AI-modeller og platforme

NVIDIA tilføjer RTX PRO 5500 Blackwell GPU med 84 GB GDDR7-hukommelse

mm
Føj Unite.AI til dine foretrukne kilder på Google

NVIDIA har opført RTX PRO 5500 Blackwell Workstation Edition, et professionelt grafikkort med 84 GB GDDR7-hukommelse, der er designet til rack‑monteret workstation‑implementering, på sin officielle produktside med tilgængelighed markeret som kommer snart. PNY Technologies har også opført kortet på sin egen produktside.

Rack‑monteret placering

Produktsiden præsenterer kortet under sloganet “Powering the next era of AI” og inviterer besøgende til at tilmelde sig for at blive underrettet, når det bliver tilgængeligt. NVIDIA bemærker, at de offentliggjorte specifikationer er foreløbige og kan ændres.

NVIDIA positionerer RTX PRO 5500 til rack‑monteret workstation‑implementering i hele virksomheden og beskriver en model, hvor teams centraliserer, deler og skalerer workstation‑GPU‑kraft. Kortet tilbydes med valg mellem luft‑ eller væskekølede termiske løsninger; specifikationstabellen viser et aktivt luftkølet design og bemærker, at den væskekølede løsning er tilgængelig i RXM‑formfaktoren.

PNY opremser det samme kort under SKU VCNRTXPRO5500B-PB og beskriver det som professionelt AI‑ og simulationshardware bygget til rack‑monterede workstations.

Kerne‑specifikationer

Specifikationstabellen identificerer NVIDIA Blackwell-arkitektur med femte‑generations Tensor‑kerner og fjerde‑generations RT‑kerner. Hukommelsen er angivet til 84 GB GDDR7 med fejlkorrigerende kode, båndbredden til 1.398 GB pr. sekund og maksimal strømforbrug på op til 600 W. Kortet tilsluttes via en PCI Express Gen 5 x16‑bus og leverer op til fire DisplayPort 2.1b‑udgange; NVIDIA oplyser, at DisplayPort 2.1 kan drive skærme op til 8K ved 240 Hz og 16K ved 60 Hz. Tabellen viser også tre niende‑generations NVENC‑kodere og tre sjette‑generations NVDEC‑dekodere.

PNY’s optegnelse tilføjer 21.760 CUDA‑parallelle behandlingskerner og en fuldhøjde, fuldlængde dual‑slot‑formfaktor på 4,4 tommer i højden og 11,1 tommer i længden.

Multi‑Instance‑GPU‑support opdeler kortet i op til to fuldt isolerede instanser: én instans med op til 84 GB hukommelse eller to instanser med op til 42 GB hver. Ifølge NVIDIAs FAQ har hver instans dedikeret hukommelse, cache og beregningskerner samt garanteret kvalitet af service, hvilket virksomheden siger gør det muligt for flere brugere at udnytte pålidelig accelereret beregning fra samme hardware i rack‑monterede implementeringer.

Angivet ydeevne og mål‑arbejdsbelastninger

NVIDIA oplyser, at de femte‑generations Tensor‑kerner leverer op til 3‑gange ydeevnen i forhold til den foregående generation og tilføjer support for FP4‑præcision og DLSS 4 Multi Frame Generation. De fjerde‑generations RT‑kerner leverer op til 2‑gange ydeevnen i forhold til den foregående generation, ifølge NVIDIA, med RTX Mega Geometry, der muliggør op til 100‑gange flere ray‑tracede trekanter. Til videobearbejdning siger NVIDIA, at de niende‑generations NVENC‑motorer tilføjer 4:2:2 H.264‑ og HEVC‑kodning og forbedrer HEVC‑ og AV1‑kodningskvalitet, mens de sjette‑generations NVDEC‑motorer giver op til dobbelt H.264‑dekodningsgennemløb.

Arbejdsbelastningsmålene på NVIDIAs side spænder over agentisk og generativ AI, herunder inferens af store sprogmodeller, AI‑agenter, generativ AI og computer vision, understøttet af anden‑generations Transformer Engine‑support. NVIDIA siger, at de 84 GB hukommelse kan rumme større modeller, længere kontekstvinduer og flere modeller samtidigt. Til fysisk AI peger siden på NVIDIA Omniverse‑arbejdsprocesser: Universal Scene Description (OpenUSD)‑baseret 3D, syntetisk datagenerering og robotiksimulering. Derudover er AI‑drevet rendering med RTX Neural Shaders og DLSS 4, videnskabelig beregning og dataanalyse ved brug af FP32‑ydeevne samt videoproduktion med 4:2:2‑ og AV1/H.265‑support også nævnt.

FAQ’en på siden nævner medier og underholdning, arkitektur og ingeniørarbejde (AEC), fremstilling, ingeniørvidenskab, videregående uddannelse, finansielle tjenester, geovidenskab og sundhedssektoren som målindustrier.

Enterprise‑implementering og platformsupport

NVIDIA beskriver kortet som bygget til IT‑teams, så de kan centralisere GPU’er i administrerede rack‑systemer, dele dem på tværs af brugere og skalere kapaciteten efterhånden som efterspørgslen vokser, hvilket leverer workstation‑ydeevne til fagfolk uden individuelt hardware ved skrivebordet.

PNY opremser systemkrav om en Intel Core i5, i7, i9 eller Xeon‑processor (eller nyere), eller en AMD Ryzen‑ eller Epyc‑klasseprocessor (eller nyere), sammen med en PCI Express 5.0 x16‑udvidelsesplads og systemhukommelse, der er større end eller lig GPU‑hukommelsen, med anbefaling om dobbelt så meget som GPU‑hukommelsen. Understøttede platforme omfatter Windows 11 og Windows 10 (64‑bit), Red Hat Enterprise Linux 7.x, SUSE Linux Enterprise Desktop 15.x, Fedora 31, Ubuntu 18.04, FreeBSD 11.x og Solaris 11. pakken indeholder kortet og én ekstra strømledning.

PNY opremser også kortet som NVIDIA RTX PRO Sync‑kompatibelt, hvilket betyder, at det kan synkronisere skærm‑ og billedoutput på op til 32 skærme fra 8 GPU’er, der er forbundet via to RTX PRO Sync‑kort i ét system. PNY bakker kortet med en tre‑årig begrænset garanti.

Theo Nash er en AI-genereret specialist hos Unite.AI, der dækker AI-infrastruktur, beregning og de hardware-systemer, der driver moderne kunstig intelligens. Hans arbejde fokuserer på de tekniske grundlag for store AI-arbejdsbyrder, herunder datacentre, acceleratorer, netværk og software-stacks, der binder dem sammen.
Med en analytisk og ingeniør-dreven perspektiv undersøger Theo, hvordan fremskridt i GPU'er, brugerdefineret silicium, hukommelsesarkitekturer og distribuerede systemer muliggør nye generationer af AI-modeller. Han lægger særlig vægt på ydelses-omkostningsforhold, energoeffektivitet, skalerbarhed og de praktiske begrænsninger, der former den virkelige udvikling af AI-infrastruktur.
Artikler skrevet af Theo Nash er AI-genereret og gennemgået af Unite.AIs redaktionelle team for at sikre teknisk nøjagtighed, klarhed og ansvarlig dækning af den hurtigt udviklende AI-beregningsskala.