Auf der China Computing Power Conference in Langfang hat China Mobile Cloud Mitte September ein neuartiges Inferenzsystem vorgestellt. Die Lösung kombiniert klassische Grafikprozessoren (GPUs) mit neuromorphen Chips, um die Effizienz bei der Verarbeitung von Künstlicher Intelligenz deutlich zu steigern.
Das von China Mobile Cloud präsentierte System entstand in Zusammenarbeit mit mehreren Partnern, darunter Lynxi, Iluvatar CoreX, das CET Nanhu Research Institute sowie die Tsinghua-Universität und die Peking-Universität. Die Technologie zielt darauf ab, die Leistungsgrenzen herkömmlicher GPU-Cluster zu überwinden, indem spezialisierte Hardware-Strukturen genutzt werden, die der Arbeitsweise des menschlichen Gehirns nachempfunden sind.
Effizienzsprung bei Sprachmodellen
Im Rahmen der Vorstellung wurden Leistungsdaten für das Modell DeepSeek V4 Flash veröffentlicht. Den Angaben zufolge erreicht das heterogene System eine mehr als verdoppelte Inferenzleistung im Vergleich zu reinen GPU-Clustern.
Gleichzeitig habe sich die Energieeffizienz ebenfalls um mehr als das Zweifache verbessert. Für Betreiber von Rechenzentren ergeben sich daraus wirtschaftliche Vorteile: China Mobile Cloud beziffert die Reduktion der Betriebskosten auf über 40 Prozent.
Das Projekt ist durch 15 Patente und sechs Software-Copyrights abgesichert. Derzeit befindet sich die Technologie in einer Testproduktion für Kleinserien. Damit reagiert das Unternehmen auf den weltweit steigenden Bedarf an Rechenleistung bei gleichzeitigem Druck zur Senkung des Energieverbrauchs in der Cloud-Infrastruktur.
Huawei forciert High-End-Rechenleistung
Zeitgleich zur Entwicklung bei China Mobile Cloud stellte Huawei auf der Messe Huawei Connect 2026 in Shanghai neue Hardware-Lösungen für großskalige KI-Anwendungen vor. Der Atlas 960E Superpod kann bis zu 4.096 Recheneinheiten (NPUs) über optische Nahbereichs-Verbindungen koppeln. Das System erreicht eine Leistung von 8 Exaflops im FP8-Format und verfügt über bis zu 1 Petabyte HBM-Speicher.
Wer sich mit der Implementierung solcher leistungsstarken KI-Systeme befasst, muss auch die rechtlichen Rahmenbedingungen im Blick behalten. Dieser kostenlose Download verschafft Ihnen den Überblick über Fristen, Pflichten und Risikoklassen, den Ihre IT-Abteilung jetzt braucht. EU AI Act in 5 Schritten verstehen
Zusätzlich präsentierte Huawei das Netzwerk-System Hi-ONE mit einer Kapazität von 7,2 Tbit/s. Durch den Einsatz von 5.500 Engines anstelle von 48.000 herkömmlichen 800G-Modulen soll der Stromverbrauch um mehr als 550 kW sinken.
Die Verfügbarkeit wird mit 99,8 Prozent angegeben. Huawei gab zudem einen Ausblick auf künftige Chip-Generationen: Die Modelle Ascend 960DT und 960PR sind für das erste beziehungsweise dritte Quartal 2027 geplant, gefolgt von den Serien 970 im Jahr 2028 und 980 im Jahr 2029.
Zur Unterstützung dieser Rechenlasten wurden auch Infrastrukturlösungen wie das TaiShan-950-System mit 4.096 Knoten vorgestellt. Neue unterbrechungsfreie Stromversorgungen (UPS) sollen Lastschwankungen von KI-Anwendungen zu etwa 70 Prozent glätten, während Flüssigkeitskühlsysteme Abwärme von bis zu 1,38 MW bewältigen können.
Nvidia optimiert Energiebudget für Blackwell-GPUs
Auch der US-Konzern Nvidia präsentierte Mitte September neue Ansätze zur Effizienzsteigerung. Mit der Lösung DSX MaxLPS wurden Tests auf einem Cluster mit HGX-B200-Systemen durchgeführt. Dabei gelang es, 19 Knoten innerhalb des Strombudgets zu betreiben, das normalerweise für 16 Knoten unter Volllast vorgesehen ist. Dies führte zu einer Steigerung des Token-Durchsatzes um 24 Prozent und einer um 23 Prozent verbesserten Leistung pro Watt.
Während die technologische Entwicklung rasant voranschreitet, stellt die neue EU-KI-Verordnung Unternehmen vor konkrete Dokumentationspflichten. Dieser kostenlose Report klärt auf, welche KI-Systeme als Hochrisiko gelten und was Verantwortliche jetzt konkret tun müssen. Kostenlosen Umsetzungsleitfaden zum AI Act anfordern
In einem Testzentrum in Santa Clara konnte die Last zudem in weniger als einer Minute von 4 auf 3 MW reduziert werden, gesteuert durch über 200 Signale des lokalen Netzbetreibers.
Fortschritte in Forschung und Edge-Anwendungen
Abseits der großen Rechenzentren gewinnt die neuromorphe Architektur auch in der Forschung und bei Edge-Anwendungen an Bedeutung. Forscher der Universität Heidelberg veröffentlichten im September Ergebnisse zu einem Interconnection-Netzwerk für die BrainScaleS-2-Architektur, das eine fehlertolerante Skalierung neuromorpher Chips ermöglicht.
An der UCLA wurden zudem selbstorganisierende Nanodraht-Netzwerke entwickelt, die als physische neuronale Netze fungieren und Sprach- sowie Bilderkennung in Echtzeit durchführen können. Solche Ansätze könnten künftig in Satelliten oder Robotern zum Einsatz kommen.
Ein besonders radikaler Weg wird in Singapur verfolgt: NUS Medicine und Cortical Labs nahmen ein Rack mit biologischen Recheneinheiten in Betrieb. Diese nutzen menschliche Neuronen zur Informationsverarbeitung, wobei jede Einheit lediglich 25 bis 30 Watt verbraucht.
Diese Entwicklungen unterstreichen den Trend weg von rein digitalen Standard-Prozessoren hin zu spezialisierten, oft biologisch inspirierten Architekturen, um die nächste Generation der Künstlichen Intelligenz nachhaltig betreiben zu können.
