RobotAIGeek

„Palette 3.0“ von SiMa.ai führt mehrere physikalische KI-Modelle auf einem Chip aus

Die Software „Palette 3.0“ von SiMa.ai ermöglicht es dem Modalix-MLSoC-Chip des Unternehmens, mehrere KI-Modelle gleichzeitig in separaten On-Chip-Containern auszuführen, und verspricht dabei bis zu 3,5-mal mehr Token pro Sekunde bei geringem Stromverbrauch; die Software ist als Open Source auf GitHub verfügbar und richtet sich gezielt an Integratoren von Drohnen und Robotern, die derzeit pro Modell eine Platine betreiben.

martti
2 Min. LesezeitPosted: 18. Nov. 2026
„Palette 3.0“ von SiMa.ai führt mehrere physikalische KI-Modelle auf einem Chip aus

Die Edge-AI-Rechenleistung teilt sich still und leise in zwei Epochen auf: eine Platine pro Modell und ein Chip, auf dem mehrere Modelle gleichzeitig ausgeführt werden. SiMa.ai gab am 17. November 2026 in San Jose, Kalifornien, bekannt, dass seine neue Software-Suite „Palette 3.0“ es einem einzelnen Modalix-MLSoC-Chip ermöglicht, mehrere KI-Modelle gleichzeitig in separaten On-Chip-Docker-Containern bei geringem Stromverbrauch auszuführen und dabei bis zu 3,5-mal mehr Modell-Token pro Sekunde (TPS) für Robotik- und Drohnen-Anwendungen zu liefern.

Dies ist für jeden von Bedeutung, der die Rechenleistung für eine Flotte von Robotern oder Drohnen spezifiziert, denn die alte Annahme – eine Platine pro Modell, ein Leistungsbudget pro Platine, ein Integrationsproblem pro Anbieter – ist genau die Annahme, die Palette 3.0 durchbrechen soll. Für Leser, die SiMa.ai bisher nicht genau verfolgt haben: Das Unternehmen ist ein Hersteller von Physical-AI-Chips und -Software mit Hauptsitz in San Jose, Kalifornien. Seine Kerntechnologie kombiniert den stromsparenden Modalix-MLSoC-Chip mit der Palette-Softwareplattform, um KI-Modelle am physischen Edge – auf Drohnen, Robotern und Kameras – auszuführen, wodurch das Unternehmen im Bereich der Rechenkapazitäten für Edge-Robotik in direkten Wettbewerb mit den Produktreihen Jetson und Orin von Nvidia tritt.

Was die parallele Modellausführung für Integratoren tatsächlich bedeutet

Palette 3.0 baut auf der Ankündigung von SiMa.ai vom Juni 2026 zur „Agentic Palette“ auf, und die wichtigste technische Neuerung ist die Parallelität. Anstatt jedem Modell, das ein Roboter benötigt, eine eigene Platine mit eigenem Strom- und Wärmehaushalt zuzuweisen, ermöglicht Palette 3.0, dass ein Wahrnehmungsmodell, ein Tiefenmodell sowie ein Sprach- oder Bild-Sprach-Modell (VLM) gleichzeitig als separate Container auf demselben Modalix-MLSoC-Chip ausgeführt werden. SiMa.ai teilte mit, dass die neue Version Tools zur Sensorfusion, einen neuronalen Ansatz zur Tiefenschätzung sowie einen Simulations-Workflow im geschlossenen Regelkreis für digitale Zwillinge umfasst – allesamt in Zusammenarbeit mit nicht namentlich genannten Partnern aus dem Ökosystem entwickelt –, wobei die Benchmark-Ergebnisse nun in einem neuen Modell-Browser veröffentlicht wurden.

Für einen Robotik-Integrator bedeutet dies heute in der Regel, dass der Betrieb eines großen Sprachmodells (LLM) parallel zu einer Bildverarbeitungs-Pipeline auf einer Drohne oder einem mobilen Roboter

bedeutet zwei Platinen, zwei Stromschienen, zwei Thermomanagementsysteme und zwei Integrationsrisikopunkte auf einer Plattform, die ohnehin bereits Gewichts- und Leistungsbeschränkungen unterliegt. Die Zusammenführung dieser Arbeitslast auf einem einzigen Chip ist kein Komfortmerkmal, sondern eine Entscheidung hinsichtlich der Stückliste. Weniger Platinen bedeuten weniger Stromversorgungen, weniger Kabelbäume, ein geringeres Gehäusevolumen und weniger Firmware-Images, die flottenweit validiert und aktualisiert werden müssen. Bei einer Drohne ist jedes Gramm und jedes Watt, das nicht für eine zweite Rechenplatine aufgewendet wird, ein Gramm und ein Watt, das für Nutzlast, Sensoren oder Flugzeit zur Verfügung steht. Bei einem mobilen Roboter bedeutet dies eine thermische Zone weniger, die verwaltet werden muss, und eine Abhängigkeit in der Lieferkette weniger, die während eines Produktionslaufs nachverfolgt werden muss.

Der Kompromiss, den Integratoren nicht außer Acht lassen sollten, ist das Konzentrationsrisiko. Alles auf einem einzigen Chip zu betreiben, bedeutet einen Single Point of Failure für jedes Modell, auf das ein Roboter angewiesen ist, und erhöht den Druck auf die Wärme- und Leistungstechnik dieses einen Bauteils. Käufer, die Palette 3.0 evaluieren, sollten SiMa.ai fragen oder über den Wettbewerbsvergleichskanal des Anbieters nachfragen, um echte Zahlen zum nachhaltigen Durchsatz unter Last durch mehrere Modelle zu erhalten – nicht nur die Schlagzeilen-Zahl von 3,5x TPS, die SiMa.ai zwar als innerhalb eines geringen Leistungsbudgets erreicht beschreibt, jedoch in den eigenen Unterlagen nicht im Vergleich zu einer spezifischen Basiskonfiguration veröffentlicht hat.

Wie sich dies im Vergleich zu Nvidias Edge-Chips darstellt

Die Jetson- und Orin-Produktfamilien von Nvidia bleiben der Standard-Bezugspunkt für Rechenleistung in der Edge-Robotik, gestützt durch eine große bestehende Entwicklerbasis, umfassende Framework-Unterstützung und jahrelange Vertrautheit der Integratoren mit diesen Plattformen. SiMa.ai versucht nicht, diese etablierten Anbieter auf dem Markt zu übertrumpfen; vielmehr strebt das Unternehmen einen Wettbewerbsvorteil bei der Energieeffizienz sowie durch eine speziell entwickelte Softwareebene an, die darauf ausgelegt ist, mehrere Modelle gleichzeitig auszuführen, anstatt nur ein einziges Modell besonders gut. Das ist eine gezieltere, klarer definierte Strategie, und Palette 3.0 ist der bislang deutlichste Beweis dafür, dass SiMa.ai beabsichtigt, sich durch Softwarefähigkeiten und nicht nur durch Chip-Spezifikationen als Alleinstellungsmerkmal zu profilieren.

Die praktische Frage für einen

Für den Beschaffungsmanager geht es nicht darum, welcher Chip bei einem einzelnen Modell die besseren Benchmark-Ergebnisse erzielt, sondern darum, welche Plattform unter Berücksichtigung der Anzahl der Platinen, der für die Integration erforderlichen Entwicklungsstunden und des Strombedarfs, der für den Betrieb des tatsächlichen Multi-Modell-Stacks eines modernen Roboters oder einer Drohne erforderlich ist, die niedrigeren Gesamtbetriebskosten aufweist. Ein Chip, der drei Modelle mit einem einzigen Leistungsbudget angemessen ausführt, kann einen Chip übertreffen, der ein Modell hervorragend ausführt, wenn die tatsächliche Arbeitslast des Käufers dem erstgenannten und nicht dem letztgenannten Fall entspricht. SiMa.ai positioniert Modalix MLSoC und Palette 3.0 ausdrücklich so, dass sie diesen Vergleich gewinnen, und die zusammen mit der Veröffentlichung veröffentlichten Model-Browser-Benchmarks dienen genau dazu, dass Käufer diese Berechnungen selbst durchführen können, anstatt sich auf die Aussagen des Unternehmens zu verlassen.

Hier ist die zitierfähige Version dieses Arguments: Die eigentliche Wettbewerbsfrage bei Edge-AI-Chips lautet nicht mehr, wie schnell ein Chip ein Modell ausführt, sondern wie viele Modelle ein Käufer pro Watt ausführen kann, bevor eine zweite Platine überflüssig wird.

Open-Source-Code, proprietäre Chips: Was die GitHub-Veröffentlichung für die Anbieterabhängigkeit bedeutet

Der Code von Palette 3.0 ist Open Source und auf GitHub unter der Organisation „sima-neat“ verfügbar, wobei die Dokumentation im Developer Center von SiMa.ai zu finden ist. Dies ist eine deutlich andere Herangehensweise als bei den vollständig proprietären Software-Stacks, die üblicherweise mit Edge-AI-Chips ausgeliefert werden, und es lohnt sich, zu untersuchen, welche Auswirkungen dies auf das Lock-in-Risiko für Integratoren hat – und welche nicht.

Die Veröffentlichung der Software-Schicht als Open Source verringert eine Form der Bindung: Integratoren können den Code für Container-Orchestrierung, Modellbereitstellung und Sensorfusion selbst prüfen, modifizieren und erweitern, anstatt bei der Behebung von Fehlern oder dem Hinzufügen von Funktionen vollständig auf die Roadmap und den Supportzyklus von SiMa.ai angewiesen zu sein. Dies ist ein echter Vorteil für Integratoren, die bereits schlechte Erfahrungen mit proprietärer Robotik-Middleware gemacht haben, deren Entwicklung ins Stocken geriet, als sich die Prioritäten eines Anbieters änderten. Es bedeutet zudem, dass der Code vor dem Einsatz in sicherheitsrelevanten Anwendungen überprüft werden kann, was in der Robotik eine größere Rolle spielt als

in den meisten Softwarekategorien.

Was die Open-Source-Veröffentlichung von Palette 3.0 jedoch nicht bewirkt, ist die Beseitigung der Hardware-Abhängigkeit. Die Software läuft weiterhin auf Modalix MLSoC-Chips, und die fortschrittlichsten Funktionen dieser Version – darunter die Unterstützung für große Mixture-of-Experts (MoE)-Modelle wie GPT-OSS-20B – sind speziell an die 16-GB-System-on-Module (SoM)-Variante dieses Chips gebunden. Ein Integrator, der Palette 3.0 einsetzt, bindet sich weiterhin an die Chip-Roadmap, die Preisgestaltung (die nicht öffentlich bekannt gegeben wird, aber auf Anfrage unter [email protected] erhältlich ist) und die Lieferkette von SiMa.ai, auch wenn er dadurch mehr Kontrolle über den darauf laufenden Software-Stack erlangt. Dies ist ein deutlich besseres Lock-in-Profil als ein geschlossener Stack auf geschlossenem Silizium, entspricht jedoch nicht echter Plattformunabhängigkeit, und Käufer sollten dies bei der Preisgestaltung entsprechend berücksichtigen, anstatt „Open Source“ als Synonym für „kein Lock-in“ zu betrachten.

Ein reifer Markt, kein neuer

Palette 3.0 bietet zudem generative KI-Funktionen, die gezielt darauf abzielen, die Inferenz auf ressourcenbeschränkter Hardware zu beschleunigen: EAGLE3, DFlash und Unterstützung für die spekulative Dekodierung mit Multi-Token-Vorhersage (MTP) in Gemma 4 – allesamt Techniken zur Vorhersage mehrerer Ausgabetoken im Voraus, um die effektive Latenz bei der Ausführung von Sprach- und Bild-Sprach-Modellen auf dem Gerät zu reduzieren. In Verbindung mit der Unterstützung für „Mixture-of-Experts“ auf dem 16-GB-SoM signalisiert diese Veröffentlichung, dass SiMa.ai dieselben generativen KI-Workloads verfolgt, die auch in Rechenzentren ausgeführt werden – nur komprimiert auf einen Stromverbrauch, der in eine Drohne oder einen mobilen Roboter passt.

Dieses Ziel steht neben den anderen aktuellen Meldungen von SiMa.ai und unterscheidet sich von diesen. Das Unternehmen sammelte in einer Ende September 2026 gemeldeten Finanzierungsrunde 150 Millionen US-Dollar für physische KI-Chips ein. Palette 3.0 ist eine eigenständige Softwareveröffentlichung und keine Wiederholung dieser Finanzierungsnachricht; sie ist vielmehr ein deutlicheres Signal dafür, wohin das Geld fließt: in eine Softwareplattform, die immer komplexere generative und Wahrnehmungsmodelle gleichzeitig ausführen kann – und zwar auf Hardware, die bereits in der

Bereich.

Krishna Rangasayee, Gründer und Geschäftsführer von SiMa.ai, bezeichnete die Markteinführung als Bereitstellung von „Hardware mit der Geschwindigkeit von Software“ und fügte hinzu, dass Palette 3.0 „die Roadmap für vollständig autonome Systeme grundlegend neu definiert“. Das ist eine kühne Behauptung eines Unternehmens, das noch dabei ist, sich gegenüber einem weitaus größeren etablierten Wettbewerber einen Namen zu machen, und sie sollte eher als Absichtserklärung denn als unabhängig bestätigter Branchenwandel verstanden werden. Was sie jedoch zutreffend widerspiegelt, ist ein Unternehmen, das zügig von der Kapitalbeschaffung zur Auslieferung einer differenzierten Softwarefunktion übergeht – genau die Abfolge, die Käufer von jedem Anbieter physischer KI-Chips erwarten sollten, bevor sie eine Flotte auf dessen Plattform umstellen.

SiMa.ai veranstaltet zwei Webinare, um Integratoren direkt durch die neue Version zu führen: „Inside Palette 3.0: Any Physical AI Model. Echte Maschinenautonomie“ am 2. Dezember 2026 sowie „Intelligenz für Drohnen und Roboter bei Fluggeschwindigkeit: Schneller erstellen, entwickeln und einsetzen“ am 8. Dezember 2026. Beide Webinare stellen einen sinnvollen nächsten Schritt für technische Einkäufer dar, die sich die behauptete gleichzeitige Ausführung mehrerer Modelle lieber demonstriert als nur beschrieben sehen möchten.

Was Einkäufer daraus mitnehmen sollten

Der Übergang von „einem Board pro Modell“ zu „mehreren Modellen pro Chip“ ist ein echter Wendepunkt für die Architektur von Robotik- und Drohnenplattformen und nicht nur eine marketingtechnische Umdeutung inkrementeller Fortschritte in der Halbleitertechnik. Die parallele Ausführung verändert die Stückliste, das Leistungsbudget und den Integrationsaufwand für jeden Käufer, der mehr als ein KI-Modell auf einer Edge-Plattform ausführt – was bis 2026 auf die meisten ernstzunehmenden Robotik-Anwendungen zutreffen wird. Käufer sollten die von SiMa.ai veröffentlichten konkreten Zahlen – allen voran den Wert von 3,5x Tokens pro Sekunde – als Ausgangspunkt für ihre eigenen Vergleichstests mit ihrem tatsächlichen Modellmix betrachten und nicht als feststehende Tatsache, an der sich die Entwicklung orientieren muss.

Feststeht hingegen die Richtung, in die die Entwicklung geht. Anbieter von Edge-AI-Chips konkurrieren mittlerweile ebenso stark im Bereich der Software-Orchestrierung und der Effizienz bei der Verarbeitung mehrerer Modelle wie

Was die reine Chip-Leistung betrifft, so entwickelt sich die Open-Source-Bereitstellung dieser Orchestrierungsschicht – bei gleichzeitiger Beibehaltung der proprietären Natur des zugrunde liegenden Siliziums – zu einem glaubwürdigen Mittelweg zwischen vollständig geschlossenen Stacks und vollständig offener Hardware, die auf dieser Leistungsstufe bislang noch nicht existiert. Systemintegratoren, die Modalix MLSoC und Palette 3.0 im Vergleich zu den Jetson- und Orin-Produktreihen von Nvidia bewerten, sollten ihre eigenen parallelenWorkload-Benchmarks durchführen, bevor sie sich für eine der beiden Plattformen im Flottenmaßstab entscheiden, da der Sieger dieses Vergleichs durch den tatsächlichen Durchsatz pro Watt auf dem eigenen Modell-Stack des Käufers bestimmt wird und nicht durch die Pressematerialien der jeweiligen Anbieter.

Dieser Artikel dient ausschließlich allgemeinen Informationszwecken und stellt keine Anlage-, Finanz-, Rechts- oder Fachberatung dar. Er fasst Unternehmenserklärungen und öffentliche Marktaktivitäten zum Zeitpunkt der Veröffentlichung zusammen.