Der US-Halbleiterkonzern NVIDIA bereitet laut aktuellen Berichten von Branchenanalysten eine tiefgreifende Neuausrichtung seiner kommenden Hardware-Generation vor.
Im Zentrum steht dabei der Rubin CPX Chip, der ein umfangreiches Redesign durchläuft und für einen Produktionsstart im ersten Halbjahr 2027 vorgesehen ist. Ein Branchenanalyst berichtet, dass die Architektur nach einer Überarbeitungsphase nun gezielt für spezifische Workloads in Rechenzentren optimiert wird.
Fokus auf Speichertechnologie und Energieeffizienz
Die technischen Spezifikationen des überarbeiteten Rubin CPX markieren eine deutliche Abkehr von früheren Design-Entscheidungen. Während frühere Planungen für den CPX noch auf 128 GB GDDR7-Speicher setzten, soll das neue Design nun über 168 GB HBM4 pro GPU verfügen. Damit ordnet sich der Chip zwischen dem Standard-Rubin-Modell mit 288 GB HBM4 und den Vorgänger-Konfigurationen ein.
Die Leistungsaufnahme des Rubin CPX wird mit 2300 W angegeben. Für den Einsatz in modernen Rechenzentrumsstrukturen ist eine Konfiguration in eigenständigen MGX-ETL-Racks vorgesehen, die zwischen 64 und 256 GPUs fassen können.
Um die massiven Datenmengen zu bewältigen, kommen NVLink-Verbindungen mit einer Bandbreite von 1 bis 1,5 TB/s pro CPX zum Einsatz. Die Vernetzung zwischen den einzelnen Racks soll über die Spectrum-6-Ethernet-Technologie erfolgen.
Hinsichtlich des Produktionsstarts weichen die Marktbeobachtungen geringfügig voneinander ab: Während Berichte von Branchenexperten teilweise das erste Quartal 2027 nennen, deuten andere Analysen auf den Beginn des zweiten Quartals 2027 hin. Die neue Architektur erfordert zudem komplexe Infrastruktur-Anpassungen, darunter Flüssigkeitskühlung, eine 800-V-Gleichstromversorgung sowie den Einsatz von Hochgeschwindigkeits-Kupfer- und OSFP-Optik.
Wer seine KI-Rechenzentrums-Infrastruktur bis 2027 zukunftsfähig aufstellen will, muss die neue Rubin-CPX-Architektur verstehen: 168 GB HBM4, 2300 W Leistungsaufnahme und Flüssigkeitskühlung verändern die Anforderungen an Racks und Stromversorgung. Dieser Leitfaden liefert eine konkrete Upgrade-Checkliste und zeigt, wie Sie Prefill-Workloads effizient auslagern. Jetzt kostenlosen Upgrade-Leitfaden anfordern
Strategische Lastenverteilung in KI-Rechenzentren
Das Design des Rubin CPX folgt einer spezialisierten Aufgabenverteilung innerhalb der NVIDIA-Architektur. Das Unternehmen plant demnach ein Einsatzverhältnis zwischen dem Standard-Rubin und dem Rubin CPX von 1:1. Dabei übernimmt der CPX gezielt die Aufgaben für den sogenannten Prefill und den KV-Cache.
Hintergrund dieser Spezialisierung ist die Analyse von KI-Inferenz-Workloads, bei denen laut Marktberichten mehr als 50 % der Aufgaben auf Prefill-Prozesse entfallen. Durch die Trennung dieser rechenintensiven Vorbereitung von der eigentlichen Verarbeitung soll die Gesamteffizienz des Systems gesteigert werden, obwohl der Rubin CPX eine ähnliche Rechenleistung wie das Basismodell Rubin aufweist.
Systemdesign als neuer Wettbewerbsfaktor
Branchenanalysten beobachten eine grundlegende Verschiebung im Wettbewerb um KI-Hardware. Der Fokus rücke zunehmend von der reinen GPU-Leistung weg und hin zur Effizienz auf Systemebene.
Mehr als 50 % Ihrer KI-Inferenz-Aufgaben entfallen auf Prefill-Prozesse – genau dort setzt der neue Rubin CPX an. Erfahren Sie, wie Sie mit der 1:1-Aufteilung zwischen Rubin und CPX Ihre Systemeffizienz steigern und Speicherbandbreiten-Engpässe vermeiden. Leitfaden zur Inferenz-Optimierung jetzt sichern
In diesem Kontext kombiniert die Vera-Rubin-Architektur neben der Rubin-GPU auch die Vera-CPU sowie Komponenten wie Groq 3 LPX mit spezialisierten Storage- und Netzwerk-Racks. Die Vera-CPU soll dabei Datenengpässe reduzieren und bei Beschleunigungsaufgaben eine bis zu 3-fache Verbesserung erzielen.
Dieser Trend zum ganzheitlichen Systemdesign spiegelt sich auch bei Wettbewerbern wider. So zielt etwa der Jalapeno-Chip von OpenAI darauf ab, Datenbewegungen innerhalb der Hardware zu minimieren. Der Markt für KI-Chips entwickele sich damit weg von einem reinen Wettbewerb um eigenständige GPUs hin zu komplexen, integrierten Systemlösungen.
