Physical AI: 145 Millionen Maschinen bis 2035 machen Halbleiter zum Engpass

Laut dem aktuellen 'Global Physical AI Market Tracker' von Counterpoint Research werden zwischen 2025 und 2035 kumulativ 145 Millionen Physical AI-Geräte, einschließlich autonomer Fahrzeuge, Serviceroboter und kommerzieller Drohnen, ausgeliefert. Der entscheidende Wandel liegt dabei nicht im Volumen, sondern in einer Kostenverschiebung: Mechanische Komponenten werden durch Skalierung günstiger, während Hochleistungsprozessoren und spezialisierte KI-Chips zu dominanten Kostentreibern aufsteigen. Halbleiter werden in dieser neuen Ära nicht nur zur zentralen Ressource, sondern zum limitierenden Faktor, da die Nachfrage das Angebot übersteigt und die Notwendigkeit für fortgeschrittene Edge-Computing-Chips in autonomen Systemen immens wächst.

Der globale Halbleitermarkt wird laut Counterpoint bis 2030 die Marke von einer Billion US-Dollar überschreiten, was einer nahezu Verdopplung gegenüber 2024 entspricht, primär angetrieben durch Physical AI und agentische KI-Systeme. Der Foundry-Markt wächst aktuell um rund 35 Prozent. Eine Erhebung von Capgemini zeigt, dass weniger als drei von zehn Unternehmen das aktuelle chipangebot als ausreichend erachten, während die Branche ihre F&E-Budgets um rund zehn Prozent aufstockt. Die im Dezember 2025 erfolgte Partnerschaft zwischen TSMC und NVIDIA zur Hochskalierung von KI-GPUs der Blackwell-Generation ist ein Beispiel dafür, wie die Industrie durch vertikale Kooperation auf diesen Druck reagiert, statt nur durch Kapazitätsausbau.

Daraus ergibt sich eine klare Rangfolge der Nutznießer in der Wertschöpfungskette: Chipdesigner und Foundries profitieren direkt, Telekommunikationsanbieter durch steigende Datenmengen und Anforderungen an geringe Latenz, sowie Software- und Analyseplattformen über wiederkehrende Umsatzmodelle. Humanoid-Roboter, mit erwarteten kumulativen Deployments von über 100.000 Einheiten bis 2028 und einem siebenfachen Anstieg gegenüber 2025, illustrieren exemplarisch die wachsende Abhängigkeit von Vision-Language-Modellen und spezialisierter Inferenz-Hardware. Die Position in dieser Chipversorgungskette wird entscheidend sein für das Tempo der gesamten Physical-AI-Adoption.