NVIDIA DGX erklärt: Modelle, technische Daten, Preise & KI-Leistung

Alles über NVIDIA DGX: Der komplette Guide zur stärksten KI-Hardware-Plattform

Du brauchst ernsthafte KI-Rechenpower, aber das Angebot ist verwirrend und die Preisspanne reicht von wenigen tausend Euro bis zu zweistelligen Millionenbeträgen. NVIDIAs DGX-Reihe ist der Name, der dabei immer wieder fällt – dabei deckt sie alles ab, vom schreibtischgroßen Mini-PC bis zum lagerhallengroßen Supercomputer. Dieser Guide erklärt die gesamte DGX-Familie im Jahr 2026: was jedes Modell ist, die echten Spezifikationen, aktuelle Preise, Benchmarks und wie DGX im Vergleich zu einem Mac Mini, einer RTX 5090 und der Cloud abschneidet. Egal ob du als KI-Forscher Modelle lokal feintunst, als Enterprise-Architekt Infrastruktur planst, als Data Scientist eine Workstation aussuchst oder als IT-Entscheider CapEx gegen Cloud abwägst – hier findest du die praktischen Details, die du für deine Entscheidung brauchst. Ein finanzieller Hinweis vorab: Ein Großteil dieser Hardware und der dazugehörigen Cloud-Angebote wird in USD abgerechnet. Wenn du also aus Europa kaufst, spielt die Karte, mit der du zahlst, durchaus eine Rolle.

Kurzantwort: NVIDIA DGX ist eine Familie speziell entwickelter KI-Supercomputer-Systeme, die mit einem integrierten Hardware- und Software-Stack ausgeliefert werden – vom Desktop-Modell DGX Spark bis zum Rechenzentrums-Giganten DGX SuperPOD. Der DGX Spark kam am 15. Oktober 2025 für 3.999 $ auf den Markt, während SuperPOD-Installationen in die zweistelligen Millionenbeträge gehen können. Dabei richtet sich DGX an professionelle und unternehmerische KI-Anwendungen, nicht an alltägliches Computing – für alle, die einfach nur einen schnellen PC wollen, ist das schlicht überdimensioniert.

Kaufst du DGX-Hardware oder ein Cloud-Abo in USD aus Europa? Eine normale Karte berechnet bei jeder USD-Zahlung 2-3% Auslandseinsatzgebühr. Bleap verlangt 0% FX-Gebühren, du zahlst also jedes Mal den echten Kurs. Jetzt die Bleap-Karte holen →

1. Was ist NVIDIA DGX? Überblick über die Plattform und ihre Geschichte

Die DGX-Plattform im Überblick

DGX ist NVIDIAs Reihe speziell entwickelter KI-Systeme. Das sind keine gewöhnlichen Server, denen man einfach eine GPU verpasst hat – sie werden von der Chip-Ebene an darauf ausgelegt, KI-Modelltraining, Fine-Tuning und Inferenz auf jeder Skalierungsstufe zu beschleunigen. Die Grundidee dahinter: "AI-ready out of the box" – jedes DGX-System kommt mit Hardware und einem sorgfältig zusammengestellten Software-Stack, sodass Teams ihre Zeit in die Modelle stecken können statt in Treiberkonflikte. Der DGX Spark ist eher ein Arbeitstier fürs KI-Training als ein Allround-Computer, und statt Windows läuft darauf NVIDIAs DGX OS – die firmeneigene, mit KI-Software ausgestattete Version von Ubuntu Linux.

Ein kurzer Rückblick auf die Geschichte von DGX

NVIDIA brachte 2016 den ursprünglichen DGX-1 auf den Markt – als "den ersten KI-Supercomputer der Welt in einer Box", basierend auf Pascal-P100-GPUs. Jede Generation spiegelte das Wachstum großer Sprachmodelle wider: Volta brachte den DGX-1 V100, Ampere lieferte den DGX A100, und Hopper produzierte den DGX H100. Die Ära 2025–2026 wird von Grace Blackwell geprägt. NVIDIA stellte die größere DGX Station vor, einen vollwertigen Desktop-Tower rund um den leistungsstärkeren GB300-Grace-Blackwell-Ultra-Chip, sowie den kompakten DGX Spark mit dem GB10-Superchip.

Kernzweck und Marktpositionierung

DGX positioniert sich oberhalb von Consumer-RTX-Workstations und unterhalb von Hyperscale-Cloud-Clustern, die man stundenweise mietet. Zu den Kunden zählen Unternehmen, Forschungslabore, Universitäten und Regierungsbehörden, die zuverlässige, gut unterstützte KI-Infrastruktur benötigen. NVIDIAs Trumpf ist die vertikale Integration: Das Unternehmen entwirft sowohl die Chips als auch die Systeme und die Software. NVIDIA entwickelt den GB10-Superchip und den DGX-Software-Stack, während die physischen Geräte von OEM-Partnern wie ASUS, Dell, HP, Lenovo und Acer sowie in NVIDIAs eigener Founder's Edition gefertigt werden.

2. Die komplette DGX-Produktlinie: Alle Modelle im Überblick

DGX Spark (Persönlicher KI-Supercomputer)

Der DGX Spark ist der Einstiegspunkt: ein kompakter Desktop-Rechner, ungefähr so groß wie ein gebundenes Buch. Das Gehäuse misst 150 × 150 × 50,5 mm und wiegt etwa 1,2 kg. Angetrieben wird er vom GB10 Grace Blackwell Superchip mit 128 GB einheitlichem Speicher, der sich CPU und GPU teilen. Er richtet sich an einzelne KI-Entwickler, Forscher und Power-User, die große Modelle lokal fine-tunen und ausführen möchten. Er liefert 1 PetaFLOP FP4-KI-Rechenleistung und 128 GB kohärenten, einheitlichen Speicher. Ein wachsendes Partner-Ökosystem, darunter der ASUS Ascent GX10 und der Acer Veriton AI Mini, bietet Systeme der Spark-Klasse an.

DGX Station (KI-Workstation für Teams)

Die DGX Station ist eine Tower-Workstation für kleinere Teams und stellt einen deutlichen Schritt nach oben gegenüber dem Spark dar. Angetrieben vom NVIDIA GB300 Grace Blackwell Ultra Desktop Superchip, bietet sie satte 748 GB kohärenten Speicher und bis zu 20 PetaFLOPS KI-Rechenleistung – genug, um Modelle mit bis zu 1 Billion Parametern zu unterstützen. Der GB300 Grace Blackwell Ultra Desktop Superchip verbindet die NVIDIA Blackwell Ultra GPU über die NVIDIA NVLink-C2C-Verbindung mit einer leistungsstarken NVIDIA Grace CPU mit 72 Kernen. Das macht sie ideal für KI-Anwendungen auf Abteilungsebene, Fine-Tuning mit mehreren Nutzern und größere Modell-Inferenz – sie schlägt damit die Brücke zwischen dem persönlichen und dem Enterprise-Bereich.

DGX BasePOD (Einstiegssystem fürs Rechenzentrum)

Der DGX BasePOD ist der Einstieg auf Rack-Ebene für On-Premises-Einsätze in Unternehmen. Ein typischer Knoten enthält 8 Rechenzentrums-GPUs (der Klasse H100, H200 oder B200), und BasePOD bietet eine validierte Referenzarchitektur mit NVIDIA-zertifizierter Netzwerk-Infrastruktur und Speicherlösung. Er eignet sich für kleinere KI-Cluster, die Produktionszuverlässigkeit brauchen, ohne gleich zu einem kompletten Supercomputer zu wechseln.

DGX SuperPOD (KI-Supercomputer fürs Rechenzentrum)

Der DGX SuperPOD ist NVIDIAs größte schlüsselfertige KI-Supercomputing-Lösung und lässt sich von wenigen Dutzend bis zu Tausenden von GPUs skalieren. Er nutzt InfiniBand und die NVLink-Switch-Fabric, um eine GPU-zu-GPU-Kommunikation mit nahezu null Latenz zu ermöglichen – genau das erlaubt es Tausenden von Chips, gemeinsam ein einzelnes Modell effizient zu trainieren. Die SuperPOD-Konfigurationen gibt es in den Varianten H100, H200 und B200 (sowie GB200 NVL72), und diese Architektur bildet die Grundlage für einige der größten KI-Initiativen führender Technologieunternehmen und staatlicher KI-Programme.

DGX Quantum (Verschmelzung von HPC und KI)

DGX Quantum verbindet DGX-Rechenleistung mit Quantum-InfiniBand-Networking und richtet sich an hybride HPC- und KI-Workloads, bei denen klassische Simulation auf Deep Learning trifft. BlueField-DPUs übernehmen Networking, Storage und Security-Offload, damit sich die GPUs voll auf die eigentliche Rechenarbeit konzentrieren können. Die Lösung zielt auf Forschungsprobleme ab, die physikalische Simulationen mit neuronalen Netzwerkmodellen kombinieren.

3. Technische Spezifikationen und Konfigurationen von NVIDIA DGX

Vergleichstabelle der Spezifikationen

Die Superchips GB10 und GB300: Ein Blick in die Architektur

Das Herzstück jedes Desktop-DGX ist ein Superchip, der CPU und GPU auf einem einzigen Package vereint. Beim Spark ist das der GB10, bei der Station der leistungsstärkere GB300. Beide beseitigen den klassischen Engpass zwischen Prozessor und Beschleuniger. Die DGX Station basiert auf NVIDIAs GB300 Grace Blackwell Ultra Desktop Superchip, der eine 72-Kern-ARM-basierte Grace-CPU und eine Blackwell Ultra GPU auf einem einzigen Chip vereint, verbunden über eine NVLink-C2C-Schnittstelle mit 900 GB/s. Genau diese Verbindung macht die vereinheitlichte Speicherarchitektur erst möglich – CPU und GPU teilen sich denselben Speicherpool, statt Daten über den langsameren PCIe-Bus hin- und herzuschieben.

Der eigentliche Clou ist der einheitliche Speicherpool. Die Station bietet 748 GB Unified Memory: 252 GB HBM3e auf der GPU-Seite mit 7,1 TB/s Bandbreite, plus 496 GB LPDDR5X auf der CPU-Seite mit 396 GB/s. Beide Pools sind kohärent, das heißt, jeder Prozessor kann auf die vollen 748 GB zugreifen, ohne dass Daten explizit übertragen werden müssen. Die Blackwell-Tensor-Cores unterstützen FP4, FP8 und höhere Präzisionsformate – so lässt sich beim Inferencing Präzision gegen Durchsatz eintauschen oder beim Training die volle Genauigkeit beibehalten.

NVLink und InfiniBand: Der Vorteil der Interconnect-Technologie

Die Geschwindigkeit der Verbindung ist der versteckte Flaschenhals bei Multi-GPU-KI. Bei einem klassischen PC mit separater GPU kriechen die Gewichte förmlich über den PCIe-Bus. Selbst PCIe Gen 5 x16 bietet nur rund 64 GB/s Bandbreite – das Laden eines 70-GB-Modells dauert damit über eine Sekunde, und wenn das Modell größer ist als der VRAM, läuft es gar nicht erst. NVLink-C2C in einem DGX-Superchip ist um eine Größenordnung schneller, und im Rechenzentrumsmaßstab setzt SuperPOD auf InfiniBand mit 400 Gb/s pro Port in einer nicht-blockierenden Topologie, sodass Tausende GPUs wie eine einzige Maschine agieren. Bei der Station geht das Hochgeschwindigkeitsnetzwerk noch weiter: Der NVIDIA ConnectX-8 SuperNIC liefert bis zu 800 Gb/s latenzarme, hochbandbreitige Konnektivität für groß angelegte KI-Workloads.

NVIDIA AI Software-Stack (DGX OS & NGC)

Bei DGX geht es genauso um Software wie um Hardware. DGX OS ist ein Ubuntu-basiertes System mit vorinstallierten, optimierten Kernel-Treibern. NVIDIA GPU Cloud (NGC) bietet eine kuratierte Container-Registry für Frameworks wie PyTorch, TensorFlow, NeMo und TensorRT – man lädt sich also ein getestetes Image herunter, statt die Umgebung von Grund auf selbst aufzubauen. Base Command Platform orchestriert Multi-Node-Cluster, und CUDA, cuDNN und NCCL greifen nahtlos ineinander, damit die GPUs zuverlässig ausgelastet sind und miteinander kommunizieren. Diese Integration ist ein wesentlicher Grund dafür, dass Unternehmen für DGX einen Aufpreis zahlen, statt sich ihre eigenen Systeme zusammenzubauen.

4. DGX Preisguide: Vom Desktop bis ins Rechenzentrum

DGX Spark Preis

Der Spark ist die erschwingliche Einstiegsklasse, aber der Preis hat sich nach dem Launch verändert. NVIDIA hat bestätigt, dass der DGX Spark 3.999 $ kostet, zzgl. lokaler Steuern und Zölle. Seitdem haben Verfügbarkeit und Nachfrage die Listenpreise nach oben getrieben. Die 4.699 $ solltest du als den NVIDIA US-Listenpreis vom 12. August 2026 betrachten – nicht als dauerhaften Weltpreis. Der verzögerte Launch hat zwar ein reales Produkt hervorgebracht, aber eben nicht die 3.000-Dollar-Maschine, die viele frühe Ankündigungen versprochen hatten. Für Käufer in Europa kommt hinzu, dass dieser USD-Betrag zu dem Kurs und Aufschlag umgerechnet wird, den deine Karte anwendet – und genau hier spart eine Karte ohne Fremdwährungsgebühren still und leise 2-3% bei einem vierstelligen Kauf.

DGX Station Preis

Die DGX Station bewegt sich im Enterprise-Workstation-Segment. NVIDIA und seine Partner haben keinen einheitlichen Festpreis veröffentlicht, denn der Preis hängt stark von Konfiguration, Speicher und einer eventuellen zusätzlichen RTX PRO GPU ab. Rechne pro Einheit über Systemintegratoren mit einem Preis deutlich im sechsstelligen Bereich. Die größere DGX Station punktet mit dem noch leistungsstärkeren GB300-Chip; ein Preis wurde bei der Vorstellung nicht genannt, und NVIDIA plant den Verkauf über Partner wie Asus, Boxx, Dell, HP und Supermicro. Leasing und Finanzierung über diese Partner sind für Teams, die die Kosten lieber verteilen möchten, üblich.

DGX BasePOD und SuperPOD Preis

BasePOD-Referenzsysteme starten für eine Multi-Node-Konfiguration typischerweise bei rund 1 Mio. $+, während SuperPOD je nach GPU-Generation, Node-Anzahl und Netzwerktechnik zwischen etwa 7 und 60 Mio. $+ liegt. Bei Sovereign-AI- und Regierungsbeschaffungen werden am oberen Ende oft individuelle Preise ausgehandelt. Über den reinen Kaufpreis hinaus zählt die Total Cost of Ownership: Strom, Kühlung, Stellfläche und Personal summieren sich, und genau diese Zahlen musst du gegen die Miete äquivalenter GPU-Stunden in der Cloud abwägen.

DGX Cloud: Die OpEx-Alternative

Für Teams, die keine Hardware kaufen möchten, bietet DGX Cloud denselben Stack im Abo-Modell, monatlich in USD abgerechnet und verfügbar über Partner wie Microsoft Azure, Google Cloud, Oracle und AWS. Als Richtwert liegt der Preis für einen 8-GPU-H100-Node bei rund 37.000 $ pro Monat, wobei sich das je nach GPU-Generation und Vertragslaufzeit verschiebt. Cloud-Lösungen ergeben Sinn bei schwankenden Workloads und für Startups ohne CapEx-Budget; On-Premises lohnt sich, wenn die Auslastung hoch ist und Datenhoheit nicht verhandelbar ist. Wenn du DGX Cloud aus Europa heraus nutzt, denk daran: Jede Monatsrechnung ist eine USD-Zahlung, und mit einer Karte ohne Fremdwährungsgebühr zu zahlen hält deine Kostenrechnung ehrlich.

Nutzt du ein USD-abgerechnetes Cloud-Abo aus dem EWR? Die meisten Karten kassieren 2-3% bei jeder USD-Rechnung. Bleap verlangt 0% FX-Gebühren und bis zu 20% Cashback auf alltägliche Ausgaben, ganz ohne monatliches Abo. Hol dir die Bleap-Karte →

5. KI-Performance-Benchmarks: Was DGX wirklich leistet

LLM-Inferenz-Performance

Die große Stärke des Spark liegt in der Kapazität, nicht in der reinen Geschwindigkeit. Die 128 GB Unified-Memory-Architektur erlaubt es dem DGX Spark, 70-Milliarden-Parameter-Modelle in FP16 ohne Quantisierung laufen zu lassen. Die genannten Werte gehen von optimierten Runtimes wie vLLM oder TensorRT-LLM mit sinnvollen Batch-Größen aus – der tatsächliche Durchsatz schwankt je nach Quantisierung, Kontextlänge und Nebenläufigkeit.

Trainings-Durchsatz

Beim Training schafft ein DGX H100 8-GPU-Knoten einen beachtlichen Anteil seiner theoretischen TFLOPS bei Transformer-Workloads. Die Model-FLOP-Utilization (MFU) von NVIDIA liegt bei großen Transformern typischerweise im Bereich von 35–55 %, was für reale Trainingsszenarien sehr gut ist. Bei einem SuperPOD hängt die Skalierungseffizienz über mehrere Knoten hinweg vor allem von der Verbindungstechnik ab: NVLink innerhalb eines Knotens und InfiniBand zwischen den Knoten sorgen dafür, dass die Auslastung auch bei zusätzlichen GPUs hoch bleibt.

Computer-Vision- und Multimodal-Benchmarks

DGX-Systeme sind weiterhin hervorragend für Vision- und multimodale Aufgaben geeignet. Klassische Benchmarks wie ResNet-50 und ViT-H skalieren pro GPU sauber, und die Bildgenerierung mit Stable Diffusion XL läuft auf GB10-Hardware problemlos, wobei der H100 beim Batch-Durchsatz deutlich die Nase vorn hat. Video-Verständnis und multimodale Pipelines profitieren am meisten vom großen einheitlichen Speicher, da lange Sequenzen und hochaufgelöste Frames besonders speicherhungrig sind.

Die wichtigsten Erkenntnisse zur Performance

Die Leistung pro GPU hat sich in etwa alle zwei Jahre verdoppelt – so etwas wie ein informelles Moore'sches Gesetz für KI. Der Vorteil von DGX liegt aber nicht nur in den reinen TFLOPS, sondern in Speicherbandbreite und Interconnect. Ein System, das ein komplettes großes Modell im schnellen, kohärenten Speicher halten kann, schlägt eine schnellere GPU, die Gewichte ständig über PCIe nachladen muss. Genau deshalb gibt es Superchips mit einheitlichem Speicher überhaupt.

6. DGX im Vergleich: Direkter Vergleich mit der Konkurrenz

DGX Spark vs. Apple Mac Mini M4 Pro

Der Mac Mini M4 Pro gewinnt beim Preis und bei der allgemeinen Alltagstauglichkeit und ist ein hervorragender Rechner für den täglichen Einsatz. Aber für ernsthaftes Fine-Tuning und Inferenz von Modellen ist der DGX Spark mit seinem größeren Speicherpool, der FP4-Hardware und dem nativen CUDA-Software-Stack klar das bessere Werkzeug für den Job.

DGX Spark vs. RTX 5090 Workstation

Die RTX 5090 hat eine deutlich höhere reine GPU-Bandbreite und lässt den Spark bei jeder Aufgabe, die in 32 GB passt, klar hinter sich – das gilt für Gaming und kreative Anwendungen genauso. Der Spark spielt seine Stärken aber genau dann aus, wenn dein Modell diesen VRAM übersteigt, denn sein 128-GB-Unified-Memory-Pool lässt Modelle laufen, die die 5090 schlicht nicht laden kann.

DGX Station vs. AMD Instinct MI300X Workstation

AMDs Instinct MI300X ist beim Speicher wirklich überzeugend: 192 GB HBM3 pro GPU, damit gehört sie zu den Karten mit der höchsten Kapazität überhaupt. Das Gegenargument der DGX Station liegt in der Software: die Reife des CUDA-Ökosystems, optimierte Frameworks und Enterprise-Support-Verträge, die das Risiko senken. Bei den Gesamtbetriebskosten ist der unterstützte Stack von NVIDIA gegenüber dem offeneren Ökosystem von AMD ein echter Kompromiss. Die MI300X punktet bei der Speicher-Ökonomie, die DGX Station gewinnt bei Software-Reife und Enterprise-Support.

DGX SuperPOD vs. Hyperscale-Cloud-GPU-Cluster

Im großen Maßstab läuft die Entscheidung auf „selbst bauen oder kaufen“ hinaus. Über einen Zeitraum von drei Jahren schlägt ein gut ausgelasteter On-Prem-SuperPOD bei den Kosten oft vergleichbare Cloud-GPU-Stunden – dazu kommen noch Vorteile bei Latenz, Datenhoheit und Compliance. Für Teams, die mit sensiblen Daten arbeiten – Patientenakten, proprietärer Code oder unveröffentlichte Modellgewichte – spricht das Argument für lokale Rechenleistung unabhängig von den Kosten für sich, denn beim Mieten von Cloud-GPUs müssen Eingabedaten an externe Infrastruktur gesendet werden, während On-Prem-Lösungen die Inferenz komplett intern abwickeln. Die Cloud bleibt weiterhin die bessere Wahl bei sprunghaften, unvorhersehbaren Workloads und für Startups, die die Investitionskosten nicht stemmen können.

7. Praxisbeispiele und Zielgruppen

KI-Forscher und Modellentwickler (DGX Spark)

Der Spark spielt seine Stärken beim lokalen Fine-Tuning von Open-Source-LLMs wie Llama, Mistral und Falcon aus. Er ermöglicht sicheres, offline durchgeführtes Experimentieren, bei dem keine Daten das Haus verlassen, und eliminiert Cloud-Latenz sowie Datenausgangskosten aus dem Iterationsprozess. Der Spark senkt die Einstiegshürde für anspruchsvolle KI-Forschung: Aufgaben, die früher große Cluster oder teure Cloud-Guthaben erforderten, laufen jetzt auf einem einzigen Schreibtisch.

Enterprise-KI-Teams (DGX Station)

Die Station eignet sich für interne Retrieval-Augmented-Generation-Pipelines (RAG), Computer Vision für Qualitätsprüfung und Anomalieerkennung sowie für gemeinsam genutzte Multi-User-Entwicklungsumgebungen, in denen mehrere Ingenieure über Jupyter- oder VS-Code-Server auf eine Maschine zugreifen. Dank ihres Speicherspielraums für Modelle mit einer Billion Parametern kann ein Team Frontier-Class-Modelle prototypisieren, ohne Cluster-Zeit buchen zu müssen.

Große Unternehmen und souveräne KI (DGX BasePOD / SuperPOD)

Auf der obersten Stufe trainieren Organisationen eigene Foundation-Modelle von Grund auf, treiben nationale KI-Computing-Initiativen voran und betreiben regulierte Workloads. Teams im Gesundheitswesen setzen sie für medizinische Bildgebung, Genomik und Wirkstoffforschung ein; Finanzdienstleister nutzen sie für Betrugserkennung und quantitative Modellierung im großen Maßstab. Hier rechtfertigen Datensouveränität und verlässliche Performance die Investition.

HPC- und KI-Hybrid-Workloads (DGX Quantum)

DGX Quantum zielt auf Probleme ab, die Simulation und maschinelles Lernen verbinden: Klimamodellierung kombiniert mit ML-Downscaling oder Luft- und Raumfahrtsimulationen gepaart mit neuronalen Netzwerk-Ersatzmodellen, die aufwendige physikalische Berechnungen approximieren. Genau dort, wo HPC und KI zusammenlaufen, spielen InfiniBand-vernetzte DGX-Systeme ihre Stärken aus.

8. So kaufst und setzt du NVIDIA DGX ein

Vertriebskanäle

Du kannst direkt bei NVIDIA kaufen oder über autorisierte Systemintegratoren wie Dell, HPE, Lenovo und Supermicro sowie das DGX-Ready Software Partner-Ökosystem. Seit Anfang 2026 sind DGX Spark-Geräte auch bei Micro Center, Newegg, Best Buy und im NVIDIA Marketplace erhältlich.

Anforderungen an die Infrastruktur

Strom- und Kühlbedarf skalieren mit der jeweiligen Stufe. Der Spark kommt mit etwa einem Kilowatt aus einer normalen Steckdose aus, während die Station als ausgewachsener Tower deutlich mehr Leistung braucht. Die GB300-basierte Station steckt in einem Full-Tower-Gehäuse und wird von einem einzelnen 1600W-Netzteil mit 80 PLUS Titanium versorgt. SuperPOD-Installationen brauchen Rechenzentrums-Strom, Flüssigkühlung und ein eigenes Netzwerk – die Planung der Räumlichkeiten gehört also zum Kauf dazu.

NVIDIA Support und Services

DGX-Käufer erhalten Zugang zu den NVIDIA Enterprise Support-Stufen, zertifizierten DGX-Deployment-Services und dem Base Command Manager für die Cluster-Orchestrierung. Für die meisten Unternehmen ist der Support-Vertrag – nicht die reine Hardware – der eigentliche Grund, sich für DGX statt einer selbstgebauten Alternative zu entscheiden.

Jeder Euro, den du im Ausland oder online ausgibst, sollte mehr für dich rausholen. Mit Bleap bekommst du bis zu 20% Cashback und 0% FX-Gebühren auf eine selbstverwaltete Mastercard – ganz ohne monatliches Abo und mit kostenlosen Geldautomaten-Abhebungen bis zu 400 € pro Monat. Jetzt die Bleap-Karte holen →

Häufig gestellte Fragen (FAQ)

Welche NVIDIA DGX-Spezifikationen sollte ich beim Modellvergleich im Blick haben?

Vier Dinge sind entscheidend: GPU- bzw. Superchip-Modell und Anzahl, kohärente Speicherkapazität, Speicherbandbreite und die Interconnect-Technologie (NVLink vs. InfiniBand), außerdem die TDP. Diese Faktoren bestimmen, welche Workloads ein DGX-System bewältigen kann und in welchem Umfang. Der DGX Spark etwa bietet 128 GB Unified Memory und kann damit Modelle laden, für die eine dedizierte 32-GB-GPU schlicht zu klein ist.

Was kostet ein DGX-System, und gibt es eine günstigere Einstiegsoption?

Der DGX Spark ist der Einstiegspunkt. Er kam am 15. Oktober 2025 für 3.999 US-Dollar auf den Markt, wobei die Preise 2026 teils höher lagen. Die DGX Station bewegt sich im sechsstelligen Bereich, und SuperPOD-Konfigurationen kosten zwischen etwa 7 und über 60 Millionen US-Dollar. Mit DGX Cloud gibt es außerdem eine Pay-as-you-go-Alternative mit monatlicher Abrechnung in USD – rund 37.000 US-Dollar pro Node mit 8 GPUs.

Wie schlägt sich der DGX Spark im Vergleich zu einer RTX-5090-Workstation?

Der GB10-Superchip im Spark kombiniert 128 GB Unified Memory mit einer NVLink-C2C-Verbindung und kann dadurch deutlich größere Modelle verarbeiten als eine dedizierte GPU. Die RTX 5090 verfügt über 32 GB GDDR7 mit wesentlich höherer Rohbandbreite – dadurch ist sie bei allem, was in den Speicher passt, schneller, kann aber sehr große LLMs gar nicht erst laden. Für Arbeiten mit großen Modellen ist der Spark die richtige Wahl, für Gaming und kreative Anwendungen die 5090.

Was genau ist der GB10-Superchip im DGX Spark?

Der GB10 ist NVIDIAs Grace-Blackwell-Superchip: ein einzelnes Package, das eine ARM-basierte Grace-CPU mit einer Blackwell-GPU vereint, verbunden über NVLink-C2C, sodass sich beide einen gemeinsamen Speicherpool teilen. Er liefert 1 PetaFLOP FP4-KI-Rechenleistung und 128 GB kohärenten Unified Memory – genau das beseitigt den PCIe-Flaschenhals klassischer Workstations.

Lohnt sich DGX für europäische Käufer, die in USD zahlen?

DGX-Hardware und DGX Cloud werden in USD abgerechnet, sodass europäische Käufer zusätzlich zum Preis noch eine Währungsumrechnung zahlen. Eine typische Karte schlägt bei jeder Zahlung 2-3% Fremdwährungsgebühr auf. Mit einer Karte ohne FX-Gebühren zahlst du dagegen den echten Wechselkurs – bei einem vierstelligen Spark oder einer laufenden Cloud-Rechnung summiert sich das schnell.

Fazit

NVIDIA DGX ist 2026 die vollständigste KI-Hardware-Plattform auf dem Markt, und die Familie deckt inzwischen das gesamte Spektrum ab: der Desktop-Spark für einzelne Entwickler, die GB300-basierte Station für Teams sowie BasePOD und SuperPOD für das Rechenzentrum. Die richtige Wahl hängt von der Modellgröße, der Auslastung und davon ab, ob dir On-Prem-Kontrolle oder Cloud-Flexibilität wichtiger ist. Egal welche Stufe zu deinem Projekt passt – denk daran, dass ein Großteil dieser Hardware und ihr Cloud-Pendant in USD abgerechnet wird. Kombiniere deine KI-Ausgaben mit Bleap und du sparst dir die FX-Gebühren auf diese USD-Zahlungen, erhältst bis zu 20% Cashback auf alltägliche Einkäufe und behältst mit einer selbstverwalteten Mastercard die volle Kontrolle über dein Geld – ganz ohne monatliches Abo. Ein kleines finanzielles Detail, das im Hintergrund dein Budget schützt, während du baust.