Das bequemste Narrativ über künstliche Intelligenz ist, dass sie immateriell ist – Algorithmen, Daten, Wahrscheinlichkeiten. Was in dieser Erzählung nicht vorkommt, ist das Stromnetz, das alles am Laufen hält. Das GPT-4-Training verbrauchte ungefähr so viel Strom, wie 1.000 amerikanische Haushalte in einem Jahr verbrauchen. Inferenz im Maßstab multipliziert diese Zahl. Wenn Sie KI in den Mittelpunkt Ihrer Architektur stellen, treffen Sie eine Energieentscheidung, auch wenn niemand im Raum darüber nachdenkt.
Was der tatsächliche Verbrauch eines Rechenzentrums bedeutet
Moderne Rechenzentren verbrauchen nicht nur Energie, um Daten zu verarbeiten. Sie verbrauchen es, um die Hardware zu kühlen, die diese Daten verarbeitet, die Stromredundanz aufrechtzuerhalten, Netzwerke zu betreiben und ganze Schichten der unterstützenden Infrastruktur aufrechtzuerhalten. Die Einführung hochdichter GPUs für KI-Workloads hat die Rack-Nachfrage auf ein Niveau getrieben, das viele alte Rechenzentren physisch einfach nicht erfüllen können.
Ein herkömmliches Rack verbraucht zwischen 5 und 15 Kilowatt. Racks mit GPUs für KI erreichen 80 oder 100 Kilowatt. Dies verändert die Gestaltung des Gebäudes, das Kühlsystem und die vertraglich vereinbarte elektrische Kapazität. Es handelt sich nicht um ein inkrementelles Update. Es ist eine andere Infrastruktur. Wenn große Cloud-Anbieter neue Rechenzentren ankündigen, erweitern sie nicht nur die Rechenkapazität, sondern verhandeln auch langfristige Stromverträge mit Verteilern und bauen in einigen Fällen eigene Umspannwerke.
Es gibt auch das Thema Wasser. Die Flüssigkeitskühlung, die für die thermischen Dichten moderner GPU-Cluster erforderlich ist, verbraucht erhebliche Mengen Wasser. Diese Betriebskosten tauchen in Gesprächen über KI-Kosten selten auf, werden aber in Regionen mit Wasserknappheit zunehmend reguliert und in die Umweltgenehmigungsberechnungen für neue Projekte einbezogen.
Warum erscheint dies in Cloud-Konten?
Die Energiekosten stehen nicht isoliert in der Bilanz der Anbieter. Es wird mit einer gewissen Verzögerung und Undurchsichtigkeit an die Kunden weitergeleitet. GPU-Instanzen sind bereits wesentlich teurer als Allzweck-Instanzen, und ein wesentlicher Teil dieses Unterschieds ist die Leistung. Da die Nachfrage nach KI-Kapazität steigt und Anbieter um Land mit Zugang zu reichlich vorhandener, billiger Energie konkurrieren, beginnt der geografische Standort der Verarbeitung den Preis der Dienstleistung zu beeinflussen.
Dies hat direkte Auswirkungen auf Teams, die Architekturentscheidungen treffen: Der Aufruf einer großen Modell-API mit hoher Frequenz ist nicht nur eine technische Entscheidung, sondern auch eine Kostenentscheidung mit einer integrierten energetischen Komponente. Unternehmen, die die Nutzung von KI als kostenlos oder als Fixkosten betrachten, werden überrascht sein, wenn die Cloud-Rechnung das tatsächliche Wachstum der Nutzung widerspiegelt, insbesondere bei Produkten mit einem hohen Inferenzvolumen.
Druck auf die Standorte für den Bau von Rechenzentren
Die Stromverfügbarkeit wird zu einem ebenso wichtigen Standortkriterium wie die Netzwerkanbindung. Regionen mit reichlich vorhandener, günstiger und erneuerbarer Energie sind zu einem bevorzugten Ziel für neue Investitionen in die KI-Infrastruktur geworden. Nordische Länder, die billige Wasserkraft mit einem natürlichen kalten Klima kombinieren, sind seit Jahren Anziehungspunkt für Rechenzentren. Brasilien mit seinem überwiegend erneuerbaren Stromnetz und seiner bedeutenden Wasserkraftkapazität taucht zunehmend in diesen strategischen Gesprächen auf.
Das Problem besteht darin, dass Energieverfügbarkeit, Verfügbarkeit der Netzwerkinfrastruktur und technisches Talent selten am selben Ort zusammenfallen. Die Spannung zwischen dem Ort, an dem der Betrieb am günstigsten ist, und dem Ort, an dem es geografisch sinnvoll ist, präsent zu sein, führt zu Kompromissen, die bei Infrastrukturentscheidungen bisher unsichtbar waren. Für Unternehmen, die in mehreren Regionen tätig sind, beginnt diese Gleichung Einfluss darauf zu haben, welcher Cloud-Anbieter für jede Arbeitslast verwendet werden soll – nicht nur aufgrund von Latenz oder Datenkonformität, sondern auch aufgrund der unterschiedlichen Energiekosten zwischen den Zonen.
Die technische Antwort: kleinere Modelle und effiziente Inferenz
Die Industrie wartet nicht darauf, dass das Stromnetz das Problem löst. Eine ganze Reihe von Forschungs- und Entwicklungsarbeiten konzentriert sich auf die Reduzierung der Energiekosten pro ausgeführter nützlicher Aufgabe. Techniken wie Quantisierung, Modelldestillation und effizientere Architekturen wie Expertenmischungsmodelle ermöglichen es uns, eine vergleichbare Leistung zu einem Bruchteil des Energieverbrauchs größerer dichter Modelle zu liefern.
Für diejenigen, die sich für die Infrastruktur entscheiden, eröffnet dies eine echte strategische Wahl: Verwenden Sie für alles das leistungsfähigste verfügbare Modell oder wählen Sie das effizienteste Modell, das den spezifischen Anwendungsfall erfüllt. Die zweite Option ist nicht nur günstiger. Bei der Massenproduktion kann es den Unterschied zwischen einer finanziell nachhaltigen Architektur und einer Architektur ausmachen, die das Problem mit der Nutzung skaliert. Gut abgestimmte 7-Milliarden-Parameter-Modelle für bestimmte Aufgaben übertreffen oft viel größere Allzweckmodelle bei der Arbeit, auf die es wirklich ankommt.
Was jetzt in die Infrastrukturplanung einfließen sollte
Drei Variablen verdienen es, explizit in die Architekturentscheidungen jedes Teams einbezogen zu werden, das KI in der Produktion einsetzt. Das erste sind die Kosten durch Schlussfolgerung, die anhand der tatsächlichen Nutzung und nicht anhand optimistischer Schätzungen abgebildet werden. Der zweite Punkt ist der Energie-Fußabdruck der gewählten Modelle, der in den Nachhaltigkeitsberichten der Unternehmen und in den Anforderungen einiger Kunden und Regulierungsbehörden auftaucht. Die dritte ist die Fallback-Architektur: Wenn das schwerere Modell durch ein leichteres ersetzt werden kann, ohne dass der Endbenutzer spürbare Qualitätsverluste erfährt.
Das Ignorieren dieser Variablen schützt niemanden vor dem Konto. Es kommt auf unterschiedliche Weise zum Tragen: in den direkten Kosten der API, im ESG-Druck, in Vertragsverhandlungen mit Großkunden, die nach CO2-Emissionen fragen, oder einfach in der Undurchführbarkeit der Skalierung eines Produkts, wenn die Schlussfolgerungskosten schneller wachsen als der Umsatz. Teams, die diese drei Variablen heute in den architektonischen Entscheidungsprozess einbeziehen, gewinnen Spielraum, der knapp werden wird, wenn der Regulierungs- und Wettbewerbsdruck auf das Thema zunimmt. Energie als technisches Detail zu behandeln, ist ein Planungsfehler und kein technisches Problem.
Lesen Sie auch
- Energie, das neue Öl der KI: Wer die Ressource kontrolliert, kontrolliert die Ära
- Nachhaltige Rechenzentren: Die Umweltkosten, die zu einem öffentlichen Thema wurden
- KI-Energie und Souveränität: Was Regierungen jetzt planen müssen
- Elektrifizierung: Was ändert sich, wenn sich alles an der Steckdose dreht
- Nachhaltige Infrastruktur für KI-Rechenzentren: Herausforderungen und Best Practices
- Energie: Der Engpass, den niemand auf die Computing-Roadmap gesetzt hat