Am 16. November 2026 hat NVIDIA auf der Supercomputing-Konferenz SC26 in Chicago Rubin HPC vorgestellt: eine neue GPU der Vera-Rubin-Plattform mit mehr als 50.000 CUDA-Kernen auf einer einzigen Karte, gebaut speziell für Simulationen in Wissenschaft, Technik und Datenanalyse. Die Verfügbarkeit wird für 2028 erwartet.
Für wen die 50.000 Kerne da sind: Agenten schlagen vor, Simulationen filtern aus
Rubin HPC ist anders positioniert als der Rubin-Chip, der große Modelle trainiert: Er zielt auf einen Workflow, in dem Agenten Kandidaten vorschlagen – neue Materialien, Moleküle, Designs – und GPU-Simulationen prüfen, welche davon den Weg ins Labor wert sind. Über die Kernzahl hinaus hat NVIDIA ihm eine Beschleunigung für spärliche Daten mitgegeben, damit verstreut liegende Daten mit dem Verbrauch der Kerne Schritt halten, sowie NVLink der siebten Generation für die Verbindung zwischen GPUs. Ian Buck, NVIDIAs Vizepräsident für Hyperscale und HPC, beschreibt es als Lösung für den Engpass, der entsteht, nachdem Agenten ein Experiment vorgeschlagen haben: die Rechenleistung, um es zu testen. Auf derselben Konferenz erweiterte NVIDIA auch seine CUDA-X-Bibliotheken für den Einsatz durch KI-Agenten.
Die nicht veröffentlichten Zahlen sind genauso wichtig
NVIDIA nannte weder Speicherkapazität noch Speichertyp, keinen Stromverbrauch, keine Double-Precision-Leistung und keinen Preis und benannte keine Launch-Partner oder Kunden. Zum Vergleich: Die aktuelle Rubin-GPU hat 28.672 CUDA-Kerne – Rubin HPC verdoppelt das fast. Doch mehr Kerne bedeuten nicht automatisch schnellere Simulationen: Spärliche Workloads hängen stärker von der Speicherbandbreite ab, und genau dieser Teil wurde nicht offengelegt. Ein Liefertermin 2028 macht dies zudem zu einer Enthüllung zwei Jahre im Voraus – mit Schlüsseldaten, die für eine Kaufentscheidung noch fehlen.
Rubin HPC und Vera Rubins Triumph bei den MLPerf-Trainingsbenchmarks sind zwei Seiten derselben Plattform – Vera Rubin räumt beim MLPerf-Trainingsdebüt ab: Einzelleistung verdoppelt, Skalierungseffizienz nahe 97 %: Die eine Seite trainiert große Modelle, die andere fährt Simulationen für Forschungsagenten. NVIDIAs Botschaft lautet, dass dieselbe Chipgeneration sowohl KI-Fabriken tragen als auch die nächste Welle des wissenschaftlichen Rechnens auffangen soll.