黑料不打烊

Globale Trends und Erkenntnisse im disaggregierten GPU-Markt

Steigende Nachfrage nach GPU-Pooling in KI-Trainingsclustern

Der disaggregierte GPU-Markt erh?lt direkte Unterstützung durch GPU-Pooling, da gro?e KI-Trainingsl?ufe nun davon abh?ngen, viele physische GPUs als eine einzige gemeinsam genutzte logische Ressource zu behandeln. NVIDIAs sechste NVLink-Generation lieferte 1,8 TB/s bidirektionale Bandbreite pro GPU, und NVLink-Switch-Systeme unterstützten 72 GPUs in einem einzigen NVL72-Rack und lieferten 130 TB/s aggregierte In-Domain-Bandbreite, wodurch die Kommunikationsgrenzen reduziert wurden, die benachbarte Racks früher in isolierte Compute-Inseln trennten.^{[1]NVIDIA Developer Blog, "Skalierung der KI-Inferenzleistung und -Flexibilit?t mit NVIDIA NVLink und NVLink Fusion," NVIDIA Developer Blog, developer.nvidia.com} Diese Verlagerung ist für Billionen-Parameter-Modelle bedeutsam, da der Speicher- und Bandbreitendruck sich nun über vollst?ndige Trainingscluster erstreckt und nicht mehr auf einen einzelnen Knoten beschr?nkt ist, und der disaggregierte GPU-Markt reagiert mit Architekturen, die es erm?glichen, dass Leerlaufkapazit?t viel schneller aktiven Workloads beitritt. Agentische KI fügt eine weitere Nachfrageschicht hinzu, da Prefill-Phasen rechenintensiv sind, w?hrend Decode-Phasen speicherbandbreitenintensiv sind, und dieses Muster erfordert, dass Pools in Sekunden neu zugewiesen werden, anstatt durch langsamere manuelle Planungszyklen. AWS demonstrierte dieses Betriebsmodell in der Produktion mit llm-d und der NVIDIA Inference Xfer Library auf Blackwell-Knoten, wobei disaggregierte Inferenz den Durchsatz bei hoher Parallelit?t um 70 % verbesserte.

Verlagerung hin zu getrennten Compute- und Speicherarchitekturen

Der disaggregierte GPU-Markt schreitet auch voran, da Betreiber Compute von lokalem Speicher trennen und Speicherkapazit?t als gepoolte Infrastrukturschicht behandeln. In Tsinghua Science and Technology ver?ffentlichte Forschungsergebnisse beschrieben CXL-basierte Speicher-Disaggregation als einen wichtigen architektonischen Schritt für intelligente Rechenzentren, da gemeinsam genutzte Speicherpools durch Standard-Lade- und Speicheroperationen von mehreren Compute-Knoten erreicht werden k?nnen. ByteDance-Forscher erweiterten diese Richtung, indem sie einen gemeinsam genutzten 768-GB-Speicherpool demonstrierten, der aus Micron CXL Typ-3-Karten und einem TITAN-II CXL-Switch aufgebaut wurde und kollektive GPU-Kommunikation über 3 Knoten mit NVIDIA H100-GPUs ohne ?nderungen am Anwendungscode erm?glichte. Dies ist bedeutsam, da Langkontext-Inferenz 1 Million Token überschreitet und die KV-Cache-Nachfrage die auf jedem Beschleuniger verfügbare HBM-Kapazit?t übersteigt, was das Hinzufügen von gepooltem Speicher praktischer macht als den Austausch ganzer GPU-Flotten. Der disaggregierte GPU-Markt profitiert daher von CXL nicht nur als technische Option, sondern auch als wirtschaftlicher Weg für Betreiber, die mehr Speicherkapazit?t ben?tigen, ohne eine vollst?ndige Silizium-Erneuerung zu erzwingen.

Expansion von Hyperscale- und Cloud-nativer KI-Infrastruktur

Der disaggregierte GPU-Markt wird durch das Ausma? der Ausgaben für Hyperscale- und Cloud-native KI-Infrastruktur nach oben getrieben, die sich von isolierten Pilotprojekten zu Rack-Scale- und Multi-Site-Rollouts ausgeweitet haben. AMD kündigte im Mai 2026 Investitionen von mehr als 10 Milliarden USD in das Taiwan-?kosystem an, um seine Helios-Rack-Scale-Plattform über ODM-Partner, darunter Sanmina, Wiwynn, Wistron und Inventec, zu skalieren, mit Multi-Gigawatt-Bereitstellungen, die für die zweite H?lfte 2026 angestrebt werden. Google Cloud erkl?rte au?erdem, dass sein Virgo-Netzwerk-Fabric darauf ausgelegt ist, bis zu 80.000 NVIDIA Vera Rubin NVL72-GPUs in einem einzigen Rechenzentrum und mehr als 960.000 GPUs über mehrere Standorte hinweg zu verbinden, was unterstreicht, wie der disaggregierte GPU-Markt zur Grundlage für die Skalierung von Rechenzentren wird und nicht mehr eine Nischenarchitektur darstellt. Gleichzeitig eliminieren benutzerdefinierte Silizium-Programme bei AWS, Google und Microsoft nicht den Bedarf an disaggregierten GPU-Systemen, da Multi-Vendor-Infrastruktur neben ihnen entsteht. Intel und SambaNova demonstrierten das Modell 2026 mit einem heterogenen Inferenz-Stack, bei dem Intel Xeon 6 die Orchestrierung übernahm, SambaNova RDUs die Decode-Phase und NVIDIA Blackwell-GPUs die Prefill-Phase aus einem einzigen Produktionsrechenzentrum.

Energie- und W?rmeeffizienzgewinne durch Ressourcen-Disaggregation

Der disaggregierte GPU-Markt wird auch durch Einschr?nkungen bei der Stromversorgung und Kühlung gepr?gt, die Architekturentscheidungen nun ebenso stark beeinflussen wie die reine Compute-Nachfrage. Die Diablo-Spezifikation des Open Compute Project, die von Google, Meta und Microsoft im Oktober 2025 beigesteuert wurde, definierte disaggregierte Stromversorgungs-Rack-Designs, die IT-Racks von 100 Kilowatt bis 1 Megawatt mit 400-VDC- oder 800-VDC-Versorgung unterstützen. NVIDIA fügte im Dezember 2025 mit Blackwell B200-Leistungsprofilen einen weiteren Effizienz-Hebel hinzu, der bis zu 15 % Energieeinsparungen bei nicht mehr als 3 % Leistungseinbu?en liefert und einen bis zu 13 % h?heren Durchsatz in Anlagen mit fester Leistung erm?glicht. Phasenbewusste disaggregierte Inferenz verbessert das Bild weiter, da Prefill-Phasen Spitzenleistung verbrauchen, w?hrend Decode-Phasen einen geringeren Leistungsbedarf haben und über separate Ressourcenpools unterschiedlich verwaltet werden k?nnen. Forschungen zur BiScale-Architektur zeigten, dass koordiniertes DVFS über disaggregierte Prefill- und Decode-Ebenen die Decode-Energie um bis zu 48 % reduzierte und dabei Latenz-Service-Ziele einhielt, was den Betriebsfall für den disaggregierten Grafikprozessor (GPU)-Markt st?rkt, wo Energiegrenzen und Auslastungsziele nun gemeinsam voranschreiten.

Hohe Komplexit?t bei der Interconnect- und Fabric-Integration

Der disaggregierte GPU-Markt steht noch vor einer erheblichen Integrationsbarriere, da viele Bereitstellungen NVLink, PCIe, InfiniBand, Ethernet und CXL innerhalb eines einzigen Clusters koordinieren müssen. Auf der HotNets 2025 vorgestellte Forschungsergebnisse zeigten, dass ein effektives Pfadmanagement über intra-host heterogene Interconnects die gleichzeitige Koordination von PCIe-Switches, GPU-Fabric-Controllern, RDMA-NICs und Ethernet-Switches erfordert, und aktuelle Software-Stacks abstrahieren diese Komplexit?t nicht vollst?ndig. NVIDIAs NVLink Fusion reduzierte einen Teil dieses Problems, indem es benutzerdefinierten CPUs von MediaTek, Marvell, Qualcomm und Fujitsu erm?glichte, sich nativ mit NVIDIA-GPUs zu verbinden, aber dieser Schritt erweiterte einen propriet?ren Pfad, anstatt ein vollst?ndig neutrales Multi-Vendor-Fabric zu schaffen. Der Ultra Accelerator Link-Standard soll eine herstellerneutrale Alternative bieten, doch die Eingaben deuten darauf hin, dass Produktionshardware nicht vor Ende 2026 erwartet wurde und breite Bereitstellungen sich wahrscheinlich bis 2027 erstrecken werden. Der disaggregierte GPU-Markt steht in China auch vor einer regionalen Interoperabilit?tsobergrenze, wo inl?ndische Beschleuniger-?kosysteme inkompatible Kommunikationsprotokolle verwenden, was die praktischen Pooling-Vorteile einschr?nkt, die Betreiber im gro?en Ma?stab erzielen k?nnen.

Fragmentierung der Software-Orchestrierung über GPU-Stacks hinweg

Das Fehlen einer einheitlichen Orchestrierungsschicht über heterogene GPU-Umgebungen hinweg hemmt auch den disaggregierten GPU-Markt. Forschungen zur fragmentierungsbewussten Planung zeigten, dass Multi-Mandanten-Scheduler noch verschiedene Speicherisolierungs- und Partitionierungsans?tze über Vendor-Stacks hinweg in Einklang bringen müssen, was den Integrationsaufwand erh?ht und Bereitstellungszeitpl?ne verl?ngert. Auf der USENIX ATC 2025 vorgestellte Arbeiten zeigten, dass r?umlich-zeitliche GPU-Orchestrierung auf Kernel-Ebene eine detaillierte Kontrolle über herstellerspezifische Befehlspuffer und Kontextverwaltung erfordert, ohne dass heute eine standardisierte herstellerübergreifende Logik-Fabric oder Planungssemantik vorhanden ist.^{[2]Shulai Zhang et al., "Effizientes leistungsbewusstes GPU-Sharing mit Kompatibilit?t und Isolation durch Kernel-Space-Interception," USENIX ATC 2025, usenix.org} Das macht flottenweit disaggregierte Bereitstellungen für Hyperscaler mit gro?en Plattform-Engineering-Teams einfacher und für Unternehmensk?ufer, die gemischte GPU-Best?nde verwalten und eine gemeinsame Betriebsschicht ben?tigen, deutlich schwieriger. Der disaggregierte GPU-Markt wird daher mittelfristig wahrscheinlich weiterhin die gr??ten Betreiber bevorzugen, da die Standardisierungsarbeit noch in einem frühen Stadium ist und propriet?re ?kosysteme wenig Anreiz haben, schnell zu konvergieren.

*Unsere Prognosen behandeln die Auswirkungen von Treibern und Einschr?nkungen als richtungsweisend und nicht additiv. Die Wirkungsprognosen berücksichtigen Basiswachstum, Mischungseffekte und Wechselwirkungen zwischen Variablen.

Segmentanalyse

Nach Komponente: Hardware führt bei frühen Ausgaben, w?hrend Software an wiederkehrendem Gewicht gewinnt

Hardware machte 2025 81,32 % des disaggregierten GPU-Marktes aus, was die hohen Vorabkosten für Interconnect-Fabrics, Switch-Trays, Speichermodule und Rack-Scale-Compute-Systeme widerspiegelt. Jedes Vera Rubin NVL72-Rack kombinierte 72 Blackwell-GPUs, 36 Vera-CPUs, NVLink-Switch-Chips, BlueField-4-DPUs und Spectrum-X-Ethernet-Netzwerke in einer einzigen fabric-basierten Kapitaleinheit, wodurch die frühen Ausgaben im disaggregierten GPU-Markt auf gro?e Hyperscale-Beschaffungszyklen konzentriert blieben. Dieses Beschaffungsmodell ist bedeutsam, da K?ufer keine isolierten Karten oder Server erwerben, sondern sich zu eng integrierten Plattformen verpflichten, die Compute-, Netzwerk- und Verwaltungsf?higkeiten innerhalb eines einzigen Bereitstellungsereignisses bündeln. Der disaggregierte GPU-Markt zeigt daher in seiner aktuellen Phase einen hardware-lastigen Umsatzmix, insbesondere da Hyperscaler neue KI-Kapazit?ten in vollst?ndigen Racks aufbauen und nicht durch schrittweise Knoten-für-Knoten-Erg?nzungen. Dienste blieben die kleinste Komponentenschicht, doch Integration, verwalteter Betrieb und GPU-as-a-Service-Lieferung trugen für Systemintegratoren und spezialisierte Cloud-Betreiber noch attraktives Margenpotentzial.

Software wird voraussichtlich die schnellste CAGR von 34,08 % von 2026 bis 2031 im disaggregierten GPU-Markt verzeichnen, da Orchestrierungsschichten, Isolierungstools und Inferenz-Frameworks zunehmend den Wert bestimmen, den Betreiber aus jeder GPU ziehen. NVIDIA Dynamo trennte Prefill- und Decode-Zuweisungen, um die Auslastung auf Fabrikebene zu steigern, und dieses Design setzte einen Referenzpunkt, den Open-Source-Alternativen wie llm-d nun für Unternehmensbereitstellungen erreichen müssen. Dies ver?ndert das Umsatzmuster der disaggregierten GPU-Branche, da Software-Upgrades auch dann fortgesetzt werden k?nnen, wenn Hardware-Erneuerungszyklen sich verlangsamen oder wenn installiertes Fabric an Ort und Stelle bleibt. Betreiber, die disaggregierte Hardware in 2024 und 2025 installiert haben, werden wahrscheinlich neue Orchestrierungsschichten hinzufügen, bevor sie physische Interconnect-Assets ersetzen, was einen Pfad für wiederkehrende Software-Einnahmen schafft, der weniger an den Zeitpunkt des Rack-Austauschs gebunden ist. Im Laufe der Zeit sollte diese Dynamik Software eine gr??ere Rolle im disaggregierten GPU-Markt geben, auch wenn Hardware weiterhin die absoluten Ausgaben verankert.

Nach Beschleunigertyp: NVLink setzt den aktuellen Ma?stab, w?hrend CXL die Architektur erweitert

NVLink/NVSwitch-basierte Disaggregation hielt 2025 einen Anteil von 44,21 % am disaggregierten GPU-Markt, was NVIDIAs starke Position in KI-Trainings-Fabrics und die installierte Pr?ferenz für eng gekoppelte GPU-Kommunikation widerspiegelt. Die sechste NVLink-Generation lieferte 2024 1,8 TB/s pro GPU, und neuere NVLink-Switch-Systeme erm?glichten All-to-All-Kommunikation über 72 GPUs mit 130 TB/s aggregierter Bandbreite, was dem disaggregierten GPU-Markt eine Hochleistungsoption für Scale-up-Cluster bietet, die dichte lokale Kommunikation ben?tigen. PCIe-basierte Disaggregation behielt eine dauerhafte Rolle als Basis-Fabric in vielen Multi-GPU-Systemen und bot breite Kompatibilit?t ohne das gleiche Ma? an propriet?rer Abh?ngigkeit. InfiniBand- und Ethernet-basierte Ans?tze blieben in Scale-out-Umgebungen relevant, und Ethernet gewann insbesondere dort an Bedeutung, wo Betreiber gro?e KI-Cluster durch den Aufbau auf bestehenden Netzwerkinvestitionen erweitern wollten. Diese Aufteilung bedeutet, dass der disaggregierte GPU-Markt sich nicht auf ein universelles Fabric zubewegt, sondern auf ein geschichtetes Modell, bei dem Leistung, Offenheit und installierte Infrastruktur jeweils die endgültige Architektur beeinflussen.

CXL-basierte Disaggregation wird bis 2031 voraussichtlich mit einer CAGR von 34,46 % wachsen, unterstützt durch CXL 3.0-Speicher-Pooling und die CXL 4.0-Spezifikation, die die Bandbreite über physische PCIe 7.0-Schichten auf 128 GT/s verdoppelte und gebündelte Ports für einen viel h?heren Gesamtdurchsatz einführte. Forschungen in Tsinghua Science and Technology zeigten, dass CXL-Speicher-Disaggregation und GPU-Compute-Disaggregation verschiedene Schichten des Stacks bedienen, was darauf hindeutet, dass zukünftige Bereitstellungen im disaggregierten GPU-Markt sie kombinieren werden, anstatt eine Wahl zwischen ihnen zu erzwingen. Samsung Electronics entwickelt seine Pangea CXL-Speicherplattform mit Marvell und Liquid AI, um GPU-Speicher zu erweitern, wo HBM-Grenzen Inferenz-Batch-Gr??en und die Tiefe des Arbeitskontexts einschr?nken k?nnen. In der Praxis ist NVLink gut für eng gekoppelte GPU-zu-GPU-Kommunikation innerhalb des Racks geeignet, w?hrend CXL die Speicherkapazit?t und gemeinsame Speichernutzung über Knoten und breitere Systemdom?nen hinweg erweitert. Diese komplement?re Beziehung sollte dem disaggregierten GPU-Markt helfen, zu kompositionsf?higeren Architekturen zu reifen, ohne die Rolle der bereits in Produktionsclustern etablierten Hochbandbreiten-GPU-Fabrics zu verringern.

Nach Bereitstellungsmodus: Cloud-Lieferung pr?gt Standards, w?hrend On-Premise strategische Nachfrage h?lt

Cloud-basierte Bereitstellung hielt 2025 einen Anteil von 61,77 % an der disaggregierten GPU-Marktgr??e, und dasselbe Segment wird bis 2031 voraussichtlich die schnellste CAGR von 33,87 % verzeichnen. AWS führte disaggregierte Inferenz auf SageMaker HyperPod und Amazon EKS durch llm-d und die NVIDIA Inference Xfer Library ein, nutzte Elastic Fabric Adapter, um KV-Cache-Daten zwischen disaggregierten Knoten zu verschieben, und lieferte auf Blackwell-basierten Instanzen bis zu 70 % mehr Token pro Sekunde als bei Standardbereitstellungen. Google Cloud setzte ein weiteres Signal, als es erkl?rte, dass Virgo bis zu 80.000 Vera Rubin NVL72-GPUs in einem einzigen Rechenzentrum verbinden und über 960.000 GPUs über mehrere Standorte hinweg erweitern kann, was die Rolle der Hyperscaler bei der Festlegung des Betriebsmodells für den disaggregierten Grafikprozessor (GPU)-Markt unterstreicht. Der Vorteil der Cloud-Lieferung liegt nicht nur in der Skalierung, sondern auch in der F?higkeit, Kühl-, Fabric-Konfigurations- und Orchestrierungskomplexit?t hinter verwalteten Diensten zu verbergen. Deshalb neigt der disaggregierte GPU-Markt weiterhin zu Cloud-Plattformen, insbesondere für K?ufer, die Zugang zu fortschrittlicher KI-Kapazit?t ben?tigen, aber keine spezialisierte Infrastruktur selbst aufbauen und betreiben m?chten.

On-Premise-Bereitstellung ist im disaggregierten GPU-Markt für Unternehmen und Organisationen des ?ffentlichen Sektors weiterhin relevant, die sensible Workloads nicht in gemeinsam genutzte ?ffentliche Cloud-Umgebungen verlagern k?nnen. Die Eingaben zeigen, dass Unternehmensk?ufer preissensibler sind als Hyperscaler und disaggregierte Architekturen in der Regel erst dann einführen, wenn Cloud-Betreiber sie im gro?en Ma?stab validiert haben, was die On-Premise-Nachfrage auf einen langsameren, aber dennoch wichtigen Pfad dr?ngt. Regierungs- und Verteidigungsorganisationen bilden eine separate On-Premise-Kohorte, da souver?ne KI-Programme und nationale Sicherheitsregeln h?ufig luftgespaltene oder jurisdiktionsgebundene Compute-Umgebungen erfordern. Datenlokalisierungsanforderungen in der Europ?ischen Union und Teilen des asiatisch-pazifischen Raums unterstützen ebenfalls eine Untergrenze für dedizierte Infrastruktur, auch wenn Cloud der gr??ere und schneller wachsende Modus bleibt. Infolgedessen wird der disaggregierte GPU-Markt wahrscheinlich eine duale Struktur beibehalten, bei der Cloud-Plattformen das Innovationstempo vorgeben, w?hrend On-Premise-Bereitstellungen wichtig bleiben, wenn Compliance, Kontrolle oder Workload-Sensitivit?t den gemeinsamen Zugang einschr?nken.

Nach Anwendung: KI und HPC treiben die aktuelle Nachfrage, w?hrend Simulation neues Volumen aufbaut

KI und Hochleistungsrechnen machten 2025 72,49 % des disaggregierten GPU-Marktes aus und sind damit der prim?re Treiber aktueller Bereitstellungen. Die gr??ten Sprachmodelle und Reasoning-Systeme erfordern Speicherkapazit?t und Interconnect-Leistung, die die Grenzen isolierter Knoten überschreiten, sodass sich der disaggregierte GPU-Markt um Pooling und Fabric-Koordination als grundlegende Anforderungen für Frontier-Training und -Inferenz entwickelt hat. NVIDIA erkl?rte, dass Vera Rubin NVL72 im Vergleich zur vorherigen Grace Blackwell-Generation einen 10-fachen Agenten-Durchsatz liefern kann, was erkl?rt, warum Hyperscaler diese Plattformen sowohl für Trainingscluster als auch für reasoning-intensive Inferenzumgebungen einsetzen. Wissenschaftliche Forschung bleibt ebenfalls Teil dieses Segments, da Genomik, Klimamodellierung und Teilchenphysik burst-bereite Compute-Ressourcen ben?tigen, die im gro?en Ma?stab bereitgestellt werden k?nnen, ohne teure GPU-Ressourcen zwischen Jobs im Leerlauf zu lassen. Dieser Mix h?lt den disaggregierten GPU-Markt eng an Workloads gebunden, bei denen Auslastung, Speicher-Sharing und Interconnect-Effizienz direkt die wissenschaftliche Ausgabe oder Modellleistung beeinflussen.

Digitale Zwillinge und Simulation werden von 2026 bis 2031 voraussichtlich mit einer CAGR von 34,42 % wachsen, was die breitere Nutzung GPU-beschleunigter Physikmodelle in industriellen Betrieben, Designvalidierung und autonomem Systemtraining widerspiegelt. Der disaggregierte GPU-Markt profitiert hier, da viele Simulations-Workloads kurze Perioden sehr hoher Compute-Dichte ben?tigen, was gepoolte Ressourcen wirtschaftlicher macht als statische Server-Zuweisungen. NVIDIA erkl?rte, dass seine DSX-Plattform die Bereitstellungszeit von KI-Fabriken von Monaten auf Tage reduzieren und die Zeit bis zum ersten Umsatz beschleunigen kann, und dieses kommerzielle Modell beginnt zu beeinflussen, wie industrielle Nutzer über skalierbare Simulationsinfrastruktur nachdenken. Datenanalyse, Rendering und Visualisierung bleiben etablierte Anwendungsf?lle mit stetigem Wachstum, w?hrend Rendering von Echtzeit-GPU-Beschleunigung in immersiven industriellen Schnittstellen profitiert, die geringe Frame-Latenz erfordern. Zusammen verbreitern diese Muster den disaggregierten GPU-Markt über das Frontier-KI-Training hinaus und steigern die Nachfrage von K?ufern, die flexible Kapazit?t für operative digitale Workloads sch?tzen.

Nach Endnutzer: Hyperscaler halten die gr??te Basis, w?hrend spezialisierte Clouds schneller expandieren

Hyperscale-Cloud-Anbieter hielten 2025 einen Anteil von 47,63 % und hatten damit die gr??te Position im disaggregierten GPU-Markt sowie einen starken Einfluss auf Architekturstandards, Bereitstellungszeitpl?ne und Software-Entscheidungen. AWS, Google Cloud, Microsoft Azure und Oracle Cloud Infrastructure wurden als Bereitsteller von NVIDIA Vera Rubin NVL72-Systemen in der zweiten H?lfte 2026 identifiziert, was unterstreicht, in welchem Ausma? der disaggregierte GPU-Markt noch von Hyperscalern für die frühe Volumeneinführung abh?ngt. Ihre Vorreiterrolle geht über Kaufkraft hinaus, da sie auch pr?gen, wie Orchestrierung, Ressourcen-Pooling und verwaltete KI-Dienste für nachgelagerte Kunden verpackt werden. Unternehmen werden zu einer gr??eren Einführungsgruppe, n?hern sich Bereitstellungen jedoch in der Regel mit engeren Budgetkontrollen, st?rkerer Sensibilit?t gegenüber Integrationsrisiken und einer Pr?ferenz für dedizierte Cloud- oder On-Premise-Konfigurationen, bei denen die Datenexposition begrenzt werden kann. Regierungs- und Verteidigungsk?ufer bleiben ebenfalls relevant, da lange Beschaffungszyklen bei souver?nen Compute-Programmen noch gro?e Vertragswerte erzielen k?nnen.

Cloud-Dienstleister werden von 2026 bis 2031 voraussichtlich die schnellste CAGR von 34,63 % im disaggregierten GPU-Markt verzeichnen, da mittelgro?e Betreiber GPU-as-a-Service-Plattformen rund um Spezialisierung und Preisflexibilit?t aufbauen. NVIDIA identifizierte CoreWeave, Lambda, Nebius und Nscale unter den frühen Einführern von Vera Rubin und Spectrum-X Ethernet Photonics und demonstrierte damit, wie spezialisierte Clouds Kapazit?ten ausbauen, um Trainings- und Inferenznachfrage jenseits der gr??ten Hyperscaler-Plattformen zu bedienen. Ihre Position ist vielversprechend, aber auch exponiert, da sinkende Kosten pro Token bei Hyperscalern die Mietmargen komprimieren und kleinere Anbieter zwingen k?nnen, sich durch verwaltete Dienste und Anwendungsschicht-Support zu differenzieren. Telekommunikationsanbieter treten ebenfalls als edge-fokussierte Nutzer disaggregierter GPU-Systeme auf, w?hrend Forschungs- und akademische Einrichtungen eine kleinere Umsatzrolle spielen, aber dazu beitragen, Software-Barrieren durch Open-Source-Orchestrierungsarbeit wie llm-d und verwandte Kubernetes-native Werkzeuge zu senken. Diese Kombination aus dominanten Hyperscalern, schnell agierenden spezialisierten Clouds und gezielten ?ffentlichen und privaten K?ufern gibt dem disaggregierten GPU-Markt eine sich verbreiternde Nachfragebasis, ohne seine Abh?ngigkeit von einigen wenigen sehr gro?en Betreibern zu verringern.

Geografische Analyse

Nordamerika hielt 2025 einen Anteil von 52,71 % und damit den gr??ten regionalen Anteil am disaggregierten GPU-Markt, was die Tiefe der Hyperscale-Ausbauten in den USA widerspiegelt. AWS, Google Cloud, Microsoft Azure und Oracle Cloud Infrastructure wurden alle als Bereitsteller von NVIDIA Vera Rubin NVL72-Systemen in der zweiten H?lfte 2026 genannt, und diese Konzentration führender K?ufer verankert den disaggregierten GPU-Markt weiterhin in der Region. Nordamerika profitiert auch von einem dichten Hardware-?kosystem, bedeutender KI-Forschungsaktivit?t und einer ausgereiften GPU-Cloud-Schicht, einschlie?lich Anbietern wie CoreWeave, Lambda und Nscale. NVIDIAs Zusammenarbeit mit Intel im September 2025 zur Entwicklung benutzerdefinierter KI-Rechenzentrum-CPUs auf Basis von NVLink und x86 vertiefte regionale Lieferketten und erm?glichte eine st?rkere Integration zwischen Orchestrierungs-CPUs und GPU-Fabrics.^{[3]Intel Corporation, "Intel und NVIDIA entwickeln gemeinsam KI-Infrastruktur und Personal-Computing-Produkte," Intel Newsroom, newsroom.intel.com} Kanada bietet Unterstützung durch die N?he zur US-Hyperscale-Nachfrage und günstige Energiewirtschaft, w?hrend 厂ü诲补尘别谤颈办补 noch in einem früheren Stadium ist und eher an Hyperscale-Verfügbarkeitszonen in Brasilien und Kolumbien als an breiten On-Premise-Bereitstellungen gebunden ist.

Europa hielt einen bedeutenden, aber kleineren Anteil am disaggregierten GPU-Markt, wobei Deutschland, das Vereinigte K?nigreich und Frankreich die wichtigsten Bereitstellungszentren in den Nutzereingaben waren. Die Energieeffizienzrichtlinie der Europ?ischen Union schreibt die Berichterstattung über die Energieeffizienz von Rechenzentren mit einer IT-Last über 500 kW vor, was effizientere, disaggregierte Designs unterstützt und von Betreibern messbare Anlagenleistung verlangt. Deutschlands Automobil- und Pr?zisionsfertigungsbasis unterstützt die Nachfrage nach digitalen Zwillings- und Physiksimulations-Workloads, bei denen Burst-Compute durch gepoolte Infrastruktur leichter zu rechtfertigen ist als durch feste Server-Zuweisungen. Das Vereinigte K?nigreich tr?gt durch ein aktives GPU-Cloud-Segment bei, w?hrend Frankreich und Italien souver?ne KI-Compute-Programme ausweiten, die disaggregierte GPU-Kapazit?t einbeziehen.

Der asiatisch-pazifische Raum wird zwischen 2026 und 2031 voraussichtlich mit einer CAGR von 34,39 % wachsen und damit die schnellste Wachstumsrate im disaggregierten GPU-Markt w?hrend des Prognosezeitraums aufweisen. Die Region wird durch Chinas Hyperscale-KI-Ausgaben, 厂ü诲办辞谤别补s vertikal integrierte Speicher-Lieferkette, Japans Fertigungs- und Automatisierungsbedarf sowie ?ffentliche KI-Infrastrukturprogramme in Indien und Singapur angetrieben. China baut inl?ndische disaggregierte Architekturen rund um propriet?re Interconnect-Ans?tze auf und schafft damit eine gespaltene regionale Struktur, in der chinesische Stacks sich von denen unterscheiden, die anderswo im disaggregierten GPU-Markt verwendet werden. 厂ü诲办辞谤别补 profitiert von SK Hynix's Position bei der HBM3e-Produktion, was inl?ndischen Betreibern einen früheren Zugang zu Speicher-Subsystemen erm?glicht und eine schnellere Kapitalbereitstellung in Rechenzentren unterstützt. Indien bewegt sich ebenfalls schnell, da staatlich gef?rderte KI-Initiativen und Hyperscale-Cloud-Zonen expandieren, w?hrend der Nahe Osten und Afrika noch früher in der Entwicklung sind, aber durch souver?ne KI-Investitionsprogramme in den Vereinigten Arabischen Emiraten und Saudi-Arabien Unterstützung erhalten.