Die Testlabore bei Nvidia arbeiten derzeit an mehreren Varianten des kommenden Rubin-Ultra-Beschleunigers. Laut einem Bericht von The Information prüft der Hersteller Konfigurationen mit deutlich weniger Speicher als ursprünglich angekündigt, darunter eine Version mit nur 192 GB HBM4. Die Maßnahme ist eine Reaktion auf den weltweiten Mangel an High-Bandwidth-Memory (HBM), der auch andere KI-Chip-Hersteller betrifft.
Wenn du dich in den letzten Monaten mit KI-Hardware beschäftigt hast, ist dir der Speichermangel sicher nicht entgangen. Doch diesmal geht es nicht um DDR5-Riegel für deinen Gaming-PC, sondern um den schnellen Speicher, der in Datenzentren verbaut wird. Dieser Engpass veranlasst Nvidia nun offenbar dazu, die Pläne für den Flaggschiff-Beschleuniger zu überdenken. Statt der geplanten Terabyte an HBM4E-Speicher könnten einige Versionen des Rubin Ultra mit einem Viertel davon auskommen müssen.
Die Ausgangslage: Was der Rubin Ultra ursprünglich bieten sollte
Bei der GTC im Frühjahr dieses Jahres zeigte Nvidia erstmals den Rubin Ultra mit seiner vollen Speicherausstattung. Das Compute-Tray, das vier Compute-Chiplets beherbergt, war mit insgesamt 1 TB HBM4E-Speicher bestückt. Das ist eine große Menge, selbst für einen Beschleuniger, der für anspruchsvolle KI-Workloads gedacht ist. HBM4E ist die nächste Generation von High-Bandwidth Memory, die gegenüber dem aktuellen HBM3E noch einmal deutlich höhere Datenraten und mehr Kapazität pro Stack bieten soll.
Der Rubin Ultra ist das Herzstück von Nvidias Kyber-NVL144-Design, einem Rack-System, das 144 GPUs über eine schnelle Verbindung koppelt. Dieses System soll laut ursprünglicher Roadmap im Jahr 2027 auf den Markt kommen. Doch schon jetzt zeichnet sich ab, dass dieser Zeitplan wackeln könnte. Der Analystendienst SemiAnalysis hatte bereits vor einigen Wochen von einer möglichen Verzögerung auf 2028 gesprochen. Nvidia selbst hält dagegen: „Unsere Roadmap ist intakt“, ließ das Unternehmen verlauten, ohne jedoch die Gerüchte über eine Verschiebung explizit zu dementieren.
Der Speicher-Engpass: Warum HBM zum Flaschenhals wird
Um die aktuelle Situation zu verstehen, hilft ein Blick auf die Produktionskette. HBM wird in einem komplexen Verfahren hergestellt, bei dem mehrere DRAM-Dies übereinander gestapelt und durch sogenannte Through-Silicon Vias (TSVs) verbunden werden. Dieses Stapeln ist teuer, zeitaufwendig und erfordert hohe Präzision. Die großen Speicherhersteller SK Hynix, Samsung und Micron haben ihre Kapazitäten in den letzten Jahren zwar ausgebaut, aber die Nachfrage wächst schneller als die Fertigung.
Der Grund dafür liegt in den Datenzentren, die für KI-Training und Inferenz einen großen Speicherbedarf haben. Jedes große Sprachmodell, jeder Bildgenerator und jede Empfehlungsmaschine benötigt hohe Bandbreiten, um die Gewichte und Aktivierungen der neuronalen Netze zu bewegen. HBM ist dafür die erste Wahl, aber dieser Bedarf hat die Preise steigen lassen und die Lieferzeiten verlängert. Für Nvidia, das pro Jahr Millionen von GPUs an Hyperscaler liefert, wird der Speicher damit zum strategischen Engpass.
Die Anpassung: 192 GB und HBM4 statt HBM4E
Vor diesem Hintergrund testet Nvidia offenbar mehrere abgespeckte Varianten des Rubin Ultra. Die auffälligste Konfiguration sieht lediglich 192 GB Speicher vor – das entspricht einem Fünftel der ursprünglich geplanten 1 TB. Zusätzlich soll diese Variante auf HBM4 zurückgreifen, also auf die Vorgängergeneration des eigentlich vorgesehenen HBM4E. Das bedeutet nicht nur weniger Kapazität, sondern auch geringere Bandbreite pro Speichermodul, was die Rechenleistung des Chips einschränken könnte.
Warum ausgerechnet 192 GB? Diese Zahl ergibt sich vermutlich aus der Anzahl der Memory-Stacks, die Nvidia pro Compute-Die verbauen kann. Mit vier Compute-Chiplets und jeweils 48 GB pro Stack (bei HBM4) kommt man auf 192 GB, wenn die Anzahl der Stacks begrenzt bleibt. Andere getestete Konfigurationen könnten 256 GB oder 384 GB umfassen, je nachdem wie viele Stacks verfügbar sind. Der Schritt zurück zu HBM4 ist dabei pragmatisch: HBM4 ist bereits in Produktion und hat höhere Fertigungsraten, während HBM4E noch in der Hochlaufphase steckt.
Die Konsequenz ist ein klassischer Kompromiss: weniger Speicher, geringere Bandbreite, aber dafür überhaupt lieferbar. Für KI-Workloads, die stark vom Speicherdurchsatz abhängen, ist das ein spürbarer Rückschritt. Doch angesichts der Alternativen – entweder gar keine Chips oder eben abgespeckte – scheint Nvidia zu pragmatischen Lösungen zu greifen. Man könnte sagen, das Unternehmen baut den Ferrari mit einem kleineren Tank, damit er überhaupt vom Hof rollt.
Auswirkungen auf den Markt: Wer spürt den Speichermangel am meisten?
Die Speicherknappheit betrifft nicht nur Nvidia. AMD hat bei seinen Instinct-Beschleunigern ähnliche Probleme, und auch Intel kämpft bei den Gaudi-Chips mit der Beschaffung von HBM. Der Unterschied liegt im Volumen: Nvidia hat den größten Marktanteil im KI-Segment, entsprechend hart trifft es das Unternehmen. Die abgespeckten Rubin-Ultra-Varianten könnten daher in erster Linie für Kunden gedacht sein, die schnell lieferbare Hardware benötigen und bereit sind, Kompromisse bei der Speicherkapazität einzugehen.
Für dich als Beobachter des Markts heißt das: Die Zeiten, in denen die neueste GPU automatisch die maximale Speicherkapazität bot, könnten vorerst vorbei sein. Stattdessen wirst du künftig möglicherweise zwischen verschiedenen SKUs mit unterschiedlichen Speichergrößen wählen müssen – ähnlich wie es bei Consumer-Grafikkarten schon lange üblich ist. Die günstigeren Modelle mit weniger HBM könnten dabei durchaus ihren Platz finden, insbesondere für Inferenzaufgaben, die nicht die volle Bandbreite benötigen.
Die Zukunft von Nvidias Datenzentrum-Roadmap
Bleibt die Frage, ob die Verzögerung des Kyber-Systems auf 2028 tatsächlich eintritt. Nvidia hat die Roadmap bisher nicht offiziell geändert, aber die Gerüchteküche brodelt. Sollte sich der Termin verschieben, hätte das weitreichende Folgen für die Hyperscaler, die ihre Rechenzentren bereits auf die Kyber-Architektur ausgelegt haben. Sie müssten entweder länger auf die neue Generation warten oder auf ältere Blackwell-Systeme ausweichen, die dann ebenfalls knapper werden könnten.
Gleichzeitig investiert Nvidia stark in die Absicherung der Lieferketten. Das Unternehmen hat Berichten zufolge Vorauszahlungen an SK Hynix und Micron geleistet, um sich Produktionskapazitäten zu sichern. Diese Strategie zeigt, wie tief die Verflechtung zwischen Chip-Designer und Speicherhersteller inzwischen ist. Ohne gesicherte HBM-Lieferungen ist selbst der leistungsfähigste KI-Beschleuniger wertlos – ein Umstand, der sich in den kommenden Jahren noch verschärfen dürfte.
Für dich bedeutet das in der Praxis: Wenn du planst, in KI-Hardware zu investieren, solltest du die Speicherkonfiguration genau prüfen. Eine vermeintlich günstigere Variante mit 192 GB mag auf den ersten Blick attraktiv wirken, aber bei großen Modellen oder langen Trainingsläufen wirst du die fehlende Bandbreite schnell spüren. Es lohnt sich, die Roadmaps der Hersteller im Auge zu behalten und auf offizielle Ankündigungen zu warten, bevor du eine Kaufentscheidung triffst.
Der Rubin Ultra zeigt, wie sehr ein Chip von einer Komponente abhängt: dem Speicher. Ohne ausreichend HBM nützt die beste Recheneinheit nichts. Nvidia reagiert mit abgespeckten Varianten – ein Zeichen dafür, dass auch der Marktführer von Lieferketten abhängig ist. Diese Realität wirst du in den kommenden Monaten in jedem Preisblatt und jeder Spezifikationstabelle finden.
Quelle: tomshardware.com
