Vultr, HPE og NVIDIA: Slik blir neste generasjons KI-datasentre

• KI-ytelse: Opptil 1 440 PFLOPS FP4-ytelse
• Minne: 279 GB HBM3e-minne per GPU (totalt 37 TB på tvers av racken), med 8 TB/s minnebåndbredde per GPU
• Arkitektur: Optimalisert for trening, finjustering og sanntidsinferens av store KI-modeller på over 1 billion parametere
• Kjøling: Fullstendig væskekjølt design, integrert i HPEs AI-fabrikk-arkitektur

GB300 NVL72 beskrives som den nye «inferens-/treningsarbeidshesten» med en tydelig kostnad-per-token-profil . Dette reflekterer bransjens dreining mot å sette KI-modeller i produksjon for sanntidsapplikasjoner. Ifølge NVIDIAs produktspesifikasjoner gir systemet 1,5 ganger flere FP4 Tensor Core-FLOPS og dobbelt så høy oppmerksomhetsytelse sammenlignet med NVIDIA Blackwell-GPU-er .

Høyhastighetsnettverk: Ryggraden for KI-inferens

Høyhastighetsnettverk er en helt sentral del av utbyggingen. NVIDIA GB300 NVL72-systemene kobles sammen via NVIDIA Spectrum-X Ethernet-nettverk – et tapsfritt, høyhastighets Ethernet-fabric som fjerner flaskehalser i KI-arbeidsbelastninger med flere noder .

Utbyggingen omfatter 400GbE- og 800GbE-forbindelser, optiske sendere/mottakere, NVIDIA Spectrum-X Ethernet-svitsjer og SuperNIC-er . Uten dette fabricet ville skalering av inferens til bedriftsgjennomstrømning skapt lammende latens- og båndbreddeproblemer. NVIDIA Enterprise Reference Architecture for NVL72 AI Factory bekrefter at nettverksarkitekturen med to plan er designet for å drive bedriftsdatasentre for KI-trening og inferens i stor skala, noe som muliggjør sanntidsapplikasjoner og modeller med billioner av parametere .

Strategisk skifte: Fra trening til inferens

Selv om infrastrukturen støtter både trening og inferens , understreker kunngjøringen en voksende bedriftsfokus på KI-inferens (produksjonsdistribusjon) ved siden av trening. Flere signaler peker på dette skiftet:

• GB300 NVL72 er spesialbygget for «test-time scaling inference og KI-resonneringsoppgaver»
• Det er eksplisitt posisjonert med en kostnad-per-token-profil, der verdien måles i inferensresultater i stedet for rå treningsgjennomstrømning
• HPEs overordnede budskap på arrangementet handlet om å bringe KI i produksjon med sikkerhet, styring, skala og suverenitet

Implikasjonen er klar: Bedriftene har beveget seg forbi eksperimentfasen og søker nå infrastruktur optimalisert for å sette KI-modeller i produksjon i stor skala.

Andre kunngjøringer på HPE Discover Las Vegas 2026

Utover Vultr-partnerskapet fremhevet HPE flere relaterte initiativ:

• Agentic AI: HPE kunngjorde et bredere initiativ for å bringe agentisk KI i produksjon med NVIDIA, med vekt på sikkerhet, styring, skala og suverenitet
• Kundedistribusjoner: S k y Co., Ltd. tok i bruk HPE Private Cloud AI som en del av NVIDIA AI Computing by HPE-porteføljen
• Nubax i Argentina: Selskapet lanserte en forbruksbasert AI-som-en-tjeneste-modell, som leverer 62,5 % bedre forsyningskjedeprognoser, 35 % kortere ventetider og 40 % kostnadsbesparelser, drevet av NVIDIA AI Computing by HPE

Hva dette betyr for norske bedrifter

Vultrs valg av HPE og NVIDIA signaliserer et vendepunkt. Som den største privateide hyperskalereren satser Vultr på at bedrifter trenger infrastruktur som kan håndtere både trening og sanntidsinferens i skystørrelse. Ved å kombinere NVIDIAs rack-skala-GPU-beregning med HPEs fabrikkarkitektur, væskekjøling og tjenester, posisjonerer Vultr seg for å betjene den neste bølgen av bedrifts-KI-arbeidsbelastninger – fra modelltrening til produksjonsinferens på modeller med billioner av parametere.