die wichtigsten Begriffe
Der Consumer-AI-Hardware-Markt wächst auf 539 Milliarden Dollar bis 2028. Mit diesem Wachstum kommt eine Flut von Fachbegriffen. Unser Glossar erklärt alle wichtigen Begriffe einfach und verständlich.
A
Accelerator
Ein spezieller Prozessor, der eine bestimmte Aufgabe (z.B. AI-Berechnungen) beschleunigt. NPU, GPU und TPU sind Accelerator-Typen.
AI Act (EU)
Europäische Verordnung zur Regulierung von KI-Systemen. Stuflt AI nach Risikoklassen ein (unacceptable, high, limited, minimal risk).
Apple Intelligence
Apples On-Device-AI-Plattform. Läuft auf der Neural Engine (NPU). Lokal zuerst, Cloud nur als Notlösung (Private Cloud Compute).
ARM
Prozessor-Architektur, die in fast allen Smartphones und zunehmend in Laptops (Snapdragon X Elite) eingesetzt wird. Bekannt für Energieeffizienz.
B
Benchmark
Standardisierter Test zur Messung der Performance. Bekannte AI-Benchmarks: MLPerf, Procyon AI, Geekbench AI.
Big.LITTLE
Architektur mit schnellen (Performance) und effizienten (Efficiency) Kernen in einem Chip. Spart Strom bei leichten Aufgaben.
C
Copilot+
Microsofts Standard für AI-PCs. Erfordert mindestens 40 TOPS NPU-Leistung, 16 GB RAM und SSD. Aktiviert Features wie Recall, Live Captions und Cocreator.
CNN (Convolutional Neural Network)
Ein neuronales Netz, das speziell für Bilderkennung genutzt wird. Früher Standard, zunehmend von Transformern abgelöst.
Copilot+ PC
Ein Windows-PC, der Microsofts Hardware-Anforderungen für lokale AI erfüllt (40+ TOPS NPU).
D
Deep Learning
Teilbereich des Machine Learning, der tiefe neuronale Netze nutzt. Grundlage moderner AI-Systeme.
DSGVO
Datenschutz-Grundverordnung der EU. Regelt die Verarbeitung personenbezogener Daten. On-Device-AI ist DSGVO-freundlicher als Cloud-AI.
Diffusion Model
AI-Modell zur Bildgenerierung (z.B. Stable Diffusion). Erzeugt Bilder durch schrittweise Rauschreduktion.
E
Edge AI
AI-Verarbeitung direkt auf dem Gerät (Smartphone, Laptop, IoT), nicht in der Cloud. Vorteil: Datenschutz, Geschwindigkeit, Offline-Fähigkeit.
Embedding
Eine kompakte Zahlen-Repräsentation von Daten (Text, Bild), die AI-Modellen als Input dient.
F
Fine-Tuning
Anpassung eines vortrainierten AI-Modells an eine spezifische Aufgabe. Fine-tuning auf lokaler Hardware wird 2026 durch effizientere Methoden möglich.
FP16 / FP32
Gleitkomma-Formate mit 16 bzw. 32 Bit. Höher als INT8, genauer aber langsamer.
Frame Generation
AI-gestützte Erzeugung zusätzlicher Bilder (Frames) in Videospielen. DLSS 4 kann bis zu 3 Zwischenframes generieren (Multi-Frame-Generation).
G
Galaxy AI
Samsungs AI-Plattform für Smartphones und Tablets. Umfasst Circle to Search, Live Translate, Photo Assist und mehr.
Gemini
Googles AI-Modell-Familie. Gemini Nano für Smartphones, Gemini Pro für Cloud, Gemini Ultra für komplexe Aufgaben.
Generative AI
AI, die neue Inhalte erstellt (Texte, Bilder, Videos, Code). ChatGPT, Stable Diffusion und Midjourney sind Beispiele.
GPU (Graphics Processing Unit)
Spezialprozessor für parallele Berechnungen. Neben Grafik auch für AI-Workloads genutzt. Hat bei NVIDIA Tensor Cores für AI-Beschleunigung.
H
Hallucination
Wenn ein AI-Modell falsche oder erfundene Informationen als Fakten präsentiert. Bekanntes Problem von LLMs.
HRV (Herzfrequenzvariabilität)
Abstand zwischen einzelnen Herzschlägen. Wichtig für Stress- und Erholungsmessung in Wearables.
I
Inference
Das Ausführen eines trainierten AI-Modells (im Gegensatz zum Training). Die meisten Consumer-Anwendungen sind Inference: z.B. ChatGPT-Text generieren.
INT8 / INT4
Integer-Formate mit 8 bzw. 4 Bit. Standard für NPU-Berechnungen. Ermöglicht schnelle AI-Inferenz bei akzeptabler Genauigkeit.
K
Knowledge Distillation
Ein großes AI-Modell "lehrt" ein kleineres. Das kleine Modell erreicht ähnliche Leistung bei geringerem Ressourcenbedarf.
L
LLM (Large Language Model)
Großes Sprachmodell, das menschenähnlichen Text generiert. Beispiele: GPT-4, Llama 3.3, Gemini. Kann lokal laufen (mit NPU) oder in der Cloud.
LoRA (Low-Rank Adaptation)
Effiziente Methode zum Fine-Tuning von LLMs mit minimalen Zusatzparametern. Erlaubt Anpassung auf Consumer-Hardware.
M
MAC (Multiply-Accumulate)
Kernoperation neuronaler Netze: zwei Zahlen multiplizieren und zum Ergebnis addieren. NPU-MAC-Einheiten sind darauf spezialisiert.
Matter
Offener Smart-Home-Standard. Version 2.0 (2026) unterstützt Kameras, Roboter und Energy Management mit AI-Schnittstellen.
MLPerf
Standardisierter Benchmark für Machine-Learning-Performance. Wichtige Referenz für AI-Hardware-Vergleiche.
MoE (Mixture of Experts)
Architektur, bei der nur Teile des Modells aktiviert werden. Effizienter als traditionelle Modelle gleicher Größe.
N
Neural Engine
Apples Bezeichnung für die NPU. Der M5 hat die Neural Engine Gen 3 mit 16 Cores.
NPU (Neural Processing Unit)
Spezialprozessor für AI-Berechnungen. Ergänzt CPU und GPU. Misst Leistung in TOPS.
O
On-Device AI
AI-Verarbeitung direkt auf dem Gerät. Siehe Edge AI.
Ollama
Open-Source-Tool zum Ausführen lokaler LLMs. Einfaches Kommandozeilen-Interface.
P
Pruning
Entfernen unwichtiger Verbindungen in einem neuronalen Netz. Reduziert Modellgröße und Beschleunigt Inference.
Private Cloud Compute
Apples Datenschutz-konforme Cloud für AI-Berechnungen. Verschlüsselt, anonymisiert, keine Datenspeicherung.
Q
Quantisierung
Reduzierung der Genauigkeit eines Modells (z.B. FP32 → INT8). Verringert Größe und erhöht Geschwindigkeit bei minimalem Genauigkeitsverlust.
R
Ray Reconstruction
NVIDIA AI-Technologie zur Verbesserung von Ray-Tracing. Reduziert Rauschen in Echtzeit.
Recall
Microsoft Copilot+ Feature. Durchsuchbare Timeline aller Bildschirm-Aktivitäten. Lokal verarbeitet.
RAG (Retrieval-Augmented Generation)
Methode, bei der ein LLM auf eine lokale Datenbank zugreift, um Antworten mit korrekten Informationen zu untermauern.
S
Stable Diffusion
Open-Source-AI-Modell zur lokalen Bildgenerierung. Läuft auf NPU oder GPU.
Strix Point
AMDs Codename für die Ryzen AI 300-Serie. Enthält XDNA 2 NPU mit 50 TOPS.
T
Tensor Core
NVIDIAs AI-Beschleuniger in GPUs. Spezialisierte Recheneinheiten für Matrix-Operationen.
Thread
TOPS (Tera Operations Per Second)
Maßeinheit für AI-Leistung. Eine TOPS = eine Billion INT8-Operationen pro Sekunde. Microsoft Copilot+ Standard: 40 TOPS.
Transformer
AI-Architektur, die moderne LLMs (GPT, Llama, Gemini) und DLSS 4 antreibt. Besser als CNNs für viele Aufgaben.
TPU (Tensor Processing Unit)
Googles Bezeichnung für die NPU im Tensor-Chip. Speziell für TensorFlow optimiert.
U
Unified Memory
Apples Speicherarchitektur: CPU, GPU und NPU teilen sich denselben RAM. Vermeidet Datenflaschenhälse. Vorteil für lokale LLMs.
V
Vector Database
Datenbank, die Embeddings speichert. Grundlage für RAG und semantische Suche.
W
Whisper
OpenAIs Open-Source-Spracherkennungsmodell. Sehr genau, läuft lokal auf NPU oder GPU.
X
XDNA
AMDs NPU-Architektur. XDNA 2 (2026) erreicht 50 TOPS mit 32 AI-Engines.
XeSS
Intels AI-Upscaling-Technologie (ähnlich DLSS). Nutzt XMX-Einheiten in Intel-GPUs.
Z
Zero-Shot
Ein AI-Modell löst eine Aufgabe ohne spezifisches Training dafür. Moderne LLMs sind Zero-Shot-fähig.
FAQ
Welcher Begriff ist am wichtigsten?
NPU, TOPS, LLM, On-Device AI, Copilot+ — diese fünf Begriffe decken 90 % der AI-Hardware-Diskussion ab.
Was ist der Unterschied zwischen AI und Machine Learning?
AI ist der Überbegriff (Ziel: menschenähnliche Intelligenz). Machine Learning ist eine Methode, um AI zu erreichen (lernen aus Daten). Deep Learning ist eine spezielle ML-Methode (tiefe neuronale Netze).
Ist ChatGPT ein LLM?
Ja. ChatGPT nutzt GPT-4, ein Large Language Model. Andere LLMs: Llama 3.3, Claude, Gemini.
Fazit
Dieses Glossar deckt die wichtigsten Begriffe der AI-Hardware-Welt 2026 ab. Der Markt wächst rasant auf 539 Milliarden Dollar bis 2028. Wer die Begriffe versteht, kann fundierte Kaufentscheidungen treffen und die Entwicklungen verfolgen.