Der Wettlauf um KI-Kapazitäten: Ein Blick hinter die Kulissen

LONDON (IT BOLTWISE) – Die rasante Entwicklung der Künstlichen Intelligenz (KI) hat einen beispiellosen Wettlauf um Rechenkapazitäten ausgelöst. Große Technologieunternehmen und Startups investieren massiv in den Ausbau ihrer Infrastruktur, um den steigenden Anforderungen gerecht zu werden.

Die Künstliche Intelligenz hat in den letzten Jahren einen enormen Aufschwung erlebt, und mit ihr die Nachfrage nach leistungsfähiger Recheninfrastruktur. Zu Beginn des Jahres 2025 sorgte ein neues, hocheffizientes KI-Modell des chinesischen Entwicklers DeepSeek für Aufsehen an der Wall Street. Es stellte sich die Frage, ob die großen Technologieunternehmen und Startups im Silicon Valley zu viel in neue Rechenzentren und teure NVIDIA-Chips investieren, um KI-Anwendungen wie ChatGPT zu entwickeln.

Sechs Monate später sind diese Bedenken nur noch eine Randnotiz. Der Ausbau der KI-Infrastruktur geht ungebremst weiter. Microsoft, Alphabet, Amazon und Meta planen, ihre Investitionen in Sachanlagen bis 2025 auf über 300 Milliarden US-Dollar zu erhöhen. Laut der IT-Beratung Gartner werden in diesem Jahr insgesamt 475 Milliarden US-Dollar für Rechenzentren ausgegeben, was einem Anstieg von 42 Prozent gegenüber 2024 entspricht.

Einige Experten glauben, dass selbst diese Investitionen nicht ausreichen werden, um die weltweite Nachfrage nach KI zu decken. McKinsey prognostizierte im April, dass bis 2030 Investitionen in Höhe von 5,2 Billionen US-Dollar in Rechenzentren erforderlich sein werden. Mark Zuckerberg, Gründer von Meta, kündigte kürzlich an, dass sein Unternehmen “Hunderte von Milliarden Dollar in Rechenleistung investieren” werde, um Superintelligenz zu entwickeln, die menschliche Kognition übertreffen soll.

Der Bau der erforderlichen Einrichtungen, um diese nächste Grenze zu erreichen und gleichzeitig Milliarden von Menschen mit fortschrittlichen KI-Modellen zu unterstützen, ist jedoch weitaus komplexer, kostspieliger und energieintensiver als die Stromnetze, Telekommunikationsnetze oder sogar Cloud-Computing-Systeme, die ihnen vorausgingen. Traditionelle Rechenzentren, wie sie von Amazon und Microsoft gebaut wurden, sind ein bewährtes Modell mit nachgewiesenen Renditen und Nachfrage.

Die dramatische Zunahme des Strombedarfs durch neue KI-Chips hat das Design von Rechenzentren verändert. Racks von Computern, die NVIDIAs Chips verwenden, verbrauchen mindestens zehnmal so viel Strom wie herkömmliche Webserver, und die neuesten Prozessoren erzeugen so viel Wärme, dass Klimaanlagen nicht ausreichen, um sie zu kühlen. Diese Entwicklung hat zu erheblichen Investitionen in innovative Kühltechnologien geführt.

Die unaufhörliche Suche nach Rechenleistung treibt einen Immobilienboom an, der von Hyperscalern wie Amazon, Microsoft und Google angeführt wird. Diese entwickeln Cluster von Rechenzentren, damit Hunderttausende von Chips gemeinsam arbeiten können, um KI-Modelle zu verfeinern. Die schiere Anzahl der von Modellbauern wie OpenAI und Anthropic eingesetzten Chips hat Hyperscaler und Rechenzentrumsbetreiber dazu veranlasst, nach großen Grundstücken zu suchen, die Cluster beherbergen können.

Der Zugang zu günstiger und reichlich vorhandener Energie hat sich als Schlüsselfaktor für die Standortwahl herausgestellt, da viele Betreiber durch die Stromversorgung eingeschränkt sind. Eine Studie der Universität Oxford ergab, dass fast 95 Prozent der kommerziell verfügbaren KI-Rechenleistung von US-amerikanischen und chinesischen Technologiegruppen betrieben werden.

Der Energieverbrauch von Rechenzentren ist ein wachsendes Anliegen für Versorgungsunternehmen. Neben dem enormen Strombedarf und dem nahezu konstanten Betrieb erleben KI-Rechenzentren während eines Trainingslaufs Spitzen im Verbrauch, was die Stromnetze belastet. Diese Spitzen drohen kaskadierende Stromausfälle zu verursachen, die Haushalte und Unternehmen betreffen, die vom selben Netz gespeist werden.

Einige glauben, dass dieses endlose Rennen um immer größere Rechenleistung fehlgeleitet ist. Sasha Luccioni, KI- und Klimaexpertin bei dem Open-Source-Startup Hugging Face, sagte, alternative Techniken zur Schulung von KI-Modellen, wie Destillation oder die Verwendung kleinerer Modelle, würden an Popularität gewinnen und könnten Entwicklern ermöglichen, leistungsstarke Modelle zu einem Bruchteil der Kosten zu erstellen.

Trotz der Hunderten von Milliarden Dollar, die seit dem Debüt von ChatGPT in die KI-Infrastruktur investiert wurden, zeigen viele Führungskräfte im Silicon Valley keine Anzeichen dafür, dass sie eine Pause einlegen möchten, um herauszufinden, wie die Renditen dieses Kapitals aussehen könnten. NVIDIA kündigte im Mai an, dass große Technologieunternehmen jede Woche Zehntausende seiner neuesten GPUs in ihre Systeme integrieren, ein Tempo, das sich nur beschleunigen wird, wenn seine nächste Generation von “Blackwell Ultra”-Systemen eingeführt wird.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!