KI-Server für Automotive-F&E: GPU-CFD, KI-Surrogate, Fahrsimulation und Perzeption

Was ein KI-Server in der Automotive-Entwicklung leistet

Ein KI-Server in der Automotive-Entwicklung trägt die GPU-Arbeit einer Entwicklungsabteilung: CFD auf GPU-Solvern, KI-Surrogatmodelle, Fahr- und Sensorsimulation, Perzeptionstraining und einen Assistenten für Spezifikationen und Prüfberichte. Für den größten Teil dieser Arbeit ist ein Server mit vier NVIDIA RTX PRO 6000 Blackwell Server Edition der Ausgangspunkt, denn Solver und Modelle rechnen in einfacher oder gemischter Genauigkeit, und jede Karte bringt 96 GB. Codes in doppelter Genauigkeit und das Training großer Surrogate sprechen für die NVIDIA H200 NVL; viele Abteilungen kommen so zu zwei Kartentypen.

Dieser Leitfaden richtet sich an die Leitung einer Entwicklungs- oder Simulationsabteilung bei einem Fahrzeughersteller oder Zulieferer und an die IT, die die Server betreiben wird. Er erklärt die Arbeit in einfachen Worten, was Solver- und Framework-Anbieter zu GPUs veröffentlichen und wie Server mit vier und acht Karten die Aufgaben aufteilen. Unser ausführlicher Vergleich zur GPU für CFD-Simulation enthält die Solver-Quellen; hier treffen sie auf die KI-Seite derselben Abteilung.

Die Arbeit, für die Abteilungsleitung

Ein Aerodynamik-Team rechnet viele Varianten einer Karosserie, eines Spiegels oder einer Unterbodenverkleidung und vergleicht Luftwiderstand und Auftrieb. Ein GPU-Solver verkürzt jeden Lauf, wie die Ansys-Messung weiter unten zeigt, sodass das Team vor einem Design-Freeze mehr Varianten prüfen kann. Ein Team für Thermomanagement macht dasselbe für Kühlluftführung und Batteriegehäuse.

Hat ein Team Hunderte fertige Simulationen, kann es darauf ein KI-Surrogat trainieren: ein Modell, das Druck und Wandschubspannung für eine neue Form ohne vollständigen Lauf vorhersagt, sodass Konstrukteure eine erste Schätzung sehen, bevor sie einen Lauf anfordern. Die CFD-Läufe bleiben die Referenz; das Surrogat grenzt ein, welche Varianten einen vollständigen Lauf verdienen.

Teams für Fahrerassistenz arbeiten mit simuliertem Verkehr und simulierten Sensoren, Kameras, Radar und Lidar, und trainieren Erkennungsmodelle auf aufgezeichneten und synthetischen Bildern. Jedes Team schreibt und liest außerdem Spezifikationen, Prüfberichte und Änderungsanträge; ein Sprachmodell auf den eigenen Dokumenten der Abteilung spart Suchzeit, ohne vertrauliche Prototypendaten an einen externen Dienst zu schicken.

Diese Aufgaben teilen eine Eigenschaft, die für den Server zählt: Eine Simulation oder ein Trainingslauf hält eine Karte stunden- oder tagelang unter Volllast. Die Zahl der Läufe, die parallel vorankommen sollen, bestimmt die Kartenzahl.

CFD auf GPUs: was die Solver-Anbieter veröffentlichen

Der GPU-Solver von Ansys Fluent braucht den ganzen Fall im GPU-Speicher, und mehrere Karten in einem Server legen ihren Speicher für einen Fall zusammen. Sein Hardware-Kaufleitfaden, zuletzt geändert am 9. April 2026, plant 1,2 GB je Million Hexaederzellen in einfacher Genauigkeit mit dem Segregated Solver und 3,6 GB in doppelter Genauigkeit mit dem Coupled Solver, wie unser CFD-Leitfaden zitiert.

GB je Million Zellen aus dem Fluent-GPU-Hardware-Kaufleitfaden von Ansys (9. April 2026), wie in unserem CFD-Leitfaden zitiert. Zellzahlen sind unsere Division von 384 GB und 564 GB nominellem Kartenspeicher, abgerundet, und Obergrenzen vor dem Prozess-Overhead.

Die veröffentlichte Messung für diese Karten stammt von Ansys selbst. Sein Blog vom 22. Juli 2026 ließ Fluent 2026 R1 auf einem Server mit vier RTX PRO 6000 Blackwell Server Edition gegen CPU-Referenzen laufen; beim Fall DrivAer_50M mit etwa 50 Millionen Zellen erreichten die vier Karten etwa das 4,6-Fache der Geschwindigkeit einer Referenz mit rund 516 CPU-Kernen. Ansys nennt diese Konfigurationen „a more accessible and cost-efficient option for smaller or mixed workloads“; die H200 NVL war nicht Teil des Tests. DrivAer ist eine generische Fahrzeugkarosserie; der Wert ist also ein Anhaltspunkt für die Außenaerodynamik, keine Vorhersage für jeden Fall.

Zwei Fluent-Details prägen das Budget. Ansys lizenziert den GPU-Solver nach Streaming-Multiprozessoren, mit 40 SMs in der CFD-Enterprise-Lizenz, und der Leitfaden zählt 188 SMs für die RTX PRO 6000 Blackwell; ein Server mit vier Karten hat nach unserer Rechnung also 752 SMs. Fragen Sie Ihren Ansys-Vertriebspartner daher vor dem Vergleich von Konfigurationen nach der Lizenzzahl. Ansys verlangt zudem mindestens so viel Arbeitsspeicher wie GPU-Speicher insgesamt, was unsere Konfiguration mit vier Karten und 768 GB doppelt erfüllt.

Für Simcenter STAR-CCM+ brachte Siemens' Release-Beitrag zu Version 2602 vom 24. Februar 2026 GPU-native Solver für Volume of Fluid und Mixture Multiphase, und Version 2606 einen GPU-nativen Solver für komplexe Chemie sowie GPU-Beschleunigung des Lagrange-Solvers mit Spray-Modellen. Siemens schrieb im Juni 2024, dass eine Power-Session-Plus-Lizenz unbegrenzt viele CPUs oder GPUs abdeckt. Die gelesenen Beiträge nennen die Gleitkommagenauigkeit des GPU-nativen Solvers nicht; bestätigen Sie sie bei Siemens für die physikalischen Modelle, die Sie validieren.

Für den Rest entscheidet die Genauigkeit über die Karte. NVIDIAs Architektur-Whitepaper zu RTX Blackwell PRO hält fest: „The FP64 TFLOP rate is 1/64th the TFLOP rate of FP32 operations“, auf der Server Edition nach unserer Rechnung etwa 1,9 TFLOPS, während NVIDIA die H200 NVL mit 30 TFLOPS FP64 angibt. Fragen Sie bei Struktur-, Crash- oder Eigencodes die Entwickler, ob die GPU-Kernel in FP64 rechnen; unser Leitfaden zum FP64-GPU-Server vergleicht die Karten mit voller doppelter Genauigkeit.

Senden Sie uns Solver, Version, Zellzahl Ihres größten Falls und seine Genauigkeit, und unser Team antwortet mit einer Konfiguration, die den Fall auf den Karten hält.

KI-Surrogate, trainiert auf Simulationsergebnissen

NVIDIAs PhysicsNeMo beschreibt sich als „an open-source PyTorch framework for physics machine learning“ unter Apache 2.0, und sein Repository führt DoMINO für „Surface and volume field prediction for automotive aerodynamics“. Das DoMINO-Beispiel in der Dokumentation 25.11 sagt Druck und Wandschubspannung auf der Fahrzeugoberfläche sowie Geschwindigkeit und Druck im Volumen um das Fahrzeug voraus. Es trainiert auf DrivAerML, das NVIDIA als „500 parametrically morphed variants“ des DrivAer-Stufenhecks mit „mesh sizes of 160M points per example“ beschreibt, einem offenen Datensatz unter CC-BY-SA.

NVIDIA-PhysicsNeMo-Repository auf GitHub und Dokumentation des DoMINO-Beispiels (Version 25.11), gelesen am 24. Oktober 2026.

Die Dokumentation sagt, die Trainingszeit sei über mehrere Releases „from about 5 days to just over 4 hours, with eight H100 GPUs“ gesunken, und ihre Trainingshinweise nennen „A couple of days on a single node of H100 GPU“ als Dauer. Die H100 liefern wir nicht, und für die H200 NVL oder die RTX PRO 6000 Server Edition ist kein Wert veröffentlicht; nehmen Sie die Zeiten daher als veröffentlichte Größenordnung. Übertragbar ist das Muster: Surrogat-Training liest große Netze, läuft stundenlang auf mehreren Karten und verteilt die Daten über sie, was zum Trainingsknoten mit acht H200 NVL und NVLink-Brücken passt oder, für kleinere Modelle, zu einem Server mit vier RTX PRO 6000 Server Edition. NVIDIAs MIG-Leitfaden hält fest, dass NCCL mit MIG nicht unterstützt wird; solches Training nutzt also ganze Karten.

Ihre eigenen Ergebnisse sind die Trainingsdaten. Das Archiv einer Abteilung mit Fluent- oder STAR-CCM+-Läufen an den eigenen Fahrzeugen ist für ein Surrogat wertvoller als ein öffentlicher Datensatz, und es bleibt auf dem Server der Abteilung. Unser Leitfaden zum Fine-Tuning-Server behandelt Speicher und Training über mehrere GPUs allgemein.

Fahrsimulation und Perzeptionstraining

CARLA beschreibt sich als „an open-source driving simulator for use in autonomous driving applications“, aufgebaut als Client und Server, mit Sensoren „from cameras to radars, lidar and many more“. Seine Dokumentation zur Unreal-Engine-5-Version verlangt Ubuntu 22.04 oder 24.04 oder Windows 11 und 130 GB Plattenplatz und empfiehlt „at minimum an NVIDIA RTX 3000 series or better with at least 16 Gb of VRAM“. Sie ergänzt: „A dedicated GPU, separate from the GPU used for CARLA, is highly recommended to handle large machine learning workloads“, und ihre Docker-Variante läuft ohne Display (off-screen), mit mehreren Servern auf verschiedenen GPUs.

Auf einem Server mit vier RTX PRO 6000 Server Edition ergibt das eine einfache Aufteilung: Zwei Karten betreiben CARLA-Server für Testszenarien und synthetische Sensordaten, zwei trainieren oder bewerten die Perzeptionsmodelle. Auch NVIDIAs Omniverse und Isaac Sim brauchen RT-Cores, wie unser Leitfaden zu den Omniverse-Systemanforderungen erklärt; Simulation und Rendering gehören also auf RTX-PRO-Karten, die H200 NVL ohne RT-Cores bleibt beim Training.

Das Perzeptionstraining selbst folgt den Regeln aus unserem Leitfaden zum Training von Vision-Modellen: Erkennungsmodelle mit einigen zehn Millionen Parametern trainieren datenparallel über PCIe, und der Speicher je Karte geht in Batchgröße und Bildauflösung, wo 96 GB je Karte bei hochaufgelösten Kamerabildern helfen. Sensoraufzeichnungen bestimmen den Speicherbedarf, und seine Größe hängt von Kameras, Lidar und aufgezeichneten Stunden ab; wir legen NVMe und Fileserver daher nach Ihrem Logging-Aufbau aus.

Ein Assistent für Spezifikationen und Prüfberichte

Entwicklungsabteilungen schreiben und durchsuchen große Textmengen: Anforderungen, Prüfspezifikationen, Prüfberichte, Änderungsanträge und Lieferantendokumente. Ein Sprachmodell mit Retrieval über diese Dokumente läuft neben den Simulationen. Nach unserer Regel für Nutzer je Karte, 0,9 × vom Treiber gemeldeter Speicher − 3 GiB je Karte − Gewichte, hält gpt-oss-120b auf zwei RTX PRO 6000 Server Edition als ein Tensor-Parallel-Paar 93 Konversationen mit 32K Token, auf einer Karte 19. Mit den Beispielwerten unseres Leitfadens für mittelständische Unternehmen, etwa 4 laufende Anfragen je 100 Beschäftigte in der Spitze, hat eine Abteilung mit 300 Ingenieuren etwa 12, die eine Karte trägt. Zugriffsrechte auf Dokumente und das Abfrageprotokoll gehören zu unserem Service Private AI/ML.

Vier Konfigurationen für eine Automotive-Entwicklungsabteilung

Sie beruhen auf den Referenz­konfigurationen unserer Seite zu KI-Servern. Arbeitsspeicher und Prozessorkerne folgen NVIDIAs Konfigurations­leitfaden für NVIDIA-Certified Systems: mindestens doppelt so viel Arbeitsspeicher wie GPU-Speicher, mindestens sechs Kerne je GPU und zwei Sockel.

Referenz­konfigurationen unserer Seite zu KI-Servern und Konfigurations­leitfaden für NVIDIA-Certified Systems (30. September 2026). Leistung an der Steckdose nach unserer Schätzung: Karten bei 600 W plus zwei AMD EPYC 9355 (vier Karten) oder 9555 (acht Karten), plus 15 Prozent für den Rest.

Vier RTX PRO 6000 Server Edition passen zu einer Abteilung, die mit GPU-CFD beginnt und die übrigen Aufgaben auf derselben Maschine haben will: nachts ein Fluent-Fall über vier Karten, tagsüber CARLA und Perzeptionstraining, bei Bedarf mit einer Karte für den Assistenten. Acht RTX PRO 6000 Server Edition verdoppeln die Fallgröße und entsprechen NVIDIAs Omniverse-Serverspezifikation mit acht Karten der Server Edition; unsere Seite zu acht RTX PRO 6000 Server Edition behandelt das Gehäuse. Vier H200 NVL mit 4-Wege-Brücke tragen für ein Team die Codes in doppelter Genauigkeit und das Surrogat-Training; unser Server mit vier H200 NVL zeigt, was eine NVLink-Domäne fasst. Acht H200 NVL sind unser Trainingsknoten, mit 400G-Netzwerk für einen Cluster aus mehreren Knoten.

Eine Abteilung, die beide Arten von Arbeit hat, bekommt zwei Server: eine Maschine mit RTX PRO 6000 Server Edition für Simulation, Sensorsimulation und Inferenz und eine mit H200 NVL für FP64 und Training. Unser Vergleich vier RTX PRO 6000 oder vier H200 NVL stellt die Karten nebeneinander.

Hinweise für die IT

1. Prozessoren und Arbeitsspeicher. Jeder Fluent-Rechenprozess belegt laut Ansys-Leitfaden etwa 95 MB GPU-Speicher und 210 MB Arbeitsspeicher, und Ansys verlangt mindestens so viel Arbeitsspeicher wie GPU-Speicher insgesamt. Auch die CARLA-Server und die Datenlader des Perzeptionstrainings nutzen Prozessorkerne; wir legen die Prozessoren daher nach den Codes aus, wie unser Leitfaden zu EPYC oder Xeon für einen GPU-Server erklärt.
2. Pre- und Post-Processing aus der Ferne. Die Server Edition ist die einzige Edition der RTX PRO 6000 mit vGPU, ab vGPU 19.0. NVIDIAs RTX-vWS-Sizing-Leitfaden setzt zwei bis vier anspruchsvolle CAD-Nutzer auf eine GPU, wie unser Leitfaden zu GPU-Servern für Ingenieurbüros erklärt, und RTX vWS wird je gleichzeitigem Nutzer lizenziert.
3. MIG. Bis zu vier Instanzen mit 24 GB auf jeder Edition der RTX PRO 6000 und bis zu sieben auf der H200 NVL, für kleine Aufgaben auf einer GPU. NCCL läuft nicht auf MIG; CFD und Training über mehrere Karten nutzen also ganze Karten.
4. Speicherplatz. Falldateien, Ergebnisse und Trainingsdaten bestimmen den Speicherbedarf: Schon ein einzelnes DrivAerML-Beispiel hat ein Netz mit 160 Millionen Punkten. Lokales NVMe hält laufende Aufträge; fertige Ergebnisse wandern auf den Fileserver der Abteilung. Unser Leitfaden zu NVMe-Speicher für einen GPU-Server behandelt Laufwerksklassen.
5. Netzwerk. Unser Trainingsknoten hat 400G-Netzwerk für Cluster aus mehreren Knoten. Ein einzelner Server mit vier Karten braucht meist 25 GbE für die Nutzer und eine schnellere Verbindung nur zum Speichersystem.
6. Software bei Lieferung. Der Server kommt auf Wunsch mit Betriebssystem, NVIDIA-Treiber, CUDA und Container-Runtime. Halten Sie den Treiber auf einer Version, die NVIDIA in seinem Sicherheitsbulletin vom 30. September 2026 als behoben nennt, und prüfen Sie vor einem Update, ob Ihre Solver-Version sie unterstützt.

Strom, Kühlung und Dauerlast

Eine Simulation oder ein Trainingslauf hält die Karten stunden- oder tagelang nahe der vollen Leistung. Nach unserer Schätzung zieht ein Server mit vier Karten bei 600 W und zwei EPYC 9355 etwa 3,4 kW an der Steckdose, mit RTX PRO 6000 Server Edition bei der 450-W-Begrenzung etwa 2,7 kW, und ein Server mit acht Karten und zwei EPYC 9555 etwa 6,3 kW. Wir planen eine Zuleitung mit 230 V und 16 A bei 80 Prozent mit 2,94 kW; ein Server mit vier Karten bei voller Leistung braucht daher 32 A einphasig oder Drehstrom. Dells technischer Leitfaden zum PowerEdge XE7740 begrenzt die Zulufttemperatur mit H200 NVL auf 30 °C; der Raum zählt also ebenso wie die Zuleitung. Unser Leitfaden zur Stromversorgung von GPU-Servern mit 16 A, 32 A und Drehstrom rechnet redundante Netzteile durch.

Die Server bei uns bestellen

Sie können dieses System bei uns kaufen: Unser Team legt die Konfiguration nach Ihrer Last und Ihrem Budget aus und antwortet innerhalb eines Werktages. Die Auslegung ist kostenlos. Wir montieren jeden Server, testen ihn vor der Lieferung und liefern ihn in die gesamte EU mit einem EU-Vertrag und einer Rechnung, mit Herstellergarantie auf jede Komponente, abgewickelt über uns; für die Montage stehen wir ein, andere Ziele laufen über unseren Logistikpartner. Auf Wunsch installieren wir Betriebssystem, NVIDIA-Treiber, CUDA und Container-Runtime und nehmen den Server vor Ort in Betrieb. Stückzahlen und Lieferzeit werden mit dem Angebot schriftlich bestätigt.

Für die genaue Konfiguration brauchen wir Solver und Versionen, die Genauigkeit jedes Solvers, die Zellzahl Ihres größten Falls, wie viele Läufe gleichzeitig vorankommen sollen, die Frameworks für Surrogate und Perzeption und die Zuleitung am Rack-Platz. Beschreiben Sie diese Punkte im Formular unten, und wir antworten mit einer Konfiguration und einem schriftlichen Angebot.

FAQ