KI-Workloads treiben den Energieverbrauch von Rechenzentren deutlich in die Höhe. Neue Algorithmen, energieeffizientere GPUs und innovative Kühlungsansätze können den Stromhunger durchaus reduzieren. Der beste Ansatz ist jedoch die Direct-to-Chip-Flüssigkeitskühlung, um den PUE-Wert zu senken und die Energieeffizienz zu verbessern.

Rechenzentren weltweit sind ein entscheidender Bestandteil der modernen Infrastruktur und verbrauchen zwischen 2 und 8 Prozent des weltweiten Stroms. Jüngste Erkenntnisse des Analystenhauses IDC zeigen, dass KI-Workloads diesen Strombedarf erheblich erhöhen, wobei der Energieverbrauch in den nächsten Jahren weltweit voraussichtlich bis zu 857 TWh erreichen wird [1].

Experten prognostizieren, dass sich der Energie-verbrauch von Rechenzentren aufgrund der KI-Workloads innerhalb von zwei Jahren verdoppeln und damit möglicherweise dem Energieverbrauch Japans entsprechen könnte. Kürzlich berichtete Google, dass es sein ursprünglich für 2030 festgelegtes Netto-Null-Stromverbrauchsziel wahrscheinlich verfehlen werde, wobei KI als Hauptgrund dafür genannt wurde. Der Technologieriese meldete einen Anstieg der -Emissionen um 23 Prozent von 2022 bis 2023 und einen Anstieg um 48 Prozent seit 2019.

Der CEO von Anthropic, Dario Amodei, hat geschätzt, dass das Training neuester KI-Modelle bis zu 1 Milliarde US-Dollar kosten könnte, was die 100 Millionen US-Dollar, die OpenAI Berichten zufolge in ChatGPT-4 investiert hat, in den Schatten stellt. Im Jahr 2023 benötigte OpenAIs ChatGPT etwa 30.000 GPUs, was einen erheblichen Energieverbrauch darstellt, der Anlass zur Sorge gibt, wenn mehr und mehr Unternehmen ihre KI-Anwendungen ausbauen. Einigen Prognosen zufolge verbrauchten Rechenzentren in diesem Jahr so viel Strom wie durchschnittlich 1,3 Millionen Haushalte.

Schneider Electric schätzte, dass Rechenzentren im Jahr 2023 54 GW Strom verbrauchten, wobei KI-Workloads etwa 8 Prozent (4,3 GW) ausmachten, hauptsächlich für Inferenz. Diese Workloads werden voraussichtlich zunehmen und bis 2028 einen geschätzten Gesamtverbrauch von 90 GW erreichen.

Bis 2028 könnten KI-Workloads 15 bis 20 Prozent des Energieverbrauchs von Rechenzentren ausmachen. Schneider Electric geht davon aus, dass sich die Verteilung innerhalb der KI-Workloads von 20 Prozent für das Training und 80 Prozent für die Inferenz zu einer stärker auf Inferenz ausgelegten Konfiguration von 15 Prozent Training und 85 Prozent Inferenz bis zu diesem Zeitpunkt verschieben wird.

Equinix betreibt 260 Rechenzentren in Europa und weltweit, die eine erhebliche Menge an Energie benötigen. In Deutschland verbrauchen die Rechenzentren des Unternehmens eine Energiemenge, die in etwa dem Jahresverbrauch von 760.000 Haushalten entspricht. Das Analystenhaus IDC geht davon aus, dass der Energiebedarf steigen wird, da Equinix und andere Colocation-Anbieter ihre Präsenz in Europa ausbauen.

Experten wie Kate Crawford, Professorin an der University of Southern California, argumentieren, dass kleine KI-Modelle und Regulierung den steigenden Energiebedarf großer KI-Workloads eindämmen könnten. Der Drang nach Effizienz wächst, da der regulatorische Druck sowohl in den USA als auch in der EU zunimmt.

Christopher Wellise, VP of Global Sustainability bei Equinix, betont, dass KI auch durch Anwendungen wie optimierte Logistik erhebliche Energieeinsparungen bewirken kann. Ein bedeutendes Beispiel aus Europa ist Greenplan, eine von DHL unterstützte Initiative in Deutschland. Greenplan nutzt KI-gesteuerte Algorithmen, um Lieferrouten dynamisch zu optimieren, wobei tageszeitabhängige Verkehrsmuster und die Fahrzeugkapazität berücksichtigt werden [2]. Dies hat zu einer Senkung der Betriebskosten um 20 Prozent, einem geringeren Kraftstoffverbrauch und einer Minimierung der CO₂-Emissionen bei gleichbleibender Liefergenauigkeit geführt.

Linkedin-Gründer Reid Hoffman stellte fest, dass frühe KI-Implementierungen den Energieverbrauch von Rechenzentren um etwa 15 Prozent gesenkt haben, ein Effekt, der sich voraussichtlich noch verstärken wird, wenn die KI das Stromnetzmanagement optimiert.

Googles DeepMind hat kürzlich JEST (Joint Example Selection Training) eingeführt, eine Methode, die Berichten zufolge die Effizienz des KI-Modelltrainings um das Zehnfache verbessert. Unterdessen setzt die EU strengere Vorschriften durch, um die Nachhaltigkeit in Rechenzentren zu verbessern, und verpflichtet die Betreiber, über den Energie- und Wasserverbrauch Bericht zu erstatten [3]. Seit September 2024 müssen in der EU ansässige Rechenzentren das System zur Nachhaltigkeitsmeldung einhalten, das sich auf die Reduzierung des Wasser- und Energieverbrauchs, die Förderung erneuerbarer Energien und die Nutzung von Abwärme konzentriert. Die Maßnahmen der EU unterstreichen die Dringlichkeit eines nachhaltigen Wachstums von KI und Rechenzentren angesichts steigender Stromkosten.

Was können Betreiber von Rechenzentren also tun? Zwar gibt es Möglichkeiten, den für KI-Workloads erforderlichen Stromverbrauch durch neue Algorithmen, energieeffizientere GPUs und innovative Kühlungsansätze zu senken, doch bietet die Direct-to-Chip-Flüssigkeitskühlung (DLC) die unmittelbarste Möglichkeit, den Power Usage Effectiveness (PUE) Wert zu senken und die Energieeffizienz zu verbessern, wobei in der Praxis durch DLC ein PUE-Wert von 1,06 erreicht werden kann.

Darüber hinaus bieten die neuesten Server-CPUs eine größere Anzahl von Cores und damit eine verbesserte Core/Watt-Leistung, wodurch der Platzbedarf der Serversysteme in Rechenzentren reduziert und damit verbundene Energieeinsparungen erzielt werden können, während gleichzeitig die gleiche Leistung wie bei älteren Systemen erreicht wird. Viele dieser Systeme werden auch von der direkten Flüssigkeitskühlung profitieren, da mit einer höheren Anzahl von Prozessor-Cores auch eine höhere Prozessor-TDP (Thermal Design Power) einhergeht. Die Abstimmung der für KI-Workloads erforderlichen Leistung wird in Zukunft eine wichtige Messgröße sein.

Michael Schulman,
Sr. Corporate Communications Manager
bei Supermicro

[1] https://www.idc.com/getdoc.jsp?containerId=prUS52611224

[2] https://defouranalytics.com/ai-in-transportation-route-optimization/

[3] https://energy.ec.europa.eu/news/commission-adopts-eu-wide-scheme-rating-sustainability-data-centres-2024-03-15_en

Illustration: © Richard Nelson | Dreamstime.com AI generated

570 Artikel zu „Energieverbrauch“

News | Trends 2025 | Industrie 4.0 | IT-Security

Cybersicherheit 2025: Der Schutz industrieller Systeme ist entscheidend

20. Dezember 2024

Im Jahr 2025 wird die OT-Cybersicherheit (Operational Technology) eine Schlüsselrolle beim Schutz industrieller Umgebungen und kritischer Infrastrukturen spielen. Phil Tonkin, Field CTO von Dragos warnt: »Die zunehmende Vernetzung durch die digitale Transformation legt Sicherheitslücken in OT-Systemen offen, die oft ohne Berücksichtigung moderner Bedrohungen entwickelt wurden.« Wachsende Bedrohungen für OT-Systeme Bedrohungen wie die FrostyGoop-Malware, die…

Michael Schulman, Sr. Corporate Communications Manager bei Supermicro

[1] https://www.idc.com/getdoc.jsp?containerId=prUS52611224

[2] https://defouranalytics.com/ai-in-transportation-route-optimization/

[3] https://energy.ec.europa.eu/news/commission-adopts-eu-wide-scheme-rating-sustainability-data-centres-2024-03-15_en

570 Artikel zu „Energieverbrauch“

Michael Schulman,
Sr. Corporate Communications Manager
bei Supermicro