NVIDIA-Chips: Ein vollständiger Überblick – Die Hardware-Grundlage eines KI-Imperiums

An der Spitze der Welle der künstlichen Intelligenz und des Hochleistungsrechnens baut ein Unternehmen, das mit Grafikprozessoren begann, mit seinem diversifizierten Chipportfolio die Rechengrundlage für das gesamte intelligente Zeitalter.

Im September 2025 kündigte NVIDIA die dedizierte GPU Rubin CPX an, die für Workloads mit langem Kontext konzipiert wurde und darauf abzielt, die Effizienz aktueller KI-Inferenzoperationen zu verdoppeln, insbesondere für Anwendungen wie Programmierung und Videogenerierung, die extrem lange Kontextfenster erfordern.

Dies ist ein weiterer bedeutender Fortschritt für NVIDIA im Bereich KI-Computing. Von Rechenzentren bis hin zu Edge-Geräten, von Spielegrafik bis hin zu wissenschaftlichem Rechnen – NVIDIA hat das bisher umfassendste Chip-Produkt-Ökosystem geschaffen.

Drei architektonische Säulen: GPU, CPU und DPU arbeiten zusammen

NVIDIA hat sich von einem traditionellen Hersteller von Grafikprozessoren zu einem Komplettanbieter von Computing-Plattformen entwickelt. Die Roadmap für Rechenzentren umfasst drei Chiptypen: CPU, GPU und DPU, die als die „drei Säulen des zukünftigen Computings“ bezeichnet werden.

Dieser strategische Kurswechsel signalisiert, dass NVIDIA sich nicht mehr mit reiner Grafikleistung zufriedengibt, sondern komplette Hardwarelösungen für das gesamte Computing-Ökosystem anstrebt. Die drei Chiptypen arbeiten zusammen, um eine beispiellose Beschleunigung für Rechenanforderungen jeder Größenordnung zu ermöglichen.

Im Jahr 2021 brachte NVIDIA mit Grace seine erste zentrale Verarbeitungseinheit auf den Markt, die speziell für umfangreiche KI-Modelle und Hochleistungsrechnen entwickelt wurde. Systeme, die auf Grace basierten und eng mit NVIDIA-GPUs integriert waren, erreichten eine zehnmal höhere Leistung als die damals fortschrittlichsten NVIDIA-DGX-Systeme mit x86-CPUs.

KI-Chips für Rechenzentren: Giganten bewältigen Terabyte-große Rechenprozesse

Die KI-Chipserie von NVIDIA für Rechenzentren umfasst hauptsächlich die Tesla V100, A100 und den neu eingeführten Rubin CPX. Diese Chips sind für KI-Workloads und Deep Learning optimiert und werden häufig in Cloud-Computing-, Supercomputing-, KI-Modelltrainings- und Inferenzszenarien mit umfangreicher Datenverarbeitung eingesetzt.

Die Tesla V100 mit Tensor-Core-Architektur ist ein GPU-Beschleuniger für Rechenzentren. Die A100, basierend auf NVIDIAs Ampere-Architektur, bietet herausragende Rechenleistung und KI-Beschleunigungsfunktionen.

Die Ampere-Architektur, die mit 54 Milliarden Transistoren aufgebaut ist, ist der größte jemals hergestellte 7-Nanometer-Chip und beinhaltet sechs bahnbrechende Innovationen.

Die NVLink-Technologie der dritten Generation verdoppelt die direkte GPU-zu-GPU-Bandbreite auf 600 GB/s und ist damit fast zehnmal schneller als die PCIe-Geschwindigkeit der vierten Generation.

Der Rubin CPX, der im September 2025 auf den Markt kam, ist der erste Chip, der speziell für Modelle entwickelt wurde, die riesige Mengen an Wissen (Millionen von Token) gleichzeitig verarbeiten und KI-Inferenz durchführen müssen.

Es ist für die Langzeitkontext-Performance auf der Ebene von „Millionen von Token“ optimiert und verfügt über 30 PetaFLOPs NVFP4-Rechenleistung und 128 GB GDDR7-Speicher.

GeForce Gaming-GPUs: Revolutionäre Neuerungen von der Grafikdarstellung bis zum KI-Gaming

Die Grafikkarten der RTX 40-Serie verfügen über die neueste DLSS 3 AI-Framegenerierungstechnologie und bieten eine bis zu 4-fache Leistungssteigerung in Spielen.

Eine Reihe spezialisierter Technologien – darunter Optical Flow Accelerator, Motion Vectors, Optical Flow Multi-Frame Generator und die Reflex Ultra-Low Latency Pipeline – sorgt für extreme Leistung für Gamer und erreicht eine Auflösung von bis zu 4K bei 100 FPS.

Vollständiges Raytracing (oder Path Tracing) erweitert die Raytracing-Effekte von der Anwendung auf einzelne Oberflächen hin zu einem realistischen, szenenweiten Raytracing, das mit Live-Action-Aufnahmen vergleichbar ist. Das Verhalten von Lichtstrahlen und die Reflexionsintensität werden deutlich verbessert, wodurch tiefere Schwarztöne und hellere Lichter entstehen und Gamer ein völlig neues Maß an Immersion erleben können.

Die Grafikkarten der 40er-Serie verfügen außerdem über den NVENC-Encoder der 8. Generation und unterstützen AV1, den zukünftigen Standard für Videostreaming. Im Vergleich zu H.264 bietet AV1 ein besseres Signal-Rausch-Verhältnis und damit eine höhere Bildqualität bei gleicher Auflösung und Bitrate.

Im Januar 2025 veröffentlichte NVIDIA das DLSS 4.0-Upgrade für Grafikkarten der RTX 40-Serie, das ein fortschrittlicheres KI-Modell nutzt, das nicht nur die Leistung steigert und die Latenz reduziert, sondern auch den VRAM-Verbrauch deutlich senkt.

Professionelles visuelles Rechnen: Die Leistungsfähigkeit der Ampere- und Ada-Architekturen

Die NVIDIA Ampere-Architektur baut auf den Fähigkeiten von RTX auf und steigert die Leistung bei Rendering-, Grafik-, KI- und Rechenlasten deutlich.

Der RT-Kern der 2. Generation bietet die doppelte Leistung der Vorgängergeneration und kann Raytracing gleichzeitig mit Shading oder Denoising ausführen. Dies beschleunigt Workloads wie fotorealistisches Rendering für Filminhalte und die Erstellung virtueller Prototypen für das Produktdesign erheblich.

Der Tensor-Kern der 3. Generation mit neuer Tensor Float 32 (TF32)-Präzision bietet den fünffachen Trainingsdurchsatz der vorherigen Generation und beschleunigt so das Training von KI- und Data-Science-Modellen, ohne dass Codeänderungen erforderlich sind.

Die NVIDIA RTX 2000 Ada Generation macht die innovative Ada Lovelace-Architektur einem breiteren Publikum zugänglich. Mit 16 GB GDDR6-Speicher bietet sie Datenwissenschaftlern, Ingenieuren und Kreativprofis ausreichend Speicherkapazität für die Verarbeitung großer Datensätze sowie für Rendering-, Data-Science- und Simulations-Workloads.

Edge- und eingebettete Systeme: Intelligenz dank Jetson- und Drive-Plattformen

Die NVIDIA Jetson-Serie ist eine KI-Computing-Plattform für eingebettete Systeme und Edge Computing, die leistungsstarke GPUs und Deep-Learning-Beschleuniger integriert. Sie wird in Anwendungen eingesetzt, die eine lokale KI-Verarbeitung erfordern, wie z. B. intelligente Videoanalyse, autonome Fahrzeugsysteme, industrielle Automatisierung und Smart Cities.

Die Drive-Serie ist eine KI-Computing-Plattform, die speziell für autonomes Fahren und intelligente Transportsysteme entwickelt wurde und GPUs, Bildverarbeitungseinheiten und Sensorprozessoren integriert. Diese Plattform dient der Wahrnehmung, Entscheidungsfindung und Steuerung in autonomen Fahrzeugen und unterstützt die Implementierung von Fahrerassistenzsystemen (ADAS) und Technologien für autonomes Fahren.

NVIDIA kündigte seinen KI-Prozessor der nächsten Generation für autonome Fahrzeuge, DRIVE Atlan, an, mit einer prognostizierten Leistung von 1000 TOPS – etwa dem Vierfachen der Leistung des Orin-Prozessors der vorherigen Generation – und übertrifft damit die gesamte Rechenkapazität der meisten autonomen Taxis der Stufe 5.

Zukunftsaussichten: NVIDIAs Strategie zur Entwicklung von KI-Chips

Angesichts des intensiven Wettbewerbs festigt NVIDIA seine Marktführerschaft durch eine Reihe strategischer Schritte. Im September 2025 investierte NVIDIA über 900 Millionen US-Dollar, um Rochan Sankar, CEO des KI-Hardware-Startups Enfabrica, und sein Team abzuwerben und sicherte sich gleichzeitig die Lizenzrechte an der Technologie des Unternehmens.

Die Kerntechnologie von Enfabrica besteht in der Entwicklung eines spezialisierten Netzwerkchips, der in der Lage ist, bis zu 100.000 KI-Rechenchips mit hoher Geschwindigkeit miteinander zu verbinden und so massive Chipcluster wie einen einzigen, supergroßen Computer zusammenarbeiten zu lassen.

Diese Architektur kann die durch unzureichende Netzwerkbandbreite verursachte Datenübertragungslatenz und Chip-Leerlaufzeit deutlich reduzieren und gleichzeitig eine höhere Recheneffizienz erzielen.

Auch die Technologiekonzerne entwickeln ihre eigenen Chips. OpenAI arbeitet mit dem US-amerikanischen Chiphersteller Broadcom zusammen, um im nächsten Jahr einen eigenen KI-Chip auf den Markt zu bringen und so die Abhängigkeit von NVIDIA zu verringern.

Google, Amazon und Meta investieren ebenfalls massiv in die Entwicklung eigener KI-Chips.

Laut China Merchants Securities signalisiert der Aufstieg der hauseigenen KI-Chipentwicklung einen Wandel in der KI-Infrastrukturbranche von einem Modell der „Beschränkung auf eine einzige GPU“ hin zu „diversifizierten kundenspezifischen Chiplösungen“.

Da sich die Anwendungsszenarien für KI ständig erweitern, entwickelt sich auch das Chip-Portfolio von NVIDIA kontinuierlich weiter.

Von Microsofts Investition von 4 Milliarden Dollar in Rechenzentren in Wisconsin bis hin zu zukünftigen Serverracks mit hoher Dichte, die 72 GPUs pro Gehäuse aufnehmen können, bildet die Hardware von NVIDIA die Grundlage für den Aufbau einer globalen KI-Infrastruktur.

Der Chip-Krieg ist noch lange nicht entschieden; das Schlachtfeld hat sich lediglich von PCs auf das gesamte Ökosystem intelligenter Computer ausgeweitet. Mit seinem vielfältigen Chip-Portfolio und seiner zukunftsorientierten strategischen Planung sichert sich NVIDIA eine starke Position in diesem Konflikt.

Es liefert nicht nur die Rechenleistung für KI, sondern definiert auch ständig die Grenzen dessen neu, was Rechenleistung sein kann.