Intel hat am 12. Oktober 2026 auf dem OCP Global Summit die finalen Spezifikationen seines neuen KI-Beschleunigers vorgestellt, der bisher unter dem Codenamen Crescent Island bekannt war und jetzt offiziell als Intel GPU D-Series firmiert. Der Chip bringt bis zu 1,3 Petaflops FP8-Rechenleistung, 480 Gigabyte LPDDR5X-Speicher und eine Leistungsaufnahme von nur 350 Watt mit, luftgekühlt und im klassischen PCIe-Steckkartenformat. Damit positioniert sich Intel bewusst nicht als Angreifer auf die größten Trainingscluster von Nvidia und AMD, sondern zielt gezielt auf den am schnellsten wachsenden Teilmarkt der Branche: KI-Inferenz für große Sprachmodelle, lange Kontextfenster und agentische KI-Systeme, die gleichzeitig Dutzende Anfragen verarbeiten müssen.
Die Ankündigung kommt zu einem Zeitpunkt, an dem der Markt für KI-Beschleuniger durch Speicherknappheit, explodierende Nachfrage nach Inferenz-Kapazität und steigende Energiekosten in Rechenzentren unter Druck steht. Für Leser in Österreich und der gesamten DACH-Region ist die Nachricht relevant, weil Cloud-Anbieter und heimische Rechenzentrumsbetreiber zunehmend nach energieeffizienten Alternativen zu den teuren und stromhungrigen Flaggschiff-GPUs von Nvidia suchen. Dieser Artikel ordnet die Zahlen ein, vergleicht Crescent Island mit den wichtigsten Konkurrenzprodukten und zeigt, warum Intel nach den gescheiterten Vorgängerprojekten Gaudi und Ponte Vecchio ausgerechnet jetzt wieder Boden im KI-Chipmarkt gutmachen will.
Was ist Intel Crescent Island, und warum heißt es jetzt GPU D-Series?
Crescent Island war der interne Codename, unter dem Intel das Projekt erstmals im Oktober 2025 beim OCP Global Summit ankündigte. Im Juni 2026 lieferte Intel auf der Computex zusätzliche Details, und am 12. Oktober 2026 folgte die endgültige Namensgebung: Intel GPU D-Series. Der Buchstabe D steht laut Intel für die Ausrichtung auf Data-Center-Inferenz, womit sich das Produkt klar von Intels klassischer Arc-Gaming-Grafikkartenserie und von den früheren Rechenzentrums-GPUs der Max-Serie abgrenzt.
Technisch basiert die GPU D-Series auf der Xe3P-Architektur, einer für Rechenzentren optimierten Weiterentwicklung der Xe-Grafikarchitektur, die bereits in Intels Core-Ultra-Prozessoren steckt. Der Chip verfügt über 32 Xe3P-Kerne und 256 XMX-Matrix-Engines, die speziell für die Matrixmultiplikationen ausgelegt sind, auf denen moderne KI-Modelle basieren. Pro Kern stehen 512 Kilobyte L1-Cache zur Verfügung, dazu kommt ein geteilter L2-Cache von 32 Megabyte. Laut Tom’s Hardware unterstützt der Chip zudem ein breites Spektrum an Zahlenformaten von FP4 bis FP64, wobei Intel für FP4 bislang keinen offiziellen Spitzenwert veröffentlicht hat.
Die technischen Daten im Detail: 480 GB Speicher bei nur 350 Watt
Der auffälligste Wert in Intels Datenblatt ist nicht die Rechenleistung, sondern die Speicherausstattung. Die GPU D-Series nutzt LPDDR5X-Speicher statt des bei Nvidia und AMD üblichen HBM3e, was in der Fertigung günstiger ist und sich leichter skalieren lässt. Je nach Partnerkonfiguration unterstützt die Karte zwischen 160 Gigabyte in Intels eigener Referenzkarte und bis zu 480 Gigabyte bei Karten von Systempartnern. Die Speicherbandbreite liegt bei 1,5 Terabyte pro Sekunde, deutlich unter den HBM3e-Werten der Konkurrenz, aber für viele Inferenz-Workloads mit großem Kontextfenster ausreichend, weil hier vor allem die Kapazität und nicht die rohe Bandbreite über die Modellgröße entscheidet, die ein einzelner Chip im Speicher halten kann.
Intel gibt an, dass ein einzelnes Exemplar der GPU D-Series Sprachmodelle mit bis zu 300 Milliarden Parametern lokal vorhalten kann. In einem Achter-System mit acht Karten steigt diese Grenze laut Hersteller auf über eine Billion Parameter. Das ist für Betreiber großer Sprachmodelle relevant, die aktuell oft mehrere teure High-End-GPUs nur deshalb zusammenschalten müssen, weil ein einzelner Chip nicht genug Speicher für das Modell bietet. Bei einer Leistungsaufnahme von 350 Watt pro Karte lässt sich die GPU D-Series außerdem mit Standard-Luftkühlung in bestehenden Rechenzentren betreiben, ohne dass Betreiber in neue Flüssigkühlungs-Infrastruktur investieren müssen.
| Spezifikation | Intel GPU D-Series (Crescent Island) |
|---|---|
| Architektur | Xe3P |
| Rechenkerne | 32 Xe3P-Kerne, 256 XMX-Matrix-Engines |
| FP8-Rechenleistung | Bis zu 1,3 Petaflops (theoretischer Spitzenwert) |
| Speichertyp | LPDDR5X |
| Speicherkapazität | 160 GB (Referenzkarte) bis 480 GB (Partnerkarten) |
| Speicherbandbreite | 1,5 TB/s |
| Leistungsaufnahme | 350 Watt |
| Kühlung | Luftgekühlt, PCIe-Steckkarte |
| Cache | 32 MB L2 gesamt, 512 KB L1 pro Kern |
| Maximale Modellgröße | 300 Mrd. Parameter (1 Karte), über 1 Bio. Parameter (8-GPU-System) |
Was im Datenblatt fehlt, ist ebenso aufschlussreich wie das, was drinsteht. Intel hat bislang weder einen konkreten Fertigungsprozess noch einen Listenpreis genannt. Auch ein genauer Termin für die allgemeine Verfügbarkeit fehlt. Laut ServeTheHome läuft die Mustermuster-Auslieferung an ausgewählte Kunden bereits, eine breite kommerzielle Verfügbarkeit hat Intel jedoch noch nicht terminiert. Das 1,3-Petaflops-FP8-Versprechen ist zudem ein theoretischer Spitzenwert aus dem Datenblatt und kein unabhängig gemessenes Benchmark-Ergebnis, eine wichtige Einschränkung, die Käufer bei der Bewertung berücksichtigen müssen.
Warum Intel auf Inferenz statt auf Training setzt
Der Markt für KI-Hardware teilt sich grob in zwei Disziplinen: das Training riesiger Modelle, bei dem rohe Rechenleistung über Wochen hinweg zählt, und die Inferenz, also das tägliche Ausführen bereits trainierter Modelle für Millionen von Anfragen. Nvidia und AMD haben ihre teuersten Chips historisch auf das Training zugeschnitten, weil dort die höchsten Margen lagen. Mit dem Aufstieg agentischer KI-Systeme, die eigenständig mehrstufige Aufgaben erledigen und dabei oft lange Kontextfenster offen halten müssen, verschiebt sich die Nachfrage jedoch zunehmend in Richtung Inferenz.
Intels Chief Technology Officer Sachin Katti beschreibt diesen Wandel in einer offiziellen Stellungnahme so: “KI verschiebt sich von statischem Training zu Echtzeit-Inferenz überall, angetrieben von agentischer KI.” Katti ergänzt, dass die Skalierung dieser komplexen Workloads heterogene Systeme erfordere, die die passende Hardware der jeweiligen Aufgabe zuordnen, unterstützt von einem offenen Software-Stack, wie aus der offiziellen Intel-Mitteilung zur Hot-Chips-Konferenz 2026 hervorgeht.
Diese Strategie erklärt auch, warum Intel bei der GPU D-Series bewusst auf die teuerste und schnellste verfügbare Speichertechnologie verzichtet. HBM3e liefert zwar deutlich höhere Bandbreiten, ist aber knapp, teuer und durch die aktuelle Nachfrageexplosion bei Speicherchips kaum in großen Stückzahlen verfügbar. LPDDR5X ist dagegen ein Massenprodukt aus der Smartphone- und Notebook-Fertigung, das sich leichter beschaffen lässt und pro Gigabyte deutlich günstiger ist. Intel tauscht damit rohe Bandbreite gegen Kapazität, Verfügbarkeit und Kosten, eine Wette, die vor allem dann aufgeht, wenn Speicherkapazität tatsächlich der limitierende Faktor für viele Inferenz-Anwendungen bleibt.
Crescent Island gegen Nvidia B200: Weniger Tempo, mehr Speicher pro Karte
Nvidias Blackwell-Generation bleibt 2026 der Maßstab für High-End-KI-Rechenleistung. Laut offiziellen Angaben auf der Nvidia-Produktseite zum DGX-B200-System liefert ein komplettes System mit acht B200-GPUs 72 Petaflops FP8-Rechenleistung, 1.440 Gigabyte GPU-Speicher insgesamt und 64 Terabyte pro Sekunde aggregierte HBM3e-Bandbreite. Heruntergerechnet auf eine einzelne Karte ergibt das rund 9 Petaflops FP8, 180 Gigabyte HBM3e-Speicher und etwa 7,7 Terabyte pro Sekunde Bandbreite pro GPU. Nvidia nennt in den öffentlich verfügbaren Materialien keine offizielle Leistungsaufnahme für die einzelne B200-Karte.
Im direkten Vergleich liefert eine einzelne B200 damit fast sieben Mal so viel Rechenleistung wie Intels GPU D-Series, bei deutlich geringerer Speicherkapazität. Für Workloads, die auf maximalen Durchsatz bei überschaubarer Modellgröße optimiert sind, bleibt Nvidia damit uneinholbar. Sobald jedoch die Modellgröße oder das Kontextfenster so groß wird, dass mehrere B200-Karten nur wegen des Speicherlimits zusammengeschaltet werden müssen, kann eine einzelne GPU-D-Series-Karte mit bis zu 480 Gigabyte Kapazität dieselbe Aufgabe theoretisch mit weniger Hardware und deutlich geringerem Stromverbrauch erledigen. Ob sich das in echten Produktionsumgebungen bestätigt, hängt von unabhängigen Benchmarks ab, die bislang noch ausstehen.
Crescent Island gegen AMD Instinct MI355X: Der Effizienz-Faktor
AMDs aktuell verfügbarer Spitzenbeschleuniger Instinct MI355X liefert laut offiziellen AMD-Datenblättern 9,228 Petaflops FP8-Rechenleistung und 18,45 Petaflops im neueren FP6-Format. Der Chip kombiniert 288 Gigabyte HBM3e-Speicher mit 8 Terabyte pro Sekunde Bandbreite, verbraucht dabei aber bis zu 1.400 Watt typische Board-Leistung und benötigt damit in der Regel eine Flüssigkühlung. Damit liegt AMD bei der reinen Rechenleistung in etwa auf Nvidia-Niveau, bei der Speicherkapazität zwischen Nvidia und Intel.
Der Leistungsaufnahme-Unterschied ist dabei der auffälligste Punkt im Vergleich: Intels 350 Watt stehen AMDs 1.400 Watt gegenüber, ein Faktor von vier. Für Rechenzentren, die nach Inferenz-Kapazität pro Watt und nicht nach reiner Spitzenleistung optimieren, verändert das die Rechnung erheblich. Ein Rack mit mehreren GPU-D-Series-Karten kann bei gleichem Stromanschluss deutlich mehr Karten betreiben als ein vergleichbares Rack mit MI355X-Beschleunigern, muss dafür aber bei der absoluten Rechenleistung pro Karte deutliche Abstriche hinnehmen. AMD selbst hat die MI355X zudem bei MLPerf-Inference-Benchmarks ins Rennen geschickt und dort nach eigenen Angaben starke Ergebnisse erzielt, während für Intels Chip bislang keine vergleichbaren unabhängigen Messwerte vorliegen.
Google TPU Ironwood: Die Cloud-Alternative außerhalb des Kartenformats
Eine dritte Vergleichsgröße liefert Googles TPU Ironwood, auch unter der Bezeichnung TPU7x bekannt. Laut der offiziellen Google-Cloud-Dokumentation erreicht ein einzelner Ironwood-Chip 4.614 FP8-Teraflops, also etwa 4,6 Petaflops, kombiniert mit 192 Gibibyte HBM-Speicher und 7,38 Terabyte pro Sekunde Bandbreite. Google hat für Ironwood keine offizielle Leistungsaufnahme veröffentlicht. Anders als Crescent Island und die Karten von Nvidia und AMD ist die TPU jedoch kein frei verkäufliches PCIe-Produkt, sondern ausschließlich über die Google-Cloud-Infrastruktur nutzbar, was den direkten Vergleich erschwert.
Für Unternehmen, die ihre eigene Hardware in einem eigenen oder gemieteten Rechenzentrum betreiben wollen, scheidet die TPU damit als Kaufoption von vornherein aus. Sie bleibt aber als Vergleichsmaßstab wichtig, weil Google mit Ironwood zeigt, dass auch spezialisierte Cloud-Anbieter zunehmend auf hohe Speicherkapazität statt auf reine Spitzenleistung setzen, ein Trend, der Intels Strategie mit der GPU D-Series zusätzlich bestätigt.
Die wichtigsten KI-Beschleuniger 2026 im direkten Vergleich
Die folgende Tabelle fasst die offiziell bestätigten Werte der vier wichtigsten aktuellen KI-Beschleuniger zusammen. Werte, die von den Herstellern nicht veröffentlicht wurden, sind entsprechend gekennzeichnet, um keine falschen Vergleiche zu suggerieren.
| Beschleuniger | FP8-Leistung | Speicher | Bandbreite | Leistungsaufnahme |
|---|---|---|---|---|
| Intel GPU D-Series (Crescent Island) | 1,3 Petaflops | bis 480 GB LPDDR5X | 1,5 TB/s | 350 W |
| Nvidia B200 (pro GPU) | ~9 Petaflops | 180 GB HBM3e | 7,7 TB/s | nicht offiziell veröffentlicht |
| AMD Instinct MI355X | 9,228 Petaflops | 288 GB HBM3e | 8 TB/s | 1.400 W |
| Google TPU Ironwood (pro Chip) | ~4,6 Petaflops | 192 GiB HBM | 7,38 TB/s | nicht offiziell veröffentlicht |
Auf den ersten Blick wirkt Intels Rechenleistung schwach gegenüber Nvidia und AMD. Entscheidend ist aber das Verhältnis von Speicher zu Energieverbrauch: Pro Watt Leistungsaufnahme bietet die GPU D-Series mit rund 1,37 Gigabyte Speicher pro Watt deutlich mehr Kapazität als die MI355X mit etwa 0,2 Gigabyte pro Watt. Für Betreiber, die vor allem viele gleichzeitige Anfragen mit langen Kontextfenstern bedienen müssen, kann dieses Verhältnis wichtiger sein als die reine Spitzenleistung in Petaflops.
Intels Geschichte mit KI-Chips: Von Gaudi zu Ponte Vecchio
Intel ist im KI-Beschleunigermarkt kein Neueinsteiger, aber bislang auch kein Erfolgsgaranten. Mit der Übernahme von Habana Labs brachte Intel die Gaudi-Chipserie als preisgünstigere Alternative zu Nvidia in Position. Trotz mehrerer Generationen gelang es Gaudi nie, einen nennenswerten Marktanteil gegenüber Nvidias CUDA-Ökosystem zu erobern, vor allem weil Softwarekompatibilität und Entwickler-Tools hinter Nvidia zurückblieben. Parallel dazu entwickelte Intel mit der Max-Serie, besser bekannt unter dem Codenamen Ponte Vecchio, einen technisch ambitionierten Rechenzentrums-Chip mit komplexem Chiplet-Packaging, der vor allem im Supercomputer Aurora am Argonne National Laboratory zum Einsatz kam, aber nie eine breite kommerzielle Marktdurchdringung erreichte.
Crescent Island unterscheidet sich von beiden Vorgängern in einem entscheidenden Punkt: Intel versucht diesmal nicht, Nvidia bei der Spitzenleistung direkt anzugreifen, sondern positioniert das Produkt explizit als wirtschaftlich sinnvolle Nische. Ein offizielles Intel-Statement zur Hot-Chips-Konferenz formuliert es so: “Crescent Island ist eine stromsparende, einfach zu integrierende GPU mit starker Rechenleistung und hoher Speicherkapazität, die größere Modelle, längere Kontextfenster und mehr gleichzeitige KI-Agenten innerhalb bestehender luftgekühlter Rechenzentrums-Infrastruktur ermöglicht.” Ob diese engere Zielsetzung ausreicht, um die Fehler der Vergangenheit zu vermeiden, lässt sich erst beurteilen, wenn unabhängige Benchmarks und erste Kundenberichte vorliegen.
Was Intel-Manager zur neuen KI-Strategie sagen
Intel beschreibt seine Rolle im KI-Infrastrukturmarkt zunehmend als Anbieter einer offenen, flexiblen Alternative zu geschlossenen Ökosystemen. In derselben Mitteilung verweist Katti darauf, dass Intels Grafikprozessor auf Xe-Architektur für Rechenzentren den Kunden den nötigen Effizienz-Spielraum und mehr Wert biete, sobald das Token-Volumen weiter steige. Diese Formulierung zielt direkt auf die Kostenstruktur großer KI-Anbieter, die mit wachsender Nutzerzahl immer mehr Anfragen gleichzeitig verarbeiten müssen, ohne dass die Energiekosten proportional mitwachsen dürfen.
Intel selbst bezeichnet die Strategie rund um Crescent Island zudem als Neudefinition der Wirtschaftlichkeit von Echtzeit-KI-Inferenz, wie es in der Unternehmensmitteilung zur Hot-Chips-Konferenz 2026 heißt. Beobachter wie SiliconANGLE deuten diese Positionierung als bewusste Abwendung von der reinen Größenlogik, mit der Nvidia und AMD ihre Rechenzentrumssparten bislang dominiert haben. Statt des größten verfügbaren Systems soll künftig das richtig dimensionierte System für die jeweilige Aufgabe den Unterschied machen, eine Wette, die sich erst über mehrere Produktzyklen hinweg beweisen muss.
Marktauswirkungen für Rechenzentren in Österreich und der EU
Für europäische und speziell österreichische Rechenzentrumsbetreiber hat die Ankündigung mehrere praktische Implikationen. Erstens senkt ein luftgekühlter 350-Watt-Beschleuniger die Einstiegshürde für Betreiber, die bislang keine Flüssigkühlung installiert haben und dennoch KI-Inferenz-Kapazität anbieten wollen. Zweitens könnte die Nutzung von LPDDR5X statt HBM3e die Lieferkettenabhängigkeit von den wenigen Speicherherstellern verringern, die aktuell den HBM-Markt dominieren und durch die anhaltende Nachfrageexplosion ohnehin ausgelastet sind.
Drittens spielt der Energiepreis in Österreich und Deutschland eine größere Rolle als in vielen anderen Märkten, da Industriestrompreise in der DACH-Region im europäischen Vergleich überdurchschnittlich hoch liegen. Ein Beschleuniger, der bei vergleichbarer Speicherkapazität nur einen Bruchteil der Energie eines High-End-Trainingschips benötigt, kann die Total-Cost-of-Ownership-Rechnung für regionale Cloud-Anbieter und Behördenrechenzentren deutlich verändern, sofern sich die theoretischen Werte in der Praxis bestätigen. Bislang hat Intel allerdings weder europäische Vertriebspartner noch konkrete Preise für den EU-Markt genannt, sodass sich die tatsächliche Kostenwirkung erst nach Marktstart beurteilen lässt.
Kein Preis, keine Kunden: Was Intel noch nicht verraten hat
So detailliert die technischen Daten auch sind, Intel hält sich bei mehreren entscheidenden Fragen bedeckt. Ein offizieller Listenpreis fehlt komplett, ebenso eine verlässliche Prognose für Cloud-Instanzpreise, sollten große Anbieter die GPU D-Series ins Angebot aufnehmen. Auch zu konkreten Kunden äußert sich Intel bislang nicht namentlich. Weder Amazon Web Services noch Microsoft Azure, Google Cloud, Oracle Cloud oder große Serverhersteller wie Dell, HPE, Lenovo oder Supermicro wurden offiziell als Launch-Partner bestätigt, auch wenn Intel erwähnt, dass Partner bereits Karten mit bis zu 480 Gigabyte Speicher bauen.
Diese Lücken sind kein Zufall, sondern typisch für die frühe Phase eines Hardware-Launches, in der Mustermuster an ausgewählte Kunden gehen, bevor ein Produkt breit vermarktet wird. Für Einkäufer in Rechenzentren bedeutet das vorerst Zurückhaltung: Konkrete Kaufentscheidungen lassen sich erst treffen, wenn Preis, Liefertermin und erste unabhängige Benchmarks vorliegen. Laut TokenPost rechneten frühere Berichte mit einer Mustermuster-Phase in der zweiten Jahreshälfte 2026, was sich mit dem aktuellen Stand der bereits laufenden Kundenauslieferung deckt.
Speicherkapazität als neue Währung im KI-Chipmarkt
Die Ankündigung von Crescent Island markiert einen breiteren Trend im gesamten KI-Hardwaremarkt: Speicherkapazität pro Chip wird zunehmend zu einem genauso wichtigen Verkaufsargument wie reine Rechenleistung. Noch vor zwei Jahren lag der Fokus der Branche fast ausschließlich auf Teraflops-Zahlen. Mit dem Aufkommen von Modellen, die Hunderte Milliarden bis über eine Billion Parameter umfassen, und mit Anwendungen, die immer längere Kontextfenster von mehreren hunderttausend Tokens offen halten müssen, wird die Frage, wie viel Modell ein einzelner Chip ohne aufwendige Verteilung über mehrere Karten im Speicher halten kann, zum limitierenden Faktor.
Google zeigt mit der TPU Ironwood einen ähnlichen Weg, auch wenn der Konzern dort auf HBM statt auf das günstigere LPDDR5X setzt. AMD hat mit der MI355X die Speicherkapazität gegenüber der Vorgängergeneration ebenfalls deutlich erhöht. Nvidia dürfte mit künftigen Blackwell-Ultra- und Rubin-Generationen voraussichtlich ebenfalls mehr Speicher pro Karte bieten, auch wenn hierzu noch keine offiziell bestätigten Zahlen vorliegen. Intel positioniert sich mit der GPU D-Series also nicht gegen einen allgemeinen Trend, sondern verstärkt ihn mit einer besonders aggressiven Kapazitätszahl von bis zu 480 Gigabyte auf einer einzelnen Karte.
Historischer Kontext: Wie sich der Beschleunigermarkt seit 2023 verändert hat
Als Nvidia 2023 mit der H100 den KI-Boom endgültig in die Breite trug, dominierte ein einziger Anbieter nahezu den gesamten Markt für Trainingsbeschleuniger. AMD positionierte sich mit der MI300-Serie erstmals als ernstzunehmende Alternative, Intel hingegen blieb mit Gaudi2 und Ponte Vecchio weitgehend auf Nischenanwendungen und wissenschaftliche Großprojekte beschränkt. Seit 2024 hat sich das Bild verändert: AMD hat mit der MI350- und jetzt der MI355X-Serie kontinuierlich aufgeholt, Google hat seine TPU-Flotte mit Ironwood für externe Cloud-Kunden geöffnet, und Nvidia selbst hat mit Blackwell und B200 den Fokus zunehmend auf Inferenz-Effizienz statt nur auf reine Trainingsleistung verschoben.
Intel hat in dieser Zeit mehrere Rechenzentrums-GPU-Projekte eingestellt oder umbenannt, bevor sie breit auf den Markt kamen, was in der Branche für Skepsis gegenüber neuen Ankündigungen aus Santa Clara gesorgt hat. Die GPU D-Series ist damit auch ein Test, ob Intel unter seiner aktuellen Führung tatsächlich ein Produkt bis zur breiten Marktreife durchziehen kann, statt es wie frühere Projekte vorzeitig zu beenden oder in eine Nachfolgegeneration umzutaufen, ohne dass nennenswerte Stückzahlen ausgeliefert wurden.
Fünf Prognosen für die Entwicklung des KI-Beschleunigermarkts
- Intel dürfte die GPU D-Series zunächst über ausgewählte Cloud-Partner und große Enterprise-Kunden vermarkten, bevor ein breiter Einzelhandelskanal für Systemintegratoren entsteht, ähnlich wie bei früheren Rechenzentrums-GPU-Generationen des Unternehmens.
- Der Wettbewerb über Speicherkapazität pro Watt wird sich 2027 voraussichtlich verschärfen, da sowohl Nvidia als auch AMD auf den Vorstoß von Intel und Google reagieren müssen, um ihre Inferenz-Angebote konkurrenzfähig zu halten.
- Unabhängige Benchmarks, etwa über MLPerf, werden entscheidend dafür sein, ob Intels theoretischer 1,3-Petaflops-Wert in der Praxis mit realen Workloads mithalten kann oder deutlich darunter bleibt.
- Die anhaltende Speicherchip-Knappheit bei HBM3e könnte LPDDR5X-basierten Beschleunigern wie der GPU D-Series kurzfristig einen Preis- und Verfügbarkeitsvorteil verschaffen, solange die Engpässe bei High-Bandwidth-Memory anhalten.
- Ob Intel diesmal genügend Software-Unterstützung und Entwickler-Ökosystem rund um die GPU D-Series aufbaut, wird stärker über den kommerziellen Erfolg entscheiden als die reinen Hardware-Spezifikationen, da genau an diesem Punkt frühere Intel-Beschleuniger gegenüber Nvidias CUDA-Ökosystem gescheitert sind.
Was Unternehmen jetzt bei der Hardware-Planung beachten sollten
Für IT-Entscheider, die aktuell Investitionen in KI-Infrastruktur planen, ergibt sich aus der Ankündigung keine unmittelbare Kaufempfehlung, aber ein klares Signal für die mittelfristige Planung. Wer Workloads mit sehr großen Kontextfenstern oder vielen gleichzeitigen Anfragen betreibt und bislang wegen der Speicherlimits einzelner Karten mehrere teure GPUs koppeln musste, sollte die Entwicklung rund um die GPU D-Series im Auge behalten, sobald Preis und Verfügbarkeit feststehen. Wer dagegen primär rohe Trainingsleistung benötigt, bleibt vorerst bei Nvidia oder AMD besser aufgehoben, da Intel hier explizit keinen Anspruch auf Führungsleistung erhebt.
Wichtig ist auch, realistische Erwartungen an den Zeithorizont zu setzen. Zwischen einer Produktankündigung mit Mustermuster-Auslieferung und einer breiten, preislich wettbewerbsfähigen Verfügbarkeit liegen bei Rechenzentrums-Hardware erfahrungsgemäß mehrere Quartale. Wer heute plant, sollte Crescent Island beziehungsweise die GPU D-Series daher als Option für 2027 und nicht für unmittelbare Beschaffungsprojekte im laufenden Jahr einkalkulieren, bis Intel konkrete Preise und Liefertermine für den europäischen Markt bestätigt.
Häufig gestellte Fragen zu Intel Crescent Island
Was ist Intel Crescent Island?
Crescent Island war der Codename für Intels neuen KI-Inferenz-Beschleuniger, der seit dem 12. Oktober 2026 offiziell als Intel GPU D-Series vermarktet wird. Der Chip basiert auf der Xe3P-Architektur und ist für KI-Inferenz-Workloads in Rechenzentren ausgelegt, nicht für das Training großer Modelle.
Wie viel Speicher hat die Intel GPU D-Series?
Intels eigene Referenzkarte bietet 160 Gigabyte LPDDR5X-Speicher. Partnerkarten von Systemherstellern können laut Intel bis zu 480 Gigabyte erreichen, deutlich mehr als Nvidias B200 mit 180 Gigabyte oder AMDs MI355X mit 288 Gigabyte HBM3e.
Wie schnell ist Crescent Island im Vergleich zu Nvidia und AMD?
Mit bis zu 1,3 Petaflops FP8-Rechenleistung liegt die GPU D-Series deutlich unter Nvidias B200 mit rund 9 Petaflops pro Karte und AMDs MI355X mit 9,228 Petaflops. Intel kompensiert das mit höherer Speicherkapazität und deutlich geringerer Leistungsaufnahme.
Wie viel Strom verbraucht die Intel GPU D-Series?
Die Karte ist mit 350 Watt spezifiziert und lässt sich mit Standard-Luftkühlung betreiben. Zum Vergleich: AMDs MI355X benötigt bis zu 1.400 Watt typische Board-Leistung und in der Regel Flüssigkühlung.
Wann kommt Intel Crescent Island auf den Markt?
Intel liefert aktuell Mustermuster an ausgewählte Kunden aus. Einen konkreten Termin für die breite kommerzielle Verfügbarkeit oder einen Listenpreis hat Intel bislang nicht bekanntgegeben.
Was kostet die Intel GPU D-Series?
Intel hat noch keinen Preis veröffentlicht, weder für die Hardware selbst noch für mögliche Cloud-Instanzen bei Drittanbietern. Jede aktuell kursierende Preisangabe wäre reine Spekulation.
Welche Cloud-Anbieter unterstützen Crescent Island?
Intel hat bislang keinen namentlich bestätigten Cloud-Partner für die GPU D-Series genannt. Weder AWS, Microsoft Azure, Google Cloud noch Oracle Cloud haben offizielle Unterstützung angekündigt, auch wenn Partner laut Intel bereits Karten mit höherer Speicherkapazität fertigen.
Ist Intel nach Gaudi und Ponte Vecchio diesmal erfolgreicher?
Das lässt sich noch nicht beurteilen. Anders als bei den Vorgängerprojekten positioniert Intel die GPU D-Series diesmal explizit als Nischenprodukt für speicherintensive Inferenz statt als direkten Angriff auf Nvidias Trainingsspitze, was die Erfolgsaussichten verändern könnte. Unabhängige Benchmarks und erste Kundenberichte stehen aber noch aus.