Die wahre Flaschenhals von KI: Energie, Kühlung und die Physik der Skalierbarkeit

Künstliche Intelligenz hat in den letzten zehn Jahren außergewöhnliche Fortschritte gemacht. Schnellere GPUs, größere Cluster und revolutionäre Architekturen haben Durchbrüche ermöglicht, die früher unmöglich schienen. Doch während die Branche auf trillion-Parameter-Modelle und hyperskalare KI-Fabriken zusteuert, hat die nächste Barriere nichts mit Algorithmen zu tun. Die wahre Flaschenhals heute ist physisch: Energie, Kühlung und die Infrastruktur, die erforderlich ist, um Rechenleistung auf planetarer Skala aufrechtzuerhalten.

Die Frage ist nicht mehr, wie viele Chips man herstellen kann, sondern ob man die Gigawatt, Wasser und Übertragungsleitungen liefern kann, die benötigt werden, um sie zu betreiben. Infrastruktur, nicht Silizium, ist es, was den Tempo der KI in den kommenden Jahren bestimmen wird.

Gigawatt über Gigaflops

OpenAIs “Stargate”-Projekt, das mit Oracle (ORCL ) und SoftBank entwickelt wird, zielt auf fast 7 Gigawatt Kapazität über US-Campus hinweg ab – vergleichbar mit mehreren Kernreaktoren. Bei dieser Skala ist die Hauptforderung nicht die Produktion von GPUs, sondern die Sicherung von Kraftwerken und Umspannstationen, um sie am Laufen zu halten.

Microsofts Nachfrage ist ebenso atemberaubend. Seine KI-Workloads werden voraussichtlich so viel Strom benötigen wie die gesamte Region Neuengland bis 2030. Dies erklärt, warum das Unternehmen in erneuerbare Projekte investiert hat und auch experimentelle Optionen wie Kernfusion und fortschrittliche Kernreaktoren verfolgt.

Die Dynamik wirkt sich auf die Energiepolitik aus. Im PJM-Interconnection, der regionalen Übertragungsorganisation, die das Netz für über 65 Millionen Menschen in 13 Bundesstaaten und Washington, D.C. verwaltet, erkunden Versorgungsunternehmen Reduktionsmechanismen für Rechenzentren während der Spitzenlast. Große Technologieunternehmen lobbyieren gegen solche Einschränkungen, aber die Tatsache, dass Regulierungsbehörden sie überhaupt in Betracht ziehen, zeigt, wie zentral KI für die Netzplanung geworden ist.

Die Kühlherausforderung

Die Stromversorgung ist nur die halbe Miete. Sobald der Strom die Regale erreicht, ist die nächste Herausforderung die Wärme. Jeder High-End-GPU verbraucht etwa 700 Watt, und mit Regalen, die Hunderte von GPUs beherbergen, erreichen die Dichten 100 bis 600 Kilowatt pro Regal. Luftkühlung, der Branchenstandard seit Jahrzehnten, wird unpraktikabel, wenn man über etwa 40 Kilowatt pro Regal hinausgeht, aufgrund von Luftstromineffizienzen und Recirculation.

Flüssigkühlung hat sich daher von einer Nischenlösung zu einer Mainstream-Lösung entwickelt. NVIDIAs neueste flüssig gekühlte Blackwell-Plattformen sind für hyperskalare KI-Cluster konzipiert und bieten 25-mal bessere Energieeffizienz und 300-mal bessere Wassereffizienz als luftgekühlte Regale. Das Unternehmen hat auch mit Vertiv eine Referenzarchitektur entwickelt, die mehr als 130 Kilowatt pro Regal bewältigen kann, was dichte GPU-Deployments ermöglicht.

Startups innovieren ebenfalls. Corintis, ein Schweizer Unternehmen, das Mikrokanäle direkt in Chip-Substrate einbettet, hat kürzlich 24 Millionen Dollar an Finanzierung erhalten und zählt bereits Microsoft (MSFT ) zu seinen Kunden. Microsofts eigenes Forschungsteam hat Mikrofluidikanäle in Chip-Verpackungen demonstriert, die die Spitzen-Temperaturen von GPUs um bis zu 65 Prozent senken und die Effizienz im Vergleich zu herkömmlichen Kaltplatten um das Dreifache steigern. Diese Technologien ermöglichen es, GPUs ohne Überhitzung des Rechenzentrums auf Hochtouren laufen zu lassen.

Wasser als strategische Variable

Flüssigkühlung führt eine weitere Variable ein: Wasserverbrauch. Verdunstungs- und Wasserkühlungssysteme können enorme Wassermengen erfordern, wenn sie auf Campus mit Hunderten von Megawatt skaliert werden. In Phoenix können Rechenzentren hunderte Millionen Gallonen Wasser pro Tag benötigen, was in trockenen Regionen Bedenken aufwirft.

Dies hat die Entwicklung von wasserfreien und geschlossenen Kühlungssystemen vorangetrieben. IEEE Spectrum hat Strategien wie abgedichtete dielektrische Tauchbäder, Trockenkühler und wasserfreie Kühler dokumentiert, die den Verbrauch von Trinkwasser nahe Null senken. Währenddessen experimentieren einige Betreiber mit der Wiederverwendung von Abwärme. Projekte wie Aquasar und iDataCool haben gezeigt, wie heiße Wasserkühlungsschleifen Gebäudeheizungssysteme oder Absorptionskühler speisen können, wodurch viel von der Energie, die sonst verloren ginge, recycelt wird.

Der Kompromiss liegt oft zwischen Wasser und Strom: geschlossene oder trockene Systeme verbrauchen mehr Energie, während verdunstungsbedingte Designs Energie sparen, aber stark auf Wasser zurückgreifen. In wasserarmen Regionen bevorzugen die Politik und die Genehmigungsverfahren zunehmend den Wasserschutz, auch wenn dies höhere Energieverbrauch bedeutet.

Infrastruktur und das Netz

Selbst mit Strom- und Kühlungslösungen in place ist die endgültige Flaschenhals die Infrastruktur. Standortentscheidungen bestimmen nun die Gewinner und Verlierer im KI-Rennen.

Microsofts 80-Milliarden-Dollar-Fairwater-Campus in Wisconsin zeigt, wie strategische Standortwahl geworden ist. Der Standort umfasst 315 Acres, beherbergt Hunderttausende von GPUs und wurde aufgrund seines Zugangs zu Umspannstationen, Glasfasern und Grundwasser ausgewählt. Das Design betont auch geschlossene Kühlung, um den Wassereinfluss zu minimieren.

Um seine wachsende Last zu unterstützen, hat Microsoft einen bahnbrechenden Deal mit Brookfield abgeschlossen, um 10,5 Gigawatt erneuerbare Kapazität bis 2030 hinzuzufügen. Gleichzeitig hat es experimentelle Projekte wie ein Kernfusionskraftwerk von Helion Energy unterstützt, das bis 2028 Rechenzentren mit Strom versorgen soll, und ein 20-Jahres-Abkommen zur Wiederinbetriebnahme des Kernkraftwerks Three Mile Island in Pennsylvania.

Amazon (AMZN ) und Google (GOOGL ) gehen ähnliche Schritte, sichern Standorte neben Kernkraftwerken und entwickeln ihre eigenen sauberen Energieportfolios. In Irland, wo Rechenzentren bereits mehr Strom verbrauchen als alle Haushalte zusammen, haben Regulierungsbehörden neue Genehmigungen bis mindestens 2028 eingefroren, was zeigt, wie Politik und Genehmigungsverfahren sogar die besten finanzierten Projekte behindern können.

Intelligente Betriebsführung: KI-Management von KI

Interessanterweise wird KI selbst eingesetzt, um die Infrastruktur-Belastung zu managen. Verstärkendes Lernen wurde in Produktions-Rechenzentren eingesetzt, um Kühlungssysteme zu optimieren und 14 bis 21 Prozent Energieeinsparungen zu erzielen, ohne die Sicherheit zu gefährden. Digitale Zwillinge und Vorhersagemodelle werden auch eingesetzt, um Hotspots vorherzusagen, Ausrüstung vorzukühlen und Arbeitslasten auf kühlere Stunden oder Zeiten mit erneuerbarer Überschussenergie zu verlagern.

Google hat bereits gezeigt, wie Maschinelles Lernen den Bedarf an Rechenzentrums-Kühlung um 40 Prozent senken kann, und andere Betreiber adoptieren ähnliche Systeme. Wenn die Kosten für Strom und Kühlung steigen, werden diese betrieblichen Einsparungen zu einem wesentlichen Wettbewerbsvorteil.

Die strategische Perspektive

Der Trend ist klar. Der Bedarf an KI wird voraussichtlich den globalen Stromverbrauch von Rechenzentren bis 2030 verdoppeln, wobei KI-Workloads allein bis 2050 einen mittleren einstelligen Anteil des globalen Stromverbrauchs ausmachen werden. Während NVIDIA (NVDA ) und andere Chip-Hersteller die Leistung von Silizium weiter vorantreiben, wird die praktische Grenze von KI durch die Geschwindigkeit bestimmt, mit der Versorgungsunternehmen neue Erzeugung, Übertragung und Kühlungsinfrastruktur bauen können.

Für Unternehmen, die KI-Produkte bauen, bedeutet dies, dass ihre Roadmaps zunehmend an die Verfügbarkeit von Kapazitäten gebunden sind. Für Investoren können die wertvollsten Spielzüge Versorgungsunternehmen, Übertragungs-Entwickler und Kühl-Startups sein, anstatt nur GPU-Lieferanten. Und für politische Entscheidungsträger verschiebt sich die Debatte über KI von Fragen der Ethik und der Datenverwaltung zu Fragen von Megawatt, Wasser und Netzmodernisierung.

Die Zukunft von KI wird nicht nur in Forschungslabors und Chip-Fabriken entschieden, sondern auch an Umspannstationen, Kühlungsschleifen und Kraftwerken. Die Physik der Skalierbarkeit – nicht nur die Mathematik der Algorithmen – ist es, was die Geschwindigkeit und den Umfang der künstlichen Intelligenz in den kommenden zehn Jahren bestimmen wird.