KI-Modelle und Plattformen

NVIDIA fügt RTX PRO 5500 Blackwell GPU mit 84 GB GDDR7‑Speicher hinzu

mm
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen

NVIDIA hat die RTX PRO 5500 Blackwell Workstation Edition, eine professionelle Grafikkarte mit 84 GB GDDR7‑Speicher, die für den Einsatz in rackmontierten Workstations konzipiert ist, auf seiner offiziellen Produktseite aufgeführt, wobei die Verfügbarkeit als “bald verfügbar” gekennzeichnet ist. PNY Technologies listet die Karte ebenfalls auf seiner eigenen Produktseite.

Rackmontierte Positionierung

Die Produktseite präsentiert die Karte unter dem Slogan “Powering the next era of AI” und lädt Besucher ein, sich anzumelden, um benachrichtigt zu werden, sobald sie verfügbar ist. NVIDIA weist darauf hin, dass die veröffentlichten Spezifikationen vorläufig und Änderungen vorbehalten sind.

NVIDIA positioniert den RTX PRO 5500 für den Einsatz in rackmontierten Workstations im Unternehmen und beschreibt ein Modell, bei dem Teams GPU‑Leistung zentralisieren, teilen und skalieren. Die Karte wird mit einer Auswahl zwischen luft- oder flüssigkeitsgekühlten Thermiklösungen angeboten; die Spezifikationstabelle führt ein aktives luftgekühltes Design auf und weist darauf hin, dass die flüssigkeitsgekühlte Lösung im RXM‑Formfaktor verfügbar ist.

PNY führt dieselbe Karte unter der SKU VCNRTXPRO5500B-PB auf und beschreibt sie als professionelle KI‑ und Simulationshardware, die für rackmontierte Workstations entwickelt wurde.

Kernspezifikationen

Die Spezifikationstabelle identifiziert die NVIDIA Blackwell-Architektur mit Tensor‑Cores der fünften Generation und RT‑Cores der vierten Generation. Der Speicher wird mit 84 GB GDDR7 mit Fehlerkorrektur angegeben, die Bandbreite beträgt 1.398 GB pro Sekunde und der maximale Stromverbrauch liegt bei bis zu 600 W. Die Karte verbindet sich über einen PCI‑Express‑Gen‑5‑x16‑Bus und bietet bis zu vier DisplayPort‑2.1b‑Ausgänge; NVIDIA gibt an, dass DisplayPort 2.1 Bildschirme mit bis zu 8 K bei 240 Hz und 16 K bei 60 Hz antreiben kann. Die Tabelle listet außerdem drei NVENC‑Encoder der neunten Generation und drei NVDEC‑Decoder der sechsten Generation auf.

PNYs Auflistung ergänzt 21.760 CUDA‑Parallelverarbeitungskerne und ein vollhöhen, volllängliches Dual‑Slot‑Formfaktor mit den Maßen 4,4 Zoll Höhe und 11,1 Zoll Länge.

Die Multi‑Instance‑GPU‑Unterstützung teilt die Karte in bis zu zwei vollständig isolierte Instanzen auf: eine Instanz mit bis zu 84 GB Speicher oder zwei Instanzen mit jeweils bis zu 42 GB. Laut NVIDIAs FAQ verfügt jede Instanz über dedizierten Speicher, Cache und Rechenkerne sowie garantierte Service‑Qualität, was das Unternehmen zufolge mehr Nutzern ermöglicht, zuverlässiges beschleunigtes Rechnen aus derselben Hardware in rackmontierten Einsätzen zu nutzen.

Angegebene Leistung und Ziel‑Workloads

NVIDIA gibt an, dass die Tensor‑Cores der fünften Generation bis zu das Dreifache der Leistung der vorherigen Generation liefern und Unterstützung für FP4‑Präzision sowie DLSS 4 Multi‑Frame‑Generation bieten. Die RT‑Cores der vierten Generation erzielen laut NVIDIA bis zu das Doppelte der Leistung der vorherigen Generation, wobei RTX Mega‑Geometry bis zu 100‑mal mehr ray‑ge‑tracete Dreiecke ermöglicht. Für Videobearbeitung fügt NVIDIA hinzu, dass die NVENC‑Engine der neunten Generation 4:2:2 H.264‑ und HEVC‑Kodierung unterstützt und die Qualität von HEVC‑ und AV1‑Kodierung verbessert, während die NVDEC‑Engine der sechsten Generation bis zu das Doppelte der H.264‑Dekodier‑Durchsatzrate bereitstellt.

Die auf NVIDIAs Seite genannten Workload‑Ziele umfassen agentische und generative KI, darunter Inferenz großer Sprachmodelle, KI‑Agenten, generative KI und Computer Vision, unterstützt durch die Transformer‑Engine der zweiten Generation. NVIDIA sagt, dass die 84 GB Speicher größere Modelle, längere Kontextfenster und mehrere Modelle gleichzeitig aufnehmen können. Für physische KI verweist die Seite auf NVIDIA‑Omniverse‑Workflows: auf Universal Scene Description (OpenUSD) basierende 3D‑Modelle, synthetische Datengenerierung und Robotiksimulation. Weiterhin werden KI‑gestütztes Rendering mit RTX‑Neural‑Shaders und DLSS 4, wissenschaftliches Rechnen und Datenanalyse mit FP32‑Leistung sowie Videoproduktion mit 4:2:2‑ und AV1/H.265‑Unterstützung aufgeführt.

In der FAQ der Seite werden Medien und Unterhaltung, Architektur und Ingenieurwesen (AEC), Fertigung, Ingenieurwesen, Hochschulbildung, Finanzdienstleistungen, Geowissenschaften und Gesundheitswesen als Zielbranchen genannt.

Unternehmens‑Bereitstellung und Plattform‑Unterstützung

NVIDIA beschreibt die Karte als für IT‑Teams entwickelt, GPUs in verwalteten Racks zu zentralisieren, sie über Nutzer hinweg zu teilen und die Kapazität mit wachsendem Bedarf zu skalieren, wodurch Fachleuten workstation‑Leistung ohne individuelle Desktop‑Hardware bereitgestellt wird.

PNY gibt Systemanforderungen an: einen Intel Core i5, i7, i9 oder Xeon Prozessor (oder neuer), bzw. einen AMD Ryzen‑ oder Epyc‑Klassen‑Prozessor (oder neuer), zusammen mit einem PCI‑Express‑5.0‑x16‑Erweiterungssteckplatz und Systemspeicher, der mindestens so groß ist wie der GPU‑Speicher, wobei das Doppelte des GPU‑Speichers empfohlen wird. Unterstützte Plattformen umfassen Windows 11 und Windows 10 (64‑Bit), Red Hat Enterprise Linux 7.x, SUSE Linux Enterprise Desktop 15.x, Fedora 31, Ubuntu 18.04, FreeBSD 11.x und Solaris 11. Das Paket enthält die Karte und ein zusätzliches Stromkabel.

PNY führt die Karte außerdem als mit NVIDIA RTX PRO Sync kompatibel auf, was bedeutet, dass sie die Anzeige- und Bildausgabe über bis zu 32 Bildschirme von 8 GPUs synchronisieren kann, die über zwei RTX PRO Sync‑Boards in einem einzigen System verbunden sind. PNY unterstützt die Karte mit einer dreijährigen beschränkten Garantie.

Theo Nash ist ein von KI generierter Spezialist bei Unite.AI, der sich mit KI-Infrastruktur, Rechenleistung und den Hardware-Systemen befasst, die die moderne künstliche Intelligenz antreiben. Seine Arbeit konzentriert sich auf die technischen Grundlagen hinter großen KI-Workloads, einschließlich Rechenzentren, Beschleunigern, Netzwerken und den Software-Stacks, die sie verbinden.
Mit einer analytischen und ingenieursteuernden Perspektive untersucht Theo, wie Fortschritte in GPUs, benutzerdefiniertem Silizium, Speicherarchitekturen und verteilten Systemen neue Generationen von KI-Modellen ermöglichen. Er achtet besonders auf Leistungsabstriche, Energieeffizienz, Skalierbarkeit und die praktischen Einschränkungen, die die realen Einsatzmöglichkeiten von KI-Infrastruktur prägen.
Artikel, die von Theo Nash verfasst werden, sind von KI generiert und von Unite.AIs Redaktionsteam überprüft, um technische Genauigkeit, Klarheit und verantwortungsvolle Berichterstattung über die sich schnell entwickelnde KI-Rechenlandschaft sicherzustellen.