Aufstrebende Technologien, die die Zukunft der KI-Hardware prägen

Eine neue Art des Rechnens

Mit den letzten Jahren exponentiellen Fortschritts in der KI‑Technologie waren die größten Gewinner die Hersteller von KI‑Hardware. Das liegt daran, dass moderne KI, die überwiegend neuronale Netze nutzt, Rechenleistung auf eine völlig andere Weise verwendet als klassische Computer.

Statt komplexe Berechnungen mit einer leistungsstarken CPU durchzuführen, führen sie tausende oder Millionen einfacherer Berechnungen parallel aus.

(Sie können mehr darüber erfahren, wie neuronale Netze erfunden wurden und funktionieren in “Investing in Nobel Prize Achievements – Artificial Neural Networks, The Basis Of AI”)

Bisher waren Grafikkarten, also GPUs (Graphics Processing Units), das bevorzugte Werkzeug zur Entwicklung von KI und haben die Umsätze und Gewinne von Branchenführern wie Nvidia (NVDA ) dramatisch gesteigert.

Der Markt für KI‑Hardware wird voraussichtlich weiterhin außergewöhnlich schnell wachsen, mit einer CAGR von 31,2 % von 2025 bis 2035.

Quelle: Roots Analysis

In diesem Zeitraum wird voraussichtlich das Auftreten vieler neuer KI‑Hardware‑Typen zu beobachten sein, da die für KI‑Berechnungen umfunktionierten GPUs nach und nach durch speziell für diese Anwendung entwickelte Chips ersetzt werden.

Langfristig werden wahrscheinlich exotischere Rechenformen in den KI‑Hardware‑Markt einziehen, von anwendungsspezifischen Designs über nicht‑siliziumbasierte Chips bis hin zur Nutzung echter biologischer Neuronen.

Wie KI‑Denken funktioniert

Der grundlegende Unterschied zwischen klassischen Supercomputern und KIs liegt in der Datenverarbeitung. Statt komplexe Berechnungen zu lösen, erzeugen neuronale Netze virtuelle Knoten, die zu einem Netzwerk verbunden sind. Während das ursprüngliche neuronale Netz nur wenige Dutzend Knoten und ein paar Hundert Verbindungen enthielt, verwenden moderne Netze wie die von ChatGPT Billionen möglicher Verbindungen und erreichen damit eine Komplexität, die der des menschlichen Gehirns nicht unähnlich ist.

Quelle: Nobel Prize

Diese andere Art der Kalkulation erfordert Hardware, die in der Lage ist, Millionen von Operationen parallel auszuführen, selbst wenn die für jede Operation bereitgestellte Rechenleistung relativ gering ist.

Glücklicherweise handelt es sich dabei um eine Art von Hardware, die bereits seit vielen Jahren im Einsatz ist, etwa beim Grafik‑Rendering mit GPUs, hauptsächlich für 3‑D‑Simulationen und Videospiele, und die ebenfalls viele kleine Berechnungen parallel ausführt.

Das ist der Grund, warum der anfängliche (und aktuelle) Sieger im Rennen um ausreichend KI‑Chips Nvidia ist, der Marktführer im GPU‑Segment.

Immer schnellere GPUs

Durch die Erfindung effizienterer Algorithmen und den raschen Fortschritt in der künstlichen Intelligenz, den sie ermöglichten, explodierten die potenziellen Anwendungsbereiche von KI in den 2020er‑Jahren.

Dies führte zu einem immer stärker werdenden Rennen um ausreichend Hardware, insbesondere Nvidia‑GPUs im Jahr 2023.

Parallel dazu erfordern steigende Erwartungen an KI‑Anwendungen immer intelligentere KI, die wiederum mehr Rechenleistung benötigt. Und während das Sichern weiterer GPUs eine Lösung war, wurden auch bessere GPUs nötig.

Die Branche lieferte, mit einem 1.000‑fachen Leistungszuwachs in weniger als acht Jahren.

Quelle: NVIDIA

Kann das halten?

Es gibt Anzeichen dafür, dass das Wachstum der GPU‑Leistung bald stagnieren könnte. Erstens sind alle „einfachen“ Verbesserungen, wie das Vergrößern von GPUs und das Verwenden kleinerer, dichterer Transistoren, fast ausgeschöpft. Weitere Verbesserungen müssen also aus radikalen Neugestaltungen und Innovationen resultieren.

Sekundäre Probleme tauchen ebenfalls in der Branche auf. Beispielsweise erzeugen deutlich dichtere und leistungsstärkere GPUs viel Abwärme, sodass weitere gleiche Modelle die Chips schlichtweg schmelzen würden.

Diese Abwärme weist zudem auf einen hohen Energieverlust hin. Die Sicherstellung einer ausreichenden, stabilen Grundlast‑Energieversorgung wird für KI‑Unternehmen zunehmend zu einem Problem, da alle großen Tech‑Unternehmen versuchen, Energie aus Kernkraftwerken zu beziehen.

Schließlich wird KI‑Rechnen immer spezialisierter, mit unterschiedlichen Methodologien, die bei verschiedenen Unternehmen und Anwendungsfällen entstehen, jeweils mit eigenen Hardware‑Anforderungen. Daher wird die Ära der universellen GPUs, die von allen KI‑Firmen genutzt werden, wahrscheinlich – wenn auch langsam – zu Ende gehen.

Die Ära der Super‑GPUs

Bislang bestanden die meisten KI‑Rechenzentren aus Tausenden von GPUs, die zu dedizierten Servern zusammengeschaltet wurden.

Die sofortige Lösung für das wachsende Überhitzungs‑ und Energieverbrauchsproblem wird der Bau integrierter Hardware sein, die über die bloße Anhäufung einzelner GPUs hinausgeht.

„In Rechenzentren heute kann man nicht mehr die gleiche Anzahl an NVIDIA H100‑Servern oder GB200‑Superchip‑Compute‑Trays in einem Schrank unterbringen wie bei früheren GPU‑Generationen, weil die Leistungs‑ und Kühlanforderungen höher sind.“

Ein wichtiger Schritt in diese Richtung ist die kürzlich von Nvidia veröffentlichte GB200 NVL72. Diese Hardware ist so konzipiert, dass sie wie eine einzelne massive GPU wirkt und damit deutlich leistungsfähiger ist als selbst das bisher rekordbrechende H100‑Modell.

Die verbesserte thermische Effizienz und die Energieeinsparungen erlauben es uns, großzügiger zu sein, wie viele GPUs wir in ein Rack passen – was mehr GPUs für unsere Kunden bedeutet.“

Dies sollte zudem deutlich energieeffizienter sein, ein entscheidender Punkt, da die KI‑Industrie möglicherweise eher an Energie als an Chips mangelt, wenn die Rechenzentren im derzeitigen Tempo gebaut werden. Mehr Rechen‑ und Energieeffizienz bedeutet weniger Abwärme, was das Überhitzungsproblem vorübergehend löst.

Quelle: Nvidia

Derzeit hat CoreWeave den ersten Cloud‑Provider mit allgemein verfügbaren Nvidia GB200 NLV 72‑Instanzen (CRWV ) bereitgestellt.

(Sie können mehr über CoreWeave und dessen Bereitstellung von KI‑Cloud‑Computing für Unternehmen, die KI‑Lösungen entwickeln, lesen in “CoreWeave: The Cloud AI Hyperscaler”.

KI‑Hardware ohne GPUs

Field‑Programmable Gate Arrays (FPGAs)

Eine weitere für die KI‑Entwicklung genutzte Hardware‑Art sind Field‑Programmable Gate Arrays. FPGAs sind integrierte Schaltkreise, die nachträglich umprogrammiert werden können, um bestimmte Aufgaben effizienter zu erledigen. Sie funktionieren über konfigurierbare Verbindungen zwischen ihren Komponenten.

Quelle: Microcontrollers Labs

Damit können FPGAs flexibler sein als GPUs und bieten mehr Optimierungspotenzial für bestimmte Berechnungsarten.

FPGAs sind zudem energieeffizienter als GPUs. Ihre geringe Latenz (schnelle Reaktionszeit) macht sie sehr geeignet für Echtzeitanwendungen, die schnelle Reaktionen erfordern.

Allerdings sind FPGAs weniger in der Lage, sehr rechenintensive Aufgaben zu bewältigen, die viel Leistung erfordern.

Ein weiteres Problem ist, dass das erneute Programmieren von FPGAs zeit- und arbeitsintensiv sein kann. Sie können daher deutlich langsamer im Design, Bau und in der Programmierung sein – ein ernstes Problem in einem Feld, das alle sechs Monate revolutionäre Fortschritte macht.

Das bedeutet, dass bislang die Anwendungsfälle von FPGAs auf bestimmte KI‑Anwendungen konzentriert waren, während die allgemeine Entwicklung weiterhin auf weniger effiziente, aber universelle GPUs setzt:

• Echtzeit‑Verarbeitung: Wenn eingehende Daten schnell verarbeitet werden müssen, etwa bei digitaler Signalverarbeitung, Radarsystemen, autonomen Fahrzeugen und Telekommunikation.
• Individuell angepasste Hardware‑Beschleunigung: Konfigurierbare FPGAs können gezielt bestimmte Deep‑Learning‑Aufgaben und HPC‑Cluster beschleunigen, indem sie für spezielle Datentypen oder Algorithmen optimiert werden.

• Moderne KI‑Rechenzentren könnten daher zunehmend zu einer Mischung aus GPUs und FPGAs werden, wobei jede Hardware für die Teilaufgaben eingesetzt wird, die sie am besten erledigt.
  • Edge‑Computing: Dabei werden Rechen‑ und Speicherfähigkeiten näher zum Endnutzer verlagert, zum Beispiel direkt im Auto oder in einer Drohne. In solchen Fällen sind der geringe Stromverbrauch und die kompakte Größe von FPGAs von Vorteil.

Application‑Specific Integrated Circuits (ASICs)

ASIC‑Systeme werden für bestimmte Berechnungsarten gebaut und können nur diese ausführen. Es handelt sich also weniger um einen allgemeinen Prozessor als um einen reinen integrierten Schaltkreis; FPGAs werden manchmal auch als programmierbare ASICs bezeichnet.

Der Grund, ASICs anstelle von FPGAs oder GPUs zu verwenden, liegt darin, dass ASICs deutlich schneller sind als jede andere Logik‑Komponente. Sie sind zudem energieeffizienter und kleiner.

Deshalb werden beispielsweise ASIC‑Miner im Kryptowährungs‑Mining eingesetzt, da ihr Design speziell auf die erforderlichen Berechnungen optimiert ist.

Quelle: Wevolver

Allerdings sind ASICs auch wesentlich komplexer zu entwerfen, sodass sich ihre Entwicklung nur dann lohnt, wenn die Aufgabe häufig genug wiederholt wird, um die Design‑Kosten zu decken. Insgesamt machen ASICs wirtschaftlich nur Sinn, wenn sie für die Massenproduktion vorgesehen sind.

Individuelle Designs erfordern zudem Expertenwissen, und gängige Programmiersprachen sowie Bibliotheken sind möglicherweise nicht einsetzbar.

Dieser Bedarf an kundenspezifischem Design kann jedoch auch ein Vorteil sein, da er zusätzlichen geistigen Eigentumsschutz (IP) bietet.

Die Anwendungsfälle für ASICs ähneln denen von FPGAs: Edge‑Computing, Bilderkennung, Telekommunikation und Signalverarbeitung, jedoch erfordern sie häufig wiederholte Berechnungen.

Da sie nicht flexibel sind, werden sie allein wahrscheinlich nicht ausreichen, um komplexe KI‑Aufgaben zu bewältigen. Sie können jedoch in ein KI‑Hardware‑System integriert werden, um mehr Effizienz und Geschwindigkeit zu erzielen.

Unternehmen wie Etched entwickeln ASICs, die speziell für die Berechnung von Transformern konzipiert sind (das „T“ in ChatGPT).

Quelle: Etched

Neuromorphe Chips

Über die reine Verbesserung von GPUs oder den Bau effizienterer ASICs hinaus betrachten weitere Konzepte, wie das Rechnen grundlegend verändert werden kann.

Eine Idee ist, dass bei der Gestaltung eines neuronalen Netzes die Chip‑Architektur dessen Struktur widerspiegeln sollte.

Dies ist das Konzept der neuromorphen Chips, die auf Hardware‑Ebene wie miteinander verbundene Neuronen funktionieren, anstatt sie durch komplexe mathematische Gleichungen und Millionen paralleler Berechnungen zu simulieren.

Diese Geräte werden manchmal auch NPUs (Neural Processing Units) genannt und kombinieren häufig verschiedene Komponenten zu einer Einheit.

Neuromorphe Chips nutzen häufig komplexe elektrische Signale, die analogen Daten näher kommen. Das unterscheidet sie von „normalen“ Computern, die nach dem Von‑Neumann‑Design mit binären Signalen (0 & 1) arbeiten.

Quelle: Tech Target

Derzeit werden viele Methoden erforscht, um neuromorphe Chips zu erzeugen:

• Ausnutzung von incipienter Ferroelektrizität, einem noch wenig verstandenen Phänomen.
• Aktives Substrat aus Vanadium oder Titan.
• Einsatz von Memristoren, einer neuen Art von elektronischem Bauelement, das KI‑Aufgaben mit 1/800^th des normalen Stromverbrauchs ausführen kann.

Photonik‑Chips

Eine weitere Möglichkeit, viele der aktuellen Beschränkungen siliziumbasierter Hardware zu umgehen, besteht darin, zu Photonik‑Computern zu wechseln. Statt Elektronen, die die Information tragen, nutzen Photonik‑Computer Photonen von Lasern.

Diese Methode hat den Vorteil, dass sie deutlich weniger anfällig für Überhitzung ist und Licht das schnellste im Universum ist.

Derzeit war die Haltbarkeit von photonischen Bauteilen, insbesondere des Speichers, ein Problem, doch das ändert sich schnell.

Weitere aktuelle Fortschritte in der Photonik umfassen:

• Ferroelectric High Electron Mobility Transistor (FeHEMT), das Kommunikationsgeräte in Smartphones verkleinert.
• Perowskite, genauer gesagt CsPbBr₃‑Kristalle, die Photonik mit „normalen“ Silizium‑ und Galliumnitrid‑Substraten kombinieren.
• Ultra‑schnelles Laserschreiben, um photonische Bauteile mit Nano‑Ätzen zu designen.
• Mehrschichtige Silizium‑Photonik‑Fertigungsmethode.
• Einsatz von Magnetit zur Schaffung von Spintronik‑Photonik‑Computern.

Echte Neuronen verwenden

Eine weitere Möglichkeit, KI näher an die Leistungsfähigkeit des echten Gehirns zu bringen, besteht vielleicht einfach darin, echte Gehirne zu nutzen.

Wenn ein neuronales Netz aus echten Neuronen hochgradig anpassungsfähig ist und in der Natur Mustererkennung hervorragend beherrscht, warum sollte das nicht in einem künstlichen Kontext funktionieren?

Im März 2025 wurde dieses Konzept mit der Veröffentlichung von Cortical Labs der CL1, der ersten Synthetic Biological Intelligence (SBI), weiter vorangetrieben.

Quelle: Cortical Labs

Echte Neuronen werden in einer nährstoffreichen Lösung kultiviert, die ihnen alles Notwendige für ein gesundes Wachstum liefert. Sie wachsen über einen Silizium‑Chip hinweg, der elektrische Impulse in die neuronale Struktur sendet und empfängt.

Damit verschwimmen die Grenzen zwischen künstlicher und natürlicher Intelligenz. Ist ein Computer aus echten Neuronen noch künstlich?

Wir integrieren die Neuronen in das biOS mit einer Mischung aus hartem Silizium und weichem Gewebe. Sie können direkt mit diesen Neuronen verbunden werden. Code wird direkt auf die echten Neuronen übertragen, um die heutigen schwierigsten Herausforderungen zu lösen.

Der Neuron ist selbstprogrammierend, unendlich flexibel und das Ergebnis von vier Milliarden Jahren Evolution. Was digitale KI‑Modelle enorme Ressourcen kosten lässt, um zu imitieren, beginnen wir mit echten Neuronen.

Dies könnte ein echter Durchbruch sein, falls Theorien, die das menschliche Gehirn eher als Quanten‑Computer denn als elektrisches System ansehen, sich bestätigen.

Obwohl es sich noch um eine stark aufstrebende Technologie handelt, könnte sie durch Fortschritte in verwandten Bereichen wie 3‑D‑Druck von menschlichen Organen, einschließlich funktionalem Hirngewebe, sowie die Produktion von Organoiden (Mini‑Gehirne) von Unternehmen wie Final Spark und BiologIC unterstützt werden.

Brain‑Computer‑Interface

Eine weitere Möglichkeit, KI‑Hardware zu stärken, besteht darin, sie direkt mit einem anderen biologischen Supercomputer zu verbinden: dem Gehirn, das bereits in unserem Schädel sitzt und unser Denken steuert.

Zunächst werden Brain‑Computer‑Interfaces (BCI) wahrscheinlich hauptsächlich eingesetzt, um Menschen mit neurologischen Erkrankungen zu helfen.

Neue Methoden, um Implantate langlebiger und weniger invasiv zu machen, sollten ebenfalls unterstützen.

Langfristig könnte dies ebenfalls die Grenze zwischen Maschine und menschlicher Intelligenz verwischen. Wenn Sie mit Hilfe einer KI in direkter Interaktion über ein BCI denken, wer hat dann genau gedacht?

Aufgrund ethischer und sicherheitstechnischer Bedenken ist dies jedoch wahrscheinlich eine der am weitesten entfernten Technologien, trotz der Vorfreude, die Science‑Fiction‑Werke wie Altered Carbon, Neuromancer oder Cyberpunk 2077 wecken.

(Wir haben die prominentesten Unternehmen in diesem Feld in “5 Beste Brain‑Computer‑Interface‑Unternehmen (BCI)”) behandelt.

Wie viel Rechenleistung wird wirklich benötigt?

DeepSeek

Jahrelang haben alle KI‑Unternehmen ein Wettrennen um immer mehr Rechenleistung geführt, in der Annahme, mehr sei immer besser.

Dies wurde durch die brutale Ankunft des chinesischen KI‑Unternehmens DeepSeek infrage gestellt. Mit einem Modell, das 10‑100 × effizienter ist als die Konkurrenz und nur 3‑5 % der Kosten für gleichwertige oder überlegene Leistung verursacht, hat DeepSeek die Notwendigkeit mehrerer Rechenressourcen zum Bau besserer KIs herausgefordert.

Ein großer Grund, warum DeepSeek so stark auf Model‑Effizienz setzte, war der eingeschränkte Zugang chinesischer KI‑Firmen zu KI‑Chips. Das wurde deutlich, als kurz nach dem Launch gezeigt wurde, dass Modelle anderer chinesischer Firmen ebenso beeindruckend performten: Alibabas Qwen, Moonshot AI’s Kimi, ByteDances Doubao oder Baidus Ernie Bot.

Wie das Sprichwort sagt: „Not macht erfinderisch.“

In den kommenden Jahren wird voraussichtlich ein doppelter Fokus auf bessere Leistung und höhere Effizienz die KI‑Branche dominieren.

Das bedeutet jedoch nicht, dass mehr Rechenleistung keine besseren Ergebnisse liefert. Es ist lediglich nicht der einzige Weg zum Erfolg in der KI‑Industrie, und sehr gut finanzierte Unternehmen wie OpenAI könnten bei ihren Ausgaben etwas nachlässig gewesen sein.

Derzeit befinden sich die meisten KIs noch in der Entwicklungs‑ und Experimentierphase mit begrenzten Anwendungsfällen. Je stärker sie in die Arbeitsabläufe von Millionen Unternehmen weltweit integriert werden, desto mehr KI‑Rechenleistung wird benötigt.

Und je mehr Rechenleistung benötigt wird, desto stärker steigt die Nachfrage nach effizienterer und weniger energieintensiver Hardware.

Wie beim traditionellen Rechnen können wir also davon ausgehen, dass der Markt weiterhin immer bessere Chips verlangt, insbesondere da KI bald einer der größten Energieverbraucher der Welt sein könnte.

EdgeAI & AI‑PCs

Ein weiterer Effekt des Aufkommens von DeepSeek und anderen chinesischen KI‑Modellen mit geringeren Rechenanforderungen ist, dass KI‑Modelle, insbesondere „distillierte“ Varianten, jetzt auf leistungsstarken Einzelgeräten laufen können, anstatt in gigawatt‑großen KI‑Rechenzentren.

Dies bestätigt die Befürworter von EdgeAI, die argumentieren, dass ein großer Teil der KI‑Rechenleistung „vor Ort“ erledigt werden sollte, nicht nur in der Cloud.

Da DeepSeek ein Open‑Source‑Modell ist, eröffnet dies zudem vielen Einzelpersonen die Möglichkeit, KI‑Computer zu experimentieren: leistungsstark genug, um KI‑Modelle auszuführen, aber preiswert und kompakt genug, um von Einzelpersonen gekauft zu werden. Insgesamt führt das nicht zu weniger KI‑Rechenbedarf, sondern eher zu einem dezentraleren Prozess für die Entwicklung und Nutzung von KI‑Anwendungen.

Daher werden AI‑PCs wahrscheinlich zum neuen großen Trend im PC‑Bau, wie die spezialisierte Presse bereits ausführlich diskutiert, welche Marke am besten ist, besonders da KI in den meisten Technologie‑Unternehmen Einzug hält, einschließlich Microsoft (MSFT ), wobei Copilot fast überall in Windows OS und anderer Software des Unternehmens präsent ist.

Fazit

Von Gaming‑GPUs entwickelt sich die Hardware für KI rasant weiter. Das begann mit GPUs, die für KI konzipiert wurden, und entwickelt sich weiter zu „Super‑GPUs“, die von Grund auf für KI‑Rechenzentren mit geringerem Energieverbrauch und weniger Wärmeentwicklung gebaut wurden.

Der nächste Schritt wird wahrscheinlich die weitere Integration von universellen GPUs mit ASICs und FPGA‑Chips sein, um spezifische KI‑Aufgaben mit weniger Strom und Platzbedarf zu erledigen.

Weiter in der Zukunft wird darüber gestritten, welche Technologie den Sieg im KI‑Rechnen davonträgt: neuromorphe Chips, Photonik, Spintronik oder sogar echte biologische Neuronen, die mit Silizium‑Substraten interagieren, und vielleicht KI, die direkt mit unseren eigenen Gehirnen über direkte Schnittstellen kommuniziert.

Für all diese Technologien ist sicher, dass das explosive Wachstum der KI‑Kapazität und die damit verbundene Explosion an Anwendungsfällen die Nachfrage nach immer mehr und besserer KI‑Hardware weiter anheizen werden.

Selbst wenn effizientere KI‑Modelle wie DeepSeek auf den Markt kommen, könnte der plötzliche Anstieg der Nachfrage nach AI‑PCs ein guter Indikator dafür sein, dass KI‑Hardware in den kommenden Jahren wahrscheinlich weiterhin knapp im Vergleich zur Nachfrage sein wird.

Ein Marktführer in KI‑Hardware

Nvidia

NVIDIA hat sich von einem Nischen‑Halbleiterunternehmen, das sich auf Grafikkarten spezialisierte, zu einem Technologieriesen an der Spitze der KI‑Revolution und des enormen Hardware‑Bedarfs entwickelt.

Dies wurde durch die Entwicklung von CUDA erreicht, einer generischen Programmierschnittstelle für NVIDIAs GPUs, die die Tür für Anwendungen jenseits des Gamings öffnete.

„Forscher erkannten, dass man, wenn man diese Gaming‑Karte namens GeForce kauft und sie in den Computer einbaut, im Grunde einen persönlichen Supercomputer hat. Molekulardynamik, seismische Verarbeitung, CT‑Rekonstruktion, Bildverarbeitung – eine ganze Reihe verschiedener Dinge.“

Jensen Huang, in einem Interview mit Sequoia

Diese breitere Akzeptanz von GPUs und insbesondere von NVIDIA‑Hardware schuf eine positive Rückkopplungsschleife, die auf Netzwerkeffekten basiert: Je mehr Anwendungsfälle, desto mehr Endnutzer und Entwickler, desto mehr Verkäufe, desto größer das F&E‑Budget, desto schneller die Beschleunigung der Rechengeschwindigkeit, usw.

Quelle: Nvidia

Heute umfasst die installierte Basis Hunderte Millionen CUDA‑GPUs.

Ein weiteres bemerkenswertes Merkmal der Entwicklung der KI‑Rechenleistung ist, dass sie einem exponentiellen Gesetz folgt, im Gegensatz zum eher linearen Moore’schen Gesetz für CPUs. Das liegt nicht nur daran, dass die GPU‑Hardware besser wird, sondern auch daran, dass der erforderliche Rechenaufwand durch radikale Verbesserungen im Training neuronaler Netze gesunken ist.

Während Nvidia führend bei GPUs und KI ist, ist NVIDIA auch stark in der Entwicklung von Quantencomputing als neuem Wachstumsmotor aktiv.

Ähnlich wie CUDA für neuronale Netzwerke bereitgestellt wurde, hat Nvidia CUDA‑Q für Quantencomputing veröffentlicht, das ein Quanten‑Cloud‑System bietet, über das man NVIDIA‑Quanten‑Rechenkapazität per Cloud‑Service mieten kann.

Quelle: NVIDIA

Dies umfasst zudem Technologien wie NVIDIAs cuQuantum für Forscher, die Quantencomputer emulieren, cuPQC für Quantenverschlüsselung und DGX Quantum für die Integration von klassischem und Quanten‑Computing.

Insgesamt steht NVIDIA an der Spitze beim Aufbau eines Quanten‑Computing‑Ökosystems und nutzt seine Position als KI‑ und KI‑Hardware‑Führer.

Quelle: NVidia

Mit einer starken Position in KI, Krypto‑Mining und möglicherweise bald im Quantencomputing ist Nvidia sehr gut positioniert, um in den kommenden zehn Jahren zu einem der dominierenden Unternehmen für Computer‑Hardware zu werden.

Sie können mehr über NVIDIAs Geschichte, Geschäftsmodell und Innovationen in “NVIDIA (NVDA) Spotlight: From Graphics Giant to AI Titan” lesen.

Neueste Nachrichten zu NVIDIA