Auf der CES versucht Nvidia, die Frage zu klären, ob KI ihren Preis noch wert ist – mit neuen Plattformen, offeneren Werkzeugen und einem Vorstoß in Richtung Autonomie.
Image courtesy of Nvidia
Nvidia $NVDA ist in Las Vegas und klingt ein wenig wie ein Infrastrukturministerium: Hier sind die Chips, hier sind die Racks, hier ist das Networking, hier ist die Software — und übrigens, die Roboter und Autos, von denen Sie immer hören, sollen auf all dem laufen.
Der rote Faden in diesem Jahr auf der Consumer Electronics Show (CES) ist die Kontrolle über den gesamten Stack, mit besonderem Augenmerk auf Speicher und das, was Nvidia als das nächste Nadelöhr darstellt: agentische KI, die mehr Kontext, mehr Speicher, mehr Vernetzung und weniger Ausreden braucht, warum sie nicht in der realen Welt laufen kann. Das Angebot lautet, dass „KI-Fabriken“ jetzt eine Produktkategorie sind, und Nvidia beabsichtigt, die Baupläne, die Maschinen, das Betriebssystem und alles andere zu verkaufen.
Schließen Sie sich über 500.000 Lesern an, die ihren Tag mit Quartz beginnen.
Mit dem Abonnieren stimmen Sie unseren Nutzungsbedingungen und unserer Datenschutzrichtlinie zu.
Vieles von dem, was Nvidia und CEO Jensen Huang am Montagnachmittag angekündigt haben, war seit Monaten im Raum — Rubin als die Post-Blackwell-Architektur, BlueField-4 als DPU-Sprung, Nemotron als Nvidias „offene“ Modellfamilie, Halos als Sicherheitsdach. Neu ist das Bündeln. Nvidia wandelt diese Roadmap in ein einziges Argument um: sechs Chips, eine Plattform, plus das Netzwerk und die „Context-Memory“-Installation, um zu verhindern, dass langlaufende Agenten ins Stocken geraten.
Die Schlagzeilen-Hardwaregeschichte ist, dass Rubin in versandfertige Bausteine zerlegt wird. Nvidia hat eine Rubin-„Plattform“ vorgestellt, die aus sechs Komponenten besteht — GPUs und CPUs in Rubin- und Rubin Ultra-Varianten, plus NVLink 6 Switches und eine ConnectX-9 SuperNIC — mit Leistungs- und Kosten-pro-Token-Angaben, die alle um diesen Gesamtsystem-Ko-Design herum aufgebaut sind und alle darauf ausgelegt sind, die Kosten für Intelligenz zu senken.
Auf der Systemseite positioniert Nvidia Vera Rubin NVL72 als den rackmassstabigen Arbeitspferd (72 GPUs und 36 CPUs, mit Exaflops-Klasse FP4-Angaben), und Rubin Ultra NVL288 als das größere Nachfolgeprodukt (288 GPUs und 144 CPUs). Das Unternehmen integriert Rubin auch in DGX-gebrandete „KI-Fabriken“ und kombiniert DGX Rubin NVL72 für das Training mit DGX Rubin NVL8 für die Inferenz als eine schlüsselfertigere, standardisierte Kapazitätseinheit. Nvidia sagt, Rubin-basierte Produkte werden in der zweiten Hälfte des Jahres 2026 von Partnern erhältlich sein.
Zwei Infrastruktur-Ergänzungen leisten hier viel stille Arbeit. Erstens setzt Nvidia stark auf Networking als Leistungsmerkmal der ersten Klasse und preist Spectrum-X $TWTR Ethernet-Photonik-Switch-Systeme an und verbindet „fünffache“ Angaben zur Inferenzleistung und Energieeffizienz. Zweitens versucht das Unternehmen, „langen Kontext“ wie eine Infrastruktur-Kaufentscheidung erscheinen zu lassen, indem es eine „Inference Context Memory“-Speicherplattform vorstellt, um agentischen KI-Kontextfenster zu verlängern. Wenn der Subtext von Rubin „die Roadmap ist real“ ist, lautet der Subtext der umgebenden Installation „der nächste Margenpool ist alles um die GPU herum“.
Nvidia beschreibt physische KI immer wieder als den Moment, in dem „Agenten“ aufhören, gesprächig zu sein, und anfangen, kompetent zu werden – das bedeutet, dass sie Wahrnehmung, Vernunft und Handlung in derselben Schleife benötigen. Das bedeutet drei Bausteine: bessere Simulation, bessere Robotermodelle und bessere „Mobilitäts“-Modelle.
„Der ChatGPT-Moment für die Robotik ist da“, sagte Huang in einer Pressemitteilung und argumentierte, dass „Modelle, die die reale Welt verstehen, überlegen und Handlungen planen“, „ganz neue Anwendungen“ eröffnen. Die Automobilbranche ist also vielleicht der Bereich, in dem Nvidias „Full-Stack“-Argument zu einem Glaubwürdigkeitstest wird, da es die eine Kategorie ist, in der „Demo“ und „Einsatz“ durch Vorschriften, Haftung und ein Jahrzehnt der enttäuschten Erwartungen getrennt sind.
Nvidia sagt, dass seine Drive-AV-Plattform für unterstützte Fahrtechnologie „in Produktion“ für den Mercedes-Benz CLA 2026 ist, der die höchste Euro NCAP Sicherheitsbewertung in ganz 2025 erhielt. Das Unternehmen sagt, dass das Auto über „fortschrittliche Level-2-Automatisierungsmöglichkeiten“ mit „Point-to-Point-Stadtnavigation“ verfügt, einschließlich „Adresse-zu-Adresse“-Fahrten – und stellt Hyperion als die Rechner- und Sensorarchitektur dar, die Redundanz für Sicherheit hinzufügt. Nvidia sagt, dass das Auto bis Ende des Jahres in der Lage sein wird, freihändig auf US-Straßen zu fahren.
Dann gibt es die breitere Wette. „Wir glauben, dass physische KI und Robotik letztendlich das größte Segment der Unterhaltungselektronik weltweit sein werden“, sagte Ali Kani, Nvidias Automobil-VP. „Alles, was sich bewegt, wird letztendlich vollständig autonom sein, angetrieben von physischer KI.“ Kani sagte, dass Alpamayo, Nvidias „Familie von Open-Source-KI-Modellen, Simulationswerkzeugen, physischen KI-Datensätzen“ für autonomes Fahren, entwickelt wurde, um die „sichere, vernunftbasierte Entwicklung physischer KI“ zu beschleunigen. Das Unternehmen veröffentlichte 1.700 Stunden Fahrdaten zusammen mit einem Open-Source-Simulationsrahmen – und positionierte die Werkzeuge als Starter-Kit für die Autonomie der Stufe 4.
Nvidia verweist auf Isaac GR00T N1.6 als ein offenes Modell für visuelle Sprach-Handlung-Modelle für Roboterfähigkeiten, zusammen mit Isaac Lab Arena als Evaluierungsrahmen für das Testen von Richtlinien im großen Maßstab. Das Unternehmen verweist auch auf Cosmos Reason 2 als ein Modell, das darauf abzielt, physische Vernunft zu verbessern, und die breitere Cosmos-Reihe als eine Möglichkeit, synthetische Daten für das Training physischer KI zu generieren. Nvidia positioniert auch Jetson T4000 als Edge-Computing-Ziel für Roboter, gepaart mit derselben Trainings-zu-Einsatz-Pipeline, die in die DGX-Infrastruktur zurückfließt. Nvidia versucht, den Robot-Stack wie den Software-Stack erscheinen zu lassen: in einer Welt trainieren, die es generieren kann, in einer Welt testen, die es variieren kann, auf Hardware einsetzen, die es verkaufen kann.
Nvidias „Open Models“-Geschichte dreht sich weniger darum, sich aus ideologischen Erwägungen der Open-Source-Bewegung anzuschließen, sondern vielmehr darum, Entwickler mit kostenlosen Proben in ihr Ökosystem zu ziehen – die am besten auf Nvidia-Infrastruktur laufen. Eine „Erweiterung“, wie Nvidia VP für generative KI und Software Kari Briski sagte. Das Unternehmen rahmt dies als Paket ein: neue Nemotron-3-Modelle (einschließlich Llama-Nemotron-3-Varianten in den Größen 70B, 34B und 8B) sowie neue Datensätze und Tools, die Teams helfen sollen, Domänenagenten zu erstellen und sie über Nvidias Stack bereitzustellen.
„Im Jahr 2025 war Nvidia der führende Beitragende ... auf Hugging Face mit 650 offenen Modellen und 250 offenen Datensätzen“, sagte Briski. Im Wesentlichen: Nvidia möchte der Ausgangspunkt sein – auch wenn Sie nicht lange „offen“ bleiben.
Das Unternehmen gibt an, Nemotron-CC zu veröffentlichen, ein mehrsprachiges Pretraining-Corpus mit 1,4 Billionen Tokens in mehr als 140 Sprachen, das als „offene“ Grundlage für den Aufbau und die Anpassung von Modellen positioniert ist. Es wird auch ein „Granary“-Instruktionsdatensatz hervorgehoben, der Modelle out-of-the-box nützlicher für Unternehmensaufgaben machen soll. Nvidia rahmt Nemotron als Toolkit für das agentische Zeitalter ein: Modelle und Datensätze für Sicherheit, RAG, Sprache und Argumentation.
In der Gesamtbetrachtung ist Nvidias CES-Botschaft über alle drei Bereiche hinweg konsistent. Die Zukunft ist die Pipeline und Nvidia möchte, dass jeder Teil davon – Rechenleistung, Netzwerk, Speicher, Sicherheit, Simulation – auf etwas läuft, das es bereits verkauft.
