Bei KI-Infrastruktur wird meistens über GPUs gesprochen. Bei SpaceXAI verschiebt sich der Blick nun auf eine unscheinbarere Schicht: die CPU. NVIDIA Vera soll in der Grok-Infrastruktur nicht die klassische Beschleunigerrolle spielen, sondern die Arbeit erledigen, die bei agentischer KI zwischen den Modellaufrufen anfällt. Werkzeugnutzung. Codeausführung. Datenaufbereitung. Orchestrierung. Simulation. Genau dort entsteht ein anderer Engpass als beim Training großer Modelle.
Die Meldung über Vera CPUs, Vera Rubin NVL72 und den ersten Starmind-KI-Satelliten klingt zunächst wie die nächste Eskalation im Rechenzentrumsbau. Tatsächlich ist sie technischer. SpaceXAI versucht, zwei Engpässe gleichzeitig zu adressieren: den internen Ablauf agentischer KI-Systeme und die physischen Grenzen klassischer Rechenzentren. Der Orbit ist dabei nicht nur Kulisse. Er ist Teil der Infrastrukturhypothese.
Agentische KI belastet andere Teile des Systems
Ein Chatbot, der nur Text generiert, hängt vor allem an Modellinferenz und Speicherbandbreite. Ein agentisches System verhält sich anders. Es plant Schritte, ruft Werkzeuge auf, verarbeitet Zwischenergebnisse, startet Code, überprüft Resultate, verwaltet Kontext und entscheidet, welcher Teilprozess als Nächstes läuft. Das Modell bleibt zentral, aber es ist nicht mehr der einzige Taktgeber.
Hier setzt NVIDIA Vera an. Die CPU wird mit 88 NVIDIA-Olympus-Kernen beschrieben und nutzt LPDDR5X-Speicher mit bis zu 1,2 TB/s Bandbreite. Für agentische KI soll sie Aufgaben bis zu 1,8-mal schneller erledigen. Entscheidend ist nicht die einzelne Spitzenzahl, sondern die Art der Last. Viele Agenten-Workflows bestehen aus kurzen, verzweigten, schwer planbaren Operationen. Sie sind weniger sauber als ein großer, kontinuierlicher GPU-Lauf. Zwischen jedem Modellaufruf entsteht Verwaltungsarbeit.
Für Grok bedeutet das: Mehr Inferenzleistung allein reicht nicht. Wenn der Agent zwar schnell Text erzeugt, aber beim Ausführen von Werkzeugen, beim Sortieren von Daten oder beim Koordinieren mehrerer Arbeitsschritte wartet, verpufft ein Teil der GPU-Kapazität. Vera adressiert diese Lücke. Die CPU wird zur Steuer- und Arbeitsschicht für das, was um das Modell herum passiert.
Vera Rubin NVL72 ist ein Rack, keine lose Komponente
SpaceXAI skaliert Grok auf der NVIDIA-Vera-Rubin-Plattform. Das relevante System ist Vera Rubin NVL72: bis zu 72 Rubin GPUs und 36 Vera CPUs in einem Rack, mit bis zu 3,6 ExaFLOPS NVFP4-Leistung, 75 TB schnellem Speicher und 1,4 PB/s Bandbreite. Solche Angaben beschreiben kein einzelnes Bauteil mehr, sondern ein vorintegriertes Rechenmodul.
Das ist für den Betrieb wichtiger als für die Folie. In großen KI-Clustern zählt nicht nur, wie schnell ein Chip ist. Entscheidend ist, wie Speicher, CPU, GPU, Netzwerk und Softwarepfade zusammenarbeiten. Je stärker die Systeme zu Rack-Einheiten werden, desto mehr verschiebt sich der Wettbewerb von einzelnen Prozessoren zu fertigen Maschinenräumen. Wer solche Racks in Serie beschaffen, versorgen und betreiben kann, bekommt einen strukturellen Vorteil.
NVIDIA profitiert davon doppelt. Vera erweitert die eigene Rolle über GPU-Beschleuniger hinaus in die CPU-Schicht agentischer Workloads. Rubin bleibt die Recheneinheit für die schweren Modelloperationen. Zusammen entsteht eine Architektur, die nicht nur Modelle ausführt, sondern die zunehmend komplizierte Umgebung dieser Modelle mitkontrolliert.
Der Starmind-Satellit ist der härteste Teil des Plans
Der erste Starmind-KI-Satellit von SpaceXAI soll ein optimiertes Vera-Rubin-NVL72-Rack-Scale-System im Weltraum nutzen. SpaceXAI plant damit eine weltraumgestützte KI-Computing-Konstellation, die auch LLM-Inferenz ausführen soll. Eingereicht wurden Pläne für bis zu eine Million Starmind-Satelliten. Die Einheiten sollen bis zu 250 kW Spitzenleistung für Rechenlasten bereitstellen und die Kühlung über die Bedingungen des Weltraums ausnutzen.
Auf dem Papier ist die Logik nachvollziehbar. KI-Rechenzentren brauchen Strom, Kühlung, Fläche und Netzanbindung. Auf der Erde sind genau diese Punkte zunehmend begrenzend. Im Orbit steht Sonnenenergie anders zur Verfügung, und Wärmeabfuhr folgt anderen Regeln als in einer Rechenzentrumshalle. Daraus folgt aber nicht automatisch ein einfacher Betrieb. Rechenhardware im All ist schwer zugänglich, störanfällig gegenüber Umgebungsbedingungen und teuer zu ersetzen. Jede Wartung, die auf der Erde ein Techniker mit Ersatzteil erledigt, wird dort zu einem Designproblem.
Auch Latenz und Datenbewegung bleiben kritisch. Agentische Systeme müssen nicht nur rechnen, sondern Informationen aufnehmen und Ergebnisse zurückgeben. Wenn Teile der Grok-Infrastruktur im Orbit laufen, muss klar sein, welche Workloads dorthin passen. Nicht jede Anfrage ist geeignet. Naheliegend sind Aufgaben, bei denen große Rechenfenster wichtiger sind als minimale Antwortzeiten, oder Fälle, in denen Daten ohnehin aus weltraumnahen Systemen stammen. Der Erfolg hängt weniger an der Idee eines orbitalen Rechenzentrums als an der sauberen Zuordnung der Lasten.
SpaceXAI kombiniert zwei vertikale Ketten
Der Vorteil von SpaceXAI liegt nicht nur im Zugriff auf KI-Modelle. Er liegt in der Kombination aus KI-Einheit, Raketeninfrastruktur, Satellitenbetrieb und Rechenzentrumsplanung. Ein Unternehmen, das Startkapazität, Orbitalsysteme und KI-Workloads unter einem Dach koordiniert, kann andere Annahmen treffen als ein klassischer Cloud-Anbieter. Für Wettbewerber wäre ein orbitaler KI-Cluster nicht nur ein Hardwareprojekt, sondern ein Raumfahrtprojekt.
Das macht den Ansatz schwer kopierbar, aber nicht automatisch überlegen. Ein bodengebundenes Rechenzentrum ist brutal pragmatisch: Es kann erweitert, repariert, umgebaut und an Stromverträge angepasst werden. Orbitale Systeme müssen vor dem Start viel mehr richtig machen. Fehler werden nicht im Wartungsgang behoben. Sie werden in der nächsten Hardwaregeneration korrigiert.
Für NVIDIA ist SpaceXAI dennoch ein idealer Grenzfall. Wenn Vera CPUs in agentischen Workloads und Vera Rubin NVL72 in extremen Betriebsumgebungen eingesetzt werden, stärkt das die Position der Plattform. NVIDIA verkauft dann nicht nur Chips für KI, sondern Referenzarchitekturen für die nächste Betriebsform dieser KI. Das schwächt indirekt Anbieter, die nur einzelne Komponenten liefern können oder deren CPU-Strategie noch nicht klar auf agentische Lastprofile zielt.
Der eigentliche Engpass sitzt zwischen Modell und Betrieb
Die wichtigste Konsequenz ist nüchtern: Agentische KI verschiebt den Infrastrukturbedarf. Der Engpass liegt nicht allein in mehr Parametern, mehr GPUs oder größeren Clustern. Er liegt im Zusammenspiel aus Modell, CPU-Arbeit, Speicher, Bandbreite, Energie und physischem Standort. Vera ist deshalb nicht Beiwerk zu Rubin, sondern ein Hinweis darauf, wohin sich KI-Systeme bewegen.
Grok wird damit nicht einfach größer. Die Infrastruktur wird kleinteiliger im Ablauf und massiver im Betrieb. Ein Agent, der Werkzeuge nutzt, Code ausführt und Simulationen anstößt, braucht eine andere Maschine als ein reines Textmodell. SpaceXAI reagiert darauf mit einer Architektur, die CPU-intensive Steuerarbeit ernst nimmt und gleichzeitig die Grenzen der Rechenzentrumsfläche testet.
Ob Starmind im Orbit am Ende wirtschaftlich tragfähig ist, bleibt offen. Die technische These ist aber klar: Wer agentische KI betreiben will, muss nicht nur GPUs stapeln. Er muss die unsaubere Arbeit zwischen den GPU-Läufen beschleunigen und den physischen Betrieb skalierbar halten. SpaceXAI versucht beides in einem System. Genau deshalb ist die Vera-CPU in dieser Geschichte wichtiger, als ihr Name zunächst vermuten lässt.
