Markt für Compute-in-Memory-Chips Größe und Anteil 2026-2035

Marktgröße für Compute-in-Memory-(CIM)-Chips

Der globale Markt für Compute-in-Memory-(CIM)-Chips wird 2025 auf 500 Millionen USD geschätzt und dürfte 2026 687,7 Millionen USD sowie bis 2035 12,8 Milliarden USD erreichen, was einem durchschnittlichen jährlichen Wachstum von etwa 38,4 % im Zeitraum 2026–2035 entspricht.

CIM platziert Multiply-Accumulate-Operationen in unmittelbarer Nähe zu oder innerhalb der Speicherarrays, in denen die Gewichte neuronaler Netze gespeichert sind. Die Architektur zielt auf den Aufwand für Datenbewegungen ab, der den Inferenzdurchsatz und die Energieeffizienz konventioneller Prozessor-Speicher-Designs einschränkt.

CIM entwickelt sich von einem Schaltungsdesign-Konzept zu einer Herausforderung bei der Produktqualifizierung. Die NorthPole-Forschungsarchitektur von IBM integrierte 192 MB SRAM in ein 256-core-Design und veranschaulichte damit, wie verteilter On-Chip-Speicher die Abhängigkeit von der Bewegung von Gewichten außerhalb des Chips für die neuronale Inferenz reduzieren kann . Das kommerzielle Potenzial ist dort am größten, wo Inferenz-Workloads dauerhaft genug ausgeführt werden, damit ein geringerer Energieverbrauch pro Operation und eine niedrigere Latenz die Systembeschaffung beeinflussen können. Dazu zählen Cloud-Inferenz-Cluster, Automobil- und industrielle Edge-Systeme sowie batteriebetriebene Embedded-Geräte mit begrenzter Energiekapazität. ^{[1]IBM Research, Analog AI: In-Memory Computing for Energy-Efficient Deep Learning, research.ibm.com. (research.ibm.com)}

Die Lieferkette umfasst fortschrittliches Speich design, den Zugang zu modernen Logikknoten, Kompetenzen im Mixed-Signal- oder Digitaldesign, Compiler-Unterstützung, Packaging und Systemintegration. Dadurch ist die Einführung von CIM komplexer als der Austausch einer Beschleunigerkarte durch eine andere. Speicherhersteller können etablierte DRAM-, SRAM- oder Flash-Roadmaps zu Processing-in-Memory-Produkten weiterentwickeln, während Fabless-Anbieter Fertigungskapazitäten bei Foundries sichern und nachweisen müssen, dass ihr Software-Stack die Bereitstellung, Modellkonvertierung, Überwachung und das Lebenszyklusmanagement unterstützt. Die Fähigkeit, CIM-Arrays mit Standardschnittstellen und etablierten Server- oder Edge-Gerätearchitekturen zu integrieren, wird daher die Umwandlung von Design Wins stärker prägen als die theoretische Recheneffizienz allein.

Die Investitionsargumentation basiert nicht auf einem universellen Ersatz von GPUs oder CPUs. CIM ist besonders überzeugend, wenn Modelle wiederholt große Gewichtssätze bewegen, wenn die Energieverfügbarkeit den Durchsatz begrenzt oder wenn Latenz- und Leistungsgrenzen den Einsatz konventioneller Beschleuniger ausschließen. Der von IBM demonstrierte Effizienzvorteil von NorthPole bei einem vergleichbaren Prozessknoten stützt die technische Prämisse, doch die breite Marktumsetzung hängt weiterhin von Softwareportabilität, Zuverlässigkeitsvalidierung und Integrationsökonomie ab . Die prognostizierte Expansion auf 12,81 Milliarden USD bis 2035 setzt daher voraus, dass Anbieter die speicherzentrierte Effizienz in qualifizierte Produkte übertragen, anstatt sich ausschließlich auf Benchmark-Leistung zu stützen. ^{[2]Wiley, All-in-One Analog AI Hardware: On-Chip Training and Inference with Conductive-Metal-Oxide/HfOx ReRAM Devices, doi.org. (doi.org)}

Wichtige Wachstumstreiber

Die KI-Inferenz wird zunehmend eher durch die Datenbewegung als durch den arithmetischen Durchsatz begrenzt. Während der autoregressiven Inferenz von Large-Language-Modellen müssen die Modellgewichte für jedes generierte Token wiederholt abgerufen werden. Dadurch wird der Speicherzugriff zu einem maßgeblichen Faktor für Latenz, Auslastung des Beschleunigers und Energieverbrauch. Ein in einer Studie beschriebenes CIM-integriertes TPU-Forschungsdesign verzeichnete bei der Inferenz generativer Modelle eine Leistungssteigerung von 44.2% sowie eine 27.3-fache Verringerung des Energieverbrauchs der Matrixmultiplikationseinheit gegenüber der als Vergleichsbasis herangezogenen TPUv4i-Konfiguration. ^{[3]Bowen, Patrick, et al., Analog, In-Memory Compute Architectures for Artificial Intelligence, arXiv, arxiv.org. (arxiv.org)}

Die Verfügbarkeit von Strom ist zu einer infrastrukturellen Einschränkung für den Einsatz von KI geworden. US-Rechenzentren verbrauchten 2023 laut dem Lawrence Berkeley National Laboratory 176 TWh, was 4.4% des nationalen Stromverbrauchs entspricht. Mit zunehmendem Einsatz von KI-Servern können Stromversorgung, Kühlung und Netzanschlüsse den Ausbau von Kapazitäten verzögern, selbst wenn Kapital verfügbar ist. CIM kann die Wirtschaftlichkeit einer Ausweitung der Inferenz verbessern, indem der Datentransfer zwischen Speicher und Recheneinheit reduziert wird. Der tatsächlich erzielte Nutzen hängt jedoch von den Eigenschaften der Arbeitslast, den Präzisionszielen und dem Overhead des umgebenden Systems ab. ^{[4]Lawrence Berkeley National Laboratory, In-Memory Computing and Energy-Efficient AI Hardware Research, eta-publications.lbl.gov.}

Edge-Bereitstellungen erweitern den adressierbaren Markt über die Hyperscale-Infrastruktur hinaus. Anwendungen wie Fahrzeugwahrnehmung, industrielle Inspektion, Kameras, Wearables und vernetzte Sensoren erfordern lokale Inferenz, da Cloud-Roundtrips Nachteile in Bezug auf Latenz, Bandbreite, Datenschutz oder Ausfallsicherheit mit sich bringen. Auf Flash- und SRAM basierendes CIM ist besonders relevant, da diese Technologien Modellgewichte lokal speichern und gleichzeitig Speichertransaktionen außerhalb des Chips reduzieren können. Rain AI begann im Oktober 2024 mit der Auslieferung von Demonstrationshardware für stromsparendes analoges neuromorphes Computing und signalisierte damit den Übergang spezialisierter Edge-CIM-Ansätze zur Kundenerprobung.

Herkömmliche Architekturen stehen vor einem Speicherwandproblem, das sich nicht allein durch eine höhere Rechendichte lösen lässt. Speicher mit hoher Bandbreite verbessert die Datenversorgung von GPUs, beseitigt jedoch weder die Energie- noch die Latenzkosten, die durch die Bewegung von Daten zwischen getrennten Speicher- und Verarbeitungsbereichen entstehen. CIM verändert diese physische Beziehung, indem ausgewählte Operationen dort ausgeführt werden, wo sich die Daten befinden. Der Ansatz ist insbesondere für Matrix-Vektor- und Matrix-Matrix-Operationen relevant, die bei der neuronalen Inferenz eingesetzt werden, eignet sich jedoch nicht gleichermaßen für alle Modelloperatoren oder Präzisionsanforderungen.

Fortschritte bei Speichertechnologien erweitern das Spektrum kommerziell tragfähiger CIM-Substrate. Samsung hat Verbesserungen beim Durchsatz und Energieverbrauch durch HBM-PIM, LPDDR5-PIM und CXL-basierte Konfigurationen für die speichernahe Verarbeitung bei LLM-bezogenen Workloads berichtet . SK hynix hat unabhängig davon seinen AiM-Ansatz für KI-Workloads demonstriert . Diese Programme sind von Bedeutung, weil standardisierte Speicherschnittstellen und etablierte Fertigungswege das Adoptionsrisiko verringern können, mit dem völlig neue Beschleunigerarchitekturen konfrontiert sind. Parallel dazu zeigt die Forschung zu memristorbasiertem CIM weiterhin das Potenzial für äußerst energieeffiziente Inferenz am Edge, verdeutlicht aber auch den Kalibrierungs- und Zuverlässigkeitsaufwand, der vor einer groß angelegten Einführung erforderlich ist .

Wesentliche Hemmnisse

Das Design von CIM-Architekturen bleibt ein Engineering-Problem auf Systemebene. Digitale Implementierungen müssen SRAM-Dichte, Präzision, Routing und Stromversorgung ausbalancieren. Analoge Implementierungen bringen zusätzlich Geräteschwankungen, thermische Drift, Analog-Digital-Umwandlung, Kalibrierung und modellbewusstes Fehlermanagement mit sich. Übersichten zu SRAM-CIM betonen, dass die Array-Architektur und die peripheren Schaltungen die Genauigkeit, Dichte und Energieeffizienz maßgeblich beeinflussen, sodass ein einzelnes Makrodesign nicht unverändert über verschiedene Prozessknoten oder Anwendungen hinweg übertragen werden kann . Der daraus resultierende Verifizierungsaufwand erhöht den Kapitalbedarf und verlängert die Zeitspanne zwischen Prototypensilizium und Kundenqualifizierung.

Das Fehlen breit akzeptierter Schnittstellen und Softwareziele stellt einen zweiten Reibungspunkt dar. Speicherhersteller machen Fortschritte bei der Standardisierung von Processing-in-Memory, doch der CIM-Markt umfasst SRAM-, DRAM-, Flash-, resistive Speicher-, analoge, digitale und hybride Ansätze mit unterschiedlichen Anforderungen an Programmierung und Bereitstellung . Kunden sehen sich daher einem Portabilitätsrisiko gegenüber: Ein für eine Architektur optimiertes Modell kann für eine andere Architektur eine umfangreiche Neukompilierung, Quantisierung oder Neugestaltung von Operatoren erfordern. Dies begünstigt Anbieter, die Hardware mit gepflegten Compiler-Tools, Modellbibliotheken und Integrationsunterstützung kombinieren.

Beschränkungen bei analoger Genauigkeit und Lebensdauer begrenzen die kurzfristigen Einsatzmöglichkeiten. CIM-Designs auf Basis von Flash- und resistiven Speichern können eine überzeugende Dichte und Energieeffizienz erreichen, doch physische Geräteschwankungen, Retentionseffekte und kumulierte analoge Fehler erschweren Inferenz mit hoher Präzision. Eine Studie zu CIM auf Basis von eingebettetem NAND-Flash identifiziert Schwankungen der Schwellenspannung und Nichtidealitäten auf Array-Ebene als Faktoren, die berücksichtigt werden müssen, um die Modellgenauigkeit zu erhalten . Für Anwendungen in der Automobilindustrie, im Gesundheitswesen und in der Industrie können Qualifizierungsanforderungen die Produktentscheidung zugunsten digitaler oder hybrider Architekturen verschieben, selbst wenn analoge Lösungen einen niedrigeren nominalen Energieverbrauch pro Operation bieten.

Auch regulatorische Anforderungen beeinflussen die Entscheidungen zur Kommerzialisierung. Die Leitplanken des U.S. CHIPS Act schränken bestimmte Transaktionen mit Empfängern staatlicher Fördermittel ein, während Exportkontrollen die zugänglichen Endmärkte für leistungsstarke KI-Hardware verengen können . In Europa erhöhen die risikobasierten Verpflichtungen des EU AI Act die Bedeutung von Rückverfolgbarkeit und Konformitätsbewertung für Hochrisikoanwendungen . Diese Maßnahmen regulieren CIM nicht als eigenständige Architektur, beeinflussen jedoch, wo Anbieter ihre Produkte verkaufen können, wie Systeme validiert werden und welche Zuverlässigkeitseigenschaften Käufer priorisieren.

Die unmittelbare Wettbewerbsdifferenzierung wird zwischen Anbietern entstehen, die eine zuverlässige Plattform kommerzialisieren können, und Anbietern, die lediglich ein hocheffizientes Makro demonstrieren können. Die mit JEDEC verbundene Forschung zu Processing-in-Memory, die Produktentwicklung von Speicherherstellern und der Einsatz standardisierter Host-Schnittstellen können das Käuferrisiko im Laufe der Zeit verringern , . Solange sich Interoperabilität und Software-Reife nicht verbessern, wird die Beschaffung Implementierungen bevorzugen, die eine deterministische Leistung, Integrationsunterstützung und ein glaubwürdiges Lebenszyklusmanagement nachweisen. Analoges CIM behält bei eingeschränkten Edge-Workloads langfristig eine starke Position, doch seine Einführung wird sich eher nach der Validierung richten als allein durch die Energieeffizienz bestimmt werden.

Segmentanalyse des Compute-In-Memory (CIM)-Chip-Marktes

Nach Speichertechnologietyp

SRAM-basiertes CIM ist das größte Speichertechnologiesegment und wurde 2025 mit 203,22 Millionen USD bewertet. Bis 2035 dürfte es 5,41 Milliarden USD erreichen, was einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von etwa 38,95 % entspricht. Seine führende Position spiegelt die Vertrautheit mit der Fertigung wider: SRAM-Makros können mithilfe etablierter CMOS-Prozesse in die Logik integriert werden, sodass Entwickler eine Inferenz mit hoher Bandbreite und geringer Latenz realisieren können, ohne auf das Verhalten neuartiger nichtflüchtiger Speicher angewiesen zu sein. Die NorthPole-Architektur von IBM veranschaulicht den strategischen Wert dieses Ansatzes, indem sie verteilten SRAM mit einem dichten Rechenarray kombiniert, um die Abhängigkeit vom Off-Chip-Speicher zu verringern .

Der Nachteil von SRAM sind die Flächenkosten. Zellen mit sechs Transistoren beanspruchen pro gespeichertem Bit wesentlich mehr Chipfläche als DRAM oder Flash. Daher ist SRAM-CIM wirtschaftlich besonders attraktiv, wenn eine geringe Latenz und eine vorhersehbare Leistung höhere Stücklistenkosten des Chips rechtfertigen. Dadurch ist das Segment auf die Cloud-Inferenz im Premiumbereich, Netzwerke, industrielle Bildverarbeitung und leistungsfähigere Edge-Systeme ausgerichtet. Die Marktführerschaft des Segments bedeutet nicht, dass SRAM das universelle CIM-Substrat ist; sie zeigt vielmehr, dass etablierte Fertigungsverfahren und ein deterministisches Verhalten während der anfänglichen Kommerzialisierungsphase des Marktes besonders wertvoll bleiben.

Für Flash-basiertes CIM wird das stärkste Wachstum unter den Speichertechnologietypen prognostiziert: Der Wert soll von 166,13 Millionen USD im Jahr 2025 auf 4,67 Milliarden USD im Jahr 2035 steigen, bei einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von etwa 39,71 %. Durch die nichtflüchtige Speicherung können neuronale Gewichte bei einer Unterbrechung der Stromversorgung auf dem Chip verbleiben – eine nützliche Eigenschaft für eingebettete Geräte, die eine sofortige lokale Inferenz benötigen. IEEE-Forschungen zum Rechnen in oder nahe Flash-Speichern zeigen unterschiedliche Einsatzbereiche für 3D-NOR- und 3D-NAND-Ansätze beim digitalen Rechnen mit hoher Bandbreite, bei Suchvorgängen und bei analogen Multiply-Accumulate-Operationen auf .

Der kommerzielle Wert von Flash-CIM ist dort am höchsten, wo Entwickler Energie, Speicherkapazität und das Verhalten im Standby-Betrieb gemeinsam steuern müssen. Dazu gehören Sensorknoten, Kameras, Wearables und ausgewählte Automobilfunktionen. Anbieter von Flash-CIM müssen jedoch nachweisen, dass Ausdauer, die Steuerung der Schwellenspannung, die Inferenzgenauigkeit und die Werkzeugunterstützung produktspezifische Anforderungen erfüllen. Die Prognose des starken Wachstums spiegelt daher die steigende Nachfrage im Edge-Bereich und ein günstiges Kosten-pro-Bit-Profil wider, nicht jedoch die Beseitigung technischer Zielkonflikte.

DRAM-basierte CIM wird 2025 mit 78,54 Millionen USD bewertet und dürfte bis 2035 1,92 Milliarden USD erreichen, was einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von etwa 37,76 % entspricht. Dieses Segment konzentriert sich auf Processing-in-Memory- und Processing-near-Memory-Ansätze, die die Kapazitätsvorteile von DRAM erhalten und gleichzeitig Rechenleistung in der Nähe von Datenspeichern mit hoher Bandbreite hinzufügen. Samsung‘s HBM-PIM und die Arbeit von LPDDR5-PIM sowie die AiM-Entwicklung von SK hynix positionieren DRAM-CIM vor allem für datenintensive Rechenzentrums- und speicherzentrierte KI-Anwendungen , . ^{[5]IBM Research, In-Memory Computing: Non-Von Neumann Architectures for AI, doi.org.}

Andere Substrate, darunter RRAM, PCM, MRAM und FeFET-basierte CIM, entfallen 2025 auf 52,11 Millionen USD und dürften 2035 794,39 Millionen USD erreichen. Diese Technologien bieten wertvolle Vorteile durch Nichtflüchtigkeit oder das Potenzial für analoges Rechnen, sind jedoch weiterhin durch Herausforderungen bei Ausbeute, Lebensdauer, Datenerhalt und Integration eingeschränkt. Ihre niedrigere CAGR von etwa 31,21 % spiegelt einen Kommerzialisierungspfad wider, der wahrscheinlich selektiv bleiben wird, bis sich die Fertigungskonsistenz und die Qualifikationsnachweise verbessern.

Nach Architekturtyp

Digitales CIM ist das größte Architektursement und trägt 2025 217,53 Millionen USD bei; bis 2035 dürfte es bei einer CAGR von etwa 38,81 % 5,74 Milliarden USD erreichen. Digitale Implementierungen bewahren eine diskrete Berechnung und eignen sich im Allgemeinen besser für Anwendungen, die deterministische Ergebnisse, gängige quantisierte Modellformate und klarere Verifikationspfade erfordern. Dadurch sind sie für Cloud-Inferenz und regulierte Edge-Anwendungen kommerziell relevant, bei denen ein vorhersehbares Verhalten den maximal möglichen Effizienzvorteil überwiegen kann.

Die Corsair-Plattform von d-Matrix veranschaulicht das Potenzial von digitalem CIM für die Inferenz generativer KI: Ihre Architektur bettet Verarbeitungselemente in Speicherarrays ein, um die Datenbewegung zu reduzieren, während die kommerzielle Positionierung auf den Einsatz in Rechenzentren und nicht auf eine eigenständige Schaltungskennzahl ausgerichtet ist . Digitale Designs erfordern weiterhin spezialisierte Compiler und speicherbewusste Ausführungsmodelle, können jedoch den Qualifizierungsaufwand im Zusammenhang mit analogen Schwankungen reduzieren.

Analoges CIM ist der am schnellsten wachsende Architekturtyp und steigt von 155,72 Millionen USD im Jahr 2025 auf 4,38 Milliarden USD im Jahr 2035, was einer CAGR von etwa 39,70 % entspricht. Dabei werden physikalische Eigenschaften wie Strom, Ladung oder Leitfähigkeit für die Berechnung genutzt, wodurch potenziell eine höhere Flächen- und Energieeffizienz bei Inferenz mit mittlerer Präzision erzielt wird. Forschungsarbeiten zu analogen SRAM-CIM-Beschleunigern belegen das Potenzial der Architektur für eine hohe Energieeffizienz und zeigen zugleich den Bedarf an Kalibrierung und einem Genauigkeitsmanagement auf Systemebene .

Der Wachstumsvorsprung spiegelt die Bedeutung des Energieverbrauchs pro Inferenz in Endgeräten und eingebetteten Systemen wider. Die Finanzierungsrunde von EnCharge AI im Februar 2025 unterstützt die weitere Kommerzialisierung des analogen In-Memory-Computing für Endgeräteplattformen . Die Aussichten für das Segment hängen davon ab, ob die Anbieter die Leistung auf Laborebene in ein reproduzierbares Verhalten von Silizium, robuste Software-Workflows und eine für Kunden akzeptable Genauigkeit überführen können.

Hybrides CIM stellt den praktischen Mittelweg dar: Der Umsatz beläuft sich 2025 auf 126,74 Millionen USD und dürfte bis 2035 bei einer CAGR von etwa 35,79 % 2,69 Milliarden USD erreichen. Durch die Kombination analoger Rechenblöcke mit digitalen Korrektur- oder Steuerschaltungen können hybride Designs einige Effizienzvorteile bewahren und gleichzeitig Präzisions- und Zuverlässigkeitsprobleme adressieren. Ihr langsameres prognostiziertes Wachstum im Vergleich zu rein analogen Systemen spiegelt die zusätzliche architektonische Komplexität wider, doch der Ansatz könnte dort attraktiv sein, wo ein vollständig analoges Design die anwendungsspezifischen Validierungsschwellen nicht erfüllen kann.

Nach Anwendung

Rechenzentrum und Cloud-KI sind das größte Anwendungssegment mit einem Wert von 162,25 Millionen USD im Jahr 2025. Bis 2035 dürfte das Segment bei einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von etwa 38,88 % 4,30 Milliarden USD erreichen. Das Segment umfasst hochwertige Systeme, bei denen Energieverbrauch, Speicherbandbreite und Inferenzlatenz direkte Auswirkungen auf die Betriebskosten haben. Der CS-3 von Cerebras, der auf der Wafer-Scale-Engine WSE-3 basiert, ist ein Beispiel für ein System, das Rechenleistung und On-Chip-Speicher für KI-Workloads konzentriert. Die Größenordnung und Auslastung von Cloud-Bereitstellungen ermöglichen es, Effizienzgewinne über große Serverflotten hinweg zu vervielfachen.

Das auf der LPU von Groq basierende Inferenzangebot stellt einen anderen kommerziellen Ansatz dar: Deterministische Inferenzhardware kann über den Cloud-API-Zugang monetarisiert werden und nicht nur durch den direkten Hardwareverkauf. Diese Geschäftsmodelle verlagern die Bewertung durch Käufer auf Token pro Dollar, verfügbare Kapazität, Latenz und Zuverlässigkeit des Dienstes. CIM-Anbieter, die dieses Segment bedienen, benötigen mehr als reine Chip-Performance. Erforderlich sind zudem Softwareintegration, Kundensupport, Fachwissen über die Bereitstellung in Rechenzentren und ein glaubwürdiger Weg zur Skalierung.

Edge-KI ist das am schnellsten wachsende Anwendungssegment und dürfte von 121,49 Millionen USD im Jahr 2025 auf 3,42 Milliarden USD im Jahr 2035 wachsen, was einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von etwa 39,71 % entspricht. Edge-Bereitstellungen begünstigen Architekturen, die den Speicherverkehr reduzieren, da Stromverbrauch, Batteriekapazität, Wärmedesign und Reaktionszeit eng miteinander verknüpft sind. Anwendungen für die Fahrzeugwahrnehmung, industrielle Bildverarbeitung und intelligente Kameras können besonders attraktive Chancen bieten, allerdings nur, wenn die Lösung Anforderungen an Sicherheit, Zuverlässigkeit und lange Lebensdauer erfüllt.

IoT- und Embedded-Anwendungen entfallen 2025 auf 88,54 Millionen USD und dürften bis 2035 2,17 Milliarden USD erreichen. Energieeffiziente lokale Inferenz und nichtflüchtige Gewichtsspeicherung begünstigen CIM-Lösungen auf Flash- und neuen Speichertechnologien, wobei die Stückkosten stärker vom Volumen abhängen als in Rechenzentren. Anbieter müssen nachweisen, dass der Energiegewinn die zusätzlichen Kosten und den Integrationsaufwand gegenüber Mikrocontrollern, NPUs oder Cloud-gestützten Architekturen übersteigt.

HPC und industrielle Automatisierung tragen 2025 72,31 Millionen USD bei und dürften bis 2035 1,69 Milliarden USD erreichen. Käufer in diesem Segment legen Wert auf deterministisches Ansprechverhalten, Betriebszeit, die Integration in bestehende Steuerungssysteme und langfristige Verfügbarkeit. Auf Sonstige, darunter Anwendungen in Regierung, Verteidigung, Smart Cities und der frühen medizinischen Bildgebung, entfallen 2025 55,41 Millionen USD. Bis 2035 dürfte dieses Segment 1,21 Milliarden USD erreichen. Diese Anwendungen können frühe Qualifizierungsprogramme unterstützen, erfordern jedoch häufig längere Beschaffungszyklen und eine strenge Validierung.

Nach Endverbraucherbranche

IT und Telekommunikation sind 2025 die wichtigste Endverbraucherbranche und umfassen Cloud-Betreiber, KI-Infrastrukturen von Unternehmen sowie Workloads in Telekommunikationsnetzen. Der Sektor ist prädestiniert für die Einführung von CIM, sofern Betreiber einen geringeren Energieverbrauch und eine höhere effektive Speicherbandbreite im Produktionsmaßstab validieren können.

Die Automobilbranche ist strategisch wichtig, da ADAS und fahrzeuginterne KI lokale Verarbeitung unter festgelegten thermischen und energetischen Bedingungen erfordern. Das Segment wird Architekturen bevorzugen, die Anforderungen an funktionale Sicherheit und Zuverlässigkeit erfüllen können, wodurch digitale und hybride CIM-Lösungen in der frühen Einführungsphase besonders relevant sind. Die Unterhaltungselektronik bietet Volumenpotenzial für energieeffiziente analoge Systeme und Flash-CIM-Systeme, während die Einführung im Gesundheitswesen von der Gerätevalidierung, Rückverfolgbarkeit und den Anforderungen an den Umgang mit Patientendaten abhängen wird. Industrielle Anwender priorisieren deterministisches Verhalten und Unterstützung über den gesamten Lebenszyklus. Dies kann die Einführung verlangsamen, aber dauerhafte Chancen für Anbieter schaffen, die Qualifizierungsbarrieren überwinden.

Der Technologiemix folgt demselben Muster mit zwei unterschiedlichen Geschwindigkeiten. SRAM und digitales CIM führen, da sie bei leistungssensitiven Bereitstellungen Qualifizierungs- und Softwarerisiken reduzieren. Flash und analoges CIM wachsen schneller, da nichtflüchtige Speicherung und ein geringerer Energieverbrauch pro Inferenz besser zu Geräten mit intermittierender Stromversorgung und begrenzten thermischen Kapazitäten passen. Anbieter, die diese Architekturen als Substitute positionieren, verkennen die kommerzielle Realität: Die nachhaltigere Chance besteht darin, die Wahl von Substrat und Architektur auf die Genauigkeits-, Leistungs-, Lebensdauer- und Integrationsanforderungen der jeweiligen Bereitstellungsklasse abzustimmen.

Regionale Analyse des Marktes für Compute-In-Memory-(CIM)-Chips

Nordamerika

Der nordamerikanische Markt wird 2025 auf 157,08 Millionen USD geschätzt und dürfte bis 2035 3,84 Milliarden USD erreichen, was einer CAGR von etwa 37,76 % entspricht. Die Vereinigten Staaten bilden durch eine umfangreiche KI-Infrastruktur, eine fortschrittliche Chipdesign-Aktivität und eine Konzentration auf CIM ausgerichteter Unternehmen, darunter Cerebras, Groq, d-Matrix, EnCharge AI, Mythic, Lightmatter, IBM und Micron, das Zentrum der regionalen Nachfrage. Kanada trägt durch Aktivitäten in den Bereichen Engineering und KI-Hardware bei, darunter die in Toronto ansässigen Unternehmen Untether AI und d-Matrix.

Die US-Politik stärkt das regionale Design- und Fertigungsökosystem. Der CHIPS and Science Act genehmigte umfangreiche Anreize für die Halbleiterindustrie und damit verbundene Schutzvorkehrungen und prägt sowohl Entscheidungen über inländische Lieferketten als auch kommerzielle Partnerschaften. Nordamerikanische Anbieter profitieren von anspruchsvollen Cloud- und Unternehmenskunden, doch Exportkontrollen und die Konzentration auf wenige Kunden können die globale Skalierung einschränken. Der Erfolg in der Region wird davon abhängen, technische Differenzierung in Produktionsanwendungen mit ausreichender Softwareunterstützung und betrieblicher Zuverlässigkeit umzusetzen. ^{[6]The Conference Board, Artificial Intelligence Computing Infrastructure and Energy Demand, conference-board.org.}

Europa

Der europäische Markt belief sich 2025 auf 87,78 Millionen USD und dürfte bis 2035 1,92 Milliarden USD erreichen, bei einer CAGR von etwa 36,24 %. Deutschland, das Vereinigte Königreich, Frankreich, Spanien, Italien, Russland und das übrige Europa tragen durch die Nachfrage aus den Bereichen Automobilindustrie, Industrie, Forschung und Unternehmens-KI bei. Der Europäische Chip-Gesetz trat im September 2023 in Kraft und schuf einen Rahmen zur Stärkung der Halbleiterkapazität und Widerstandsfähigkeit.

Die Chancen Europas konzentrieren sich stärker auf qualifizierte industrielle und regulierte Anwendungen als auf das Volumen von Hyperscale-Beschleunigern. Der risikobasierte Rahmen der EU-KI-Verordnung macht Rückverfolgbarkeit und Validierung für Hardware, die in Hochrisiko-KI-Systemen eingesetzt wird, zunehmend relevant. Der Europäische Rechnungshof hat zudem auf Umsetzungsrisiken in der europäischen Halbleiterstrategie hingewiesen und festgestellt, dass die formulierten Fertigungsambitionen vor praktischen Herausforderungen bei der Umsetzung stehen. Dementsprechend dürfte die Einführung von CIM in Europa Anbieter begünstigen, die technische Leistung mit Compliance-Dokumentation, Automobilqualifizierung und lokalen Integrationskapazitäten verbinden.

Die Übernahme von Graphcore durch SoftBank im Juli 2024 verdeutlicht die Schwierigkeiten, unabhängige europäische Anbieter von KI-Prozessoren im Wettbewerb mit etablierten GPU-Ökosystemen zu skalieren. Der IPU-Ansatz von Graphcore, der umfangreichen On-Chip-Speicher eng mit der Rechenleistung koppelt, bleibt für die breitere Entwicklung hin zu speicherzentriertem Computing relevant, doch die Transaktion zeigt, dass die Qualität der Architektur allein keine kommerzielle Skalierung sicherstellt.

Asien-Pazifik

Der Asien-Pazifik-Raum ist sowohl der größte als auch der am schnellsten wachsende regionale Markt und steigt von 201,90 Millionen USD im Jahr 2025 auf 6,02 Milliarden USD bis 2035 bei einer CAGR von etwa 40,52 %. Seine Position beruht auf der Konzentration der Speicherfertigung, den Halbleiterinvestitionen, der heimischen Nachfrage nach KI sowie den regionalen Designkompetenzen. China, Indien, Japan, Südkorea, Australien und der übrige Asien-Pazifik-Raum tragen mit unterschiedlichen Kompetenzen in den Bereichen Fertigung, Speichertechnologie, eingebettete Elektronik, souveräne KI-Infrastruktur und Automobilnachfrage bei.

Südkorea verfügt durch Samsung und SK hynix über die stärkste kommerzielle Grundlage der Region für Memory-CIM. Ihre Processing-in-Memory-Programme verknüpfen die CIM-Entwicklung mit etablierten DRAM-, HBM- und Mobile-Memory-Ökosystemen , . Die chinesische Volksrepublik verfügt zudem über eine umfangreiche inländische Forschungs- und Patentbasis sowie staatlich geförderte Halbleiterinvestitionen. Die Patentaktivitäten von Hangzhou Zhicun Technology, auch bekannt als WitMem, belegen die kontinuierliche Entwicklung von In-Memory-Verarbeitungskonfigurationen mit mehreren Chips . ^{[7]ServeTheHome, In-Memory Computing and Emerging AI Accelerator Technologies, servethehome.com.}

Japan stärkt seine Unterstützung für fortschrittliche Halbleiter- und KI-Technologien. Das japanische Ministerium für Wirtschaft, Handel und Industrie brachte im Februar 2025 gesetzgeberische Maßnahmen zur Unterstützung von Investitionen in halbleiter- und KI-bezogene Technologien voran. Die IndiaAI Mission und die politischen Maßnahmen im Halbleiterbereich in Indien erweitern die potenzielle Nachfragebasis der Region für souveräne KI, mobile Geräte, Automobilelektronik und lokales Chipdesign. Das regionale Wachstum wird durch die Exponierung gegenüber Exportkontrollen, den Zugang zu fortschrittlichen Fertigungsknoten und HBM sowie die Fähigkeit lokaler Anbieter beeinflusst, Hardware mit tragfähigen Software-Ökosystemen zu integrieren.

Lateinamerika

Der lateinamerikanische Markt wird 2025 mit 25,93 Millionen USD bewertet und dürfte bis 2035 461,26 Millionen USD erreichen, was einer CAGR von etwa 33,44 % entspricht. Brasilien führt die regionale Nachfrage aufgrund seiner digitalen Wirtschaft, des Ausbaus von Cloud-Diensten und technologiepolitischer Initiativen des öffentlichen Sektors an. Mexikos Elektronikfertigungsbasis und die Nähe zu nordamerikanischen Automobil-Lieferketten schaffen eine kleinere, aber relevante Chance für die Einführung von Edge- und Embedded-CIM.

Das Wachstumsprofil der Region wird durch Kostenempfindlichkeit und eine kurzfristig geringere Intensität der KI-Infrastruktur als in Nordamerika oder im Asien-Pazifik-Raum geprägt. Käufer dürften die Gesamtbetriebskosten, den lokalen Support und die Integration in hybride Cloud-Edge-Systeme priorisieren. Dies begünstigt Lösungen mit klaren Vorteilen bei Leistung, Latenz oder Gerätekosten gegenüber Premiumarchitekturen, die umfangreiche Investitionen in Ökosysteme erfordern.

Naher Osten & Afrika

Der Markt im Nahen Osten und in Afrika wird 2025 mit 27,32 Millionen USD bewertet und soll bis 2035 563,76 Millionen USD erreichen; dies entspricht einer CAGR von etwa 35,15 %. Saudi-Arabien und die Vereinigten Arabischen Emirate sind die wichtigsten regionalen Nachfragezentren, unterstützt durch souveräne KI-Programme und die Entwicklung von Rechenzentren. Die Finanzierung von Groq im Jahr 2025 und seine regionalen Infrastrukturzusagen spiegeln die Rolle souveräner Käufer beim Aufbau von Inferenzkapazitäten wider.

Saudi-Arabien, die Vereinigten Arabischen Emirate, Südafrika und der übrige MEA-Raum weisen unterschiedliche Bedingungen für die Einführung auf. Die Golfmärkte können konzentrierte Beschaffungen hochwertiger Rechenleistung unterstützen, während die breitere afrikanische Nachfrage eher durch Telekommunikation, öffentliche digitale Dienstleistungen und mobile KI-Anwendungen entstehen dürfte. Logistik, lokale Systemintegration, Währungsrisiken und die Verfügbarkeit qualifizierter Implementierungspartner werden beeinflussen, wie schnell spezialisierte CIM-Hardware von Pilotprogrammen in betriebsbereite Infrastruktur überführt wird.

Nordamerika wird kommerziell einflussreich bleiben, da die Region spezialisierte Chiphersteller mit der Beschaffung von Inferenzlösungen durch Hyperscale-Anbieter verbindet. Die Entwicklung Europas dürfte stärker von Qualifizierungsprozessen geprägt sein, insbesondere in Automobil-, Industrie- und regulierten Anwendungen. Lateinamerika sowie der Nahe Osten und Afrika bieten selektive Nachfragesegmente statt einer breiten frühen Akzeptanz. Für Anbieter sollte die regionale Strategie daher zwischen Märkten unterscheiden, in denen Hochleistungssysteme in großem Maßstab validiert werden können, und Märkten, in denen die lokale Wirtschaftlichkeit von Edge-Lösungen, die souveräne Beschaffung oder Compliance-Anforderungen die ersten tragfähigen Design-Wins bestimmen.

Marktanteil und Wettbewerbslandschaft im Compute-in-Memory-(CIM)-Chip-Markt

Der CIM-Chip-Markt ist fragmentiert, da die Anbieter die Herausforderung der Verbindung von Speicher und Rechenleistung von unterschiedlichen Ausgangspunkten aus angehen: Wafer-Scale-Systeme, Speicherprodukte, Prozessoren für Cloud-Inferenz, analoge Edge-Beschleuniger, photonische Verbindungen und Near-Memory-Architekturen. Cerebras Systems hält 2025 einen geschätzten Marktanteil von 18,2 %, gefolgt von Samsung Electronics mit etwa 12,2 %, SK hynix mit 8,1 %, Intel mit 7,9 % und Groq mit 6,8 %. Auf andere Anbieter, darunter Mythic, d-Matrix, EnCharge AI, Rain AI, Lightmatter, IBM, Micron, Untether AI und Graphcore, entfallen schätzungsweise 46,8 %.

Cerebras Systems ist dank seiner auf der WSE-Architektur basierenden Wafer-Scale-KI-Systeme führend. Das CS-3-System umfasst den WSE-3, der laut Cerebras 4 Billionen Transistoren und 40 GB On-Chip-SRAM enthält. Sein Wettbewerbsvorteil liegt in der Integration auf Systemebene und dem Potenzial für Inferenz mit niedriger Latenz; seine Risiken bestehen in der Kapitalintensität der Skalierung von Systemen, der Kundenkonzentration und der Notwendigkeit, eine Softwareumgebung aufrechtzuerhalten, die mit etablierten GPU-Plattformen konkurriert.

Samsung Electronics verfügt über eine vertikale Integration in den Bereichen Speicher, Foundry-Dienstleistungen und Systemhalbleiter. Sein HBM-PIM, LPDDR5-PIM, und seine Arbeiten an Processing Near Memory bieten einen etablierten Weg, Rechenfunktionen in Speichertechnologien mit hohem Volumen zu integrieren. Der Hauptvorteil von Samsung besteht in der Fähigkeit, die Architektいnentwicklung mit Produktions- und Speicher-Roadmaps abzustimmen. Die kommerzielle Herausforderung besteht darin, technische Demonstrationen und Standardisierungsaktivitäten in interoperable Produkte zu überführen, die von System-OEMs und Cloud-Kunden eingesetzt werden.

SK hynix konkurriert mit AiM-, HBM- und Mobile-Memory-Kompetenzen. Seine GDDR6-AiM- und AiMX-xPU-Programme deuten auf einen Schwerpunkt bei der Platzierung von Rechenleistung in unmittelbarer Nähe zum Speicher für KI-Workloads hin. Als führender HBM-Anbieter ist SK hynix zudem Teil der herkömmlichen KI-Speicher-Wertschöpfungskette, die CIM neu gestalten will. Diese doppelte Ausrichtung bietet Markteinblicke und Fertigungsmaßstab, erfordert vom Unternehmen jedoch, die Produktpositionierung sowohl bei herkömmlichem Hochbandbreitenspeicher als auch beim In-Memory-Computing zu steuern.

Intel ist über KI-Beschleuniger, CXL-fähige Speicherökosysteme und Pfade für Near-Memory-Computing aktiv. Gaudi 3 kombiniert Hochbandbreitenspeicher mit spezialisierter KI-Rechenleistung und spiegelt Intels Bestreben wider, Alternativen für die Infrastruktur der generativen KI in Unternehmen anzubieten. Die Beteiligung von Intel an CXL kann stärker standardisierte Ansätze für die Anbindung intelligenter Speicher- oder Near-Memory-Geräte unterstützen, löst jedoch nicht allein die architektonischen und softwareseitigen Unterschiede zwischen den verschiedenen CIM-Implementierungen.

Groq hat seine LPU-Architektur auf eine deterministische Ausführung von Inferenzprozessen und einen hohen Token-Durchsatz ausgerichtet. Die Finanzierungsrunde im August 2024 unterstrich das Interesse der Investoren an alternativer Hardware für KI-Inferenz. Das Wettbewerbsmodell von Groq geht über den Chipverkauf hinaus und umfasst cloudbasierten Zugang zu Inferenz, sodass Kunden die Leistung anhand von Servicemetriken wie Antwortzeit, Durchsatz und Verfügbarkeit bewerten können. Dieses Modell kann den Kundenzugang beschleunigen, erhöht jedoch auch den operativen Aufwand für den Aufbau und die Wartung der Infrastrukturen für Inferenz.

Spezialisierte Herausforderer verfolgen stärker fokussierte Chancen. d-Matrix konzentriert sich mit digitalem In-Memory-Computing auf die Inferenz in Rechenzentren und nahm im November 2025 275 Millionen USD auf, um die kommerzielle Skalierung zu unterstützen. EnCharge AI zielt mit analoger In-Memory-Technologie auf Client- und Embedded-Computing ab. Mythic kombiniert integrierten Flash-Speicher mit analogem Computing und gab im Dezember 2025 eine Finanzierungsrunde über 125 Millionen USD bekannt. Rain AI verfolgt stromsparende analoge neuromorphe Ansätze für den Edge-Einsatz. Diese Anbieter können von einer gezielten Produkt-Markt-Passung profitieren, müssen jedoch dieselben Hürden bei Qualifizierung, Foundry-Zugang und Softwareökosystem überwinden, die größere etablierte Anbieter schützen. ^{[8]Rain AI, Digital In-Memory Compute for AI Training and Inference, rain.ai. (rain.ai)}

Anbieter von Interconnects und Packaging gewinnen für den skalierbaren Einsatz von CIM zunehmend an Bedeutung. Passage M1000 von Lightmatter, im März 2025 vorgestellt, bietet eine photonische Interconnect-Plattform mit einer optischen Bandbreite von bis zu 114 Tbps. Die Technologie stellt selbst keine CIM-Verarbeitung dar, kann jedoch die Einschränkungen bei der Kommunikation auf Clusterebene adressieren, die entstehen, wenn mehrere speicherzentrierte Beschleuniger gemeinsam eingesetzt werden. Die Partnerschaft mit Amkor Technology zur Entwicklung eines großformatigen 3D-Photonik-Packages verdeutlicht zusätzlich, wie Advanced Packaging zu einem Bestandteil des Wettbewerbs- und Architektur-Stacks wird.

Die Patentaktivität fügt dem Wettbewerb eine strategische Ebene hinzu. WIPO meldete 2024 weltweit 3,7 Millionen Patentanmeldungen, wobei 13,2 % der Anmeldungen auf Computertechnologie entfielen. Im Bereich CIM kann sich differenziertes geistiges Eigentum auf Speicherzellenstrukturen, analoge Kalibrierung, Datenfluss, Compilerverfahren, Packaging und Systemintegration beziehen. Anbieter mit durchsetzbaren Patenten und nachweisbarem Fertigungs-Know-how werden besser positioniert sein, um Lizenzerlöse, Foundry-Partnerschaften und langfristige Kundenprogramme zu sichern.

Aktuelle Branchenentwicklungen

• Februar 2025 - EnCharge AI schloss eine mehrfach überzeichnete Finanzierungsrunde der Serie B über mehr als 100 Millionen USD ab. Die Finanzierung war auf die Kommerzialisierung analoger In-Memory-Computing-Lösungen für Client-Computing-Anwendungen ausgerichtet.
• März 2025 - Lightmatter stellte den photonischen Interposer Passage M1000 vor. Die Plattform bietet großen KI-Systemen eine optische Bandbreite von bis zu 114 Tbps und adressiert Interconnect-Anforderungen, die die Skalierung mit mehreren Beschleunigern begrenzen können.
• November 2025 - d-Matrix nahm im Rahmen einer Finanzierung der Serie C 275 Millionen USD auf. Das Unternehmen erklärte, dass die Mittel die Kommerzialisierung seiner digitalen In-Memory-Computing-Plattform für KI-Inferenz unterstützen würden.
• Dezember 2025 - Mythic gab eine Finanzierungsrunde über 125 Millionen USD bekannt. Die Finanzierung unterstützt die weitere Entwicklung der analogen, auf Flash basierenden CIM-Architektur und des zugehörigen Softwareökosystems.