Die Rechenzentrumsbranche steht vor erheblichen Herausforderungen, da die steigenden Energieanforderungen Künstlicher Intelligenz (KI) sowie wachsende Kapazitätsbedarfe die Systeme an ihre Grenzen bringen. Insbesondere KI-Anwendungen wie generative Modelle erhöhen den Energieverbrauch immens, was dringend neue Lösungen erfordert. Laut der Internationalen Energieagentur (IEA) könnte der Stromverbrauch von Rechenzentren bis 2026 auf über 1.000 Terawattstunden (TWh) ansteigen, was sie zu einem bedeutenden Faktor im weltweiten Energiebedarf macht. Um diesem Anstieg gerecht zu werden, rüsten viele Betreiber ihre unterbrechungsfreien Stromversorgungssysteme (USVs) auf. Während traditionelle USVs in Kilowatt (kW) arbeiten, erfordert die Last neuer KI-Anwendungen Systeme, die in Megawatt (MW) dimensioniert sind. Die Energiedichte pro Rack nimmt ebenso zu. Moderne Racks bewältigen derzeit rund 15 kW, aber KI-Workloads könnten diesen Bedarf auf 40-100 kW anheben. Generative KI-Inferenz benötigt bedeutend mehr Leistung als herkömmliche Suchanfragen, und ein ChatGPT-ähnliches System könnte bei 11 Millionen Anfragen pro Stunde jährlich 12.8k Tonnen CO₂ ausstoßen. Die Kühlung dieser leistungsfähigen Systemlandschaften stellt eine weitere Hürde dar. Grafikkarten (GPUs) in KI-Anwendungen erzeugen immense Wärme, die herkömmliche Luftkühlung nicht mehr abführen kann. Dies veranlasst viele Betreiber, auf Wasserkühlung umzustellen, die jedoch aufgrund des benötigten Wasserverbrauchs und den damit verbundenen Nachhaltigkeitsproblemen, vor allem in wasserarmen Regionen, auch keine perfekte Lösung bietet. Um den durch KI verursachten Energie- und Kühlungsbedarf zu bewältigen, setzen Technologieriesen und Rechenzentrumsbetreiber auf verschiedene Strategien. Neben Investitionen in erneuerbare Energien vor Ort, wie Solarenergie, werden Power Purchase Agreements (PPAs) abgeschlossen, um eine stabile und saubere Energieversorgung sicherzustellen. Kleine modulare Reaktoren (SMRs) werden ebenfalls als langfristige Lösung untersucht. Im Hinblick auf Kapazität und Effizienz fokussieren Unternehmen auf die Weiterentwicklung KI-optimierter Chips, sowie auf kleinere Sprachmodelle (SMLs), die energieeffizienter sind. Diese SMLs erlauben es, Anfragen an den Rand zu verlagern, was insbesondere mobile Anwendungen betrifft, und profitieren von optimierten Algorithmen, die Aufgaben an Rechenzentren mit geringem Kohlenstoffausstoß delegieren.
KI
Steigende Energieansprüche: Die Herausforderung der KI in modernen Rechenzentren
