Welche Compute-Stufe für Smart Factory und Digital Twin? Architektur statt Überdimensionierung

Anbieter zum Thema

PNY Technologies GmbH

NVIDIA GmbH

PC College Institut für IT-Ausbildung

BCS CAD + INFORMATION TECHNOLOGIES GmbH

CAD+T Solutions GmbH

Nicht jede KI-Anwendung benötigt einen riesigen Cloud-Cluster. Für digitale Zwillinge, Smart Factory und industrielle KI zählt vor allem die passende Compute-Architektur. Von der Workstation über Edge-Plattformen bis zum Datacenter gilt: Effizienz entsteht durch die richtige Rechenleistung am richtigen Ort. Von Frank Scheufens

Der Hype um künstliche Intelligenz hat in der industriellen Produktentwicklung zu einem kostspieligen Missverständnis geführt: Viele Unternehmen gehen davon aus, dass für digitale Zwillinge oder generative KI-Modelle zwangsläufig gigantische Cloud-Cluster erforderlich sind. Die Realität moderner Fertigungs- und Entwicklungsprozesse zeichnet jedoch ein differenzierteres Bild. Entscheidend ist nicht die größtmögliche Rechenleistung, sondern die passende Infrastruktur für die jeweilige Anwendung. Es geht um ”so viel Rechenleistung wie nötig”. Für eine effiziente Daten- und IP-Souveränität rücken lokale und hybride Konzepte zunehmend in den Fokus. Doch welche Hardware-Architektur passt zu welchem Szenario? Ein strukturierter Leitfaden von der CAD-Workstation bis zum Edge-Cluster.

Die Diskussion über rein cloudbasierte KI-Modelle blendet in der industriellen Praxis häufig drei zentrale Faktoren aus: Latenz, Bandbreite und Datensicherheit. Ein digitaler Zwilling, der Fertigungsstraßen in Echtzeit abbildet oder autonome mobile Roboter (AMRs) steuern soll, kann nicht auf die Antwortzeiten eines entfernten Rechenzentrums warten. Gleichzeitig erschwert der Schutz von Betriebsgeheimnissen und sensiblen CAD-Geometrien in vielen Fällen die Übertragung unternehmenskritischer und firmeneigener Daten über externe Netzwerke. Die Lösung liegt in einer intelligent skalierten On-Premise-Infrastruktur.

Wer die richtige Compute-Stufe wählt, investiert nachhaltig und vermeidet kostspielige Überdimensionierung.

1. Am Arbeitsplatz: Die lokale Workstation-GPU

Die Basis jeder Produktentwicklung bleibt der Arbeitsplatz des Konstrukteurs. Moderne CAD-Anwendungen wie AutoCAD nutzen zunehmend KI-gestützte Funktionen zur Automatisierung von Routineaufgaben. Gleichzeitig stellen kollaborative Plattformen wie NVIDIA Omniverse Enterprise auf Basis von OpenUSD hohe Anforderungen an die Grafikleistung, insbesondere bei fotorealistischem Echtzeit-Rendering.

Hier kommen dedizierte Workstation-GPUs ins Spiel. Im Vergleich zu Consumer-Karten bieten sie zertifizierte Treiber für professionelle CAD-Anwendungen und sorgen für maximale Stabilität in produktiven Umgebungen. Für Power-User bedeutet das: Lokales Prototyping und das Ausführen von Desktop-KI-Assistenten laufen direkt auf der Workstation – datenschutzkonform und latenzfrei.

2. Direkt in der Maschine: Embedded- und MXM-Module

Rückt die Rechenleistung näher an die Werkshalle, verändern sich die Anforderungen an die Hardware. Autonome Transportsysteme (AGVs) oder intelligente Roboterarme benötigen KI-Leistung direkt an Bord, um Hindernisse in Millisekunden zu erkennen und Fahrtwege in Echtzeit anzupassen. Gleichzeitig sind die verfügbaren Platz- und Energieressourcen häufig begrenzt.

In diesen extrem platzkritischen und thermisch anspruchsvollen Umgebungen kommen kompakte Formfaktoren wie MXM-GPUs zum Einsatz. Sie bringen die Rechenleistung moderner GPU-Architekturen in robuste, proprietäre Industriesysteme, ohne den Formfaktor einer klassischen PCIe-Steckkarte zu beanspruchen. Sie schaffen damit die Grundlage für intelligente Entscheidungen direkt am Ort des Geschehens.

3. An der Produktionslinie: Die Edge-Revolution mit IGX

Lange Zeit klaffte eine Lücke zwischen ultrakompakten Embedded-Boards und leistungsstarken Rechenzentrumsservern, die sich jedoch kaum direkt an der Produktionslinie, etwa neben einer CNC-Fräse, betreiben lassen. Für industrielle KI-Anwendungen direkt an der Produktionslinie fehlte häufig eine geeignete Zwischenlösung. Diese Lücke schließen dedizierte Edge-Plattformen wie die NVIDIA IGX-Architektur (von der etablierten IGX Orin bis zur neuen, hochperformanten IGX Thor-Plattform).

An der Produktionslinie geht es heute nicht mehr nur um das einfache Abgleichen von Kamerabildern. An der Produktionslinie geht es heute längst nicht mehr nur um das Abgleichen von Kamerabildern. Moderne Qualitätskontrollen nutzen Vision-Language-Modelle (VLMs), die Fehler nicht nur erkennen, sondern auch im Kontext des Produktionsprozesses einordnen können. So wird beispielsweise nicht nur ein Kratzer auf einem Bauteil identifiziert, sondern dessen mögliche Ursache im vorgelagerten Fertigungsprozess analysiert und eine Korrekturmaßnahme eingeleitet. IGX-Systeme sind für diese anspruchsvolle Sensorfusion ausgelegt. Durch integrierte funktionale Sicherheits-Mikrocontroller (sMCU) erfüllen sie zudem die Anforderungen industrieller Sicherheitsstandards (Functional Safety) und eignen sich für den Einsatz in Umgebungen mit direkter Mensch-Maschine-Kollaboration.

4. In der Entwicklungsabteilung: Server-GPUs und DGX Spark

Wenn komplexe Strömungssimulationen (FEA/CFD) berechnet oder unternehmensweite, kollaborative Digital Twins gerendert werden müssen, stoßen Einzel-Workstations an ihre Grenzen. In solchen Szenarien bietet sich ein hybrider Ansatz an.

1. Server-GPUs (PCIe): Modular in bestehende Server-Infrastrukturen integriert, ermöglichen sie Konstrukteuren den virtualisierten Zugriff auf rechenintensive Simulationen und Visualisierungsaufgaben. Die kritischen Daten verlassen dabei nicht das lokale Firmennetzwerk.
2. DGX Spark: Lösungen wie DGX Spark bieten einen wirtschaftlichen Einstieg für Entwicklungsabteilungen, die rechenintensive KI-Workloads lokal bündeln und zentral bereitstellen möchten.
3. DGX-Systeme: Diese vollintegrierten KI-Supercomputer bilden die Leistungsspitze. Ihr Einsatz ist dann wirtschaftlich sinnvoll, wenn Unternehmen eigene, generative KI-Modelle (z. B. für generatives Design im Engineering) mit jahrzehntelangem, firmeninternem Entwicklungs-Know-how von Grund auf trainiert werden sollen.

Fazit: Erst die Compute-Architektur definieren, dann investieren

Der Schlüssel zu einer erfolgreichen Implementierung von KI und digitalen Zwillingen liegt in der intelligenten Verteilung der Rechenlasten. Effizienz entsteht nicht durch das maximale Budget, sondern durch die passende Compute-Stufe. Wer lokal konstruiert, benötigt eine starke RTX-Plattform auf dem Schreibtisch. Wer Echtzeit-Sicherheit und Sensorfusion in der Fabrikhalle benötigt, setzt auf dedizierte Edge-Plattformen. Erst wenn diese Anforderungen abgedeckt sind, lohnt sich die Ergänzung durch zentrale Datacenter-Ressourcen. So entsteht eine leistungsfähige, sichere und skalierbare Infrastruktur für moderne Smart-Factory-Umgebungen. (anm)

Weitere Informationen: 

https://www.pny.com/

https://www.nvidia.com/de-de/

Flugtaugliche Teile mit Ultem 9085

Alternativer Additive-Manufacturing-Pfad für Satellitenanwendungen