Xiaomi AI Cube: Mini-PC für lokale KI im Check

Xiaomi zeigt mit dem AI Cube einen Mini-PC, der nicht einfach mehr Leistung in ein kleineres Gehäuse presst. Der Prototyp kombiniert drei hauseigene Xring-Chips, um große KI-Modelle lokal zu betreiben. Das klingt spektakulär – und ist es technisch auch. Als Kaufprodukt taugt der AI Cube trotzdem noch nicht. Er ist vor allem eine ziemlich klare Ansage: Xiaomi will bei KI-Hardware nicht dauerhaft nur Kundschaft von Qualcomm, Nvidia und AMD bleiben.

Am 24. August stellte Xiaomi den AI Cube auf seiner Xring Technology Conference als Entwicklungsprototyp vor. Preis, Marktstart und Zielmärkte fehlen. Genau deshalb lohnt sich ein zweiter Blick: Nicht die hübsche Aluminiumhülle ist die Nachricht, sondern die ungewöhnliche Aufteilung der Rechenarbeit auf den Xring O3, O100 und D100.

Die bisher greifbaren Angaben beruhen auf der Präsentation und darauf basierenden Berichten. Notebookcheck dokumentiert den AI Cube als Entwicklungsprototyp mit drei Xring-Chips; auch China Daily ordnet O3, O100 und D100 als Xiaomis neue Chip-Familie ein. Aussagen über eine spätere Serienversion wären daher Spekulation.

Xiaomi AI Cube: Ein Mini-PC als lokale KI-Maschine

Wer bei Mini-PC zuerst an einen kleinen Bürorechner denkt, liegt beim Xiaomi AI Cube daneben. Xiaomi beschreibt ein Engineering-System für lokale KI-Inferenz. Es soll Modelle von 3 bis 120 Milliarden Parametern auf dem Gerät ausführen und zwischen einem schnellen und einem sparsameren Pfad wechseln können. Das ist eine andere Disziplin als ein leiser Rechner für Browser, Office und ein paar Docker-Container.

Lokale KI heißt hier nicht: Ein Chatbot beantwortet zwei Fragen ohne Internet. Gemeint ist, große Sprachmodelle oder andere rechenintensive Modelle in Reichweite des eigenen Netzwerks zu halten. Für Teams mit sensiblen Dokumenten, für Entwicklung, Robotik oder Embedded-Projekte ist das interessant. Es spart aber nicht automatisch Geld und schon gar nicht die Arbeit, Modelle, Speicher und Stromversorgung sauber zu planen. Wer den Einstieg praktisch angehen will, sollte zuerst klären, wann lokale Modelle die Cloud bei einer konkreten Aufgabe wirklich abhängen – statt aus einer riesigen Parameterzahl ein Allheilmittel zu machen.

Der entscheidende Unterschied zu vielen aktuellen KI-PCs: Xiaomi versucht nicht, CPU, Grafik und NPU in einem einzigen Chip unterzubringen. Stattdessen bekommt jede Aufgabe ihren Spezialisten. Das kann klug sein, wenn Software und Speicherpfade mitspielen. Ohne gute Software wird daraus allerdings nur ein sehr aufwendiger Kabelkanal aus Silizium.

Drei Xring-Chips, drei klar getrennte Rollen

Der Xring O3 ist im Aufbau der universellste Baustein. Xiaomi nennt für den 3-Nanometer-SoC eine CPU mit zehn Kernen, eine 16-Kern-GPU und eine NPU mit 200 TOPS. Er übernimmt damit klassische Rechenaufgaben und einen Teil der KI-Verarbeitung. Nach den bisher veröffentlichten Angaben soll der Chip auch LPDDR6-Speicher unterstützen.

Der Xring O100 ist dagegen ein Beschleuniger mit einem sehr speziellen Ziel: Bandbreite nahe am Speicher. Xiaomi spricht von 3D-Wafer-Stacking im 6-Nanometer-Verfahren und bis zu 1,22 TB/s Near-Memory-Bandbreite. Bei großen Modellen ist das kein Detail für Folien. Wenn Gewichte und Zwischenwerte ständig bewegt werden müssen, entscheidet die Speicheranbindung oft stärker über die gefühlte Geschwindigkeit als ein weiteres CPU-Feature.

Der Xring D100 kommt aus Xiaomis Automotive-Ambitionen. Er soll eine 20-Kern-CPU, eine 16-Kern-NPU sowie bis zu 160 GB gemeinsamen Speicher unterstützen und ist laut den vorliegenden Angaben für Modelle bis 200 Milliarden Parameter ausgelegt. Im AI Cube ist er deshalb der auffälligste Baustein: Ein Chip für intelligentes Fahren landet als Teil eines Desktop-Prototyps auf der Bühne. Xiaomi testet hier offenbar weniger eine Produktkategorie als eine eigene Rechenplattform.

Warum Speicher für KI wichtiger sein kann als ein hübscher Benchmark

Die Schlagzeile mit 128 GB RAM ist griffig, aber nicht der sauberste Weg, den AI Cube zu verstehen. Für den Prototyp selbst ist nach den derzeit zugänglichen Informationen keine abschließende, offiziell bestätigte Gesamtspeicherbestückung dokumentiert. Belegt ist: Der D100 unterstützt bis zu 160 GB Unified Memory. Das ist eine Chip-Fähigkeit und kein verbindliches Datenblatt für ein Seriengerät.

Bei lokaler KI zählt Speicher doppelt. Erstens müssen die Modellgewichte überhaupt hineinpassen. Zweitens müssen sie schnell genug zu den Recheneinheiten gelangen. Wer ein Modell mit vielen Milliarden Parametern betreiben will, merkt rasch, wie wenig eine bloße TOPS-Zahl erklärt. Quantisierung, Kontextlänge, gleichzeitige Anfragen und die Geschwindigkeit des Speichers bestimmen mit, ob ein System praktisch nutzbar bleibt oder nach jeder Eingabe erst einmal Luft holt.

Xiaomis O100 zielt genau auf diese Engstelle. Die genannte Bandbreite von 1,22 TB/s ist viel höher als das, was ein gewöhnlicher Mini-PC über klassischen Arbeitsspeicher bereitstellt. Das ist spannend, aber noch kein Freifahrtschein. Ohne Messungen zu Tokens pro Sekunde, Leistungsaufnahme unter Dauerlast, Temperatur und Software-Stack ist die Zahl ein technischer Hinweis, kein Kaufargument.

Wir bei digital-magazin.de finden: Das ist die angenehm nüchterne Lesart der Präsentation. Xiaomi zeigt ein Konzept, das eine echte Schwäche lokaler KI adressiert. Ob die Architektur im Alltag besser funktioniert als eine etablierte Kombination aus CPU, GPU und viel RAM, muss erst ein unabhängiger Test zeigen.

Das betrifft auch die Software. Ein Modell läuft nicht allein deshalb schneller, weil ein Beschleuniger hohe Bandbreite verspricht. Frameworks müssen den Chip unterstützen, Speicher sinnvoll nutzen und Ergebnisse reproduzierbar liefern. Bei verbreiteter PC-Hardware gibt es dafür inzwischen eine große Gemeinschaft, zahlreiche Laufzeitumgebungen und viele Erfahrungswerte. Bei Xiaomis eigener Plattform fehlen diese Antworten noch. Für Bastelnde ist das reizvoll; für einen Betrieb, der einen Prozess darauf aufbauen will, ist es ein Risiko.

Was der Xiaomi AI Cube gegenüber einem Ryzen-AI-Mini-PC anders macht

Systeme mit AMDs Ryzen AI Max+ 395 werden gern als Vergleich herangezogen, weil sie CPU, leistungsfähige integrierte Grafik und NPU auf engem Raum verbinden. Für lokale KI sind solche Rechner attraktiv: Ein Chip, ein Speicherpool, ein etabliertes PC-Ökosystem. Sie sind nicht magisch, aber deutlich näher an einem Gerät, das Sie tatsächlich konfigurieren, kaufen und betreiben können.

Der Xiaomi AI Cube geht den entgegengesetzten Weg. Der O3 soll allgemeine Aufgaben übernehmen, der O100 die speichernahe Beschleunigung und der D100 sehr große KI-Lasten. Das ist eher ein kleines heterogenes Rechenzentrum als ein klassischer PC. Die Architektur kann bei bestimmten Inferenzaufgaben Vorteile haben. Sie bringt aber Fragen mit, die Xiaomi bisher offenlässt: Welches Betriebssystem läuft darauf? Welche Laufzeitumgebung verteilt einen Prompt über drei Chips? Wie transparent sind Treiber und Modelle? Und wer repariert das Gerät, wenn der exotische Beschleuniger aussteigt?

Eine direkte Leistungsrangliste wäre deshalb unseriös. Xiaomi hat weder belastbare Vergleichsbenchmarks noch ein finales Produkt veröffentlicht. Der AI Cube konkurriert heute nicht konkret mit einem Ryzen-AI-Mini-PC im Warenkorb. Er zeigt vielmehr, dass Xiaomi die Abhängigkeit von fremden Plattformen bei KI-Rechenlast verringern möchte. Das passt zu der Entwicklung im Großformat: Auch AMDs Helios-Rack mit vielen KI-Beschleunigern dreht sich im Kern um Speicher, Verbindungstechnik und die Frage, wie mehrere Recheneinheiten gemeinsam arbeiten – nur eben in einer völlig anderen Größenordnung.

120 Milliarden Parameter: beeindruckend, aber kein Alltagssiegel

Die Fähigkeit, ein 120B-Modell lokal auszuführen, ist die Zahl, die hängen bleibt. Sie braucht Einordnung. Parameter sagen etwas über die Größe eines Modells aus, aber nicht automatisch über dessen Qualität oder Tauglichkeit für eine konkrete Aufgabe. Ein kleineres, gut angepasstes Modell kann im Support, bei der Dokumentensuche oder bei strukturierter Extraktion hilfreicher sein als ein großes Modell, das zwar beeindruckend wirkt, aber langsam antwortet.

Hinzu kommt die Betriebsrealität. Große Modelle brauchen Speicher, Kühlung, eine passende Quantisierung und einen klaren Umgang mit Updates. Wer sie in einem Unternehmen einsetzt, benötigt außerdem Berechtigungen, Protokollierung und Prozesse für vertrauliche Daten. Lokal ist nicht gleich sicher. Es bedeutet zunächst nur, dass die Berechnung nicht zwingend in einer öffentlichen Cloud stattfindet.

Gerade hier liegt die Chance des Formats. Ein kompakter Rechner im Büro oder im Labor kann Datenwege verkürzen und Experimente vereinfachen. Aber ein AI Cube ersetzt keine Datenschutzprüfung und keine Infrastrukturplanung. Bei einem Modell, das Dokumente zusammenfassen oder Quellcode analysieren darf, bleiben Rechte und Zugriffskontrolle das eigentliche Fundament.

Praktisch bedeutet das: Erst mit einer kleinen, klar abgegrenzten Aufgabe starten. Beispielsweise interne Handbücher durchsuchen, technische Tickets vorsortieren oder Entwürfe gegen einen festen Datenbestand prüfen. Dann lassen sich Antwortzeit, Fehlerquote und Stromverbrauch messen. Erst danach ergibt es Sinn, mehr Modelle oder mehr Personen auf die Maschine zu lassen. Diese Reihenfolge ist unspektakulär. Sie verhindert aber, dass aus lokaler KI ein teures Bastelprojekt wird, das im entscheidenden Moment niemand mehr betreuen kann.

Dieses Bild wurde komplett mit KI generiertProvideropenaiModellgpt-image-1PromptPhotorealistic editorial magazine photograph, 16:9 overhead close-up inside a compact server cabinet: a technician’s gloved hand installs memory modules into a small AI inference computer; visible heatsinks and cooling fans, clean bright technical workspace, natural neutral lighting, realistic hardware detail, no text, no brand logos, no holograms, no wooden desk.

150 Watt und ein Aluminiumgehäuse: Die offene Rechnung

Die berichtete kombinierte Leistungsaufnahme von 150 Watt klingt für einen KI-Rechner nicht absurd. Im Mini-PC-Format ist sie trotzdem eine Ansage. Dauerlast erzeugt Wärme, Wärme verlangt Kühlung, Kühlung kostet Platz und macht Geräusche. Xiaomi betont ein Unibody-Gehäuse aus Aluminium mit 33.874 CNC-gefertigten Öffnungen. Das ist ein faszinierendes Detail – und zugleich ein Hinweis darauf, dass das Wärmeproblem keine Nebensache ist.

Der Wert sagt außerdem nichts darüber, wie viel das Gerät an der Steckdose unter unterschiedlichen Aufgaben benötigt. Ein Prompt, eine lange Kontextanalyse und mehrere parallele Anfragen sind völlig verschiedene Lastfälle. Für einen echten Vergleich fehlen Verbrauchsmessungen, Lautstärke und Angaben zum Netzteil. Bei einem Entwicklungsprototyp ist das normal. Es ist aber genau der Grund, warum man die Bühne nicht mit einem Produktdatenblatt verwechseln sollte.

Auch der Fertigungsaufwand passt zu diesem Zwischenstatus. Zehntausende Öffnungen im Gehäuse sind kein Argument für ein günstiges Seriengerät. Sie unterstreichen, dass Xiaomi demonstrieren will, was mechanisch und thermisch möglich ist. Ein späteres Produkt dürfte sehr wahrscheinlich anders aussehen – falls überhaupt eines daraus wird.

Ein weiterer Punkt: Mini-PC heißt nicht automatisch wohnzimmertauglich. Wer schon einmal ein kleines System unter Dauerlast gehört hat, kennt den Unterschied zwischen einem kurzen Benchmark und einem Arbeitstag. Das Gehäusevolumen begrenzt Lüfter, Kühlkörper und Reserven. Xiaomi kann diese Frage erst beantworten, wenn ein finales Gerät mit Messwerten vorliegt. Bis dahin ist es fairer, von einer leistungsorientierten Demonstration zu sprechen als von einem stillen KI-Helfer für jeden Schreibtisch.

Was Xiaomi mit dem Prototyp wirklich testet

Die interessanteste Geschichte am AI Cube ist nicht, ob er einen Desktop-PC ersetzt. Xiaomi probiert aus, wie sich eigene Chips aus Smartphone-, KI- und Automotive-Entwicklung zu einem lokalen System zusammenführen lassen. Das ist strategisch relevanter als noch ein weiterer Mini-PC mit bekanntem x86-Prozessor.

Der O3 ist eng mit Xiaomis Mobilplattform verbunden, der O100 zielt auf KI-Beschleunigung, der D100 auf intelligente Fahrzeuge. Wenn dieselben Grundbausteine in mehreren Geräteklassen funktionieren, kann Xiaomi Entwicklungsarbeit wiederverwenden und unabhängiger planen. Das ist kein kleines Ziel. Es erklärt auch, warum der AI Cube als Demonstrator sinnvoll ist, obwohl er noch keinen Preiszettel trägt.

Für Europa bleibt jedoch vieles offen: Verfügbarkeit, Support, Zertifizierung, Ersatzteile, Entwicklungswerkzeuge und die Frage, welche Modelle sich offiziell ausführen lassen. Hardware ohne gut dokumentierte Software ist bei KI rasch eine Sackgasse. Das gilt selbst dann, wenn die Siliziumdaten auf dem Papier fantastisch aussehen. Für den eigenen Aufbau helfen daher eher die Grundlagen zu NPU, RAM und Stromverbrauch bei lokalen Mini-PCs als die Jagd nach einer einzelnen Maximalzahl.

Für wen der Xiaomi AI Cube heute relevant ist

Für Kaufinteressierte lautet die kurze Antwort: noch für niemanden. Xiaomi hat weder Preis noch Termin noch Vertrieb angekündigt. Wer jetzt lokale KI auf einem kompakten System plant, sollte verfügbare Hardware nach der tatsächlichen Aufgabe auswählen: Modellgröße, Speicherbedarf, Energiegrenze, gewünschte Laufzeitumgebung und Support. Ein AI Cube ist derzeit keine Alternative im Angebot, sondern ein Signal aus dem Forschungslabor.

Für Entwickelnde und Hardware-Fans ist der Prototyp dagegen sehenswert. Er setzt den Fokus auf den Flaschenhals Speicher und auf heterogene Beschleunigung. Das sind die Themen, über die lokale KI in den nächsten Jahren entschieden wird – nicht nur über die Zahl der NPU-TOPS. Wenn Xiaomi aus dem Konzept ein offenes, gut dokumentiertes Gerät macht, könnte daraus ein spannender Baustein für Labs und kleine Inferenz-Server werden.

Bis dahin gilt: Der Xiaomi AI Cube ist eine starke Demo, kein fertiges Versprechen. Genau das macht ihn interessant. Xiaomi zeigt, dass der Mini-PC bei lokaler KI mehr sein kann als ein geschrumpfter Desktop. Nun muss das Unternehmen beweisen, dass aus drei ungewöhnlichen Chips ein System wird, das außerhalb einer Bühne zuverlässig arbeitet. Erst dann wird aus der eindrucksvollen Präsentation ein Produkt, das auch außerhalb einer Bühne eine ernsthafte Alternative ist.