GPU-Server für Rendering, 3D und Video: Wie er sich von einem KI-Server unterscheidet

Ein GPU-Server für Rendering, 3D und Video unterscheidet sich von einem KI-Server dadurch, dass nicht nur die reine Rechenleistung der Grafikkarten wichtig ist. Entscheidend ist das Gleichgewicht aus GPU-Speicher, Unterstützung für Raytracing, Hardware-Videocodierung, schnellen NVMe-Laufwerken, CPU, RAM, Netzwerkzugriff auf Assets und Kompatibilität mit der konkreten Software. Für Blender, Redshift, Octane, V-Ray, DaVinci Resolve, Premiere Pro, After Effects und Unreal Engine ist es oft sinnvoller, eine universelle professionelle GPU-Konfiguration mit starker Grafik- und Medienleistung zu wählen, als für KI-Beschleuniger der H100/H200-Klasse zu viel zu bezahlen, wenn das Training großer Modelle nicht die Hauptaufgabe des Servers ist.

In der Praxis sollte die Frage „Welchen GPU-Server soll ich kaufen?“ fast immer nicht beim Grafikkartenmodell beginnen, sondern beim Workflow. Ein Studio braucht einen Server, der nachts Frames in einer Warteschlange rendert. Ein anderes braucht eine leistungsstarke Workstation für einen Artist, der täglich Szenen in Echtzeit bewegt. Ein drittes benötigt einen Knoten für Schnitt, Color Grading, Export und Transcoding von Videos. Nach außen kann all das als GPU-Server bezeichnet werden, die Anforderungen an die Hardware sind jedoch unterschiedlich.

GPU servers

Warum man einen Rendering-Server nicht wie einen normalen KI-Server auswählen sollte

Ein KI-Server wird in der Regel für Modelltraining, Inferenz, die Arbeit mit großen Sprachmodellen, Computer Vision oder RAG-Dienste ausgelegt. Dort sind Tensorberechnungen, große Mengen schnellen Speichers, Interconnects zwischen GPUs, Unterstützung für KI-Frameworks und die Möglichkeit wichtig, eine Aufgabe auf mehrere Beschleuniger zu skalieren.

Ein Server für Rendering, 3D und Video lebt in einer anderen Pipeline. Dort gibt es Szenen, Texturen, Geometrie, Simulations-Caches, Timelines, Codecs, Proxys, Plugins, Lizenzen, gemeinsamen Speicher und Arbeitsplätze von Artists. Deshalb ist die „stärkste KI-Karte“ nicht immer die beste Wahl.

Für das Training eines großen Modells können zum Beispiel HBM-Speicher und ein schneller Austausch zwischen GPUs wichtig sein. Für Architekturrendering in Blender oder V-Ray ist dagegen wichtiger, dass die Szene in den GPU-Speicher passt, die Engine korrekt mit CUDA/OptiX arbeitet und der Server an einer nächtlichen Aufgabenwarteschlange nicht ausgebremst wird. Für die Videoproduktion werden Hardwareblöcke für Codierung und Decodierung zu einer eigenen Begrenzung: Ohne sie kann selbst eine leistungsstarke Grafikkarte im realen Schnitt- und Exportbetrieb weniger praktisch sein.

Ein GPU-Server für Grafik ist deshalb kein „billigerer KI-Server“. Er ist ein eigener Konfigurationstyp, bei dem man das gesamte System betrachten muss:

• welche Aufgaben am häufigsten ausgeführt werden;
• welche Engines und Programme verwendet werden;
• wie viel GPU-Speicher typische Projekte benötigen;
• ob interaktive Arbeit nötig ist oder nur Rendering in der Warteschlange;
• wie viele Nutzer mit dem Server arbeiten werden;
• wo die Assets liegen und wie schnell sie übertragen werden;
• welche Lizenzen für Render-Nodes benötigt werden;
• ob sich das System später zu einer Farm skalieren lässt.

Universelle Server-GPUs wie NVIDIA L40S 48 GB sind oft gerade deshalb interessant, weil sie gemischte Workloads abdecken: Rendering, 3D, Video und einen Teil der KI-Aufgaben. NVIDIA positioniert die L40S ebenfalls als GPU für KI, Grafik, Rendering und Video in Rechenzentren — ein gutes Beispiel für eine Kartenklasse zwischen rein grafikorientierten und rein KI-orientierten Szenarien: NVIDIA L40S GPU.

Unterschiedliche Workloads haben unterschiedliche Engpässe

Bei Rendering, interaktiver 3D-Grafik, Videoschnitt und KI-Aufgaben erledigt die GPU unterschiedliche Arbeit. Wer nur auf die Anzahl der CUDA-Kerne oder die Gesamtleistung in Teraflops schaut, kauft leicht ein teures System, das nicht optimal zur Aufgabe passt.

Es gibt mehrere nicht offensichtliche Punkte, die die Auswahl besonders häufig beeinflussen.

Erstens liefern mehrere Grafikkarten nicht immer eine lineare Skalierung. Zwei GPUs rendern nicht unbedingt exakt doppelt so schnell, und vier nicht unbedingt exakt viermal so schnell. Alles hängt von Engine, Szene, Texturen, Einstellungen, Treibern, Lizenzen und davon ab, wie die Aufgabe zwischen den Karten verteilt wird.

Zweitens wird der GPU-Speicher mehrerer Karten in der Regel nicht zu einem gemeinsamen Speicherpool zusammengeführt. Wenn in einem Server vier Karten mit je 24 GB stecken, bedeutet das nicht, dass eine Szene automatisch 96 GB erhält. In den meisten Szenarien muss die Szene in den Speicher jeder beteiligten Karte passen. Wenn ein Projekt 40 GB GPU-Speicher benötigt, lösen vier Karten mit 24 GB das Problem möglicherweise nicht, während eine NVIDIA A40 48 GB oder eine andere GPU mit 48 GB praktischer sein kann.

Drittens hängt Video oft nicht von „GPU-Leistung im Allgemeinen“ ab, sondern von einem konkreten Codec. Ein Projekt kann durch die Grafikkarte gut beschleunigt werden, während ein anderes wegen des Quellformats, der Farbtiefe, des Chroma-Subsamplings oder der Exporteinstellungen teilweise auf die CPU zurückfällt.

Viertens sind KI-Funktionen innerhalb von Grafiksoftware nicht dasselbe wie ein vollwertiger KI-Server. Rauschreduzierung, Auto-Color, Upscaling, Masken, Objekterkennung und generative Werkzeuge können neuronale Beschleunigung nutzen, aber das bedeutet nicht, dass ein Studio einen Server mit H100 oder H200 braucht.

Welche GPU-Parameter für Rendering und 3D wichtig sind

GPU-Speicherkapazität

GPU-Speicher ist einer der ersten Parameter, die man bei der Auswahl einer GPU für Rendering prüfen sollte. Geometrie, Texturen, Materialien, Beleuchtung, Szenendaten und Zwischenberechnungen müssen darin Platz finden.

Als grobe Orientierung gilt:

• 8–16 GB — Einstiegsniveau für einfache Szenen, Lernen, leichte Projekte und einzelne Aufgaben im Videoschnitt;
• 24 GB — komfortabler für komplexere Szenen, 4K-Video, einzelne KI-Funktionen und professionelle Aufgaben mittlerer Größe;
• 48 GB — ein praktisches Niveau für ernsthaftes GPU-Rendering, Architekturvisualisierung, schwere Texturen, große Szenen und Studioprojekte;
• 80 GB und mehr — häufiger der Bereich von KI, HPC, großen Modellen und spezialisierten Berechnungen, nicht zwingend eine Voraussetzung für normales Rendering.

Zu wenig VRAM reduziert die Geschwindigkeit nicht nur ein wenig. In manchen Fällen wird die Szene nicht mehr auf der GPU gerendert, fällt in einen langsameren Modus zurück oder erfordert eine Vereinfachung von Texturen und Geometrie. Deshalb sollte man nicht nur das durchschnittliche Projekt betrachten, sondern auch die schwersten Szenen, die in der Praxis tatsächlich vorkommen.

Für ein 3D-Studio sind 48 GB GPU-Speicher oft ein praktischerer Bezugspunkt als die Jagd nach KI-Beschleunigern. In dieser Klasse können NVIDIA L40 48 GB, L40S, A40, RTX 6000 Ada und neuere professionelle RTX-Karten infrage kommen.

Raytracing und RT-Kerne

Im modernen Rendering zählt nicht nur die allgemeine Rechenleistung, sondern auch die Beschleunigung von Raytracing. RT-Kerne helfen, Reflexionen, Schatten, Brechungen, globale Beleuchtung und andere Effekte, die eine Szene realistisch machen, schneller zu berechnen.

Beim finalen Rendering wirkt sich das auf die Berechnungszeit der Frames aus. Bei interaktiver Arbeit beeinflusst es die Geschwindigkeit der Szenenvorschau. Der Artist sieht Änderungen an Licht, Materialien und Kamera schneller, wartet weniger und trifft Entscheidungen häufiger direkt im Arbeitsfenster.

In KI-Aufgaben sind RT-Kerne nicht das wichtigste Kriterium. Dort zählen Tensor-Kerne, Speicherkapazität, Bandbreite und Framework-Unterstützung stärker. Deshalb ist ein Server, der in KI stark ist, nicht automatisch der bequemste Server für 3D-Visualisierung.

CUDA, OptiX und Engine-Unterstützung

Für Rendering reicht es nicht, eine „leistungsstarke Grafikkarte“ zu kaufen. Man muss sicherstellen, dass sie von der konkreten Engine korrekt unterstützt wird. Blender Cycles, Redshift, Octane und V-Ray nutzen GPUs unterschiedlich, und die Anforderungen ändern sich von Version zu Version.

Vor dem Kauf sollte geprüft werden:

• ob das Programm die ausgewählte GPU unterstützt;
• welcher Treiber benötigt wird;
• ob CUDA, OptiX oder ein anderes Backend genutzt wird;
• ob Rendering auf mehreren GPUs unterstützt wird;
• ob es Einschränkungen beim GPU-Speicher gibt;
• wie Render-Nodes lizenziert werden;
• ob es validierte Konfigurationen des Softwareanbieters gibt.

In Blender wird GPU-Rendering mit Cycles zum Beispiel über verfügbare Geräte und unterstützte Backends konfiguriert, darunter CUDA und OptiX: Blender Manual — GPU Rendering. Das ersetzt aber nicht die Prüfung der konkreten Blender-Version, des Treibers und der eingesetzten Add-ons.

Professionelle und Server-GPUs

Eine Gaming-Grafikkarte kann in einzelnen Aufgaben schnell sein, aber für einen kommerziellen Server zählen nicht nur Benchmark-Ergebnisse. Ein Render-Node kann nachts arbeiten, eine lange Frame-Warteschlange abarbeiten, mehrere Projekte bedienen und in einem Serverrack stehen. In diesem Modus sind Stabilität, Kühlung, Treiberunterstützung und Vorhersagbarkeit wichtig.

Professionelle und Server-GPUs werden häufig gewählt wegen:

• größerer GPU-Speicherkapazität;
• ECC-Speicher bei einigen Modellen;
• vorhersehbarem Betrieb unter langfristiger Last;
• Server-Formfaktor;
• Unterstützung sowohl in Workstations als auch in Rack-Servern;
• Treibern, die besser zu professioneller Software passen.

Für eine einzelne Workstation kann man NVIDIA RTX 6000 Ada 48 GB oder NVIDIA RTX PRO 6000 Blackwell Workstation Edition in Betracht ziehen. Für einen Render-Node im Rack ist es logischer, auf Serverausführungen zu schauen, zum Beispiel NVIDIA RTX PRO 6000 Blackwell Server Edition oder andere GPUs, die für Serverkühlung und dichte Installation ausgelegt sind.

Warum NVENC, NVDEC, Laufwerke und RAM für Video wichtig sind

Videoschnitt und Transcoding sind ein eigenes Thema. Hier kann die GPU Effekte, Color Grading, Rauschreduzierung, Skalierung, Vorschau und Export beschleunigen, aber die endgültige Leistung hängt nicht nur von den Rechenkernen ab.

Hardware-Codierung und -Decodierung

NVENC ist ein Hardwareblock für die Videocodierung, NVDEC ein Block für die Decodierung. Sie entlasten die CPU beim Export, Transcoding, bei der Arbeit mit mehreren Streams, beim Erstellen von Proxys und bei der Verarbeitung von Material für Streaming oder Content-Auslieferung.

Für ein Studio ist das besonders wichtig, wenn es gibt:

• viele parallele Exporte;
• 4K/8K-Material;
• HEVC oder AV1;
• Kameras mit schweren Codecs;
• Stream-Verarbeitung;
• ständige Proxy-Erstellung;
• Schnittprojekte mit vielen Spuren.

In diesem Szenario nur auf die Anzahl der CUDA-Kerne zu schauen, ist falsch. Eine Grafikkarte kann beim Rendering stark sein, aber für einen bestimmten Satz von Codecs nicht optimal. NVIDIA beschreibt die Möglichkeiten der Hardware-Codierung und -Decodierung im Video Codec SDK, und dieser Teil der Spezifikationen sollte genauso sorgfältig geprüft werden wie die VRAM-Kapazität.

Der Codec kann wichtiger sein als die allgemeine Leistung

H.264, HEVC, AV1, 10-Bit-Material, 4:2:2 und 4:4:4 verhalten sich unterschiedlich. In einem Fall beschleunigt die GPU Decodierung und Export, in einem anderen bleibt ein Teil der Arbeit beim Prozessor. Deshalb muss man für Video im Voraus wissen, welche Quellformate das Team verwendet.

Ein Schnittstudio kann zum Beispiel unterschiedliche Lastprofile haben:

• 4K-Aufnahmen mit mehreren Kameras;
• 6K/8K-RAW-Material;
• lange Schulungsvideos;
• Werbevideos mit schwerer Grafik;
• Streaming-Formate;
• Massentranscoding eines Archivs;
• Color Grading und Rauschreduzierung.

Für jedes dieser Profile kann der Engpass ein anderer sein: GPU, CPU, RAM, NVMe-Laufwerk, gemeinsames NAS oder Netzwerk.

Scratch-Laufwerke und Cache

Ein schnelles Scratch-Laufwerk ist ein Arbeits-NVMe für temporäre Dateien, Vorschauen, Cache, Proxys und Exporte. Die Grafikkarte kann leistungsstark sein, aber wenn der Cache auf einem langsamen Laufwerk liegt oder Assets über ein schwaches Netzwerk gezogen werden, ruckelt die Timeline.

Für einen Videoserver oder eine Schnitt-Workstation empfiehlt es sich, Speicherrollen zu trennen:

• ein separates NVMe-Laufwerk für Betriebssystem und Programme;
• ein separates schnelles NVMe-Laufwerk für Cache, Scratch und temporäre Dateien;
• ein separates SSD/NVMe-Array für aktuelle Projekte;
• HDD oder Objektspeicher für das Archiv;
• gemeinsames NAS/SAN für Teamarbeit.

HDD kann für ein Archiv eine normale Option sein, aber nicht für aktiven Schnitt, Cache und schwere Projekte mit vielen Quelldateien.

RAM für Schnitt und Compositing

Arbeitsspeicher ist besonders wichtig für After Effects, Fusion, komplexe Timelines, mehrschichtige Kompositionen und die parallele Arbeit in mehreren Anwendungen. Zu wenig RAM führt zu ständigem Leeren des Caches, Einfrieren der Vorschau und zusätzlicher Last auf dem Laufwerk.

Orientierungswerte:

• 32 GB — untere Grenze für einfache 4K-Projekte;
• 64–128 GB — ein sinnvollerer Bereich für professionellen Schnitt, Color Grading und Compositing;
• 256 GB und mehr — für schwere Studioprojekte, 6K/8K, große Assets und parallele Arbeit.

Adobe weist in seinen Empfehlungen für Premiere Pro auf die Rolle von GPU, VRAM, Treibern, Arbeitsspeicher und mehreren GPUs bei Export und Rendering hin. Für einen realen Server bedeutet das: Die Grafikkarte ist nur ein Teil des Systems.

Was für unterschiedliche Programme wichtig ist

Blender

Bei Blender muss man finales Rendering und interaktive Arbeit trennen. Cycles kann die GPU intensiv nutzen, aber die Geschwindigkeit im Viewport hängt nicht nur von der Grafikkarte ab. Komfort wird durch CPU, RAM, Laufwerksgeschwindigkeit, Texturgröße, Geometrie, Simulationen und Modifier beeinflusst.

Für einen Blender-Server sollte im Voraus festgelegt werden:

• ob der Artist direkt an dieser Maschine arbeitet oder remote;
• ob der Server nur als Render-Node oder als Workstation benötigt wird;
• welche GPU-Speicherkapazität für typische Szenen nötig ist;
• ob schwere Texturen und Simulationen verwendet werden;
• ob Rendering auf mehreren GPUs genutzt wird;
• welche Blender- und Treiberversionen geplant sind.

Wenn es sich um einen Render-Node handelt, muss er nicht als Arbeitsplatz bequem sein. Wichtiger sind Stabilität, Kühlung, Aufgabenwarteschlange, Netzwerkzugriff auf Assets und Kompatibilität mit dem Render-Manager.

Octane, Redshift und V-Ray

Octane, Redshift und V-Ray werden oft gerade wegen der GPU-Beschleunigung gewählt, sollten aber nicht als ein und dieselbe Engine behandelt werden. Jede hat eigene Anforderungen an GPUs, Treiber, Versionen, Lizenzen und Skalierung.

Vor dem Kauf eines Servers sollte geprüft werden:

• ob typische Szenen in den Speicher einer GPU passen;
• ob die Engine die ausgewählte Karte unterstützt;
• wie mehrere GPUs arbeiten;
• ob eine separate Render-Node-Lizenz nötig ist;
• ob es Einschränkungen für den Headless-Betrieb gibt;
• wie sich die Engine mit Netzwerk-Assets verhält;
• wie kritisch die VRAM-Kapazität im Vergleich zur Anzahl der GPUs ist.

Wenn ein Studio in einer konkreten Engine arbeitet, sollte der Server nicht „für 3D allgemein“, sondern für die realen Projekte dieses Studios ausgewählt werden. Für Architekturvisualisierung mit schweren Texturen und komplexem Licht kann die GPU-Speicherkapazität wichtiger sein als die Installation von mehr Karten mit weniger VRAM.

DaVinci Resolve

DaVinci Resolve kann das System je nach Seite und Aufgabe unterschiedlich belasten. Color Grading, Rauschreduzierung, Fusion, Effekte, Decodierung der Quellen und Export hängen nicht immer von derselben Komponente ab.

Für DaVinci sind wichtig:

• VRAM-Kapazität;
• Unterstützung der benötigten Codecs;
• schneller NVMe-Cache;
• ausreichend RAM;
• eine starke CPU für Aufgaben, die nicht vollständig auf die GPU verlagert werden;
• stabile Treiber;
• schneller Zugriff auf Quelldateien.

Bei 4K/8K und RAW-Material ist häufig nicht die „teuerste GPU“ entscheidend, sondern die Kombination aus passender GPU, schnellen Laufwerken, genügend RAM und einer richtigen Organisation des Speichers.

Premiere Pro und After Effects

Premiere Pro hängt stark von Codec, Effekten, Timeline, Laufwerken und GPU-Beschleunigung ab. In einem Projekt beschleunigt die Grafikkarte den Export gut, in einem anderen werden die Decodierung der Quellen oder der Prozessor zum Engpass.

After Effects reagiert noch stärker auf RAM und CPU. Compositing, Vorschau, mehrschichtige Szenen und Cache-Arbeit können mehr Arbeitsspeicher erfordern, als man bei der Auswahl „einfach einer starken Grafikkarte“ erwartet.

Für eine Adobe-Pipeline sollte man berücksichtigen:

• das Arbeitssystem muss meistens eine komfortable interaktive Workstation sein;
• Remote-Arbeit erfordert eine separate Konfiguration;
• einige Plugins können eigene Anforderungen haben;
• ein Treiber-Update kann die Stabilität beeinflussen;
• für 4K und höher sollte man zusätzlichen RAM- und Speicherplatz einplanen.

Unreal Engine

Unreal Engine ist kein klassischer Offline-Renderer. Für Echtzeit-3D sind stabile Bildrate, schnelle Reaktion, Umgang mit Assets, Shader-Kompilierung, Beleuchtung, Szenen mit vielen Objekten und Team-Entwicklung wichtig.

Epic weist in den offiziellen Anforderungen auf die Bedeutung von CPU, RAM, GPU-Speicher und aktuellen Treibern für Unreal Engine hin. In Arbeitsprojekten können die Anforderungen höher sein als die Basiswerte, besonders wenn Virtual Production, große Szenen, Nanite, Lumen, komplexe Materialien und mehrere Arbeitsplätze genutzt werden.

Für einen Server oder eine Workstation für Unreal sind wichtig:

• eine leistungsstarke GPU mit VRAM-Reserve;
• eine schnelle CPU;
• mindestens 64 GB RAM für ernsthafte Projekte, oft mehr;
• schnelle NVMe-Laufwerke;
• ein gutes Netzwerk zum Asset-Speicher;
• stabile Treiber;
• ein komfortables Schema für gemeinsame Arbeit.

In Unreal kann ein schwacher Speicher oder ein langsames Netzwerk genauso störend sein wie zu wenig GPU-Leistung. Das gilt besonders, wenn das Team ständig große Projekte öffnet, Assets synchronisiert und Daten neu aufbaut.

Was neben der GPU in einem Server unbedingt berücksichtigt werden muss

CPU

Die CPU bleibt auch in einem GPU-Server wichtig. Sie ist für Szenenvorbereitung, Editorbetrieb, Simulationen, einen Teil der Effekte, Codecs, Shader-Kompilierung, Datenverarbeitung und parallele Prozesse verantwortlich.

Für einen Render-Node ist nicht immer die maximale Anzahl an CPU-Kernen nötig, aber ein schwacher Prozessor kann zum Engpass werden. Besonders dann, wenn der Server gleichzeitig Aufgaben annimmt, Szenen vorbereitet, mit Netzwerkspeicher arbeitet und mehrere GPUs bedient.

Für eine interaktive Workstation zählt nicht nur Multithreading, sondern auch hohe Leistung pro Kern. Ein Artist oder Cutter braucht eine schnelle Reaktion der Oberfläche, nicht nur eine hohe Geschwindigkeit der finalen Berechnung.

RAM

Arbeitsspeicher wird nicht nur „als Reserve“ benötigt. Dort landen Szenen vor der Übergabe an die GPU, Assets, Caches, Anwendungsdaten, Vorschauen, temporäre Dateien und parallele Aufgaben.

Empfehlungen nach Systemniveau:

• 64 GB — unteres komfortables Niveau für eine professionelle Workstation;
• 128–256 GB — ein guter Bereich für 3D, Video und gemischte Studioaufgaben;
• 512 GB und mehr — schwere Render-Nodes, große Szenen, Farmen und mehrere Aufgaben gleichzeitig.

Wenn der Server nicht einen einzelnen Nutzer, sondern ein Team oder eine Aufgabenwarteschlange bedient, lohnt es sich in der Regel nicht, am RAM zu sparen.

NVMe und Speichersystem

NVMe-Laufwerke werden oft unterschätzt. Sie bestimmen jedoch, wie schnell Projekte geöffnet werden, Cache geschrieben wird, Proxys erstellt werden, temporäre Berechnungen laufen und Ergebnisse gespeichert werden.

Für einen professionellen Server ist es besser, die Rollen der Laufwerke zu trennen:

• System und Programme;
• Cache und Scratch;
• aktive Projekte;
• gemeinsamer Pool für das Team;
• Archiv.

In einem kleinen Studio funktioniert oft ein Schema gut, bei dem Arbeitsdaten auf schnellem gemeinsamem Speicher liegen, während Render-Nodes lokale NVMe-Laufwerke für temporäre Dateien haben. Für eine Farm ist das besonders wichtig: Wenn alle Nodes gleichzeitig schwere Texturen von einem langsamen NAS ziehen, stehen die Grafikkarten untätig.

Netzwerk

Das Netzwerk wird kritisch, wenn Assets nicht lokal, sondern auf gemeinsamem Speicher liegen. Für eine einzelne Workstation kann 1 GbE noch akzeptabel sein, für eine Studio-Pipeline wird es jedoch schnell zu wenig.

Orientierungswerte:

• 1 GbE — Basisniveau, oft ein Engpass für schweres Video und 3D;
• 10 GbE — sinnvolles Minimum für ein kleines Studio;
• 25 GbE — gutes Niveau für Render-Nodes und aktive Arbeit mit NAS;
• 100+ GbE — Farmen, 8K, große Asset-Bestände, mehrere Server.

Wichtig ist nicht nur die Netzwerkkarte des Servers, sondern auch Switches, NAS/SAN, Laufwerke im Speichersystem und die reale Last des Teams.

Kühlung und Stromversorgung

Server-GPUs können passiv sein: Sie haben keine eigenen Lüfter, weil sie für einen starken gerichteten Luftstrom in einem Rack-Server ausgelegt sind. Eine solche Karte kann man nicht einfach in ein normales Gehäuse stecken und stabilen Betrieb erwarten.

Vor dem Kauf sollte geprüft werden:

• ob das Gehäuse für die ausgewählten GPUs geeignet ist;
• ob die Stromversorgung ausreicht;
• ob das System für die nötige Verlustleistung ausgelegt ist;
• ob der Luftstrom korrekt ist;
• ob der Server die konkreten Karten unterstützt;
• ob der Raum Lärm und Wärmeabgabe verkraftet.

Workstation und Rack-Server sind unterschiedliche Formfaktoren. Eine Workstation ist für eine Person in der Nähe, Monitor, Peripherie und relativ akzeptablen Lärm ausgelegt. Ein Render-Node ist für den Serverraum, Dauerlast und dichte Installation ausgelegt.

Treiber

Für Grafik ist nicht nur die neueste Treiberversion wichtig, sondern auch Stabilität. In der Produktion kann ein Treiber-Update ein Programm beschleunigen und ein Plugin in einem anderen brechen. Deshalb fixieren Studios häufig einen funktionierenden Stack: Betriebssystemversion, Treiber, Anwendungsversion, Plugins und Render-Manager.

Bei einem KI-Server wird der Treiber-Stack meist um CUDA, Container, Frameworks und Bibliotheken herum aufgebaut. Bei einem Grafikserver steht die Kompatibilität mit DCC-Anwendungen, Render-Engines, Videoeditoren und Remote-Zugriff im Mittelpunkt.

Lizenzierung

Lizenzen können das Budget deutlich verändern. Ein Render-Node benötigt manchmal eine separate Lizenz für die Hauptanwendung, die Engine oder ein Plugin. Unterschiedliche Produkte können Floating-Lizenzen, Einschränkungen für Headless-Betrieb, Limits für die Anzahl der Nodes oder Bedingungen für Remote-Arbeit haben.

Vor dem Hardwarekauf sollte geklärt werden:

• wie viele Render-Nodes genutzt werden dürfen;
• ob für jeden Node eine separate Lizenz nötig ist;
• ob Arbeit ohne Monitor unterstützt wird;
• ob Aufgaben über einen Queue-Manager gestartet werden können;
• ob es Einschränkungen für Virtualisierung und Remote-Zugriff gibt;
• wie Plugins lizenziert werden.

Manchmal ist die richtige Hardwarekonfiguration günstiger als ein falsches Lizenzierungsschema.

Wann ein KI-Server nötig ist und wann ein GPU-Server für Visualisierung ausreicht

NVIDIA beschreibt die L40S als universelle GPU für KI, 3D-Grafik, Rendering und Video.

Bildquelle: offizielle NVIDIA-L40S-Seite.

Ein KI-Server wird benötigt, wenn die Hauptaufgabe das Training und Ausführen von Modellen ist. Das ist eine eigene Workload-Klasse, bei der großer Speicher, HBM, Tensor-Kerne, schnelle GPU-zu-GPU-Kommunikation, Netzwerk auf InfiniBand-Niveau oder sehr schnelles Ethernet, Containerisierung und Unterstützung des ML-Stacks wichtig sind.

Ein KI-Server ist gerechtfertigt, wenn ein Unternehmen arbeitet an:

• Training großer Modelle;
• Fine-Tuning von LLMs;
• Inferenz großer Modelle unter hoher Last;
• RAG-Diensten für viele Nutzer;
• Computer Vision im großen Maßstab;
• Verarbeitung großer Datensätze;
• HPC-Aufgaben;
• ML-Pipelines, in denen mehrere GPUs als ein System arbeiten müssen.

In solchen Fällen können NVIDIA H100 80 GB, NVIDIA H200 ORIGINAL oder A100 logische Optionen sein. Für Rendering, Schnitt und 3D ist das jedoch keine automatische Empfehlung.

Ein KI-Server ist häufig überdimensioniert, wenn die Hauptaufgaben diese sind:

• Blender, Redshift, Octane oder V-Ray ohne Modelltraining;
• Architekturvisualisierung;
• Motion Design;
• Schnitt und Color Grading;
• Unreal-Engine-Szenen;
• Video-Transcoding;
• KI-Rauschreduzierung und Upscaling innerhalb von Grafiksoftware;
• eine kleine Render-Farm.

In solchen Szenarien ist es meist wirtschaftlicher, professionelle GPUs mit starker Grafik- und Medienleistung, ausreichend VRAM und geeignetem Formfaktor zu betrachten. Die allgemeine Auswahl kann man bei der Kategorie Server-GPUs für KI, ML und HPC beginnen, muss darin aber KI-Beschleuniger von Karten trennen, die für Visualisierung, Rendering und Video praktischer sind.

Most popular GPU

Beispielkonfigurationen für reale Szenarien

Supermicro zeigt auf seiner Website Systeme für KI, Visual Computing, Grafik, Rendering und Virtualisierung.

Bildquelle: offizielle Seite Supermicro NVIDIA PCIe GPU Systems

Eine einzelne Workstation eignet sich dort, wo eine Person aktiv mit der Oberfläche arbeitet: modelliert, schneidet, gradet, eine Szene zusammenstellt, die Kamera bewegt und Vorschauen startet. Hier zählt nicht nur die GPU, sondern auch die Reaktionsfähigkeit des gesamten Systems.

Ein Render-Node wird benötigt, wenn der Nutzer Aufgaben in eine Warteschlange sendet und der Server Frames ohne ständige interaktive Arbeit berechnet. Eine solche Maschine braucht keinen Monitor, muss aber stabile Kühlung, ausreichend RAM, schnelle Scratch-Laufwerke und Zugriff auf Assets haben.

Eine kleine Render-Farm wird benötigt, wenn Fristen und Parallelität wichtig sind. Statt eines riesigen Servers kann ein Studio mehrere Nodes verwenden und Frames oder Aufgaben zwischen ihnen verteilen. In diesem Fall werden Netzwerk und Speicher nicht weniger wichtig als die GPUs selbst.

Ein KI-Server ist gerechtfertigt, wenn KI die Hauptlast ist. Wenn KI nur als Funktion innerhalb eines Videoeditors oder 3D-Pakets genutzt wird, ist der Kauf einer reinen KI-Konfiguration häufig überdimensioniert.

Häufige Fehler bei der Auswahl eines GPU-Servers für Rendering und Video

H100/H200 nur deshalb kaufen, weil sie leistungsstarke GPUs sind

H100 und H200 sind stark in KI, HPC und Aufgaben mit großen Modellen, aber für Rendering und Video sind sie nicht immer die beste Wahl. Ein Studio kann für Funktionen zu viel bezahlen, die in Blender, V-Ray, Redshift, Octane, DaVinci Resolve oder Premiere Pro nicht genutzt werden.

Nur die Anzahl der Grafikkarten zählen

Vier GPUs sind nicht immer besser als zwei. Entscheidend sind die GPU-Speicherkapazität jeder Karte, Kühlung, Stromversorgung, PCIe-Lanes, Gehäuse, Engine-Unterstützung und Lizenzen. Manchmal sind zwei Karten mit größerem VRAM praktischer als vier Karten mit weniger Speicher.

GPU-Speicher vergessen

Wenn eine Szene nicht in den VRAM passt, verliert hohe GPU-Geschwindigkeit ihren Sinn. Für schwere Projekte sollte man im Voraus Reserve einplanen, besonders wenn große Texturen, komplexe Materialien und hohe Auflösung verwendet werden.

NVENC und NVDEC nicht berücksichtigen

Für Video ist das ein kritischer Teil. Wenn das Team viel exportiert, transcodiert, mit 4K/8K, HEVC oder AV1 arbeitet, können Hardwareblöcke für Codierung und Decodierung die Leistung stärker beeinflussen als die allgemeine Rechenleistung.

Eine passive Server-GPU in ein normales Gehäuse einbauen

Eine passive Serverkarte ist für den Luftstrom in einem Server ausgelegt. In einer normalen Workstation kann sie überhitzen. Vor dem Kauf muss man nicht nur die Kompatibilität des Anschlusses prüfen, sondern auch Kühlung, Stromversorgung, Kartenlänge und unterstützte Konfigurationen.

Lizenzen nicht prüfen

Ein Render-Node kann eine separate Lizenz erfordern. Das Gleiche gilt für Plugins, Engines und Remote-Arbeit. In manchen Fällen beeinflussen Lizenzkosten das Budget stärker als der Unterschied zwischen zwei GPU-Modellen.

An Laufwerken und Netzwerk sparen

Langsamer Speicher kann einen leistungsstarken GPU-Server in einen Engpass verwandeln. Wenn Assets lange gelesen werden, der Cache auf ein langsames Laufwerk geschrieben wird und mehrere Nodes gleichzeitig das Netzwerk auslasten, bleiben teure Grafikkarten untätig.

Wie man einen GPU-Server für die eigene Aufgabe auswählt

Vor der Auswahl einer Konfiguration lohnt es sich, mehrere Fragen zu beantworten:

1. In welcher Software wird hauptsächlich gearbeitet?
2. Handelt es sich um interaktive Arbeit oder Rendering in der Warteschlange?
3. Wie sehen typische Szenen aus: Größe, Texturen, Auflösung, Anzahl der Frames?
4. Wie viel GPU-Speicher benötigen die schwersten Projekte?
5. Ist Hardware-Export oder Video-Transcoding erforderlich?
6. Welche Codecs werden am häufigsten verwendet?
7. Wie viele Nutzer oder Aufgaben laufen gleichzeitig?
8. Ist Arbeit über Remote Desktop erforderlich?
9. Wo werden Assets gespeichert: lokal, auf NAS oder auf SAN?
10. Welches Netzwerk verbindet Arbeitsplätze, Server und Speicher?
11. Gibt es Lizenzen für Render-Nodes?
12. Ist KI die Hauptlast oder eine Hilfsfunktion innerhalb der Software?
13. Gibt es Anforderungen an Lärm, Stromversorgung und Kühlung?
14. Wird später eine Skalierung zu einer Farm benötigt?

Wenn die Aufgabe Rendering, 3D und Video ist, sollte der Server nach dem Workflow ausgewählt werden, nicht nach dem Namen der Grafikkarte. Für ein Studio ist wichtiger zu verstehen, wo der reale Engpass liegt: GPU-Speicher, Raytracing, Videocodierung, Laufwerke, Netzwerk, CPU, RAM, Treiber oder Lizenzen.

KI-Server eignen sich für Training und Ausführung von Modellen, aber für Blender, V-Ray, Redshift, Octane, DaVinci Resolve, Premiere Pro, After Effects und Unreal Engine ist eine professionelle GPU-Konfiguration mit ausreichend VRAM, schnellen NVMe-Laufwerken, gutem RAM, passendem Netzwerk und Kompatibilität mit der konkreten Software oft rationaler. Dieser Ansatz liefert in der Regel das bessere Ergebnis: weniger Stillstand, weniger unerwartete Einschränkungen und mehr Nutzen aus jeder investierten Komponente.