Amazon und Nvidia bauen KI-Infrastruktur in großem Stil

Amazon und Nvidia haben ihre Partnerschaft zu etwas ausgebaut, das einer strategischen Allianz gleicht. Die beiden Unternehmen kündigten diese Woche an, dass AWS zwei Millionen weitere Nvidia-GPUs in seine Rechenzentren aufnehmen wird. Der Schritt unterstreicht, wie eng Cloud-Skalierung und die Nachfrage nach KI-Beschleunigern inzwischen miteinander verknüpft sind.

Es handelt sich dabei nicht um gewöhnliche Grafikchips. Der Auftrag umfasst Nvidias neueste KI-Beschleuniger: Blackwell Ultra sowie die Varianten Rubin und Rubin Ultra, die speziell für die rechenintensiven Aufgaben beim Training und Betrieb großer KI-Modelle entwickelt wurden. Die Auslieferung ist für 2027 und 2028 geplant. Damit erhält AWS ausreichend Vorlauf, um seine KI-Infrastruktur auszubauen, während die Workloads immer anspruchsvoller werden.

Das Timing ist bemerkenswert. Nvidia verkündete die Neuigkeit im Rahmen seiner Quartalszahlen, nur knapp fünf Monate nachdem Amazon zugestimmt hatte, noch in diesem Jahr mehr als eine Million Chips des Unternehmens einzusetzen. Seither übersteigt die Nachfrage laut Nvidia die eigenen Prognosen deutlich. Konkrete Dollarbeträge für den jüngsten Kauf wurden nicht genannt. Angesichts der Stückpreise von High-End-GPUs schätzen Branchenbeobachter das Volumen jedoch auf mehrere zehn Milliarden Dollar.

Was treibt diese Nachfrage an? Vor allem eine Welle rechenintensiver Workloads: Start-ups, die um den Aufbau von Foundation-Modellen konkurrieren; Unternehmen, die Pilotprojekte in den produktiven Betrieb überführen; KI-Forschungslabore, die Modellgrößen und Trainingszyklen weiter vorantreiben; und selbst Regierungen, die maßgeschneiderte KI-Systeme benötigen. All diese Akteure verbrauchen GPU-Kapazitäten in bislang ungekanntem Ausmaß.

Amazon gibt seine Silizium-Ambitionen dennoch nicht auf. AWS entwickelt und vermarktet weiterhin eigene Spezialchips: Trainium für das Training von Deep-Learning-Modellen und Graviton für CPU-Workloads auf Basis der Arm-Architektur. AWS hat sogar signalisiert, Trainium Dritten anzubieten und sich damit als direkter Konkurrent zu Nvidias Trainingshardware zu positionieren. Zugleich betont Amazon, dass das Geschäft mit eigenen Chips schnell wächst: In seinem jüngsten Update nannte das Unternehmen eine Umsatzrate auf Jahresbasis von rund 25 Milliarden Dollar, gestützt auf Zusagen im Wert von etwa 225 Milliarden Dollar, zu denen Kunden wie Anthropic und OpenAI zählen.

Warum also Millionen Nvidia-GPUs kaufen, wenn Amazon eigene Chips entwickelt? Weil sich Skalierung und Spezialisierung nicht ausschließen. Trainium und Graviton sind für bestimmte Workloads optimiert und bieten Kostenvorteile. Nvidias GPUs bleiben hingegen der Industriestandard für die breitesten und rechenintensivsten Modellklassen. Kurz gesagt: Der Stack wird diversifiziert, und für jede Aufgabe kommt das passende Werkzeug zum Einsatz.

Das Abkommen geht zudem über reine Cloud-Rechenleistung hinaus. Amazon plant, Nvidias Physical-AI-Ökosystem in seine Lagerhäuser und Unternehmensangebote zu integrieren – von der Simulationsplattform Omniverse über die Robotik-Middleware Isaac bis hin zu Jetson-Modulen für Edge Computing. Auf Software- und Modellebene sollen AWS-Dienste wie Bedrock und SageMaker Nvidias offene Modellfamilie Nemotron hosten. Das erleichtert Kunden den Einsatz großer Modelle innerhalb von AWS-Umgebungen.

Hinter dem Schritt steht eine operative Logik. Robotikflotten benötigen eng verzahnte Simulationen, Wahrnehmungsmodelle und Edge-Beschleuniger. Unternehmen wünschen sich vorintegrierte Modell-Stacks, die zuverlässig auf Cloud-Infrastruktur laufen. Indem AWS seine Größe und seinen Marktzugang mit Nvidias Ökosystem für Modellbeschleunigung verbindet, wollen beide Unternehmen die Einführung in Branchen beschleunigen, die das Potenzial moderner KI gerade erst erschließen.

Das Geschäft zeigt auch, wie wettbewerbsintensiv und zugleich voneinander abhängig der Markt für KI-Hardware geworden ist. Chipdesign, Software-Toolchains, Modellkataloge und der Betrieb von Rechenzentren sind eng miteinander verzahnt. Große Cloud-Anbieter können zwar eigene Chips entwickeln, bleiben jedoch auf spezialisierte Beschleuniger und die zugehörigen Software-Ökosysteme angewiesen. Für Kunden bedeutet das mehr Auswahl – aber auch mehr Komplexität bei der Frage, wo und wie kostspielige KI-Workloads ausgeführt werden sollen.

Künftig dürften mehrschichtige Partnerschaften wie diese zunehmen: strategische Käufe zur Sicherung von Kapazitäten, Ökosystemvereinbarungen für die Integration und Produkt-Roadmaps, die gegen schwankende Nachfrage absichern. Für alle, die die Entwicklung der KI-Infrastruktur verfolgen, ist die Botschaft klar: Die Ära von Commodity-Compute ist vorbei. Der Wettlauf dreht sich nun um maßgeschneiderte Skalierung – und sowohl AWS als auch Nvidia gehen dabei sehr hohe Einsätze ein.