Inhaltsverzeichnis
In einem KI-Rechenzentrum läuft die KI.
Ein KI-Rechenzentrum ist eine spezialisierte Einrichtung, in der die für die Entwicklung, Bereitstellung und den Betrieb von Systemen der künstlichen Intelligenz erforderlichen Rechenanlagen untergebracht sind. Es kann Modelltraining, Inferenz, Datenverarbeitung, Suchassistenten, Bildgenerierung, Empfehlungssysteme oder KI-Anwendungen für Unternehmen unterstützen.
Der Begriff „Rechenzentrum“ lässt die Infrastruktur vielleicht abstrakt klingen, doch handelt es sich dabei um physische Gebäude, die an Stromnetze, Glasfasernetze, Kühlsysteme sowie Wasser- oder Wärmeabfuhrsysteme angeschlossen sind. KI mag wie Software wirken, doch sie ist auf echte Maschinen an realen Standorten angewiesen.
Ein herkömmliches Cloud-Rechenzentrum kann viele verschiedene Arten von Workloads ausführen. Ein KI-Rechenzentrum ist in der Regel für sehr rechenintensive Aufgaben optimiert, insbesondere für GPU- oder Beschleuniger-Cluster, die eine enorme Anzahl paralleler mathematischer Operationen ausführen.
Was befindet sich in einem KI-Rechenzentrum?
Das Herzstück bilden Server-Racks. In KI-Einrichtungen sind viele dieser Server mit GPUs, KI-Beschleunigern, Speicher mit hoher Bandbreite und speziellen Netzwerkkarten ausgestattet. Diese Maschinen sind darauf ausgelegt, Daten schnell zu übertragen und Matrixberechnungen effizient durchzuführen.
Um die Rechenhardware herum gibt es ein umfangreiches Unterstützungssystem: Speicher für Datensätze und Modell-Checkpoints, Netzwerk-Switches, Glasfaserverbindungen, Stromumwandlungsanlagen, Backup-Systeme, Überwachung, Brandbekämpfung und physische Sicherheit.
Die Kühlung ist genauso wichtig wie die Rechenleistung. Hochleistungsfähige KI-Hardware erzeugt kontinuierlich Wärme, weshalb in den Anlagen je nach Auslegung und örtlichen Gegebenheiten Luftkühlung, Flüssigkeitskühlung, Kältemaschinen, Pumpen, Kühltürme oder Wärmetauscher zum Einsatz kommen.
Was zeichnet ein KI-Rechenzentrum aus?
Der Hauptunterschied liegt in der Auslastung und der Art der Arbeitslast. Beim Training von KI-Modellen können Tausende von Beschleunigern über lange Zeiträume hinweg ausgelastet sein, während Inferenzsysteme schnell auf Benutzeranfragen, API-Aufrufe, Empfehlungen oder generierte Bilder reagieren müssen.
KI-Cluster erfordern zudem eine extrem schnelle Kommunikation zwischen den Maschinen. Während des Trainings tauschen GPUs ständig Gradienten und Modelldaten aus. Bei der Inferenz müssen Server Modellgewichte laden, den Kontext verarbeiten und Ergebnisse mit geringer Latenz zurückgeben.
Diese Kombination aus hochintegrierten Chips, hoher Leistungsaufnahme, schneller Netzwerkanbindung und Wärmemanagement stellt an die KI-Infrastruktur höhere Anforderungen als viele herkömmliche Web- oder Unternehmens-Workloads.
KI-Rechenzentren unterstützen das Training und die Inferenz
Das Training ist die Phase, in der ein Modell aus Daten lernt. Dazu sind unter Umständen große Datensätze, lange Laufzeiten, wiederholte Berechnungen und zusammenarbeitende GPU-Cluster erforderlich. Dies ist oft die auffälligste Art von KI-Rechenleistung, da sie einen hohen, konzentrierten Bedarf an Infrastruktur verursacht.
Die Inferenz ist die Phase, in der ein trainiertes Modell zum Einsatz kommt. Jede Antwort eines Chatbots, jede Bildgenerierung, jede Antwort eines Suchassistenten oder jede Klassifizierungsanfrage durchläuft die Inferenz. Eine einzelne Anfrage mag zwar geringfügig sein, doch die weltweite Nutzung sorgt für eine kontinuierliche Nachfrage.
Viele KI-Rechenzentren unterstützen beide Phasen, wenn auch nicht immer auf dieselbe Weise. Beim Training kommt es auf große, synchronisierte Cluster an, während bei der Inferenz Latenz, Verfügbarkeit, Routing, Batching und die Kosten pro Anfrage eine entscheidende Rolle spielen.
Stromversorgung und Kühlung prägen jedes KI-Rechenzentrum
KI-Hardware benötigt Strom, und fast der gesamte Strom wird letztendlich in Wärme umgewandelt. Eine Anlage benötigt daher eine ausreichende Stromversorgung, um die Geräte zu betreiben, sowie eine ausreichende Kühlleistung, um die Wärme zuverlässig abzuführen.
Aus diesem Grund wird bei KI-Rechenzentren häufig in Megawatt oder Gigawatt gesprochen und nicht nur in Quadratmetern. Der begrenzende Faktor kann eher der Netzanschluss, Transformatoren, Notstromversorgung, Kühlwasser, Wärmeabfuhr oder lokale Genehmigungen sein als die Grundstücksfläche allein.
Bessere Chips, Flüssigkeitskühlung und ein effizienteres Rechenzentrumsdesign können den Energieverbrauch pro Aufgabe senken, doch der Gesamtbedarf kann dennoch steigen, wenn die Nutzung von KI schneller zunimmt als sich die Effizienz verbessert.
Wo werden KI-Rechenzentren errichtet?
KI-Rechenzentren werden dort errichtet, wo Betreiber Faktoren wie Stromversorgung, Grundstücksverfügbarkeit, Glasfaseranbindung, Kühlungsmöglichkeiten, steuerliche und genehmigungsrechtliche Rahmenbedingungen, Verfügbarkeit von Arbeitskräften sowie die Nähe zu Nutzern oder Cloud-Regionen miteinander kombinieren können.
Einige Standorte werden öffentlich als Standorte für KI-Supercomputer oder KI-Infrastruktur ausgewiesen. Andere sind allgemeine Hyperscale-Cloud-Regionen, in denen KI-Workloads ausgeführt werden können, die jedoch öffentlich nicht mit einem bestimmten Modell oder Produkt in Verbindung gebracht werden.
Einen vorsichtigen Überblick über die öffentliche Meinung finden Sie im zugehörigen Eintrag: Wo befinden sich KI-Rechenzentren?.
Warum KI-Rechenzentren wichtig sind
KI-Rechenzentren sind von Bedeutung, weil sie den alltäglichen Einsatz von KI mit der physischen Infrastruktur verbinden. Eine Eingabe auf einem Laptop oder Smartphone kann Rechenvorgänge in GPU-Servern auslösen, die auf Strom, Kühlung, Wasser, Chips, Fläche und Netzwerke angewiesen sind.
Auch für die lokalen Gemeinden spielen sie eine Rolle. Große Anlagen können Investitionen und Arbeitsplätze schaffen, werfen jedoch auch Fragen hinsichtlich der Netzkapazität, des Wasserverbrauchs, der Flächennutzung, des Lärms, der Emissionen, der Transparenz und der Frage auf, wer für die unterstützende Infrastruktur aufkommt.
Eine ernsthafte Auseinandersetzung mit den Auswirkungen der KI muss daher über die abstrakten Leistungsfähigkeiten der Modelle hinausgehen. Sie muss auch berücksichtigen, wo die Infrastruktur betrieben wird, wie sie mit Strom versorgt wird, wie effizient sie gekühlt wird und wie transparent die Betreiber über die Ressourcennutzung berichten.