Jens Förderer über den wahren Engpass beim Aufbau leistungs­fähigerer KI in Live Science

Anhand von Beispielen wie der räumlichen Bündelung (Clustering) von Rechenzentren und der Umnutzung ehemaliger Kryptowährungs-Mining-Anlagen verdeutlicht er mit seinem Beitrag, wie lokale Netzkapazitäten, der Zeitpunkt der Infrastrukturbereitstellung und die Standortwahl zu entscheidenden Faktoren dafür werden, wie und wo KI-Systeme eingesetzt werden können.

Wenn Rechenleistung nicht mehr das Problem ist

Jahrzehntelang wurde die KI-Forschung durch begrenzte Hardware gebremst, was zu Stagnations­phasen führte, die als „KI-Winter“ bekannt sind. Heute jedoch ermöglichen spezialisierte Chips und riesige Rechenzentren eine rasche Skalierung von KI-Modellen, wodurch Rechenleistung von einem Engpass zu einer leicht verfügbaren Ressource wird. 

Doch der wachsende Strombedarf für das Trainieren und Betreiben von KI-Modellen, insbesondere von großen Sprach­modellen und kontinuierlich arbeitenden Inferenz- und Reasoning-Systemen, hat eine neue physische Einschränkung mit sich gebracht. Stromnetze wurden nie für plötzliche Lasten in der Größenordnung einer ganzen Stadt ausgelegt, und lokale Engpässe schränken nun ein, wo und wie KI wachsen kann.

Lokale Engpässe und infrastrukturelle Grenzen

Hier fügt Förderers Perspektive eine wichtige Dimension hinzu. Er hebt die Herausforderungen von räumlich konzentrierten Rechenzentren hervor, die riesige Mengen an Strom aus demselben lokalen Netz beziehen. Die „Data Center Alley“ in Nord-Virginia, so betont er, veranschaulicht, wie die Skalierung der Stromkapazität erheblich erschwert wird, wenn viele Lasten in Stadtgröße gleich­zeitig auf einen einzigen Netzknoten treffen.

Förderer merkt zudem an, dass die Umnutzung ehemaliger Kryptowährungs-Mining-Anlagen dazu beitragen kann, diese Engpässe zu entschärfen, da diese bereits über große Netzanschlüsse, Kühl­systeme und Betriebs­erfahrung mit energieintensiver Hardware verfügen.

Energie ist notwendig, aber nicht ausreichend

Während mehr Energie die KI-Entwicklung an bestimmten Standorten erst möglich macht, betont Förderer, dass Strom allein keine intelligenteren Maschinen hervorbringt. Die wahren Grenzen liegen woanders – in der Datenverfügbarkeit, den Modellarchitekturen und den Fähigkeiten zum schlussfolgernden Denken (Reasoning). Energie ist notwendig, aber nicht ausreichend.

Der Artikel in Live Science hat seitdem Folgeberichte in Medien wie Network Today und USA Times inspiriert, was ein breiteres Bewusstsein für die energiebezogenen Herausforderungen der KI in der Medienlandschaft widerspiegelt.

Mehr zum Thema

• Originalartikel: Lesen Sie die vollständige Diskussion darüber, wie Energie die KI verändert, im Originalbeitrag auf Live Science.
• Weitere Bericht­erstattung: Kürzere Beiträge zu diesem Thema sind auch bei Network Today und USA Times verfügbar.