Das Stromprobleme im Kern der modernen KI
Jedes KI-Datenzentrum arbeitet mit einem festen Strombudget. Das Unternehmen, das die meiste sinnvolle Arbeit pro Watt herausholt, gewinnt. Hier ist, was das bedeutet – in klaren Worten.
Wichtigste Punkte
- NVIDIAs GB300 NVL72-System erbringt nach Analysen von SemiAnalysis InferenceX bis zu 25-mal mehr nützliche KI-Arbeit pro Watt als die vorherige Hopper-Generation.
- Allein Softwareverbesserungen steigerten die Leistung pro Watt bei einem Modell innerhalb eines Monats 2025 um bis zu das Fünffache.
- NVIDIA behauptet, dass seine Power-Management-Software es Betreibern ermöglicht, bis zu 40 Prozent mehr Chips innerhalb desselben Strombudgets zu betreiben.
- Unternehmen wie Anthropic, OpenAI und Perplexity führen derzeit Produktionsworkloads auf Blackwell-NVL72-Hardware aus, wie NVIDIA mitteilt.
- Die Zahlen in diesem Artikel stammen aus einem NVIDIA-Werbebeitrag, nicht aus einer unabhängigen, begutachteten Studie.
KI ist im Kern ein Stromproblem.
Jedes Mal, wenn ein Chatbot deine Frage beantwortet oder ein KI-Agent – Software, die mehrstufige Aufgaben eigenständig ausführt – deine Reise bucht oder deinen Rechtsdokument verfasst, verbraucht ein Datenzentrum irgendwo Strom dafür. Dieses Datenzentrum hat ein festes Strombudget. Das Unternehmen, das den meisten sinnvollen Output aus diesem Budget generiert, verdient das meiste Geld. Das Unternehmen, das das nicht tut, kann nicht skalieren.
NVIDIA beschreibt dies als „Performance pro Watt", also wie viel KI-Output du pro Stromeinheit erhältst. Je höher diese Zahl, desto mehr Token – die kleinen Textblöcke, die KI-Systeme verarbeiten – kann eine Anlage produzieren, bevor sie an ihre Stromgrenze stößt.
Die Zahlen, die NVIDIA veröffentlicht hat, sind beeindruckend. Sein GB300-NVL72-System, eine Rack-Scale-Serverplattform basierend auf seinen neuesten Blackwell-Chips, erbringt Berichten zufolge bis zu 25-mal mehr Performance pro Watt als seine ältere Hopper-Generation auf DeepSeek V4 Pro, einem der aktuellen offenen KI-Modelle. Bei GLM5.1, einem anderen Frontier-Modell, beträgt der Gewinn bis zu 20-mal. Bei Kimi K2.6, einem für längere automatisierte Aufgaben konzipierten Modell, erreicht er bis zu 10-mal.
Diese Zahlen stammen von SemiAnalysis InferenceX, einer Drittanbieter-Benchmark-Gruppe, zitiert in NVIDIAs eigenem Blog-Beitrag. Sie stammen nicht aus einer begutachteten Studie oder einer unabhängigen Prüfung.
Betrifft das normale Menschen?
Ja, indirekt, aber sinnvoll. Die Geschwindigkeit, die Kosten und die Verfügbarkeit von KI-Tools, die normale Menschen täglich nutzen, hängen alle davon ab, wie effizient Datenzentren arbeiten. Perplexity, das KI-Suchunternehmen, sagt, dass es täglich Hunderte Millionen Anfragen auf Blackwell-Hardware verarbeitet. Wenn die zugrundeliegende Infrastruktur effizienter wird, können die darauf aufgebauten Dienste schneller und günstiger werden.
NVIDIA hebt auch eine weniger offensichtliche Belastung hervor: Kühlung. In einer typischen KI-Anlage erreichen nur etwa 60 Prozent des aus dem Stromnetz entnommenen Stroms tatsächlich die Chips und leisten sinnvolle Arbeit. Der Rest geht durch Wärmeverwaltung und andere Ineffizienzen verloren. NVIDIAs DSX-MaxLPS-Software, die Strom zwischen Chips in Echtzeit verschiebt und Flüssigkühlung unterstützt, zielt darauf ab, etwas dieser Verschwendung zurückzugewinnen.
Für die Unternehmen, die diese Systeme betreiben – wie Anthropic und OpenAI laut NVIDIA – geht es um Wirtschaft so sehr wie um Technik. Mehr Output pro Watt bedeutet niedrigere Kosten pro Anfrage, was sich direkt auf die Gewinnmargen auswirkt.
Software ist hier genauso wichtig wie Hardware. NVIDIA sagt, dass Updates seines Inference-Software-Stack bei DeepSeek V4 die Performance pro Watt innerhalb eines einzelnen Monats um bis zu das Fünffache verbesserten. Das ist ein großer Gewinn, ohne einen einzelnen Chip auszutauschen.
All das bereitet den Boden für NVIDIAs nächste Plattform, genannt Vera Rubin, von der das Unternehmen sagt, dass sie die Rack-Scale-Effizienz weiter vorantreiben wird.
Der zentrale Konflikt ist real, auch wenn das Marketing selektiv ist: Strom ist endlich, KI-Appetit ist es nicht, und jedes Labor, das das nächste Frontier-Modell entwickelt, muss diese Lücke bewältigen.
