Die Computex 2026 hat in Taipeh begonnen, und wie üblich gab NVIDIA mit einer Keynote von Jensen Huang, die sich über die gesamte Roadmap des Unternehmens erstreckte, den Ton an. Ein Großteil davon drehte sich um die bereits bekannten Innovationen im Bereich der Rechenzentrums-GPUs, darunter die nun in Serie produzierte Vera Rubin und die mittlerweile vertraute Botschaft, dass Agenten jede Ebene des Computings revolutionieren werden. Wir werden das hier nicht alles wiederholen.
Das wirklich Neue an dieser Keynote – und der Grund, warum sie für alle im Client-Bereich relevant war – betraf den PC. NVIDIA und Microsoft nutzten die Computex, um eine Neuerfindung des Windows-Rechners anzukündigen, und zwar für eine ganze Produktfamilie anstatt nur für ein einzelnes Gerät. Doch bevor wir darauf eingehen, lohnt sich ein weiterer Aspekt im Rechenzentrumsbereich.
Ein genauerer Blick auf das LPX-Gestell
Ein Detail im Rechenzentrum fiel uns besonders auf: Das LPX-Rack hat sich verändert. Die Systeme scheinen von einer Höheneinheit (1 OU) auf zwei Höheneinheiten (2 OU) umgezogen zu sein, und auch die vier Groq C2C-Verbindungen sehen anders aus als in unserer früheren Berichterstattung über das LPX-Rack . NVIDIA ermöglichte uns diesmal einen noch genaueren Blick auf das Rack. Abgesehen von diesen beiden Änderungen fiel uns äußerlich nichts weiter auf, was uns sehr neugierig macht, was sich in der zweiten Ebene verbirgt.
Eine dreistufige PC-Familie
NVIDIA hat eine neue Produktfamilie von Client-PCs angekündigt: einen Laptop, einen Desktop-PC und eine Workstation. Alle basieren auf der gleichen Spark- und Blackwell-Architektur und sind für Windows ausgelegt. Jensen bezeichnete sie als die erste komplett neu entwickelte PC-Reihe seit 40 Jahren. Unabhängig davon, ob man diese Darstellung teilt, ist es wichtig, die Struktur zu verstehen, da sich die einzelnen Produktlinien an ganz unterschiedliche Käufergruppen richten. Wir werden sie der Reihe nach betrachten.
Die RTX Spark Laptops
Das Herzstück der Laptops bildet der RTX Spark Superchip, den NVIDIA unter dem Codenamen N1X vorstellte und in Zusammenarbeit mit MediaTek entwickelte. Es handelt sich um einen Chip mit 70 Milliarden Transistoren, der im 3-nm-Verfahren von TSMC gefertigt wird und zwei Chiplets zu einem SoC vereint. Die GPU basiert auf einem leistungsstarken Blackwell-Design mit 6,144 CUDA-Kernen und Tensor-Kernen der fünften Generation mit FP4-Präzision und einer KI-Leistung von 1 Petaflop (FP4). Sie ist über NVLink-C2C mit 600 GB/s (NVIDIAs Angabe entspricht etwa dem Fünffachen von PCIe Gen 5 bei deutlich geringerem Stromverbrauch) mit einer 20-Kern-Grace-CPU verbunden. Der Arbeitsspeicher beträgt maximal 128 GB mit einer Bandbreite von 300 GB/s.
Wenn sich das wie ein Datenblatt des DGX Spark liest, liegt das daran, dass es fast genau das ist. NVIDIA bestätigte dies in der Pressekonferenz und bezeichnete den Chip mit voller Ausstattung als „basierend auf demselben System“ wie den DGX Spark, jedoch für eine andere Plattform in Hardware und Software optimiert. Der DGX Spark richtet sich demnach an Linux- und KI-Entwickler, während der RTX Spark primär für Windows entwickelt wurde und die RTX-Gaming- und Kreativfunktionen auf demselben Siliziumchip nutzt. NVIDIA beschreibt die Leistung als „vergleichbar mit einer RTX 5070 Laptop-GPU“, schränkt aber ein, dass der Vergleich je nach Arbeitslast variiert, da sich ein SoC mit integriertem Speicher deutlich anders verhält als eine dedizierte GPU über PCIe. Genau hier liegt unser besonderes Interesse an den Erfahrungen mit dem DGX Spark, und wir erwarten, dass sich dieser Launch vom letzten unterscheidet. In unseren Tests mit dem DGX Spark fiel uns besonders auf, wie nah die verschiedenen OEM-Designs beieinander lagen. Einige Implementierungen waren technisch besser als andere, aber da alle Einheiten im Wesentlichen auf der gleichen NVIDIA-Referenzplattform mit der gleichen Leistungs- und Wärmekapazität aufgebaut waren, lagen die realen Leistungswerte eng beieinander.
Wir gehen nicht davon aus, dass dies hier der Fall sein wird. RTX Spark kommt in Laptops zum Einsatz, einige davon sind nur 14 mm dünn und wiegen lediglich 3 kg. NVIDIA bestätigte, dass diese Chips je nach Konfiguration zwischen wenigen Watt und maximal etwa 80 Watt verbrauchen werden. Jeder OEM kann dabei seine Kühlmethode frei wählen, von Vapor Chambers bis hin zu fortschrittlichen Heatpipes. In einem so dünnen Gehäuse wird der Chip mit ziemlicher Sicherheit leistungsmäßig begrenzt sein, was wiederum zu thermischen und frequenztechnischen Limitierungen führt. Das ist keine Kritik, sondern physikalisch bedingt. Es bedeutet aber auch, dass der OEM, der die bessere Kühllösung entwickelt, dem Chip ein höheres Leistungsbudget zur Verfügung stellt und die Lüfterkurven optimal anpasst, einen deutlichen und dauerhaften Leistungsvorsprung gegenüber einem dünneren und leiseren Konkurrenten mit identischem Silizium erzielen könnte. Zwei Laptops mit demselben Chip und demselben Speicher könnten spürbar unterschiedliche Dauerleistungen liefern. Herauszufinden, welcher OEM das volle Potenzial des Chips ausschöpft, ist genau die Art von Test, die wir lieben. RTX Spark umfasst zudem eine ganze Chipfamilie. NVIDIA hat klargestellt, dass es mehrere Varianten geben wird, wobei das Topmodell (20 CPU-Kerne, bis zu 128 GB RAM) die Spitzenposition einnimmt. Innerhalb der gesamten Produktfamilie wird der Arbeitsspeicher zwischen 16 GB und 128 GB variieren. NVIDIA erwartet allein in der ersten Welle über 30 Laptops und weit über 10 Desktop-PCs von allen großen OEMs, darunter auch bekannte Modelle wie das Dell XPS 16 Creator Edition, das HP OmniBook und das Microsoft Surface Laptop Ultra.
Zwei Hardware-Details stimmen uns optimistisch. Erstens die Netzwerkfunktionen, genauer gesagt deren Fehlen. Der DGX Spark wurde mit NVIDIAs ConnectX-7-Netzwerk und integrierter 200GbE-Konnektivität ausgeliefert, was zwar für einen Entwickler-Cluster-PC ideal war, aber Platz, Strom und Kosten auf der Platine beanspruchte. NVIDIA hat bestätigt, dass die RTX Spark-Laptops nicht mit dem CX7-Paket ausgestattet sein werden. Für einen Windows-Laptop für Endverbraucher ist das die richtige Entscheidung. Mit dem dadurch freigewordenen Platz und dem geringeren Stromverbrauch wünschen wir uns deutlich besseren Speicher in diesen Geräten. Der Speicher des DGX Spark war zwar ausreichend, aber nie das Highlight. Ein Notebook für Endverbraucher, das keine Netzwerk-Silicon-Chips benötigt, hat allen Grund, mit schnelleren und größeren NVMe-SSDs ausgestattet zu sein. Zweitens die Anschlüsse. Da alle DGX Spark-Geräte dasselbe Referenzboard verwendeten, wurden alle mit denselben Ports ausgeliefert. Nach der Einheitlichkeit des DGX Spark wäre eine echte Vielfalt an Anschlüssen je nach Hersteller wünschenswert.
Die Akkulaufzeit ist die letzte Frage bei Laptops und der Fokus unserer Benchmarks. NVIDIA versprach ganztägige Akkulaufzeit für Produktivität und Surfen, gab aber gleichzeitig zu, dass Gaming oder KI-Anwendungen unter Volllast jeden Laptop in 45 Minuten bis einer Stunde leeren. Wir sind gespannt darauf, die Akkulaufzeit bei tatsächlicher KI-Arbeit zu messen. Ein Agent, der auch dann läuft, wenn der Nutzer nicht aktiv ist, klingt vielversprechend, aber lokale Inferenz mit Akku ist ein echtes Argument. Der Unterschied zwischen ganztägigem E-Mail-Verkehr und ganztägigem Betrieb eines 120B-Modells könnte enorm sein. Wir haben eine umfassende Suite maßgeschneiderter Benchmarks für KI-Computing auf genau dieser Plattform entwickelt und planen, die tatsächliche Produktivitätssteigerung zu messen, anstatt uns blind auf die Marketingangaben zu verlassen.
Der RTX Spark Desktop
NVIDIA bestätigte, dass die kompakten RTX Spark Desktop-PCs diesen Herbst zusammen mit den Laptops erscheinen werden und präsentierte ein Modell von MSI auf der Bühne. Ehrlich gesagt, sieht er auf den ersten Blick wie ein DGX Spark aus, und das ist auch schon alles, was wir darüber wissen. Das Design unterscheidet sich von dem des von uns getesteten DGX Spark, aber darüber hinaus gab NVIDIA nur sehr wenige Informationen preis.
Unsere Fragen sind naheliegend und müssen beantwortet werden, bis wir die Hardware im Test haben. Wie verhält sich die Dauerleistung des Desktop-PCs im Vergleich zu den Laptops und dem DGX Spark, da er deutlich mehr thermischen Spielraum als ein 14 mm dünnes Notebook bieten sollte? Und behält der Desktop-PC die 200G-Netzwerkanbindung des DGX Spark bei oder verzichtet er – wie die Laptops – auf das CX7-Gehäuse, um einen günstigeren Preis zu erzielen?
DGX Station
Die dritte Stufe ist die wichtigste, und es handelt sich um ein Gerät, das wir bereits kennen. NVIDIA hat die DGX Station schon öffentlich vorgestellt, und wir hatten kürzlich die Gelegenheit, sie selbst auszuprobieren. Da die wichtigsten Spezifikationen schon länger bekannt sind, werden wir hier nicht weiter ins Detail gehen und in unserem demnächst erscheinenden Testbericht ausführlicher darauf eingehen.
Kurz gesagt: Die DGX Station für Windows basiert auf dem GB300 Grace Blackwell Ultra Desktop-Superchip und kombiniert eine Blackwell Ultra GPU mit einer 72-Kern-Grace-CPU. Sie verfügt über bis zu 748 GB zusammenhängenden Speicher und bis zu 20 Petaflops FP4 – genug, um Billionen-Parameter-Modelle lokal auszuführen und, laut NVIDIA, Hunderte von Agenten gleichzeitig zu verwalten. Im Gegensatz zu den Spark-Geräten für Endverbraucher bietet sie schnelle Netzwerkverbindungen mit einer ConnectX-8 SuperNIC mit bis zu 800 Gbit/s sowie optional eine RTX PRO 6000 Blackwell Workstation-GPU.
Die große Frage ist: Kann Microsoft das schaffen?
Um es klarzustellen: DGX Spark war ein großer Erfolg für NVIDIA, und wir sind sehr optimistisch, was diese gesamte Produktfamilie angeht. Die Hardware überzeugt, die Effizienz stimmt, und NVIDIA hat die Leistungsfähigkeit der Chips bereits unter Beweis gestellt. Wir sind jedoch skeptisch, ob Microsoft diese Geräte ausreichend unterstützen kann.
Microsoft geriet in letzter Zeit aus den falschen Gründen in die Schlagzeilen, da die Unzufriedenheit der Nutzer mit der Entwicklung von Windows wächst. Manche nennen es deshalb „Microsoft-Chaos“. Die Kritikpunkte sind bekannt: die aggressive Integration von Copilot in alle Bereiche des Betriebssystems, die vertikale Einbindung von KI in die gesamte Architektur und langjährige Praktiken wie das faktische Aufzwingen von OneDrive. Hinzu kommt, dass Windows on Arm keine ausgereifte Plattform ist. NVIDIA setzt stark darauf, dass es diesmal anders sein wird, und verweist auf die jahrelange Zusammenarbeit am Prism-Emulator sowie die Kooperation mit allen wichtigen Anbietern von Anti-Cheat-Software. Die Antwort des Unternehmens auf die Frage „Warum wird Windows on Arm jetzt Erfolg haben?“ lautet im Grunde: „Weil endlich alle ihre volle Kraft dafür einsetzen.“ Das mag durchaus stimmen. Es ist im Grunde auch das, was wir beim letzten Mal gehört haben.
Ich persönlich drücke Microsoft die Daumen, denn das Potenzial ist enorm. Die RTX Spark ist ein leistungsstarker Gaming-Laptop, vergleichbar mit einer RTX 5070. Wenn die Emulation und die Treiber funktionieren, könnte sie sich als günstigere und effizientere Alternative zu Gaming auf NVIDIAs eigenen Notebooks mit dedizierter Grafikkarte erweisen. Auch der Linux-Aspekt ist nicht zu vernachlässigen. Die Hardware ist die gleiche, daher sollte die RTX Spark dieselbe starke Linux-Unterstützung erhalten, die die DGX Spark zu einem so leistungsfähigen kleinen Gerät gemacht hat. Wir sind sehr gespannt, ob die Verbesserungen bei Gaming und Grafik unter Windows auch unter Linux spürbare Leistungssteigerungen bringen. Sollte Microsoft mit einer so vielversprechenden Plattform scheitern, könnte die Linux-Expertise bedeuten, dass dieser Launch endlich den Durchbruch für Linux-Desktops in der breiten Masse markiert.
Die größte Überraschung für uns war NVIDIAs Entscheidung, Windows überhaupt auf der DGX Station zu installieren. Als das Produkt 2025 angekündigt wurde, hielten viele unserer Kollegen und wir das für einen genialen Schachzug. Software-Support hinkt neuer Hardware traditionell hinterher, oft um Jahre, bis Kernel und Tools ausgereift genug sind, um das volle Potenzial des Siliziums auszuschöpfen. Eine DGX Station war die Maschine, die führende KI-Labore, Forscher und Organisationen kaufen konnten, um auf der neuesten Architektur zu entwickeln, lange bevor die entsprechenden Rechenzentren aufgebaut waren. Das Problem ist, dass das Produkt ein Jahr zu spät kommt. Und obwohl wir die Zeit mit dem System – abgesehen von einigen Macken aus der Vorserienphase (ein paar davon bereiteten mir schlaflose Nächte) – durchaus genossen haben, können wir die Installation von Windows auf einer Maschine, die eindeutig für anspruchsvolle KI konzipiert ist, nicht rechtfertigen. Der B300 besitzt keine RT-Kerne, daher würden viele von NVIDIAs eigenen Workstation-Workloads auf die optionale dedizierte RTX PRO-Grafikkarte angewiesen sein, sodass der B300 ausschließlich für KI-Aufgaben zur Verfügung stünde. Wir sind sehr gespannt, wie sich die Windows-Unterstützung auf der DGX Station tatsächlich schlägt, und ehrlich gesagt skeptisch, ob Microsoft hier ein gutes Benutzererlebnis bieten und die B300- und 800G ConnectX-8-Netzwerkfunktionen auf einem einzigen Host wirklich nutzen kann.
Eine neue Produktfamilie, jede Generation
Das Detail aus der Keynote, das uns am meisten in Erinnerung geblieben ist, war nicht eine Spezifikation.
Jensen präsentierte diese PC-Produktreihe als dauerhafte Produktfamilie und versprach einen Desktop-PC, einen Laptop und eine Workstation für jede zukünftige Architekturgeneration. Er behauptet, dass 100 % der PC-Branche mit an Bord seien.
Nur nebenbei bemerkt: Wir haben nun endlich den kleineren 400-TFLOPS-N1-Grace-Blackwell-Spark-Superchip gesehen, der hier erwähnt wurde. Es wird spannend sein zu sehen, in welchen Geräten dieser Chip letztendlich zum Einsatz kommt.
Jenseits des PCs: Physikalische KI
Die zweite Hälfte der Keynote konzentrierte sich stark auf physikalische KI. Sie stellt eine ganz andere Welt dar als die oben erwähnte Client-Hardware, rundet aber das Bild der Computex ab. NVIDIA nutzte die Messe außerdem, um eine umfangreiche Sammlung von Tools und Fähigkeiten für physikalische KI-Agenten als Open Source unter github.com/NVIDIA/skills zu veröffentlichen. Dazu gehören auch Fähigkeiten für synthetische Daten wie neuronale Rekonstruktion, Videoaugmentation und die Generierung von Defektbildern, die Fertigungspartner wie TSMC, Foxconn und SK hynix bereits in ihren Produktionslinien einsetzen. Die wichtigsten Plattformen sind unten aufgeführt.
Isaac GR00T Referenz-Humanoidroboter
NVIDIA hat ein offenes Referenzdesign für einen humanoiden Roboter veröffentlicht. Dieser basiert auf einem Unitree H2 Plus-Chassis, ist fast 150 Meter groß und wiegt 1 Kilogramm. Dank zweier Sharpa Wave-Tastköpfe mit fünf Fingern verfügt er über insgesamt 75 Freiheitsgrade. Die Aktuatoren sind leistungsstark: Sie erreichen ein Drehmoment von bis zu 120 Newtonmetern an den Armen und bis zu 360 Newtonmetern an den Beinen. Die Nutzlast beträgt 7 Kilogramm und kann in der Spitze bis zu 15 Kilogramm tragen. Zur Sensorik ist der Roboter mit einer am Kopf befestigten Stereokamera mit einem horizontalen Sichtfeld von 140 Grad, Kameras an den Handgelenken zur Manipulation, einer Inertialmesseinheit sowie den üblichen WLAN-6- und Bluetooth-5.2-Konnektivitätsoptionen ausgestattet. Das Herzstück bildet NVIDIAs Jetson AGX Thor T5000 mit einer Blackwell-GPU mit 2,070 FP4-Teraflops, einer 14-Kern-Arm-CPU und 128 GB einheitlichem Speicher. Der Stromverbrauch ist konfigurierbar zwischen 40 und 130 Watt, und der Akku mit einer Wh-Kapazität ermöglicht eine Laufzeit von etwa drei Stunden. Die gesamte Architektur – von Isaac Teleop zur Datenerfassung über Isaac Sim und Isaac Lab bis hin zu den GR00T-Basismodellen und der Isaac-ROS-Middleware für die Bereitstellung – ist offen, sodass die Forschenden die Kontrolle über ihre Daten behalten. Stanford, die ETH Zürich, die UC San Diego und Ai2 gehören zu den ersten Anwendern. Die Hardware von Unitree ist ab Ende 2026 verfügbar, und ein Unitree-G1-Referenzworkflow wird in Kürze auf GitHub und Hugging Face veröffentlicht. Jensen sprach in gewohnt großen Worten von den Potenzialen humanoider Roboter und bezeichnete sie als „wirtschaftliche Chance im Billionen-Dollar-Bereich“.
Cosmos 3
Cosmos 3 ist NVIDIAs Open-Source-Grundlagenmodell für physikalische KI. Dieses Omni-Modell, das auf einer Mischung verschiedener Transformationsmethoden basiert, verarbeitet Text, Bilder, Videos, Umgebungsgeräusche und Aktionen in einem einzigen Stack und wurde mit Milliarden multimodaler Beispiele trainiert. Es erfüllt drei Funktionen: ein Bild-Sprach-Modell für multimodales Schließen, ein Weltmodell zur Simulation physikalischer Umgebungen und die Basis für die Welt-Aktions-Modelle, die Roboter für spezifische Aufgaben trainieren. Cosmos 3 ist als Cosmos 3 Super für hochpräzise Robotik und AV-Nachschulung, als Cosmos 3 Nano für schnelles Video- und Aktions-Schlussfolgern und als Cosmos 3 Edge für Echtzeit-Inferenz (in Kürze verfügbar) erhältlich. NVIDIA gibt an, dass Cosmos 3 in zahlreichen Benchmarks führend im Bereich der offenen Modelle ist, darunter Physics-IQ und R-Bench für die Weltgenerierung, RoboLab und RoboArena für Aktionsrichtlinien sowie VANTAGE-Bench für das Bildverständnis. Zudem kann es die Trainings- und Evaluierungszyklen für physikalische KI von Monaten auf Tage verkürzen. Es ist auf Hugging Face, GitHub und build.nvidia.com als NIM-Mikrodienste verfügbar und wird von einer Koalition unterstützt, zu der Agile Robots, Black Forest Labs, Runway und Skild AI gehören, sowie von Anwendern wie Samsung, LG Electronics, Li Auto und Doosan Robotics.
Alpamayo 2 Super
Für autonomes Fahren hat NVIDIA Alpamayo 2 Super vorgestellt. Es handelt sich um ein offenes, auf den Cosmos-Weltmodellen basierendes Modell mit 32 Milliarden Parametern, das auf der Verarbeitung von Bilddaten, Sprache und Aktionen basiert. Es analysiert, plant und agiert im gesamten Fahrprozess für die Entwicklungsstufe 4. Im Vergleich zu den Vorgängerversionen mit 10 Milliarden Parametern skaliert es auf eine vollständige 360-Grad-Rundumsicht. Alpamayo generiert sowohl übergeordnete Fahrentscheidungen als auch deren Kausalzusammenhänge und kann dank automatischer Kennzeichnung die Annotationszyklen von Monaten auf Tage verkürzen. NVIDIA positioniert Alpamayo als Lehrmodell, das in kleinere Netzwerke für den Einsatz im Fahrzeug (DRIVE AGX Thor) destilliert wird. Ergänzend bietet NVIDIA die Tools AlpaGym für geschlossenes Reinforcement Learning, OmniDreams für die Erstellung generativer Szenarien und Neural Reconstruction auf Basis von Omniverse NuRec zur Umwandlung von Flottendaten in 3D-Szenen an. Frühere Versionen von Alpamayo wurden fast 400,000 Mal heruntergeladen. Das neue Modell wurde mit dem COMPUTEX Best Choice Award ausgezeichnet und wird voraussichtlich diesen Sommer auf GitHub und Hugging Face verfügbar sein.
FAHREN Hyperion
Wenn Alpamayo das Gehirn ist, dann ist DRIVE Hyperion das Fahrzeug, in dem es läuft. Wir haben Hyperion bereits behandelt, daher gehen wir hier nicht erneut auf die Plattform ein, außer zu erwähnen, dass es sich um NVIDIAs Level-4-fähige Referenzplattform handelt, die auf dem Halos-Sicherheitssystem und DriveOS mit DRIVE AGX-Rechenleistung basiert. Spannender ist diesmal jedoch, wer dahintersteht. Uber integriert mehrere Hyperion-basierte Flotten, darunter ein Robotaxi-Programm in München, das noch in diesem Jahr startet. Foxconn und Foxtron planen die Einführung von Robotaxis in Taiwan im Jahr 2028, beginnend in Kaohsiung und mit anschließender Expansion in ganz Asien. VinFast bringt Level-4-Fahrzeuge nach Südostasien, Autobrains arbeitet sowohl mit VinFast als auch mit Uber zusammen, und HUMAIN führt die Technologie in Saudi-Arabien ein. Diese Partnerliste, mehr als jede einzelne Spezifikation, macht Hyperion so interessant.
Abschließende Gedanken
NVIDIA verfügt über die Siliziumchips und setzt sie nun überall ein – vom 14 mm dünnen Laptop über die Desktop-Grafikkarte GB300 bis hin zum Brustkorb eines Roboters. Diesem Teil glauben wir. Was uns ein Datenblatt jedoch nicht sagen kann, ist, ob Microsoft Windows on Arm den Hardwareaufwand wert machen kann, ob OEMs dem Spark-Chip sein volles Potenzial ausschöpfen oder ihn in einem zu dünnen Gehäuse ausbremsen und ob die Angaben zu Petaflops und Akkulaufzeit in Tests Bestand haben. Wir sind optimistisch, was die Hardware angeht, und skeptisch gegenüber der Software (Microsoft, nicht Linux). An dieser Einschätzung werden wir festhalten, bis die Geräte im Labor eintreffen. Dann stehen die Benchmarks bereit.
Amazon