Was ist passiert?
NVIDIA stellte DSX MaxLPS vor, ein System auf Standortebene, das dynamische Leistungszuteilung, arbeitslastspezifische GPU-Abstimmung und ein 45 °C-Flüssigkeitskühlungsdesign kombiniert. Seine Dynamic Power Software befindet sich in der Entwicklervorschau und soll ungenutzte Energie auf verwaltete Racks und GPUs umverteilen.
Am 21. August 2026 veröffentlichte NVIDIA einen technischen Blog zur Einführung von DSX MaxLPS, das als Maximum Land Power Shell erweitert wird. Der Begriff bezieht sich auf die drei festen Einschränkungen, die eine KI-Fabrik prägen: Land, Versorgungsstrom und das physische Gebäude, das Stromverteilung, Kühlung, Netzwerk- und Rechenausrüstung enthält. NVIDIA präsentiert MaxLPS als eine Kombination aus dynamischer Leistungszuteilung, Softwaretechniken zur Verbesserung der Leistung bei einem festen Leistungsniveau und Standortdesign basierend auf einem Betrieb mit Flüssigkeitskühlung am Einlass bei 45 °C. Das Unternehmen beschreibt das System als eine Möglichkeit, den Durchsatz innerhalb einer bestehenden Anlagenhülle zu erhöhen, und nicht als eine Möglichkeit, die Gesamtstromversorgung des Standorts zu erhöhen.
Die Dynamic Power Software von NVIDIA befindet sich derzeit in der Entwicklervorschau. Laut der Quelle modelliert es die Rechenzentrumshierarchie von der Versorgungsverbindung bis hin zu Gruppen, Racks, Knoten und GPUs. Betreiber legen Energiebudgets, Ressourcengruppen und Richtlinien fest; Die Software vergleicht dann die zugewiesene Leistung mit dem tatsächlichen Verbrauch und stellt ungenutzten Spielraum für andere Geräte innerhalb derselben verwalteten Gruppe zur Verfügung. Es erfasst außerdem Stromtelemetriedaten und kann nach bestem Wissen und Gewissen auf Ereignisse auf Standortebene, Wartungsbedingungen oder Notfallrichtlinien reagieren. NVIDIA sagt, dass DSX Exchange, ein Open-Source-Event-Bus, der sich ebenfalls in der Entwicklervorschau befindet, die Energiesoftware mit Gebäudemanagementsystemen, elektrischer Überwachung, Kühlinfrastruktur, Netzschnittstellen und Rechenzeitplanern verbinden kann, sagt aber, dass die Austauschschicht für die Funktion von MaxLPS nicht erforderlich ist.
Die Quelle verdeutlicht das Problem anhand zweier Beispiele. In einem 100-MW-Strombudget-Wasserfall weist NVIDIA 20 MW dem Anlagen-Overhead, 10 MW den Rack-Verlusten und 10 MW den betrieblichen Ineffizienzen wie Ausfällen, Neustarts und Checkpointing zu, sodass 60 MW für die KI-Last übrig bleiben. Separat wird ein Standortbudget von 540 kW beschrieben, bei dem die statische Bereitstellung 170 kW umfasst und die dynamische Bereitstellung ein weiteres Rack ermöglicht. Diese werden als illustrative Zahlen dargestellt, nicht als Messungen eines benannten, in Betrieb befindlichen Rechenzentrums. NVIDIA berichtet auch über repräsentative Inferenzauswertungen, bei denen die bereitgestellte Rack-Leistung von 125 kW auf 90 kW beim GB200 NVL72 und von 136 kW auf 101 kW beim Vera Rubin NVL72 sank. Diese Änderungen hätten den Workload-Durchsatz erhalten, 39 % bzw. 35 % mehr Racks ermöglicht und die Leistung pro Watt etwa um das 1,5-fache bzw. 1,3- bis 1,4-fache verbessert. Die getesteten Workloads waren DeepSeek-R1 und Kimi-K2.5. Die bereitgestellte Quelle bietet keine unabhängige Validierung oder vollständige Testprotokolle.
Lesen Sie die Primärquelle: developer.nvidia.com ↗
Warum es wichtig ist
KI-Rechenzentren werden zunehmend durch Strom, Kühlung und physische Infrastruktur eingeschränkt. Wenn die Behauptungen von NVIDIA bei unabhängigen Bereitstellungen zutreffen, könnte das System die nützliche KI-Leistung bestehender Stromanschlüsse steigern, die Quelle gibt jedoch keine Angaben zu den Kosten, zur Zuverlässigkeit oder zur allgemeinen Effizienz des Ansatzes.
Strom wird zu einem direkten Hindernis für den Ausbau der KI-Infrastruktur. Ein Rechenzentrum kann über Grundstücke, Netzwerkgeräte und Rack-Platz verfügen, kann aber dennoch keine weiteren GPUs mit Strom versorgen, weil sein Versorgungsanschluss, seine Verteilungsausrüstung oder seine Kühlanlage ihre Designgrenzen erreicht haben. Der Vorschlag von NVIDIA zielt auf eine spezifische Ineffizienz dieser Anordnung ab: Racks werden oft für Spitzenlasten bereitgestellt, obwohl Arbeitslasten Phasen wie Rechenspitzen, speichergebundene Ausführung, Synchronisierung, Checkpointing, Vorfüllung und Dekodierung durchlaufen. Wenn die Stromversorgung während dieser Änderungen sicher verlagert werden kann, kann eine Einrichtung nützlichere Schlussfolgerungen oder Trainingsergebnisse erzeugen, ohne sofort einen weiteren Stromanschluss sicherzustellen.
Der Ansatz zeigt auch, warum es sich hierbei um ein Anlagenprojekt und nicht um eine rein softwarebasierte Optimierung handelt. Laut NVIDIA sollten Standorte nach einem festen Bruttoleistungsumfang konzipiert und dann für Stromverteilung, Kühlung, Netzwerk und Rackpositionen dimensioniert werden, die die beabsichtigte langfristige GPU-Anzahl unterstützen können. Das Unternehmen empfiehlt, für Vera Rubin NVL72-Systeme einen Einlassbetrieb mit direkter Flüssigkeitskühlung bei 45 °C einzuplanen. Durch wärmeres Kühlmittel können Trockenkühler oder andere Formen der freien Kühlung einen größeren Teil der jährlichen Wärmerückführungslast bewältigen, wodurch in geeigneten Klimazonen die Abhängigkeit von mechanischen Kältemaschinen verringert wird. Dieses Potenzial hängt vom örtlichen Wetter, der Größe der Ausrüstung, der Redundanz und den Kontrollen ab. Anlagen, die nicht für die entsprechenden Temperaturen, Flüssigkeitskreisläufe oder Energieflexibilität ausgelegt sind, können die behaupteten Gewinne möglicherweise nicht ohne erhebliche Nachrüstungsarbeiten erzielen.
Für Betreiber liegt der praktische Reiz in der Optionalität. Ein Standort könnte zunächst weniger Racks bestücken, während schulungsintensive Workloads mehr Strom verbrauchen, und später Hardware hinzufügen, wenn sich der Workload-Mix in Richtung Inferenz verschiebt und der durchschnittliche Rack-Bedarf sinkt. Dies könnte den Zeitpunkt der Investitionen und der Anlagenerweiterung ändern. Dies allein führt nicht zu einer Reduzierung des Gesamtstrombedarfs durch KI und auch nicht zu einem Beweis dafür, dass weniger Rechenzentren gebaut werden. Mehr Kapazität innerhalb eines bestehenden Rahmens könnte stattdessen zusätzliche KI-Dienste wirtschaftlich rentabel machen. Die Quelle nennt keine Kunden, Einsatzumfang, Anschaffungskosten, gemessene jährliche Energieeinsparungen, Wasserverbrauch, Ausfallrate oder Auswirkungen auf das Service-Level. Die zentralen Angaben zu Kapazität und Leistung bleiben NVIDIA-Angaben, die auf repräsentativen Bewertungen basieren.
Was Sie als nächstes sehen sollten
Die wichtigsten Tests bestehen darin, ob Dynamic Power Software die allgemeine Verfügbarkeit erreicht, ob unabhängige Betreiber die gemeldeten Gewinne reproduzieren und wie sich das System bei Ausfällen, wechselnden Arbeitslasten und extremen Wetterbedingungen verhält. Das erforderliche thermische und elektrische Design kann die Akzeptanz in bestehenden Anlagen einschränken.
Die erste Frage ist die Produktreife. Dynamic Power Software und DSX Exchange sind beide als Developer Preview gekennzeichnet, sodass ihre unterstützte Hardware, Schnittstellen, Betriebsgarantien und Produktionsverfügbarkeit unbekannt bleiben. Zukünftige Dokumentationen sollten klären, wie Richtlinien durchgesetzt werden, wie schnell die Energie neu verteilt werden kann, was passiert, wenn die Telemetrie verzögert oder falsch ist, und ob Notfallmaßnahmen deterministisch sind. Laut NVIDIA arbeitet der Regelkreis bei Stromereignissen nach dem Best-Effort-Prinzip, was eine wichtige Einschränkung für Einrichtungen darstellt, die strenge Redundanz- und Serviceverpflichtungen einhalten müssen. Es wird auch wichtig sein, ob das System mit Geräten und Schedulern außerhalb des NVIDIA-eigenen Stacks arbeiten kann.
Die zweite Frage ist die Reproduzierbarkeit. Ein nützlicher Vergleich wäre die Veröffentlichung der nicht verwalteten statischen Basislinie, der Workload-Konfiguration, der Anzahl der Läufe, der Durchsatzdefinition, der Latenz, der Dienstfehlerrate, der GPU-Auslastung und der Leistungsmessgrenzen. NVIDIA selbst listet Durchsatz, Latenz, Dienstfehlerrate, Stromverbrauch, Auslastung und Richtlinieneinhaltung als Metriken für eine bereichsbezogene Validierung auf, die bereitgestellte Quelle liefert diese Ergebnisse jedoch nicht vollständig. Unabhängige Tests über Inferenz-, Trainings- und Post-Training-Workloads hinweg würden zeigen, ob sich die gemeldeten Verbesserungen über die beiden repräsentativen Inferenzfälle hinaus verallgemeinern lassen. Die Ergebnisse sollten auch von den Gewinnen getrennt werden, die durch neuere Hardware, Softwareversionen, Netzwerkänderungen oder arbeitslastspezifische Optimierungen verursacht werden.
Die dritte Frage betrifft den physischen Einsatz. Betreiber benötigen Nachweise von Standorten mit unterschiedlichen Klimazonen, Kühlarchitekturen, Versorgungseinschränkungen und Zuverlässigkeitsanforderungen. Das 45-°C-Design kann an manchen Standorten den Einsatz von Kältemaschinen reduzieren, an anderen könnte es jedoch neue Wärmeabfuhrgeräte, Steuerungen oder Wartungspraktiken erfordern. Beobachter sollten verfolgen, ob Einrichtungen die versprochenen Rackpositionen hinzufügen können, ohne die Stromverteilung, die Kühlkapazität oder die Netzwerkinfrastruktur zu erweitern, und ob das System den Durchsatz bei heißem Wetter, Ausfällen, Neustarts und Checkpoints aufrechterhält. Bis diese Ergebnisse vorliegen, ist MaxLPS am besten als eine vom Anbieter beschriebene Infrastrukturstrategie und Vorschausoftware zu verstehen und nicht als unabhängig etablierter branchenweiter Effizienz-Benchmark.
