Pat Gelsingers GPU-Kritik legt das eigentliche Problem mit AI-Hardware offen

Pat Gelsinger sorgte mit einer zugespitzten Google-News-Schlagzeile für Aufsehen, als er argumentierte, dass manche Workloads auf GPUs schlecht laufen – trotz ihrer dominierenden Rolle in der künstlichen Intelligenz. Der frühere Intel-Chef erklärte GPU-Computing jedoch nicht für nutzlos. Er stellte die Annahme infrage, dass eine einzige Prozessorarchitektur jede Phase eines zunehmend komplexen AI-Systems bewältigen sollte.

Diese Unterscheidung verändert die Geschichte. Gelsinger lobte Nvidias Fortschritte beim Training, bezweifelte jedoch, dass eine allgemeine GPU-Infrastruktur Inferenz in enormem Maßstab bezahlbar bereitstellen kann. Inferenz ist der Prozess, der ein trainiertes Modell ausführt, wenn ein Nutzer eine Antwort, ein Bild, eine Vorhersage oder eine Aktion anfordert.

Seine Kritik enthält auch ein unangenehmes Eingeständnis für Intel. Das Unternehmen unterschätzte Nvidias GPU-Strategie, als CPUs noch die Rechenzentren dominierten. Nvidia baute daraufhin CUDA auf, gewann Entwickler für sich und machte parallele Verarbeitung zur Grundlage des modernen AI-Trainings.

Inzwischen geht das Argument über Intel gegen Nvidia hinaus. Es betrifft GPUs gegenüber heterogenem Computing, bei dem CPUs, GPUs, Netzwerkprozessoren und spezialisierte Beschleuniger die Arbeit entsprechend ihrer jeweiligen Stärken aufteilen.

Die bemerkenswerte Wendung: Nvidia scheint einen Großteil dieser Prämisse auf Systemebene zu akzeptieren. Seine neuesten Plattformen kombinieren GPUs mit kundenspezifischen CPUs, Netzwerk-Silizium, Datenverarbeitungseinheiten und auf Inferenz ausgerichteter Technologie. Der Streit dreht sich darum, wer diese Mischung am effizientesten zusammenstellen kann – nicht darum, ob GPUs plötzlich verschwinden.

Die Google-News-Schlagzeile lässt Gelsingers eigentliches Argument aus

Gelsingers Kritik richtet sich gegen GPU-Only-Denken, nicht gegen jede GPU oder jeden AI-Workload.

Die Schlagzeilenformulierung „GPUs suck“ verdichtet eine längere technische Diskussion zu einem absoluten Urteil. Seine tatsächlichen Aussagen waren spezifischer und für Käufer von Rechenzentrumstechnik nützlicher.

In einem ausführlichen Gelsinger-Interview fragte Halbleiteranalyst Ian Cutress nach der wachsenden Vielfalt von Rechenarchitekturen. Gelsinger argumentierte, dass der Workload die Architektur bestimmen sollte.

Er sagte, GPUs arbeiteten äußerst gut, wenn ein Problem große Mengen paralleler Berechnungen enthalte. Modernes AI-Training entspricht diesem Muster, weil Prozessoren wiederholt Matrixoperationen über viele Datenelemente hinweg ausführen.

Control-Flow-Operationen verhalten sich jedoch anders. Dazu gehören bedingte Verzweigungen, Orchestrierung, Tool-Ausführung, Betriebssystemfunktionen und Analysen mit weniger vorhersehbaren Abläufen.

Gelsinger formulierte bewusst provokant: „There are things that run like crap on a GPU.“ Anschließend nannte er grundlegende Wenn-Dann-Sonst-Logik als schlechten Kandidaten für eine lange GPU-Pipeline.

Diese Aussage bedeutet nicht, dass alle GPUs schlecht sind. Sie besagt, dass eine auf parallelen Durchsatz ausgelegte Architektur an Effizienz verliert, wenn der Workload wiederholt verzweigt, pausiert oder die Richtung wechselt.

Agentic AI macht diesen Unterschied sichtbarer. Ein AI-Agent könnte eine Datenbank abfragen, Code ausführen, ein Ergebnis prüfen, ein weiteres Tool auswählen und seinen Plan aktualisieren. Nur einige dieser Schritte umfassen die dichten Matrixberechnungen, die GPUs begünstigen.

Die übrigen Schritte verbrauchen weiterhin Prozessorzeit, Speicherbandbreite, Netzwerkkapazität und Energie. Eine GPU kann viele davon ausführen, doch technische Kompatibilität garantiert keine wirtschaftliche Effizienz.

Gelsinger nennt sein bevorzugtes Modell die „Trinity of Computing“. Klassische Prozessoren übernehmen steuerungsorientierte Arbeit, AI-Beschleuniger bewältigen datenintensive Algorithmen, und Quantencomputer sollen schließlich ausgewählte Probleme adressieren, die für klassische Systeme praktisch nicht lösbar sind.

Die Quantenkomponente bleibt für alltägliche AI-Infrastruktur spekulativ. Die Aufteilung zwischen CPU und Beschleuniger ist dagegen bereits in ausgelieferten und angekündigten Rechenzentrumssystemen sichtbar.

Damit ist die Google-News-Einordnung als Ausgangspunkt nützlich, als Schlussfolgerung aber unvollständig. Gelsinger stellt das Einsatzmodell der Branche infrage, nicht die Architektur, die den aktuellen AI-Boom ermöglicht hat.

Sein Argument trennt außerdem Training und Inferenz. Training erstellt oder aktualisiert ein Modell durch die Verarbeitung großer Datensätze. Inferenz wendet dieses trainierte Modell auf Live-Anfragen an.

GPUs bleiben für beide Phasen zentral. Doch Inferenz bringt andere Prioritäten mit sich, darunter Antwortzeit, Token-Kosten, Energieverbrauch, Speicherkapazität und vorhersehbare Service-Level.

Der Markt für Inferenz-Chips umfasst bereits AMD, Intel, Cerebras, Groq, d-Matrix und weitere Spezialisten. Ihre Chance liegt darin, diese Prioritäten zu optimieren, statt Nvidias gesamte Trainingsplattform nachzubilden.

Gelsingers Sprache klingt kategorisch. Seine technische Position ist workloadspezifisch.

Warum AI-Inferenz-Chips die Ökonomie von Rechenzentren unter Druck setzen

Im Zentrum der Hardwaredebatte stehen heute die wiederkehrenden Kosten der AI-Nutzung – nicht allein die spektakulären Kosten ihres Trainings.

Ein Modell kann eine begrenzte Zahl großer Trainingsläufe durchlaufen. Anschließend kann es Milliarden von Prompts, Suchen, generierten Bildern, Agentenaktionen und internen Geschäftsanforderungen bedienen.

Jede Anfrage verursacht Inferenzarbeit. Leistungsfähigere Reasoning-Modelle können mehrere Verarbeitungsschritte durchlaufen, bevor sie eine Antwort liefern. Agenten fügen weitere Schritte hinzu, indem sie Tools aufrufen und ihre Pläne überarbeiten.

Dieses Muster verschiebt den Fokus von Spitzenleistung beim Training hin zu Kosten pro nützlichem Output. Betreiber von Rechenzentren müssen berücksichtigen, wie viele Tokens ein System pro Watt, Server, Rack und Kapitaleinheit liefert.

Gelsinger hat argumentiert, dass Inferenz um den Faktor 10.000 effizienter werden müsse, um sich dem Maßstab von Suche und weit verbreitetem Agenteneinsatz zu nähern. Er räumte ein, dass diese Zahl eine Schätzung auf Basis von Annahmen zu Rechenleistung, Energie und Kosten sei.

Sie ist keine unabhängig belegte Branchenanforderung. Daher sollte sie als Aussage über das Ausmaß der Herausforderung gelesen werden, nicht als verifizierter Benchmark.

Der zugrunde liegende Druck ist dennoch real. Ein nützlicher Unternehmensagent kann nicht für jede Dokumentensuche, Softwareaufgabe oder Kundeninteraktion unbegrenzt Rechenleistung aufwenden.

Auch die Latenz ist wichtig. Ein Modell, das viele Tokens schnell erzeugt, kann sich trotzdem langsam anfühlen, wenn das umgebende System auf Datenbanken, Netzwerkübertragungen, Sicherheitsprüfungen oder Anwendungscode wartet.

Hier wird die GPU-Auslastung entscheidend. Teure Beschleuniger schaffen Wert, während sie geeignete Aufgaben verarbeiten. Sie werden zur wirtschaftlichen Belastung, wenn sie durch Datenbewegungen oder das Warten auf serielle Aufgaben ausgebremst werden.

AI-Inferenz-Chips versuchen, diese Gleichung durch stärker spezialisierte Designs zu verbessern. Einige platzieren mehr Speicher nahe an der Recheneinheit. Andere nutzen Dataflow-Architekturen, geringere numerische Präzision, deterministische Ausführung oder Software, die auf bestimmte Modelle zugeschnitten ist.

Diese Ansätze bringen Kompromisse mit sich. Ein spezialisierter Chip kann eine GPU bei einem ausgewählten Workload übertreffen, aber weniger Modelle, Bibliotheken oder Deployment-Tools unterstützen.

Auch die Integration kann theoretische Einsparungen aufzehren. Unternehmen benötigen Monitoring, Sicherheit, Orchestrierung, Modellunterstützung und Ingenieure, die die Plattform verstehen.

Das ist ein Grund, warum Nvidias Softwareposition weiterhin so wichtig bleibt. CUDA bietet Entwicklern eine ausgereifte Programmierumgebung, während Nvidias Bibliotheken Modelltraining, Inferenz, Networking und Datenverarbeitung abdecken.

Ein Wettbewerber gewinnt nicht allein durch die Veröffentlichung eines vorteilhaften Chip-Benchmarks. Er muss ein zuverlässiges System bereitstellen, das Kunden installieren, programmieren, betreiben und aktualisieren können.

Auch die Ökonomie der Inferenz variiert je nach Anwendung. Interaktiver Chat erfordert geringe Latenz. Bei der Offline-Dokumentenverarbeitung kann der Durchsatz Vorrang haben. Videogenerierung verlangt andere Speicher- und Rechenmuster als Empfehlungssysteme.

Auch die Batch-Größe verändert das Ergebnis. Ein Anbieter, der viele gleichzeitige Anfragen bedient, kann einen großen Beschleuniger besser auslasten als ein kleineres Enterprise-Deployment.

Diese Variabilität schwächt jede allgemeingültige Behauptung, GPUs seien grundsätzlich zu teuer. Sie stärkt Gelsingers enger gefasste Aussage, dass die Architekturauswahl mit dem Workload beginnen sollte.

Die Auswirkungen reichen über Chipanbieter hinaus. Cloud-Anbieter müssen entscheiden, welche Prozessoren sie kaufen und wie sie diese bepreisen. Softwareunternehmen müssen zwischen Portabilität und hardwarespezifischer Optimierung wählen.

Unternehmenskäufer stehen vor einer weiteren Frage. Sie können Kapazität mieten, private Infrastruktur betreiben oder gemanagte Modelldienste nutzen, die die zugrunde liegende Hardware verbergen.

Die richtige Wahl hängt von Auslastung, Datenkontrollen, Latenz und Personal ab. Ein angesagter Prozessorname entscheidet diese Anforderungen nicht.

Google erkannte diese Unterscheidung bereits Jahre vor dem aktuellen generativen AI-Zyklus. Seine ursprüngliche Tensor Processing Unit richtete sich mit einem domänenspezifischen Design an Neural-Network-Workloads.

Googles neuerer Ironwood TPU ist ausdrücklich für Inferenz und große Reasoning-Modelle positioniert. Dieses Produkt liefert einen weiteren Test von Gelsingers These.

Der Markt bewegt sich daher auf mehrere Arten von Beschleunigern zu. Der schwierige Teil besteht darin, sie wie eine einzige zuverlässige Computing-Umgebung funktionieren zu lassen.

Nvidias CPU-Strategie stützt den Fall für heterogenes Computing

Nvidias Antwort auf GPU-Beschränkungen besteht nicht darin, GPUs aufzugeben. Sie besteht darin, sie mit zweckgebundenen Prozessoren und eng integrierter Software zu umgeben.

Diese Strategie zeigt sich in Vera, Nvidias kundenspezifischer CPU für agentische Workloads. Das Unternehmen sagt, Vera übernehme Orchestrierung, Analysen, Datenverarbeitung und andere CPU-gebundene Aufgaben rund um AI-Beschleuniger.

Vera enthält 88 von Nvidia entwickelte Olympus-Kerne und ein LPDDR5X-Speichersubsystem. Nvidia zufolge liefert der Prozessor bis zu 1,2 Terabyte pro Sekunde Speicherbandbreite.

Die CPU verbindet sich über NVLink-C2C mit Rubin-GPUs. Nvidia gibt für diese Verbindung bis zu 1,8 Terabyte pro Sekunde kohärente Bandbreite an.

Dies sind Unternehmensangaben, keine unabhängigen Leistungsergebnisse. Dennoch ist die Architektur wichtig, weil sie zeigt, wie Nvidia das Problem definiert.

Das Unternehmen verkauft nicht länger eine GPU als isolierte Komponente. Es beschreibt eine Accelerated-Computing-Plattform mit CPUs, GPUs, Netzwerkkomponenten, Speicherprozessoren, Switches, Bibliotheken und Designs auf Rack-Ebene.

Nvidias Vera-CPU-Ankündigung besagt, dass der Prozessor auf Python-Runtimes, sandboxed Code, Analysen und Agentenorchestrierung zielt. Genau diese verzweigungsintensiven Workloads stehen hinter Gelsingers Kritik.

Diese Überschneidung erzeugt die zentrale Umkehrung des Artikels. Gelsinger greift die Einschränkungen von GPUs an, während Nvidia massiv in die Komponenten investiert, die nötig sind, um diese Einschränkungen auszugleichen.

Nvidia beschreibt diese Investition nicht als Rückzug. Das Unternehmen präsentiert die CPU-GPU-Integration als Erweiterung von Accelerated Computing.

Gelsinger kam nach Nvidias GTC-Konferenz im März 2026 zu einem ähnlichen Schluss. In Reuters-Aufnahmen bezeichnete er die CPU-GPU-Konnektivität als entscheidend für das Systemdesign.

Er lobte auch Nvidias technische Präsentation, warnte jedoch zugleich, dass das Unternehmen noch liefern müsse. Diese Reaktion ist weitaus ausgewogener, als die virale Schlagzeile vermuten lässt.

Nvidias Position gewinnt durch die Kontrolle über die umgebende Plattform an Stärke. Das Unternehmen kann Prozessordesign mit NVLink, Netzwerken, Softwarebibliotheken und vollständigen Racks koordinieren.

Diese Abstimmung kann Kommunikationsaufwand reduzieren und die Bereitstellung vereinfachen. Sie erhöht jedoch auch die Abhängigkeit der Kunden von der Architektur eines einzelnen Anbieters.

Die Plattformstrategie schafft für Wettbewerber ein schwer erreichbares Ziel. Ein konkurrierender Chip könnte eine bessere Leistung pro Watt bieten, ohne über gleichwertige Netzwerk- oder Softwareunterstützung zu verfügen.

Nvidia kann zudem die Wirtschaftlichkeit über mehrere Ebenen hinweg gleichzeitig verbessern. Eine schnellere Verbindung könnte die GPU-Auslastung erhöhen, ohne die Recheneinheiten der GPU zu verändern.

Softwareoptimierungen können den Speicherverbrauch senken. Neue Zahlenformate können den Durchsatz steigern. Ein spezialisierter Inferenzprozessor kann Workloads übernehmen, die nicht zu einer konventionellen GPU passen.

Das bedeutet, dass Pat Gelsingers Kritik an GPUs nicht automatisch Nvidias Niedergang vorhersagt. Nvidia kann reagieren, indem das Unternehmen neu definiert, was als Nvidia-System gilt.

Das Unternehmen beschreibt sich bereits als Plattform für beschleunigtes Computing und nicht bloß als GPU-Hersteller. Seine Hardware-Roadmap stützt diese Einordnung.

Kunden sollten diese Aussagen dennoch an ihren Anwendungen messen. Eine eng integrierte Plattform kann im großen Maßstab effizient sein und für eine kleinere Bereitstellung dennoch überdimensioniert bleiben.

Sie kann zudem operative Konzentrationsrisiken schaffen. Ein Problem, das den Hardware-Zeitplan, die Netzwerkschicht oder den Software-Stack eines Anbieters betrifft, kann das gesamte System beeinflussen.

Integration bietet jedoch einen klaren kommerziellen Vorteil, wenn Kunden der Bereitstellungsgeschwindigkeit Priorität einräumen. Käufer akzeptieren oft ein gewisses Maß an Lock-in, um nicht mehrere unausgereifte Komponenten selbst zusammenstellen zu müssen.

Der unmittelbare Wettbewerb lautet daher nicht GPU gegen CPU. Es ist Nvidias integrierte Plattform gegen eine offenere Mischung von Prozessoren mehrerer Anbieter.

Intel steht vor dem härtesten Test von Gelsingers These

Intel stimmt dem Workload-first-Argument zu, muss aber beweisen, dass Kunden gerade seine Mischung aus CPUs, GPUs, Netzwerken und Software wollen.

Gelsingers Analyse hat zusätzliches Gewicht, weil Intel einst die stärkste Position im Rechenzentrums-Computing innehatte. Sie bringt jedoch auch zusätzliche Altlasten mit sich.

Intel unterschätzte die langfristige Bedeutung von Nvidias GPUs und Entwicklerplattform. Die eigenen Bemühungen um KI-Beschleuniger hatten Schwierigkeiten, eine vergleichbare Akzeptanz zu erreichen.

Diese Geschichte macht Gelsinger zugleich zu einem sachkundigen Kritiker und einem interessierten Beteiligten. Heute arbeitet er über Venture-Investitionen und Beratungstätigkeiten mit Technologieunternehmen zusammen.

Einige Unternehmen in seinem Portfolio verfolgen Dataflow-Computing, resilientere Netzwerke, optische Verbindungen und andere Alternativen zu konventionellen Architekturen. Leser sollten diesen Kontext berücksichtigen, wenn sie seinen Enthusiasmus bewerten.

Intels aktuelle Strategie folgt dennoch derselben Systemlogik. Das Unternehmen hat CPUs als Steuerungsebene für agentische KI hervorgehoben und entwickelt zugleich eine neue, auf Inferenz ausgerichtete Rechenzentrums-GPU.

Crescent Island ist für Enterprise-Inferenz ausgelegt und nicht als direkte Wiederholung der größten Trainingssysteme. Intel sagt, dass sie die Xe3P-Architektur nutzen und 160 Gigabyte LPDDR5X-Speicher umfassen wird.

Das Unternehmen hat die GPU als geeignet für luftgekühlte Server beschrieben. Außerdem erklärt es, das Design ziele auf Speicherkapazität, Bandbreite, Energieeffizienz und gängige Inferenz-Datentypen.

Intel erwartet Kundensamples in der zweiten Hälfte des Jahres 2026. Bis diese Samples unabhängige Ergebnisse liefern, bleibt Crescent Island eine Reihe von Entwicklungszielen.

Die offizielle Crescent Island roadmap verdeutlicht sowohl die Chance als auch das Risiko. Intel adressiert ein anerkanntes Problem, doch zahlreiche Wettbewerber sehen dieselbe Gelegenheit.

Ein großer Speicherpool kann dabei helfen, umfangreiche Modelle zu bedienen. Er belegt jedoch weder Softwarekompatibilität noch tatsächlichen Anwendungsdurchsatz, Zuverlässigkeit oder günstige Gesamtbetriebskosten.

Intel muss außerdem erklären, wie Entwickler Workloads auf die neue Plattform übertragen. Seine Ambitionen für offene Software konkurrieren mit einem über viele Jahre aufgebauten CUDA-Umfeld.

Offenheit kann Kunden anziehen, die eine Abhängigkeit von einem einzelnen Anbieter ablehnen. Sie kann jedoch auch Komplexität erzeugen, wenn Treiber, Compiler, Bibliotheken und Frameworks auf unterschiedlichen Prozessoren unterschiedlich funktionieren.

Dieses Softwareproblem ist zentral für heterogenes Computing. Die Aufteilung von Arbeit auf mehrere Architekturen schafft Effizienzchancen, doch jede Grenze führt zu Datenbewegung und Programmieraufwand.

Ein theoretischer Geschwindigkeitsvorteil verschwindet, wenn eine Anwendung zu viel Zeit mit dem Kopieren von Informationen oder der Konvertierung von Formaten verbringt. Betriebsteams benötigen zudem konsistente Werkzeuge für Debugging und Monitoring.

Gelsinger räumte ein, dass der Branche eine konsolidierte Softwareschicht für heterogene KI fehlt. Intel hatte zuvor oneAPI als Weg beworben, mehrere Architekturen über gemeinsame Werkzeuge zu programmieren.

Das Ziel bleibt attraktiv. Die Marktevidenz bleibt gemischt.

Intels größter Vorteil könnte seine installierte CPU-Basis sein. Unternehmen betreiben Anwendungen, Datenbanken, Sicherheitstools und Virtualisierungsumgebungen bereits auf x86-Systemen.

Diese Workloads verschwinden nicht, wenn ein Unternehmen KI einführt. Ein Agent muss häufig mit ihnen interagieren.

Intel kann argumentieren, dass seine CPUs, Ethernet-Produkte und Inferenzbeschleuniger zu diesen bestehenden Umgebungen passen. Nvidia kann entgegnen, dass seine integrierten Racks eine bessere End-to-End-Performance liefern.

AMD, Google, Cloud-Anbieter und Inferenz-Start-ups erhöhen den Druck zusätzlich. Jeder bietet eine andere Kombination aus Portabilität, Spezialisierung, Verfügbarkeit und Kontrolle.

Dieser überfüllte Markt macht die Formulierung „GPUs sind schlecht“ für Kaufentscheidungen weniger hilfreich. Käufer benötigen gemessene Ergebnisse aus ihren eigenen Modellen und Servicemustern.

Sie sollten Zeit bis zum ersten Token, nachhaltigen Durchsatz, Energieverbrauch, Speicherkapazität, Auslastung, Fehlerwiederherstellung und Softwareaufwand vergleichen. Die Anschaffungskosten allein liefern ein unvollständiges Bild.

Teams benötigen zudem disziplinierte Aufzeichnungen dieser Tests. Eine durchsuchbare Engineering-Wissensbasis kann Benchmark-Bedingungen, Architekturentscheidungen und Fehlerberichte über mehrere Bewertungszyklen hinweg bewahren.

Ohne diesen Kontext können Organisationen Zahlen vergleichen, die mit unterschiedlichen Modellen, Batch-Größen, Präzisionen und Latenzzielen erzeugt wurden. Die daraus resultierende Entscheidung könnte Marketing statt Systemleistung belohnen.

Die Behauptung „GPUs sind schlecht“ braucht weiterhin einen Realitätscheck

Ein provokantes Architektargument beweist nicht, dass alternative Hardware bessere Geschäftsergebnisse liefern wird.

Die erste Unsicherheit betrifft den Umfang. GPUs bewältigen viele Workloads, von Training und wissenschaftlichem Computing bis zu Rendering und Inferenz.

Ein schwaches Ergebnis bei verzweigtem Code widerlegt keine starken Ergebnisse bei dichter Parallelverarbeitung. Ebenso garantiert starke Trainingsleistung nicht die niedrigsten Kosten für jeden Inferenzdienst.

Die zweite Unsicherheit betrifft Gelsingers Ziel einer 10.000-fachen Effizienzsteigerung. Er beschrieb es als eine Schätzung, die aus der Ökonomie von Bereitstellungen im Suchmaschinenmaßstab abgeleitet wurde.

Diese Zahl vermittelt Ambition. Sie beschreibt keine verifizierte Lücke, die jede KI-Anwendung teilt.

Effizienzvergleiche benötigen einen Nenner. Forschende könnten Tokens pro Joule, Anfragen pro Sekunde, Latenz unter Last oder Gesamtkosten pro abgeschlossener Aufgabe messen.

Jede Kennzahl kann eine andere Architektur begünstigen. Die Modellqualität verkompliziert den Vergleich zusätzlich, weil schnellere Ausgabe nur begrenzten Wert hat, wenn sie weniger nützliche Ergebnisse liefert.

Die dritte Unsicherheit betrifft die Nachfrage. Inferenzvolumina wachsen, doch die Anwendungsökonomie bleibt ungeklärt.

Einige Agenten schaffen klaren Wert, indem sie teure Arbeit automatisieren. Andere verbrauchen viele Tokens und liefern Ergebnisse, die Mitarbeitende umfassend überprüfen müssen.

Günstigere Inferenz kann die Nutzung durch das Jevons-Paradoxon ausweiten, bei dem Effizienz Kosten senkt und ausreichend Nachfrage stimuliert, um den Gesamtverbrauch zu erhöhen. Sie garantiert keine profitablen Anwendungen.

Die vierte Unsicherheit ist Software. Spezialisierte Prozessoren beginnen oft mit beeindruckenden Demonstrationen. Breite Akzeptanz erfordert stabile Compiler, Framework-Unterstützung, Sicherheitstools, Orchestrierung und Cloud-Verfügbarkeit.

Entwickler benötigen außerdem Portabilität. Ein Unternehmen könnte zögern, tiefgreifend für einen Start-up-Chip zu optimieren, wenn eine Migration teuer würde.

Nvidias installierte Softwarebasis verschafft dem Unternehmen Spielraum, schwächere Bereiche zu verbessern. Seine Rubin platform kombiniert eine kundenspezifische CPU, GPU, Netzwerke, Datenverarbeitung und speicherbezogene Komponenten.

Nvidia behauptet, Rubin könne die Kosten pro Inferenz-Token gegenüber Blackwell um bis zu das Zehnfache senken. Dieser Vergleich stammt von Nvidia und erfordert eine unabhängige Validierung über unterschiedliche Anwendungen hinweg.

Dennoch stellt er die Vorstellung direkt infrage, dass eine etablierte GPU-Position größere Effizienzgewinne verhindert. Nvidia kann das umgebende System neu gestalten und gleichzeitig die Kompatibilität mit seiner Softwareplattform bewahren.

Die fünfte Unsicherheit betrifft die Rechenzentrumsinfrastruktur. Fortschrittliche Prozessoren benötigen Strom, Kühlung, Netzwerke und physische Kapazität.

Ein nominell effizienter Chip kann dennoch Bereitstellungsprobleme schaffen, wenn er ungewohnte Kühl- oder Netzwerkkonfigurationen erfordert. Umgekehrt kann ein luftgekühlter Beschleuniger leichter in bestehende Einrichtungen passen.

Große Cluster bringen zudem Zuverlässigkeitsbedenken mit sich. Mit steigender Zahl an Komponenten treten Ausfälle häufiger auf, und Checkpointing verbraucht zusätzliche Ressourcen.

Gelsinger hat argumentiert, dass riesige Konfigurationen stärkere Hardware- und Softwareresilienz benötigen. Nvidia behandelt Rack-Level-Design und Co-Design als Teil seiner Antwort.

Keine der beiden Positionen lässt sich durch eine Schlagzeile entscheiden. Betreiber benötigen Produktionsnachweise zu Verfügbarkeit, Wiederherstellungszeit, Auslastung und Wartungsaufwand.

Gelsingers frühere Rolle bei Intel liefert einen weiteren Grund zur Vorsicht. Intel verpasste wichtige Teile des GPU-Übergangs, während er und andere Führungskräfte jahrelang CPU-zentriertes Computing verteidigten.

Sein heutiges Argument ist nuancierter als diese frühere Position. Dennoch zeigt Intels Geschichte, dass das Erkennen einer technischen Einschränkung keine erfolgreiche Umsetzung garantiert.

Nvidia verdient eine ähnlich kritische Prüfung. Eine dominante Plattform kann Benchmarks, Definitionen und Beschaffungserwartungen um ihre Stärken herum prägen.

Kunden sollten prüfen, ob ein vollständiges Nvidia-System ihren End-to-End-Workload verbessert oder lediglich das Ausmaß der Anschaffung erhöht.

Die fairste Bewertung ist enger gefasst als die Rhetorik beider Seiten. GPUs sind außerordentlich effektive Beschleuniger, aber keine universellen Prozessoren.

Heterogene Systeme bieten eine glaubwürdige Antwort. Sie verlagern die Schwierigkeit jedoch vom Chipdesign in Integration, Software und Betrieb.

Worauf Google-News-Leser als Nächstes achten sollten

Drei konkrete Signale werden zeigen, ob Gelsinger einen Marktübergang erkannt oder lediglich ein vertrautes Architekturprinzip neu formuliert hat.

Das erste Signal sind unabhängige Tests von Intels Crescent-Island-Samples. Intel erwartet die Bemusterung in der zweiten Hälfte des Jahres 2026, womit Kundennachweise den nächstliegenden praktischen Test darstellen.

Nützliche Ergebnisse sollten reale Modelle, mehrere Batch-Größen, anhaltende Lasten und End-to-End-Latenz abdecken. Vergleiche müssen außerdem Software-Reife und Systemleistung einschließen.

Starke, reproduzierbare Ergebnisse würden Gelsingers Argument stützen, dass für Inferenz optimierte Alternativen allgemeine GPU-Bereitstellungen unter Druck setzen können. Verzögerungen oder enge Demonstrationen würden es schwächen.

Das zweite Signal ist die produktive Einführung von Nvidias Vera- und Rubin-Systemen. Nvidia hat bedeutende KI-Labore, Cloud-Anbieter und Hersteller genannt, die Vera einsetzen wollen.

Pläne sind keine Bereitstellungen. Käufer sollten auf gemessene Auslastung, Tokenökonomie, Liefertermine und Zuverlässigkeit achten, sobald Systeme breiter eingesetzt werden.

Wenn Vera GPUs durch die effiziente Verarbeitung von Control-Flow-Aufgaben auslastet, hat Nvidia heterogenes Computing innerhalb der eigenen Plattform bestätigt. Dieses Ergebnis stützt Gelsingers Mechanismus und stärkt Nvidia zugleich kommerziell.

Das dritte Signal ist die Portabilität von Workloads über konkurrierende KI-Inferenzchips hinweg. Kunden müssen Modelle zwischen Nvidia, Intel, AMD, Google und spezialisierten Beschleunigern verschieben können, ohne ganze Anwendungen neu aufzubauen.

Fortschritte bei Compilern, Inferenz-Runtimes und offenen Modellformaten würden Nvidias Softwarevorteil verringern. Fragmentierung oder inkonsistente Ergebnisse würden die Position des etablierten Anbieters bewahren.

Die nächste Schlagzeile bei Google News wird wahrscheinlich einen Benchmark, eine Partnerschaft oder ein dramatisches Zitat aus der Führungsetage hervorheben. Leser sollten darunter nach Belegen für vollständige Systeme suchen.

Fragen Sie, welcher Prozessor jede Phase bearbeitet hat, wie viele Daten zwischen den Komponenten übertragen wurden und ob die Software wartbar blieb. Prüfen Sie das Ergebnis anschließend unter anhaltender Produktionslast.

Gelsingers Argument ist wichtig, weil die KI-Infrastruktur vielfältiger wird, während die Abhängigkeit von ihr wächst. Seine Wortwahl sollte keine Überprüfung ersetzen.

Für Entwickler und Unternehmenskäufer ist die praktische Maßnahme einfach. Dokumentieren Sie Ihren Workload, testen Sie mehrere Architekturen und messen Sie den gesamten Weg von der Anfrage bis zum nutzbaren Ergebnis.

Das Gewinner-System wird nicht das mit der lautesten Behauptung sein. Es wird das sein, das zuverlässige Arbeit innerhalb realer Grenzen bei Energieverbrauch, Latenz, Software und Betrieb liefert.