Die KI‑Entwicklung hat die experimentelle Phase hinter sich gelassen. Die Branche wechselt vom Training großer Modelle zum Betrieb dieser in großem Maßstab durch kontinuierliche Inferenz. Dieser Übergang verändert grundlegend die physischen Anforderungen an das Design von Rechenzentren.
Infrastruktur dreht sich nicht mehr nur um Speicher oder Web‑Hosting. Es geht jetzt um das Management massiver, dauerhafter elektrischer Lasten und extremer Hitze.
Der Wechsel zu hochdichter Berechnung
Traditionelle Unternehmens‑Rechenzentren wurden für gelegentliche, kurzzeitige Lasten konzipiert. Sie arbeiten typischerweise mit einer Rack‑Dichte von 5 bis 10 kW [1].
KI‑Workloads benötigen eine andere Architektur. Da GPUs deutlich mehr Energie verbrauchen als herkömmliche CPUs, steigt die Leistungsdichte sprunghaft an. Moderne KI‑Racks benötigen typischerweise 40 bis über 100 kW pro Rack [2].
Einige spezialisierte Systeme treiben diese Grenzen noch weiter. Beispielsweise können die neuesten GB200‑Systeme Rack‑Dichten von etwa 132 kW erreichen [2].
Dieser Anstieg der Dichte wird vom Hardware selbst getrieben. Während eine herkömmliche CPU 150 bis 200 W verbraucht, kann eine einzelne KI‑optimierte GPU zwischen 700 und 1.200 W benötigen [S4, S5].
Trainingsspitzen versus Inferenz‑Grundlasten
Um die Infrastruktur effektiv zu planen, müssen Betreiber zwischen den beiden Hauptphasen des KI‑Lebenszyklus unterscheiden. Eine Verwechslung führt zu falschen Energie‑ und Kapazitätsentscheidungen [1].
Training ist ein Leistungsspitzenereignis. Es beinhaltet hohe Wattzahlen, die über einen definierten Zeitraum, etwa Wochen oder Monate, aufrechterhalten werden [1].
Inference ist eine Leistungsgrundlast. Es ist der Prozess, ein trainiertes Modell zur Ausgabe von Ergebnissen zu nutzen, und läuft kontinuierlich [1].
Inference ist jetzt der dominierende Treiber des Energiebedarfs. Sie macht derzeit etwa 80 bis 90 % der gesamten KI‑Rechenleistung aus [S1, S5].
Da Inferenz ständig aktiv ist und mit der Nutzernachfrage skaliert, bestimmt sie die langfristigen Stromkosten für die meisten Organisationen [1].
Die Lücke in der Energieversorgung überbrücken
Mit zunehmender KI‑Nachfrage stößt man an harte Infrastrukturgrenzen. Die primäre Beschränkung ist nicht mehr die Verfügbarkeit von Chips, sondern die Verfügbarkeit von Strom [1].
In wichtigen Rechenzentrum‑Knoten können neue Hochkapazitäts‑Netzanschlüsse Wartezeiten von 4 bis 7 Jahren haben [3]. Das schafft eine enorme Lücke zwischen dem Bedarf an Rechenleistung und der Möglichkeit, Strom zu liefern.
Betreiber prüfen verschiedene Strategien, um diese Lücke zu schließen [3]:
- Netzstrom: Dies ist die Standardlösung für die meisten Unternehmen, unterliegt jedoch langen Anschlusswarteschlangen und möglicher Drosselung in Notfällen [3].
- Kleine modulare Reaktoren (SMRs): Sie liefern kontinuierliche, CO₂‑freie Grundlastenergie. Sie sind eine langfristige Option für Hyperscaler, obwohl sie hohe Investitionskosten und regulatorische Komplexität mit sich bringen [3].
- Erdgas: Vor Ort installierte Gasturbinen sind eine schnellere Option, oft innerhalb von 12 bis 18 Monaten einsetzbar, verursachen jedoch CO₂‑Emissionen [3].
Die Notwendigkeit von Flüssigkühlung
Extreme Leistungsdichte erzeugt ein extremes thermisches Problem. Wenn Racks mit leistungshungrigen GPUs dichter besetzt werden, erzeugen sie mehr Wärme, als herkömmliche Luftkühlung entfernen kann [2].
Luftkühlung wird unpraktisch, sobald ein Rack etwa 30 kW überschreitet [2]. Bei diesen Werten ist das erforderliche Luftvolumen einfach zu groß, um effizient zu sein.
Moderne KI‑Einrichtungen müssen zu Flüssigkühlungslösungen übergehen. Dazu gehören Direct‑to‑Chip‑Kühlung, bei der Flüssigkeit direkt auf die Prozessoren aufgebracht wird, oder vollständige Immersionskühlung [2].
Kühlung ist ein bedeutender Teil der gesamten Energiebilanz. In großen KI‑Einrichtungen kann die Kühlungsinfrastruktur zwischen 30 % und 40 % des gesamten Stromverbrauchs ausmachen [S1, S2].
Quellen
- Power Requirements for AI Data Centers (2026): Complete Guide
- AI Data Center Design Guide | AI Wiki
- What Are the Power Requirements for AI Data Centers?
- AI Power Requirements Guide | AI Wiki
- AI Data Center Power Requirements 2026: The Grid-to-Chip Guide
- PDF GPU Rack Power Requirements: Data Center Planning Guide
- Managing power requirements for AI data centers | Eaton
