KI-Training: Bis 2030 50 GW Strombedarf – wie globale Rechenzentren
Das sich beschleunigende Tempo der Entwicklung künstlicher Intelligenz, insbesondere das intensive Training der großen Modelle, die vielen beliebten Anwendungen zugrunde liegen, wird voraussichtlich einen beispiellosen Anstieg des Strombedarfs verursachen. Ein neuer, gemeinsam vom Electric Power Research Institute (EPRI) und Epoch AI veröffentlichter Bericht prognostiziert, dass das Training eines einzigen führenden KI-Modells bis 2030 über 4 Gigawatt (GW) Strom benötigen könnte – eine Menge, die ausreicht, um Millionen von US-Haushalten mit Strom zu versorgen.
Der Energieverbrauch beim Training dieser hochentwickelten KI-Modelle war historisch gesehen beträchtlich und erforderte immense, konzentrierte Stromversorgungen. Trotz erheblicher Fortschritte bei der Recheneffizienz hat sich der Strombedarf für das Training eines hochmodernen Modells in den letzten zehn Jahren jährlich mehr als verdoppelt. Dieser steigende Bedarf wird durch das Streben der KI-Industrie nach verbesserter Leistung durch immer größere und komplexere Modelle angetrieben, was wiederum eine höhere Rechenleistung und folglich mehr Strom erfordert. Der Bericht weist darauf hin, dass dieser Trend zur Skalierung von KI-Modellen in den kommenden Jahren wahrscheinlich anhalten wird, auch wenn Effizienz-Durchbrüche weiterhin erzielt werden.
Der gesamte Strombedarf für künstliche Intelligenz geht jedoch weit über das Training dieser kolossalen Modelle hinaus. Ein erheblicher Teil der zukünftigen Leistungskapazität wird auch für die Bereitstellung von KI-Diensten für Endbenutzer, das Training kleinerer, spezialisierter Modelle und die laufende KI-Forschung bereitgestellt. Aktuelle Schätzungen beziffern die gesamte KI-Leistungskapazität in den USA auf etwa 5 GW. Diese Zahl wird voraussichtlich bis 2030 auf über 50 GW ansteigen, ein Nachfrageniveau, das dem gesamten globalen Stromverbrauch von Rechenzentren heute entsprechen und einen schnell wachsenden Anteil am gesamten Energiebedarf von Rechenzentren darstellen würde.
Jaime Sevilla, Direktor von Epoch AI, unterstrich die Ernsthaftigkeit dieser Prognosen und erklärte, dass sich der Energiebedarf für das Training fortschrittlicher KI-Modelle Jahr für Jahr verdoppelt und bald die Leistung der größten Kernkraftwerke erreichen wird. Er betonte die rigorose, datengesteuerte Analyse dieser Trends und ihrer zukünftigen Entwicklung im Bericht und bekräftigte das Engagement von Epoch AI, den Energieverbrauch von KI weiterhin zu untersuchen. Arshad Mansoor, Präsident und CEO von EPRI, hob die wachsende Allgegenwart der KI und ihre erwartete zentrale Rolle in der zukünftigen Energielandschaft hervor. Er stellte fest, dass sowohl Rechenzentrumsbetreiber als auch Stromversorger innovative “Build-to-Balance”-Strategien anwenden, um diesen wachsenden Energiebedarf effektiv zu decken. Dieser Ansatz beinhaltet den Bau neuer Infrastruktur bei gleichzeitiger Integration von Flexibilität in die Rechenzentrumsdesigns, was als entscheidend für die Beschleunigung von Netzanschlüssen, die Minimierung von Kosten und die Stärkung der Systemzuverlässigkeit angesehen wird.
Als Reaktion auf diese Herausforderungen startete EPRI im vergangenen Jahr die DCFlex-Kooperation. Diese Initiative zielt darauf ab, die Technologien, Richtlinien und Werkzeuge zu entwickeln und zu demonstrieren, die erforderlich sind, um das Potenzial der Rechenzentrumsflexibilität zu realisieren. Das Konzept der Rechenzentrumsflexibilität, insbesondere durch geografisch verteilte Trainingsrechenzentren, sieht vor, diese Einrichtungen von passiven Stromverbrauchern in aktive Netzressourcen umzuwandeln. Diese Transformation verspricht, die Netzzuverlässigkeit zu verbessern, Kosten zu senken und neue Anschlüsse zu beschleunigen. Die DCFlex-Initiative hat erhebliche Unterstützung aus der Industrie erhalten und bringt über 45 Unternehmen zusammen, darunter Gründungsmitglieder wie Google, Meta, NVIDIA und verschiedene Versorgungsunternehmen. Die Zusammenarbeit hat kürzlich ihre ersten realen Feldvorführungen an Schlüsselstandorten wie Lenoir, North Carolina; Phoenix, Arizona; und Paris, Frankreich, begonnen und markiert einen greifbaren Schritt hin zu einer resilienteren und reaktionsschnelleren Energieinfrastruktur für die KI-Ära.