Mit der Einführung des M3 Ultra-Chips unterstreicht Apple einmal mehr die eigene Innovationsstärke im Bereich Hochleistungsprozessoren. Zahlreiche Praxistests belegen, dass der M3 Ultra in vielen Bereichen absolute Spitzenwerte liefert. In einem ausführlichen Video zeigt der YouTuber Dave2D, dass der Mac Studio mit M3 Ultra sogar in der Lage ist, das anspruchsvolle KI-Modell DeepSeek R1 mit 671 Milliarden Parametern lokal auszuführen.


Technische Voraussetzungen
Um das DeepSeek R1-Modell in vollem Umfang nutzen zu können, ist eine erhebliche Menge an Arbeitsspeicher erforderlich. Der Mac Studio mit M3 Ultra kann mit bis zu 512 GB Unified Memory konfiguriert werden und genau das ist die RAM-Konfiguration, welche für die lokale Ausführung des KI-Modells benötigt wird. Während des Tests verbrauchte das Modell 404 GB Arbeitsspeicher und erforderte die manuelle Zuweisung von 448 GB Video-RAM über Terminal-Befehle.


Vorteile der lokalen Ausführung
Die Möglichkeit, solch fortschrittliche KI-Modelle lokal auszuführen, bietet erhebliche Vorteile, insbesondere im Hinblick auf den Datenschutz. In sensiblen Bereichen wie der Gesundheitsdatenanalyse oder im Finanzwesen können Daten vor Ort verarbeitet werden, ohne sie an Cloud-Dienste senden zu müssen, was das Risiko von Sicherheitslücken minimiert.

Kein Schnäppchen
Diese Leistung hat ihren Preis: Ein Mac Studio mit M3 Ultra Chip, 32-Core CPU, 80-Core GPU, 32-Core Neural Engine und 512 GB RAM kostet 11.874,00 €. Wer das Maximum herausholen möchte, zahlt für die Vollausstattung stolze 17.624,00 €. Für Unternehmen, die sensible Daten lokal mit KI verarbeiten müssen, stellt der Mac Studio dennoch eine vergleichsweise preisgünstige Lösung dar – insbesondere im Vergleich zu anderen Workstation-Optionen.

Exzellente Energieeffizienz
Ein weiterer bemerkenswerter Aspekt des M3 Ultra ist seine Energieeffizienz. Trotz der hohen Rechenleistung liegt der Stromverbrauch des Mac Studio während der Ausführung des DeepSeek R1 Modells unter 200 Watt. Im Vergleich dazu würden herkömmliche PC-Hardwarelösungen mit mehreren GPUs etwa das Zehnfache an Energie benötigen, um eine vergleichbare Leistung zu erzielen.