Hier ist alles, was Nvidia bei seiner GTC in Washington enthüllt hat.

Bei Nvidias GTC am Ufer des Potomac, kam das Unternehmen, das die Chip-Wirtschaft des Silicon Valley aufgebaut hat, nach Washington, um zu argumentieren, dass KI jetzt Teil von Amerikas industrieller Basis ist. Das Unternehmen nutzte die Hauptbühne, um das vorzustellen, was es als „physische KI“ bezeichnet — Intelligenz, die sich durch Fabriken, Roboter und Fahrzeuge bewegt — und um Nvidia $NVDA’s Stack als die Infrastruktur zu positionieren, die es antreiben wird.

GTC war lange das Entwickler-Vorzeigespiel des Unternehmens, eine Mischung aus Leistungsdiagrammen und Prophezeiungen, wo Huang Ingenieuren sagt, wie die Zukunft aussehen wird. Aber dieses Publikum war anders: politische Entscheidungsträger, Forscher und Führungskräfte aus Industrien, die immer noch auf Stahl, Energie und Menschen angewiesen sind. Der Ton passte zur Umgebung.

Aber Washington war nicht nur eine Kulisse. Nvidia nutzte seine Kapitalpremiere, um einen expliziten politischen Vorstoß zu machen, indem es seine GPUs als nationale Infrastruktur darstellte und seinen Software-Stack als Rückgrat für alles von industrieller Automatisierung bis hin zu föderaler Datenverarbeitung. Das Unternehmen stellte eine „KI-Fabrik für die Regierung“ vor, eine sichere Referenzplattform, die mit Partnern wie Palantir $PLTR, ServiceNow $NOW und Lockheed Martin $LMT entwickelt wurde, um Agenturen und Verteidigungsanwendungen in großem Maßstab anzutreiben.

Die Botschaft war klar: Wenn die nächste Ära der Industrie intelligent ist, sollte die Regierung auch Compute im Gigawatt-Bereich kaufen. Dieses Argument — dass Compute die neue Infrastruktur ist — floss nahtlos in Nvidias Industrieangebot ein. Wenn Washington KI zum Regieren braucht, braucht die Industrie sie zum Bauen.

The NVIDIA IGX Thor robotics processor, which Nvidia says will bring real-time physical AI to the industrial and

medical edge.

Von Chips zu Fabriken

Nvidias Fall in Washington drehte sich weniger um Erfindung als um Montage: eine Synthese aus Chips, Partnern und Politik. Seine neueste Plattform, Omniverse DSX, ist ein digitaler Bauplan für das, was es KI-Fabriken nennt – Rechenzentren im Gigawattbereich, die wie Industrieanlagen konzipiert sind. Ingenieure können Konstruktion, Energie und Kühlung in einer gemeinsamen Simulation mitgestalten und dann denselben Zwilling als Steuerungssystem der Anlage betreiben, sobald sie in Betrieb ist.

Nvidia sagt, dass dieser Ansatz die Implementierung bis zu 500-mal schneller machen, die Effizienz um 30 % steigern und den Durchsatz um 14 % erhöhen kann. Die Methode wird bereits im AI Factory Research Center des Unternehmens in Manassas, Virginia, eingesetzt.

Die Grundlage für diese digitalen Zwillinge ist eine neue Schicht von KI-Physik. Nvidia gibt an, dass sein beschleunigtes Rechnen traditionelle Lösungsansätze um bis zu 80-mal beschleunigen kann, während neue KI-basierte Physikmodelle komplexe Strömungsdynamiken in Echtzeit simulieren. In Zusammenarbeit mit Partnern wie Synopsys $SNPS und Ansys Fluent haben diese Modelle Leistungssteigerungen von bis zu 500-mal erzielt und Designzyklen von Wochen auf Minuten verkürzt.

Diese Baupläne sitzen auf neuer Infrastruktur. Der BlueField-4 DPU und der ConnectX-9 SuperNIC (1,6 Terabit pro Sekunde) bilden das Gewebe von Nvidias sogenanntem Betriebssystem für KI-Fabriken, das Tausende von GPUs über sein Spectrum-X $TWTR-Ethernet-Netzwerk verbindet. Sie sind die stille Infrastruktur hinter einer neuen Klasse von industriellen Supercomputern – von Stargate (1,2 Gigawatt) in Abilene, Texas, bis zum 2-Gigawatt-Bau von Switch in Georgia – jeder gebaut, um denselben Rechenhunger zu stillen, der einst Cloud-Software antrieb.

Am Rand verwandelt IGX Thor diese Architektur in etwas Physisches. Der industrietaugliche Blackwell-Computer bietet 5.581 FP4-Teraflops Leistung und 400-Gigabit-Ethernet-Konnektivität mit einem 10-jährigen Lebenszyklus, der eher für Fabrikhallen und Operationssäle als für Datenhallen gedacht ist. Zwei Modelle, der T5000 und der T7000, sollen im Dezember eintreffen; frühe Anwender sind Diligent Robotics, EndoQuest Robotics, Hitachi Rail und Joby Aviation, wobei CMR Surgical die Plattform ebenfalls bewertet.

Nvidia beschreibt IGX als die „industrielle Laufzeit“ in einem dreiteiligen Robotik-Stack – DGX für das Training, RTX für die Simulation und IGX für die realweltliche Inferenz – entwickelt für industrielle und medizinische Umgebungen mit funktionaler Sicherheitsintegration für die Art von Sicherheit und Zuverlässigkeit, die in medizinischen und Fertigungsumgebungen gefordert sind.

Diese Hardware betreibt die gleiche „Drei-Computer“-Pipeline, die Nvidia jetzt überall anwendet: Trainieren auf DGX-Systemen, simulieren auf RTX-Servern und Omniverse, bereitstellen auf Jetson oder IGX. Diligent Robotics trainiert Krankenhauskuriere in Isaac Sim; Johnson & Johnson $JNJ verfeinert chirurgische Arme; Figure AI testet Humanoide in Isaac Lab, bevor sie ihre Gehirne auf Jetson Thor installieren. In Nvidias Taxonomie sind dies keine Roboter mehr, sondern die ersten Mitarbeiter einer rechnerischen Belegschaft.

Fabriken, die sich selbst bauen

Der nächste Schritt besteht darin, die Orte zu bauen, an denen diese Maschinen alles andere bauen werden. In Houston, Texas, nutzt Foxconn Omniverse, um eine 242.000 Quadratfuß große Anlage zu modellieren und zu betreiben, die Nvidias KI-Systeme zusammenbauen wird. Siemens bringt eine neue Omniverse-basierte App heraus, mit der Hersteller komplette Anlagen in 3D entwerfen und testen können; FANUC und Foxconn Fii liefern OpenUSD-Roboterzwillinge, die direkt in diese digitalen Modelle integriert werden.

Um Produktionslinien vor Kollisionen zu schützen, führte Nvidia Mega ein, ein Simulations-Framework, mit dem Ingenieure Flotten von Robotern und Fabriksteuerungen virtuell synchron testen können. Sicherheit entsteht durch Halos, ein Vision-AI-System, das den Boden überwacht und Maschinen automatisch verlangsamt oder stoppt, wenn Menschen ihren Weg kreuzen. Das Unternehmen hat ein ANSI-akkreditiertes Halos-Inspektionslabor geschaffen, um die funktionale Sicherheit für physische KI zu zertifizieren.

Das Ökosystem liest sich jetzt wie das Who-is-Who der Schwerindustrie. Caterpillar $CAT nutzt digitale Zwillinge, um autonomes Equipment zu trainieren; TSMC $TSM und Toyota $TM simulieren Produktionslinien; Belden und Accenture $ACN haben einen "physischen KI-Orchestrator" für die industrielle Optimierung entwickelt; und Lilly betreibt einen 1.016-GPU Blackwell SuperPOD mit Nvidias BioNeMo-Plattform, um Wirkstoffforschungsprozesse zu modellieren, bevor sie das Labor erreichen.

NVIDIA DRIVE AGX Hyperion 10, which Nvidia says is a reference computer and sensor architecture that enables automakers to build level 4-ready, software-defined vehicles on a validated, scalable foundation.

Quantum, quantum, quantum

Beim von Nvidia veranstalteten Vorevent zur Keynote erschien Huang kurz auf dem Bildschirm, als er sich auf den Weg machte, seine große Rede zu halten, und scherzte: "Jedes Mal, wenn ich 'quantum' sage, steigt der Aktienkurs. Quantum, quantum, quantum." Er hatte mehr zu diesem Thema zu sagen. Als er die Bühne betrat, kündigte er Nvidias nächsten Schritt im Quantenbereich an: NV und NVQlink, Nvidias Versuch, Quanten- und klassische Computer in eine einzige Architektur zu fusionieren, etwas, auf das das Unternehmen seit Monaten anspielt.

"Wir haben jetzt eine Architektur, die Steuerung, Co-Simulation, Quantenfehlerkorrektur und Skalierung in die Zukunft leisten kann", sagte er während seiner Keynote. Das Ziel ist umfassend: Quantenverarbeitungseinheiten (QPUs) mit Nvidias GPUs durch eine neue Verbindung zu verknüpfen, die alles von Kalibrierung und Steuerung bis hin zu Fehlerkorrektur und hybrider Simulation abdeckt – die Infrastruktur der postklassischen Wissenschaft.

Der Umfang der Unterstützung ist überwältigend – 17 Quantencomputing-Unternehmen und acht Department of Energy-Labore arbeiten bereits an NVQ zusammen, darunter Berkeley, Brookhaven, Fermilab, Los Alamos, Oak Ridge und Pacific Northwest. "Fast jedes DOE-Labor hat sich mit uns beschäftigt", sagte Huang und positionierte Nvidia als das verbindende Element der US-Forschung.

Das Department of Energy wird auch mit Nvidia zusammenarbeiten, um sieben KI-Supercomputer zu bauen – eine direkte Fusion der Quanten-, KI- und Robotik-Pipelines, die Huang als „die grundlegenden Instrumente der Wissenschaft“ beschrieb. Er nannte es sowohl einen „Energieschub“ als auch einen „Leidenschaftsschub“ unter DOE-Sekretär Chris Wright und beschrieb eine Konvergenz von beschleunigtem Rechnen, KI, Quantenmodellierung und robotischer Experimentation.

Autonomie, Netzwerke und der Staat

Von dort aus bewegt sich die Geschichte von Pflanzen zu Straßen. „Es gibt einen Roboter, der sich eindeutig an einem Wendepunkt befindet, und er ist im Grunde hier“, sagte Huang in seiner Keynote, „und das ist ein Roboter auf Rädern.“ Und Nvidia will ins Spiel einsteigen. „Ich erwarte, dass diese [neue Computerplattform] recht erfolgreich sein wird“, sagte der CEO.

Drive Hyperion 10, Nvidias neue Level-4-fähige Plattform, kombiniert zwei Thor-Prozessoren (jeweils etwa 2.000 FP4-TFLOPS) mit einer Sensor-Suite aus 14 Kameras, neun Radars, einem Lidar und einem Dutzend Ultraschallsensoren. Die Plattform unterstützt kommende Fahrzeuge von Lucid $LCID, Stellantis $STLA und Foxconn sowie Mercedes-Benz, das plant, Thor um 2028 in die S-Klasse zu integrieren.

Der größte Einsatz wird von Uber $UBER kommen, das plant, ab 2027 100.000 Level-4-fähige Fahrzeuge auszurollen – Autos und Lastwagen von Lucid, Stellantis, Mercedes-Benz und Volvo Autonomous Solutions –, die in einer gemeinsamen KI-Datenfabrik trainiert werden, die auf Nvidias Cosmos-Engine basiert. Nvidia beschreibt dies als das weltweit größte Level-4-fähige Ride-Hailing-Netzwerk. Um die Tests zu beschleunigen, hat Nvidia ein 1.700-stündiges Multimodal-Dataset für 25 Länder veröffentlicht, außerdem Tools wie NuRec (neural rendering), Cosmos Transfer und Lidar Gen für autonome Fahrsimulationen.

Die Reichweite des Unternehmens erstreckt sich nun auf Funkfrequenzen und Agenturen. Aerial 6G, seine softwaredefinierte Netzwerkplattform, wird unter Apache 2.0 quelloffen gemacht, mit Nokias ARC-Pro-Hardware und T-Mobile $TMUS, das 2026 Feldversuche durchführt. Das Quelloffenmachen selbst – zusammen mit Nokias erster kommerzieller Zusammenarbeit und T-Mobiles Pilotprojekt – markiert Nvidias Vorstoß, 6G-Netze zu einem Teil seines KI-Ökosystems zu machen.

The NVIDIA AI Factory for Government reference design, which Nvidia says will equip federal agencies and regulated industries to build and deploy full-stack AI solutions that meet rigorous security standards.

Für Käufer aus dem öffentlichen Sektor hat Nvidia eine KI-Fabrik für die Regierung vorgestellt – ein FedRAMP-ausgerichteter Referenzstack, der Nvidia AI Enterprise mit Partnern wie Palantir, CrowdStrike $CRWD, ServiceNow, Lockheed Martin und Northrop Grumman $NOC kombiniert. Dasselbe Template unterstützt die Equinox- und Solstice-Systeme des Energieministeriums sowie den Vera Rubin-Supercomputer von Los Alamos. Sogar die Unternehmensschicht erhielt ihre Version. Palantir integriert Nvidias CUDA-X- und Nemotron-Modelle in seine Ontology-Plattform; Lowe’s verwendet den Stack, um einen digitalen Zwilling seiner globalen Lieferkette – Einzelhandel als eine andere Form der KI-Fabrik – live zu betreiben.

GTC war schon immer Teil Produkteinführung, Teil Überzeugungskampagne. In San Jose verkauft Huang Fantasie. In Washington verkaufte er Unvermeidlichkeit – die Idee, dass Intelligenz selbst zur Infrastruktur geworden ist und dass derjenige, der sie am schnellsten aufbaut, die nächste Lieferkette besitzen wird. Was er verkaufte, waren nicht nur schnellere Chips oder intelligentere Roboter, sondern ein Betriebsplan, wie Intelligenz selbst hergestellt wird – in Fabriken, auf Straßen und im großen Maßstab.

Der Veranstaltungsort machte den Subtext deutlich. Dies war nicht nur eine Konferenz; es war eine politische Präsentation in einer Lederjacke – eine, die Industriepolitik in ein Softwareproblem verwandelte, das nur Nvidia lösen kann.