Nvidia Titan V: Auf über 2 GHz stabil gemoddet
Die neue Nvidia Titan V ist ohnehin schon eine sehr schnelle Grafikkarte, doch mit einer Wasserkühlung lässt sich noch mehr Leistung herauskitzeln. Gerade die verbesserte Kühlung sorgt dafür, dass hohe Taktraten auch dauerhaft gehalten werden können, was bei einem Luftkühler nicht der Fall ist.
Gamersnexus haben sich die neue Nvidia Titan V sehr ausführlich angesehen und die Grafikkarte auch mit vielen Benchmarks getestet. In einem neuen Artikel dreht sich nun alles um die Möglichkeiten, die die neue Nvidia-Grafikkarte bietet, wenn der Besitzer nicht vor Modifikationen zurückschreckt.
Der Takt, den die Nvidia Titan V im Boost-Modus nutzt, hängt vor allem davon ab, wie viel Spielraum innerhalb vorgegebener Temperaturbereiche noch vorhanden ist. Bei der Titan V endet dieser Bereich bei 83 bis 84 Grad als Limit. Daher lässt sich mit einer Wasserkühlung statt dem Referenz-Luftkühler ein deutlich höherer Takt erreichen, der außerdem auch dauerhaft gehalten werden kann. Aufgrund der Größe der GPU lassen sich hier auch modifizierte CPU-Kühlblöcke verwenden.
Mit dem Luftkühler erreicht die Titan V lauf Gamersnexus bei einem Firestrike-Loop anfangs bis zu 1810 MHz, nur um dann in einen Bereich zwischen 1600 und 1700 MHz abzusinken, weil die Temperatur von 83-84 Grad erreicht wurde. Mit der Wasserkühlung alleine werden ohne Übertaktung nicht nur stabile 1800 MHz gehalten, auch die GPU-Temperatur liegt nur bei nur 46 Grad.
In einem weiteren Test wurden die Taktraten von GPU und HBM2 um 200 MHz angehoben. Der Luftkühler wurde auf 100% gesetzt und war mit 60 dBA entsprechend laut. Trotzdem war die Boost-Taktrate um 100 MHz geringer als bei der Wasserkühlung und nahm im Laufe der Zeit in einem 3D-Mark-Loop ab, während mit der Wasserkühlung dauerhaft 2 GHz und in der Spitze sogar 2.032 GHz erreicht wurden.
Die Wasserkühlung sorgt auch dafür, dass die Grafikkarte höhere Spannungen anlegt, weil viel Temperaturspielraum vorhanden ist und so die höheren Taktraten stabil möglich sind. Die übertaktete, wassergekühlte Titan V kommt im 3DMark Firestrike Ultra dann sogar bis auf 1000 Punkte an zwei Radeon RX Vega 64 im Crossfire-Verbund heran.
das ist ja immer so
siehe zb. 980ti vs. 1070
so wirds auch bei zb 1080 ti und 2070 sein
Na ja, in einem Jahr bekommt man die Spieleleistung für mindestens weniger als die Hälfte des jetzigen Preises.
Eine einzige .... 1 Nvidia HGX Server Box mit 8 Tesla V100 GPU's @ 3 KWatt Verbrauch mit 1'000 TFlop RechenLeistung und 45'000 Analysierten Bilder pro Sekunde , ersetzt ganze 4 CPU Server-Rack mit der gleichen Bilder/s Leistung und einem Verbrauch von 65 KWatt .... bei 1/6 der Kosten, 1/20 des Stromverbrauch und 1/32 des Platzbedarf.
Effizienz macht immer den Unterschied => egal ob bei den Kosten, beim Stromverbrauch, Platzbedarf, Kühlaufwand oder Lautstärke.
Diese Verarbeitung machen aktuell viele viele Quadro-Karten in Racks parallel. Eine TitanV kann das alleine. Mit 10% des Stromverbrauchs und für 10% der Anschaffungskosten.
Klar kommt das extrem auf die Anwendung an und auf das was man als Fehler finden will. Manche Oberflächenfehler sind auch großflächig und kaum von der normalen Textur des produktes zu unterscheiden. Selbst menschen brauchen monate bis sie sowas sicher erkennen. Deswegen brauchste hier Maschinen die lernfähig sind und aus Terabytes an Bildern zuverlässig die STellen finden die ähnlich zu den 100 Stück sind die man ihnen mal als "das ist böse" gezeigt hat. Das ist tatsächlich eine echte DeepLearning anwendung, das System vergleicht in Sekundenbruchteilen Tausende von Bidelr miteinander und lernt was gut und was schlecht ist.
Wir stellen so ca. 50000 Flaschen in einer Schicht her und unsere Kontroll Maschinen arbeiten mit laser und Kameras. Dafür brauch man keine Titan.
Diese Verarbeitung machen aktuell viele viele Quadro-Karten in Racks parallel. Eine TitanV kann das alleine. Mit 10% des Stromverbrauchs und für 10% der Anschaffungskosten.
Klar kommt das extrem auf die Anwendung an und auf das was man als Fehler finden will. Manche Oberflächenfehler sind auch großflächig und kaum von der normalen Textur des produktes zu unterscheiden. Selbst menschen brauchen monate bis sie sowas sicher erkennen. Deswegen brauchste hier Maschinen die lernfähig sind und aus Terabytes an Bildern zuverlässig die STellen finden die ähnlich zu den 100 Stück sind die man ihnen mal als "das ist böse" gezeigt hat. Das ist tatsächlich eine echte DeepLearning anwendung, das System vergleicht in Sekundenbruchteilen Tausende von Bidelr miteinander und lernt was gut und was schlecht ist.