QNAP QAI-h1290FX: KI-Edge-Server mit CPU von 2019 und 128 GB für 22.000 Euro

Mit dem QAI-h1290FX hat QNAP einen neuen Edge-KI-Speicher-Server vorgestellt. Die Lösung kombiniert „Hochleistungs-Computing“, Storage und GPU-Beschleunigung in einem kompakten System und adressiert damit insbesondere Unternehmen, die KI-Workloads lokal und unabhängig von Cloud-Infrastrukturen betreiben wollen.

Im Zentrum des Systems steht die Idee, Rechenleistung und Datenspeicherung direkt am Netzwerkrand („Edge“) zu vereinen. Der QAI-h1290FX ist dabei mehr als ein klassisches NAS: Der Server fungiert als integrierte Plattform für KI-Inferenz, Virtualisierung und datenintensive Anwendungen.

Lokaler Betrieb und vorgefertigte Schnittstellen

Ein zentrales Merkmal des QAI-h1290FX ist die Ausrichtung auf den lokalen Betrieb einer KI. Unternehmen können Modelle und Daten vollständig vor Ort betreiben, ohne sensible Informationen in die Cloud auslagern zu müssen, wirbt QNAP. Das verbessert nicht nur die Datensouveränität, sondern hilft auch bei der Einhaltung regulatorischer Vorgaben (KI-VO lässt grüßen). Gleichzeitig reduziert sich die Abhängigkeit von externen Diensten und laufenden Cloud-Kosten.

Ein weiterer Fokus liegt auf der einfachen Bereitstellung von KI-Anwendungen. Über Container lassen sich gängige Tools und Modelle, etwa für LLM-Inferenz oder generative KI, schnell implementieren. Dadurch richtet sich das System nicht nur an klassische IT-Abteilungen, sondern auch an Entwicklerteams und Fachbereiche, die KI direkt in ihre Prozesse integrieren möchten.

Der QAI-h1290FX enthält eine von QNAP zusammengestellte Auswahl vorinstallierter KI-Tools wie AnythingLLM, OpenWebUI und Ollama, die eine schnelle Bereitstellung privater LLM-Workflows ermöglichen. Zusätzliche KI-Anwendungen wie Stable Diffusion, ComfyUI, n8n und vLLM werden laut QNAP ebenfalls (noch) integriert, um den Funktionsumfang zu erweitern.

Insgesamt zeigt QNAP mit dem neuen System, wie sich Storage und KI-Infrastruktur zunehmend verzahnen. Das QAI-h1290FX ist damit weniger ein klassischer Speicher-Server als vielmehr eine spezialisierte Plattform für datengetriebene Anwendungen.

1. 

Bild 1 von 2

Bekannte Hardware-Basis mit RTX-Pro-6000-Support

Technisch basiert das System auf einer Server-Architektur mit AMD-EPYC-7302P-Prozessor (32 Threads) und optional kann das QAI-h1290FX auch zwei dedizierte GPUs aufnehmen, Nvidias RTX PRO 6000 Blackwell Max-Q wird konkret als Bestückungsbeispiel genannt. Insgesamt sind vier PCIe-Steckplätze vorhanden, von denen aber nur zwei für Grafikkarten genutzt werden können, sofern es sich dabei um Dual-Slot-Modelle handelt. Standardmäßig wird das System mit 128 GB DDR4-Arbeitsspeicher ausgeliefert, lässt sich dank acht Slots aber bis auf 1 TB erweitern.

Auch auf der Storage-Seite ist das System auf Performance ausgelegt: Mit bis zu zwölf U.2-NVMe-SSD-Steckplätzen bietet der Server eine All-Flash-Architektur, die hohe IOPS und geringe Latenzen ermöglicht, allerdings begrenzt auf PCIe-Generation 4. Moderne Gen5-SSDs könnten ihre Vorteile nicht voll ausspielen. Ergänzt wird das System durch schnelle Netzwerkanschlüsse, darunter zwei 25-GbE-Ports (SFP) und zwei 2,5-GbE-Ports, mit optionaler Erweiterbarkeit bis hin zu 100 GbE.

Als Betriebssystem kommt QNAPs QuTS hero h5.2.9 mit ZFS-Dateisystem zum Einsatz. Dieses bietet Funktionen wie Snapshots, Datenkompression und Selbstheilung, wodurch insbesondere in kritischen Umgebungen eine hohe Datenintegrität gewährleistet werden kann.

Preis und Verfügbarkeit

Das QAI-h1290FX ist im QNAP-Webshop mit „Vorbestellung / 2-4 Wochen Lieferzeit“ deklariert. Die Variante mit 128 GB Arbeitsspeicher kostet 22.608,81 Euro, wohlgemerkt ohne dedizierte GPU und ohne eine SSD. Da die Blackwell-Max-Q-Karte alleine ab 9.594 Euro kostet, kann das System also schnell noch einmal deutlich teurer werden. Für den ernsthaften Einsatz einer lokalen KI kommt man um einen zusätzlichen KI-Beschleuniger allerdings ohnehin nicht herum, denn die CPU ist nämlich speziell für LLMs kein prädestinierter KI-Rechenknecht.

Wie immer bei Speichersystemen von QNAP und anderen Herstellern bezahlt der Kunde vor allem das Ökosystem, mit den vielen vorgefertigten Apps – auch für das Smartphone. Die reine Hardware rechtfertigt ansonsten keinen 5-stelligen Basis-Preis. Der AMD-Epyc-7302P stammt aus dem Jahr 2019 und basiert auf der Zen-2-Architektur, unterstützt wird von dieser nur DDR4-3200-RAM. 128 GB Speicher wären auch aktuell hier bereits für unter 1000 Euro zu haben. Die CPU kostet unter 450 Euro und ein SP3-Server-Mainboard schlägt ebenfalls „nur“ mit rund 700 Euro zu Buche. Ob die aktuell angesetzten 22.600 Euro langfristig Bestand haben, bleibt also abzuwarten.

Besonders prekär wird das Angebot, wenn man sich vergegenwärtigt, dass es das Modell „TS-h1290FX“ (ohne QAi-Präfix) schon seit 2022 gibt. Das TS-Modell teilt sich mit dem QAi-Modell die kompletten Hardware- und Software-Spezifikationen – mit zwei Ausnahmen: Das „neuere“ QAi-Modell hat acht Gigabyte internen Flash-Speicher statt derer fünf und unterstützt offiziell die RTX Pro 6000 Max-Q.

Der Einstandspreis des TS-h1290FX mit 128 GB Arbeitsspeicher lag seinerzeit bei rund 8.800 Euro, fiel zwischendurch auf 5.000 Euro, aktuell werden hingegen Preise ab 19.039 Euro) aufgerufen. Das QAi-Modell kostet aktuell also effektiv rund 3.600 Euro mehr, für drei Gigabyte mehr Flashspeicher und einer Reihe vorinstallierter KI-Apps.

Alternativen

Für den angedachten Einsatzzweck wäre gebrauchte Hardware oder ein selbst zusammengestelltes System die finanziell attraktivere Variante, sofern man sich auch um die Software-Seite selbst kümmern kann und will. Soll zumindest die Hardware nicht Marke Eigenbau sein, wird die Luft bei den großen Hersteller wie QNAP und Synology schnell dünn. Mit zumindest einem PCIe 4.0-16x-Port ist das TVS-h874X-i9-64G ausgestattet. Es kann bis maximal 128 GB RAM erweitert werden und trägt einen Core i9-12900. Da es bei einem KI-System vornehmlich auf die GPU ankommt und die CPU und der RAM keine größere Rolle spielen, könnte dieses System mit einem Preis ab 5.363 Euro eine etwas günstigere Basis darstellen, sodass mehr Geld für die GPU bleibt.