NVIDIA Blackwell kostet doppelt so viel wie Google- und Amazon-Chips, doch Morgan Stanley empfiehlt die Investition
Die Investmentbank Morgan Stanley ist der Ansicht, dass der Aufbau eines Rechenzentrums mit NVIDIA-Blackwell-GPUs zwar doppelt so teuer ist wie die Errichtung eines solchen mit KI-spezifischen integrierten Schaltkreisen
Kurzfassung
Warum das wichtig ist
- Die Investmentbank Morgan Stanley ist der Ansicht, dass der Aufbau eines Rechenzentrums mit NVIDIA-Blackwell-GPUs zwar doppelt so teuer ist wie die Errichtung eines solchen mit KI-spezifischen integrierten Schaltkreisen
- Die hohen Kosten für NVIDIAs neueste KI-GPUs sind ein heikles Markttopic, wobei CEO Jensen Huang mehrfach betont hat, dass seine Chips zwar teuer sind, langfristig jedoch höhere Renditen bieten.
- In ihrer jüngsten Berichterstattung vergleicht Morgan Stanley die TFLOPS-Leistung (Trillion Floating Point Operations Per Second) pro Watt den maßgeschneiderten KI-ASICs Bank stellt fest, dass die Kapitalausgaben der Hyperscaler für den Aufbau eines Rechenzentrums mit einer Leistung hoch sind im Vergleich zum Aufbau desselben Rechenzentrums mit Googles Tensor Processing Units (TPUs) oder Amazons Trainium-Chips.
SvyTech-Check
Redaktionelle Einordnung
Kernpunkt
Die Investmentbank Morgan Stanley ist der Ansicht, dass der Aufbau eines Rechenzentrums mit NVIDIA-Blackwell-GPUs zwar doppelt so teuer ist wie die Errichtung eines solchen mit KI-spezifischen integrierten...
Warum relevant
Der Bericht fügt jedoch hinzu, dass die Investition in NVIDIAs Chips sich lohnt, da sie eine höhere Recheneffizienz bieten.
Einordnung
SvyTech ordnet die Meldung aus Wccftech als Teil des Themenfelds Technologie ein und verweist auf den Originalartikel, damit Leser Fakten, Quelle und Kontext nachvollziehen koennen.
Der Bericht fügt jedoch hinzu, dass die Investition in NVIDIAs Chips sich lohnt, da sie eine höhere Recheneffizienz bieten. Nach Schätzungen Leistung pro Watt der NVIDIAs-Chips „weit vor" maßgeschneiderten ASICs.
Die Folie der Investmentbank, die ihren Bericht begleitet, berechnet die TFLOPs pro Watt für die NVIDIAs AI-GPUs Vera Rubin (FP4), Vera Rubin (FP8), GB300 (FP8) und H100 (FP8). Natürlich ist die Vera Rubin (FP4) die leistungsstärkste GPU in der Liste, da sie mit einem Wert von 19,5 punktet.
Bei den anderen Chips liegen die Werte bei 6,8, 6,0 und 3,1, jeweils in dieser Reihenfolge. Auf der anderen Seite betragen die TFLOPs pro Watt für Googles TPUv7 (FP8) und Trn3 (FP8) Chips 4,3 bzw. 2,5, was ihre Leistung entweder zwischen den Blackwell- und den Hopper-Generation-GPUs oder unterhalb der Hopper-Chips einordnet.
Technik und Auswirkungen
Obwohl NVIDIAs Chips die höchste Leistung pro Watt bieten, wenden sich Nutzer zunehmend auch anderen Metriken zu. Zum Beispiel schätzt ein Experte des KI-Infrastruktur-Anbieters Nebius, dass KI-Chips auch anhand ihrer Kosten pro Million generierter Tokens im Verhältnis zur stündlichen Betriebskosten einer GPU bewertet werden.
Quellenprofil
Quelle und redaktionelle Angaben
- Quelle
- Wccftech
- Canonical
- https://wccftech.com/nvidia-blackwell-costs-twice-as-much-as-google-and-amazons-custom-ai-chips-yet-morgan-stanley-says-its-worth-it/
- Quell-URL
- https://wccftech.com/nvidia-blackwell-costs-twice-as-much-as-google-and-amazons-custom-ai-chips-yet-morgan-stanley-says-its-worth-it/
Aehnliche Inhalte
Verwandte Themen und interne Verlinkung
Weitere Artikel aus aehnlichen Themenfeldern, damit Leser direkt im selben Kontext weiterlesen koennen.
Alibaba veröffentlicht das Open-Source-KI-Modell Qwen 3.8 mit 27 Milliarden Parametern
Alibaba Cloud hat das kommerziell nutzbare Open-Source-Modell Qwen 3.8 27B mit 27 Milliarden Parametern unter der Apache 2.0-Lizenz auf Hugging Face veröffentlicht, das dank einer hybriden Architektur und eines erweiterbaren Kontextfensters Tokens sowohl für lokale Installationen als auch für API-Anfragen verfügbar ist. Während der Hersteller behauptet, dass das Modell in Programmieraufgaben und der Analyse visueller Dokumente Leistungen übertrifft, weisen unabhängige Beobachter darauf hin, dass die veröffentlichten Benchmarks noch keiner externen Validierung unterzogen wurden und die standardmäßige höchste Denkebene bei einfachen Aufgaben zu unnötig langen Verarbeitungszeiten führt.
