HPE hat auf der HPE Discover in Las Vegas seine KI-Plattform deutlich erweitert. Lag die bisherige GPU-Obergrenze bei 64, sind nun bis zu 256 GPUs möglich. Kunden können mit kleinen Konfigurationen starten und die Leistung später über zusätzliche Racks ausbauen. Außer den ProLiant-Servern mit Nvidia-Beschleunigern gehören Storage, Data Fabric sowie Software für Modelle, KI-Anwendungen und Agenten zu dem System. Morpheus übernimmt dabei die Steuerung, OpsRamp die Überwachung.
Die Installation und Integration sind Bestandteil des Angebots. HPE liefert die gesamte Umgebung zu einem festen Gesamtpreis. Ziel ist es, Unternehmen davon zu befreien, sich eine eigene KI-Fabrik aus einzelnen Hardware-, Software- und weiteren Bausteinen selbst zusammensetzen zu müssen.
HPEs Private Cloud AI integriert Nvidia AI Enterprise sowie kuratierte Modelle und Entwicklungswerkzeuge. Hinzu kommen das Nvidia Agent Toolkit, Nemotron-Modelle, NemoClaw und OpenShell. Agenten lassen sich darüber registrieren, bereitstellen und mit Zugriffsregeln versehen. Auf der Compute-Seite wird das Angebot um Systeme mit Nvidia RTX Pro 6000 Blackwell Server Edition ergänzt.
Außerdem hat HPE den ProLiant DL394 Gen12 mit Nvidias Arm-basierter Vera-CPU angekündigt. Diese CPU übernimmt die speicher- und steuerungsintensiven Teile von agentischen Anwendungen und arbeitet eng mit den Nvidia-GPUs zusammen. Damit konzentriert sich HPE bei seiner Private Cloud AI auf Nvidias Hard- und Softwarestack. Diese enge Abstimmung reduziert den Integrationsaufwand, bedeutet aber weniger Flexibilität bei der Auswahl von Beschleunigern und Laufzeitumgebungen.
Eine zentrale Rolle in der neuen KI-Plattform übernimmt Alletra Storage MP X10000. Die Plattform stellt Datei- und Objektspeicher auf einer gemeinsamen Architektur bereit und wird direkt in Private Cloud AI eingebunden. HPE nutzt das System außerdem als ausgelagerten Speicher für den Performance-relevanten KV-Cache. Sprachmodelle speichern im KV-Cache Informationen über bereits verarbeitete Texte, Zusammenhänge und Zwischenergebnisse. Bei weiteren Anfragen greifen sie auf diesen Kontext zurück, statt ihn jedes Mal neu zu berechnen.
Das ist besonders bei längeren Prompts, vielen Dokumenten und mehreren parallel arbeitenden Agenten wichtig. Je länger der Kontext und je mehr Anfragen gleichzeitig laufen, desto stärker wächst der Speicherbedarf. Werden ältere Kontextinformationen verdrängt, muss das Modell sie bei späteren Anfragen erneut berechnen. Das erhöht Latenz, Energieverbrauch und Kosten. In einer agentischen Umgebung verschärft sich das Problem, weil Agenten nicht nur einmal antworten, sondern wiederholt prüfen, planen, Daten abrufen und Aktionen vorbereiten.
HPE lagert deshalb Teile des KV-Caches per Remote Direct Memory Access auf den X10000 aus. Dabei werden die Daten direkt zwischen Storage und Arbeitsspeicher übertragen, ohne den üblichen Umweg über mehrere Verarbeitungsschichten des Betriebssystems zu nehmen. Damit übernimmt die Storage-Einheit einen Teil des GPU-Speichers und wird Teil der Inferenz. Laut HPE konnte in einer eigenen Testkonfiguration mit Nvidia-H200-GPUs und dem Modell Nemotron 70B die Zeit bis zum ersten ausgegebenen Token um den Faktor 20 verkürzt werden. Dabei soll der Durchsatz um den Faktor 17 gestiegen sein.
Das neue Data Fabric 8.2 erfasst und katalogisiert verteilte Datenbestände. Ein globaler Katalog zeigt, welche Informationen vorhanden sind und wo sie sich befinden. Metadaten, Identitäten und Zugriffsrichtlinien legen fest, welche Anwendungen oder Agenten auf bestimmte Bestände zugreifen dürfen. Das Data Fabric wird auch als vorkonfigurierte Appliance auf ProLiant-Servern angeboten. Innerhalb des Gesamtstacks übernimmt der X10000 den schnellen Zugriff auf die Daten, während Data Fabric die Bestände auffindbar und kontrolliert nutzbar macht.
Technische Datenorganisation allein macht Daten allerdings noch nicht KI-tauglich. Für Training und Agenten müssen die Daten zunächst klassifiziert, bereinigt, beschrieben und mit Berechtigungen versehen werden. Trotz automatisierter Werkzeuge bleibt dieser Prozess teilweise manuell. Fachabteilungen müssen beispielsweise erklären, was bestimmte Daten bedeuten, wie aktuell sie sind und für welche Zwecke sie verwendet werden dürfen.
Für den Betrieb der integrierten KI-Umgebung setzt HPE auf Morpheus, OpsRamp und GreenLake Intelligence. Morpheus stellt Rechen-, Speicher- und Laufzeitressourcen bereit und orchestriert die Private-Cloud-Infrastruktur. OpsRamp sammelt Telemetriedaten und überwacht die Abhängigkeiten zwischen den Anwendungen, Modellen und der darunterliegenden Infrastruktur. Neu ist jetzt die engere Verbindung dieser Betriebsfunktionen mit KI-gestützter Automatisierung. Morpheus Central soll mehrere Installationen über Rechenzentren, Regionen und Edge-Standorte hinweg sichtbar machen.
Für KI-Umgebungen ist das relevant, weil Modelle, Daten und Inferenzdienste häufig nicht an einem einzelnen Ort laufen. OpsRamp soll Störungen nicht nur sammeln, sondern korrelieren und Ursachen in der Infrastruktur erkennen. HPE ergänzt diese Ebene um Copilot-Funktionen und MCP-Schnittstellen. Dabei kann Morpheus Copilot Blueprints und Automatisierungen anhand von natürlichen Sprachanweisungen erstellen. OpsRamp Copilot soll Ereignisse analysieren und Abhilfemaßnahmen unterstützen. Ein MCP-Server stellt standardisierte Schnittstellen bereit, über die Agenten auf Verwaltungs- und Automatisierungsfunktionen zugreifen können. GreenLake Intelligence führt diese Funktionen in einer gemeinsamen Bedienebene zusammen.
HPE ergänzt den Stack um Funktionen zur Kontrolle von KI-Agenten. Diese erhalten eigene Identitäten und laufen in isolierten Umgebungen. Richtlinien legen fest, welche Daten, Schnittstellen und Werkzeuge sie verwenden dürfen. Für kritische Aktionen lassen sich menschliche Freigaben vorschreiben. Zerto bildet eine zusätzliche Rückfallebene. Die Software zeichnet Änderungen auf und setzt betroffene Systeme bei Bedarf auf einen früheren Zustand zurück. Sie erkennt allerdings nicht, ob eine Entscheidung fachlich falsch oder regulatorisch unzulässig war.
Für HPE bedeutet Governance vor allem technische Zugriffskontrolle und Policy Enforcement. Fachliche Modellvalidierung, Bias-Prüfung, regulatorische Einordnung und die Zuweisung von Verantwortung bleiben Aufgaben außerhalb der Plattform. Gerade hier hapert es bei vielen Private-AI-Strategien. Eine eigene Infrastruktur erhöht zwar die Kontrolle über Daten und Betrieb, ersetzt aber keine Governance. IBM und Red Hat haben zuletzt darauf hingewiesen, dass viele Unternehmen ihre Abhängigkeiten von KI-Anbietern, Modellen und Infrastruktur nur unvollständig überblicken. Eine Private Cloud kann solche Abhängigkeiten transparenter machen; auflösen lässt sie sie nicht.
Die Angebote im Markt für AI-Factories unterscheiden sich deutlich. Dell setzt beispielsweise auf eine disaggregierte Infrastruktur, bei der Compute und Storage unabhängig voneinander skaliert werden können. HPE bündelt dagegen Hardware, Datenplattform und Betriebssoftware enger zu einem festgelegten Gesamtsystem.
Das verlagert die Integrationsarbeit vom Kunden zum Hersteller, reduziert aber die Freiheitsgrade. Besonders die Abhängigkeit von Nvidia wächst, weil HPE neben den GPUs auch CPUs, Modelle, Laufzeitumgebungen und Agentenwerkzeuge des Partners integriert. Der Vorteil sind die gut abgestimmten Komponenten. Der Nachteil: Wer einzelne Bausteine austauschen will, stößt schneller an die Grenzen der Architektur.
HPEs KI-Angebot als Private Cloud liegt im Trend. Mit der Verlagerung von KI aus Pilotprojekten in den produktiven Betrieb ändert sich die Infrastrukturrechnung: Public-Cloud-Dienste bleiben für Tests, flexible Lasten und den schnellen Zugriff auf neue Modelle attraktiv; bei dauerhafter Inferenz, agentischen Workflows und sensiblen Daten rücken jedoch Kostenkontrolle und Datenzugriff in den Vordergrund.
Deloitte sieht bei konstant hohen KI-Lasten einen wirtschaftlichen Kipppunkt: Wenn Cloudkosten einen großen Teil der Kosten vergleichbarer eigener Systeme erreichen, können Private-Cloud-Ansätze günstiger werden. Forrester erwartet ebenfalls, dass die Unternehmen wegen steigender KI-Kosten, Daten-Lock-in und Betriebsrisiken verstärkt auf private KI-Clouds setzen. HPE positioniert seine Private Cloud AI auch nicht als Gegenentwurf zur Public Cloud, sondern als Betriebsplattform für KI-Workloads, die näher an den Daten und Prozessen angesiedelt sein müssen.
Einziger Wermutstropfen: Der vollständige Stack steht noch nicht komplett bereit. Ein Teil der angekündigten Funktionen und Integrationen kommt erst in den kommenden Quartalen auf den Markt.
(axk)
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。