Jede Antwort eines Sprachmodells, jedes erzeugte Bild und jedes Training findet in einem Gebäude statt: Hallen voller KI-Chips, angeschlossen an Stromleitungen und Kühlsysteme. Diese Gebäude sind heute der größte physische Fußabdruck der KI. Epoch AI, ein Forschungsinstitut, das die Entwicklung der KI verfolgt, erfasst die größten KI-Rechenzentren mit Satellitenbildern, Genehmigungen und öffentlichen Dokumenten und schätzt die Verkäufe von KI-Chips und den Besitz an Rechenleistung. Wir haben diese Datensätze ausgewertet: 94 Rechenzentren, davon 74 bereits in Betrieb, die Chip-Verkäufe nach Entwickler und die Verteilung der Rechenleistung auf ihre Besitzer.
Wie viel Strom KI-Rechenzentren ziehen
Die Rechenzentren im Datensatz ziehen heute 13,7 Gigawatt für ihre Chips und Server. Mit Kühlung und übrigen Anlagen brauchen die Standorte etwa 1,28-mal so viel, insgesamt 17,6 Gigawatt. Projekte, die bereits im Bau sind, würden die IT-Leistung bis Ende 2027 auf 24,4 Gigawatt heben, das 1,8-Fache von heute.
Der Datensatz enthält nicht jedes KI-Rechenzentrum der Welt. Epoch AI schätzt, dass er 44 % der weltweit installierten KI-Rechenleistung abdeckt (Stand Oktober 2026), am besten für Standorte, die ab 2024 in Betrieb gingen, und für die USA. Die tatsächlichen Summen liegen also höher.
| Was die Daten zeigen | Wie es geschätzt wurde |
|---|---|
| IT-Leistung in Megawatt | Aus Kühlanlagen auf Satellitenbildern, Genehmigungen und Angaben der Unternehmen |
| Rechenleistung in H100-Äquivalenten | Aus der IT-Leistung und der Energieeffizienz der wahrscheinlichsten Chips oder aus gemeldeten Chip-Zahlen |
| Investitionskosten | Aus der IT-Leistung mit einem allgemeinen Kosten-pro-Watt-Modell |
| Bau- und Betriebsdaten | Vor allem aus kommerziellen Satellitenbildern |
Laut Epoch AI liegen 80 % der Schätzungen bei der Leistung höchstens um den Faktor 1,4 und bei der Rechenleistung um den Faktor 1,5 daneben, die Daten höchstens um sechs Monate.
Die größten KI-Rechenzentren
Der größte Standort im Datensatz zieht schon heute 946 Megawatt allein für die IT. Fast alle der größten Standorte liegen in den USA, zwei der vorderen Einträge in Malaysia. Die Tabelle nennt den Betreiber des Standorts — das ist nicht immer das Unternehmen, das die Chips nutzt: Mehrere Standorte werden von Cloud-Anbietern oder Projektentwicklern gebaut und an KI-Labore vermietet.
| Rechenzentrum | Betreiber | Land | IT-Leistung (MW) | H100-Äquivalente | Kosten (Mrd. US-$) |
|---|---|---|---|---|---|
| Colossus 2 | SpaceXAI | USA | 946 | 1.111.673 | 35,8 |
| Anthropic-Amazon New Carlisle | Amazon | USA | 910 | 685.912 | 34,5 |
| Microsoft Fairwater Atlanta | Microsoft | USA | 636 | 768.769 | 24,1 |
| DayOne Nusajaya | – | Malaysia | 473 | 583.837 | 17,9 |
| Meta Prometheus | Meta | USA | 471 | 536.343 | 17,8 |
| DayOne Kempas | – | Malaysia | 422 | 480.639 | 16,0 |
| OpenAI Stargate Abilene | Oracle | USA | 421 | 509.348 | 15,9 |
| Microsoft Fairwater Wisconsin | Microsoft | USA | 369 | 445.680 | 14,0 |
| Google Pryor (North) | USA | 368 | 636.685 | 13,9 | |
| Colossus 1 | SpaceXAI | USA | 340 | 275.796 | 12,9 |
| Google New Albany | USA | 333 | 323.901 | 12,6 | |
| Google Columbus | USA | 303 | 331.986 | 11,5 |
Daten: Epoch AI, AI data centers, 94 erfasste Rechenzentren, Stand 18.10.2026, Lizenz CC BY 4.0. IT-Leistung = Strombedarf der Chips und Server heute, ohne Kühlung; H100-Äquivalente = Rechenleistung umgerechnet auf NVIDIAs H100-Chip; Kosten = Investitionen in Gebäude und Technik (US-Dollar von 2025).
Wer die Chips entwickelt
Von Anfang 2024 bis Mitte 2026 entfallen 65,1 % der verkauften KI-Rechenleistung auf Nvidia, gemessen in H100-Äquivalenten — einer Einheit, die die Leistung jedes Chips in die Zahl der Nvidia-H100-Chips umrechnet, der sie entspricht. Es folgen Google mit seinen eigenen TPU-Chips, die es in seinen Rechenzentren nutzt und vermietet, dann AMD, Amazon mit seinen Trainium-Chips und die chinesischen Entwickler Huawei und Cambricon.
| Entwickler | Rechenleistung (Mio. H100-Äquivalente) | Chips (Mio.) | Leistung (MW) |
|---|---|---|---|
| Nvidia | 19,60 | 11,26 | 11.341 |
| 6,05 | 6,10 | 2.878 | |
| AMD | 1,74 | 1,16 | 1.027 |
| Amazon | 1,56 | 2,60 | 1.229 |
| Huawei | 1,12 | 1,82 | – |
| Cambricon | 0,06 | 0,23 | 46 |
Daten: Epoch AI, Data on AI chip sales (Medianschätzung), abgerufen am 18.10.2026, Lizenz CC BY 4.0. Gemeinsames Zeitfenster für alle Entwickler; „–“ = keine Angabe.
Wem die Rechenleistung gehört
Die großen Cloud- und Internetkonzerne besitzen den größten Teil der KI-Rechenleistung: Google, Microsoft, Amazon und Meta liegen vorn, gefolgt von Chips in China und Oracle. Epoch AI führt Chips, die durch Schmuggel nach China gelangt sind, als eigene, geschätzte Zeile. „Andere“ umfasst kleinere Cloud-Anbieter, Unternehmen und Forschungszentren.
| Besitzer | Rechenleistung (Mio. H100-Äquivalente) | Anteil |
|---|---|---|
| 5,05 | 24,1 % | |
| Microsoft | 3,42 | 16,3 % |
| Andere | 3,36 | 16,1 % |
| Amazon | 2,45 | 11,7 % |
| Meta | 2,30 | 11,0 % |
| China (legal gekauft) | 1,16 | 5,5 % |
| Oracle | 1,14 | 5,5 % |
| CoreWeave | 0,83 | 4,0 % |
| China (geschmuggelt, geschätzt) | 0,66 | 3,2 % |
| xAI | 0,55 | 2,6 % |
Daten: Epoch AI, Data on AI chip owners (Medianschätzung, kumuliert ab 2022), abgerufen am 18.10.2026, Lizenz CC BY 4.0.
Wie schnell die Chips wurden
Der schnellste KI-Chip des Jahres 2017 schaffte 125 Billionen Rechenoperationen pro Sekunde bei 16-Bit-Genauigkeit, der Genauigkeit, mit der die meisten KI-Modelle trainiert werden. Die schnellsten Chips von heute sind 20,1-mal so schnell. Geringere Genauigkeiten wie 8 und 4 Bit, die neuere Chips für den Betrieb von Modellen unterstützen, bringen noch mehr Tempo, sind aber nicht über alle Chips vergleichbar — die Tabelle nutzt deshalb 16 Bit.
| Jahr | Chip | Hersteller | TFLOP/s |
|---|---|---|---|
| 2017 | NVIDIA V100 SXM2 | NVIDIA | 125 |
| 2018 | NVIDIA V100 DGXS 16 GB | NVIDIA | 125 |
| 2019 | NVIDIA V100S PCIe 32 GB | NVIDIA | 130 |
| 2020 | NVIDIA A100 SXM4 80 GB | NVIDIA | 312 |
| 2021 | AMD Radeon Instinct MI250X | AMD | 383 |
| 2022 | Biren BR100 | Biren | 1.024 |
| 2023 | AMD Instinct MI300X | AMD | 1.307 |
| 2024 | NVIDIA B200 | NVIDIA | 2.250 |
| 2025 | AMD Instinct MI355X | AMD | 2.517 |
| 2026 | Microsoft Maia 200 | Microsoft | 1.268 |
Daten: Epoch AI, Data on machine learning hardware (178 Chips), abgerufen am 18.10.2026, Lizenz CC BY 4.0.
Warum Strom der Engpass ist, nicht Chips
Ein Rechenzentrum, das rund um die Uhr Hunderte Megawatt zieht, braucht einen neuen Netzanschluss und oft neue Leitungen — und die zu bauen dauert länger als das Rechenzentrum selbst. Deshalb planen KI-Unternehmen Rechenzentren inzwischen direkt neben Kraftwerken, bauen eigene Gasturbinen oder schließen langfristige Verträge über Atomstrom. Wasser ist die zweite physische Grenze: Verdunstungskühlung verbraucht Wasser, Trockenkühlung mehr Strom. Nur für 8 der erfassten Rechenzentren ist ein Wasserverbrauch veröffentlicht — der Datensatz kann den gesamten Wasserverbrauch der KI noch nicht zeigen.
So haben wir gezählt
Grundlage sind vier Datensätze von Epoch AI: KI-Rechenzentren, Verkäufe von KI-Chips, Besitzer von KI-Chips und Hardware für maschinelles Lernen, alle unter der Lizenz CC BY 4.0, abgerufen an dem Datum unter jeder Tabelle. Leistung heißt IT-Leistung, der Strom für Chips und Server; der Faktor für Kühlung und übrige Anlagen ist das Verhältnis von Gesamtleistung zu IT-Leistung über alle erfassten Standorte. In der Zeitreihe behält jedes Rechenzentrum seinen letzten Wert bis zum nächsten Eintrag; Werte nach heute sind Pläne und Schätzungen. Die Chip-Verkäufe decken für alle Entwickler dasselbe Zeitfenster ab, weil die Reihen von Epoch AI zu unterschiedlichen Zeitpunkten beginnen.
Wie Chips, Sensoren und Modelle in Maschinen zusammenwirken, die in der realen Welt handeln, erklärt unser Lernpfad unter Physical AI.