Auf der globalen Technologieveranstaltung Computex 2026 in Taipeh, Taiwan, verlagerte sich der Fokus der Diskussionen in der Halbleiter- und Computerindustrie deutlich von „Cloud-KI“ hin zu „Edge-KI“. Die Hardwareindustrie befindet sich in einem Umstrukturierungsprozess, da Rechenleistung auf Rechenzentrumsniveau in persönliche Geräte integriert wird, die direkt am Arbeitsplatz platziert werden.
Der Übergang von reaktiver KI zu autonomen Agenten (Agenten-KI)
In der Anfangsphase der künstlichen Intelligenz bestand der übliche Ablauf darin, dass Nutzer Datenanfragen an Cloud-Server wie OpenAI, Google oder Microsoft sendeten und Antworten erhielten. Diese Architektur offenbarte jedoch zahlreiche Einschränkungen hinsichtlich Übertragungslatenz, Bandbreitenkosten und der Sicherheit der Quelldaten.
Nvidia DGX Spark ist eine Reihe von PCs, die speziell für KI entwickelt wurden und in Vietnam vertrieben werden.
Foto: Anh Quân
Die Entwicklung von Agentic AI – einer Generation autonomer Softwareagenten, die planen, schlussfolgern und direkt mit lokalen Dateisystemen interagieren können – stellt neue Anforderungen an die Hardwareinfrastruktur. Anstatt passiv zu reagieren, agieren diese Agenten als digitale Humanressourcen und verarbeiten einen kontinuierlichen Informationsstrom in Echtzeit. Um Datenintegrität und -sicherheit zu gewährleisten, ist der Offline-Betrieb von KI-Modellen auf den Geräten der Nutzer zu einer unerlässlichen technischen Lösung geworden.
Ein Paradebeispiel für diesen Trend ist der DGX Spark AI Personal Computer, der auf der Computex 2026 vorgestellt wurde. Das Gerät zeichnet sich durch ein kompaktes Desktop-Design aus, bietet aber dank seines einzelnen Nvidia GB10 Grace Blackwell Superchips die Leistung eines Miniatur-Supercomputersystems.
Der unabhängige Betrieb des Geräts basiert auf einem 128 GB großen LPDDR5X-Speichersystem mit hoher Bandbreite. In der KI-Architektur bestimmen Speicherkapazität und -geschwindigkeit die Fähigkeit zur Verarbeitung großer Sprachmodelle (LLMs). Dadurch können Dateningenieure Modelle mit bis zu 200 Milliarden Parametern direkt auf dem Gerät ausführen, anstatt sie auf Cloud-Servern bereitzustellen.
Die GPU mit Blackwell-Architektur integriert Tensor-Kerne der 5. Generation (FP4-Präzision) und bietet eine Rechenleistung von 1 PetaFLOPS. Die 20-Kern-ARM-CPU koordiniert die Daten zwischen dem lokalen Dateisystem und dem KI-Modell.
Die Workstations, die den KI-Anforderungen am Unternehmensrand gerecht werden, sind mittlerweile kompakt und lassen sich daher problemlos in verschiedenen Größenordnungen einsetzen.
Foto: Anh Quân
An den Messeständen differenzierten sich die Infrastrukturlösungen für diesen Trend deutlich durch synchronisierte Systeme von Originalherstellern und spezialisierten Anbietern von Hardwareintegrationslösungen. Ein Paradebeispiel ist Leadtek, das eine Reihe von Workstations und Servern aus seinem Angebot an Nvidia-zertifizierten Systemen präsentierte. Die WinFast WS950 AI-Workstation, die auf die internen Betriebsanforderungen kleiner und mittlerer Unternehmen zugeschnitten ist, unterstützt Multi-GPU-Konfigurationen mit zwei professionellen Nvidia RTX PRO 6000 Blackwell Workstation Edition-Grafikkarten und bietet insgesamt bis zu 192 GB GDDR7-GPU-Speicher. Für größere Anwendungen ermöglicht das Serversystem WinFast GS5855T die Integration von bis zu acht GPUs der RTX PRO Blackwell-Architektur, um den Anforderungen intensiver KI-Inferenz- und Trainingsaufgaben gerecht zu werden.
Optimierung von Sicherheit und Betriebskosten.
Der Betrieb von KI am Netzwerkrand über ein lokales Hardware-System adressiert drei zentrale Herausforderungen der heutigen Technologieinfrastruktur. Die erste ist die Datensicherheit. Sämtliche Geschäftsinformationen, interner Quellcode und personenbezogene Daten werden in einer vom Internet isolierten Sandbox-Umgebung gespeichert und verarbeitet, wodurch das Risiko eines Datenlecks an Dritte minimiert wird.
Neue Edge-KI-Lösungen werden auf der Computex 2026 vorgestellt
Als Nächstes kommt das Problem der fixen Rechenkosten zu Wort. Die Anmietung von Cloud-Infrastruktur, deren Kosten auf Token-Basis berechnet werden, verursacht mit zunehmender Skalierung erhebliche variable Kosten. Der Betrieb auf Offline-Hardware wandelt diese Kosten in eine Investition in Anlagevermögen um und optimiert so den langfristigen Betrieb. Schließlich ist da noch die Frage der lokalen Skalierbarkeit: Durch Hochgeschwindigkeits-Verbindungsprotokolle können Nutzer Edge-Computing-Systeme vernetzen, um Ressourcen gemeinsam zu nutzen und die Verarbeitungskapazitäten für Edge-Modellierung massiv zu skalieren.
Quelle: https://thanhnien.vn/ai-roi-dam-may-ve-ban-lam-viec-185260605224532968.htm
