Wenn Sie einem Sprachmodell eine Frage stellen, kommt die Antwort nicht von Ihrem Handy. Ihre Frage reist in ein Rechenzentrum, wo Tausende Spezialchips das Modell ausführen und die Antwort in Sekunden zurückschicken. Auch jedes selbstfahrende Auto, jedes Foundation Model für Roboter und jeder Sprach-Decoder für ein Hirnimplantat wurde in einem solchen Gebäude trainiert. KI ist Software, ruht aber auf einem sehr physischen Fundament: Chips, Gebäuden, Stromleitungen und Kühlwasser.
Dies ist Teil 5, der letzte Teil von Level 0 in unserem Lernpfad Physical AI. Sie erfahren, warum KI Spezialchips braucht, was in einem KI-Rechenzentrum steckt, wie viel Strom die größten Standorte ziehen und warum heute Strom der wichtigste Engpass ist, nicht die Chips.
Warum KI Spezialchips braucht
Ein neuronales Netz besteht aus Millionen oder Milliarden Zahlen, seinen Gewichten. Das Netz auszuführen heißt, riesige Zahlentabellen miteinander zu multiplizieren, immer wieder. Ein gewöhnlicher Prozessor (CPU) arbeitet Aufgaben mit wenigen starken Kernen nacheinander ab. Ein KI-Chip hat Tausende einfachere Kerne, die dieselbe Rechnung auf vielen Zahlen gleichzeitig ausführen. GPUs, ursprünglich für Computergrafik gebaut, erwiesen sich dafür als ideal. Google entwickelt eigene TPUs (Tensor Processing Units), die nur für neuronale Netze gebaut sind, und Amazon, AMD, Huawei und andere stellen konkurrierende Chips her.
Um Chips verschiedener Hersteller zu vergleichen, rechnet das Forschungsinstitut Epoch AI ihre Leistung in H100-Äquivalente um: wie viele Nvidia-H100-Chips, ein weit verbreiteter KI-Chip, dieselbe Rechenleistung bringen würden. Die Chips wurden auch viel schneller. Der schnellste KI-Chip des Jahres 2017 schaffte 125 Billionen Rechenoperationen pro Sekunde bei der 16-Bit-Genauigkeit, die fürs Training genutzt wird; die schnellsten von heute sind 20,1-mal so schnell.
Was in einem KI-Rechenzentrum steckt
| Teil | Was es tut | Was es begrenzt |
|---|---|---|
| KI-Chips (GPUs, TPUs) | Führen Training und Antworten aus | Lieferbarkeit, Preis, Strom je Chip |
| Server und Schränke | Halten die Chips, verbinden sie mit hohem Tempo | Wärme: die dichtesten neuen Schränke brauchen Flüssigkeitskühlung |
| Netzwerk | Verbindet Tausende Chips zu einem großen Rechner | Das Tempo zwischen den Chips begrenzt, wie groß ein Training sein kann |
| Stromversorgung | Bringt Strom aus dem Netz, mit Notstrom | Netzanschlüsse brauchen Jahre |
| Kühlung | Führt die Wärme der Chips ab | Wasserverbrauch oder zusätzlicher Strom |
Die größten KI-Rechenzentren sind keine einzelnen Gebäude, sondern Gelände mit mehreren Hallen. Der größte Standort, den Epoch AI erfasst, zieht schon heute 946 Megawatt allein für Chips und Server.
| 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).
Wo KI-Rechenzentren gebaut werden
77 der 94 KI-Rechenzentren im Datensatz von Epoch AI stehen in den USA, und auf sie entfallen 84,2 % der IT-Leistung aller erfassten Standorte, die heute laufen. Die übrigen verteilen sich auf insgesamt 12 Länder, darunter große Standorte in Malaysia. Das spiegelt zum Teil wider, wo Epoch AI am genauesten hinschaut, passt aber zu den Chip-Daten: Allein auf Nvidia entfallen 65,1 % der seit 2024 verkauften KI-Rechenleistung, und der größte Teil geht an wenige große US-Cloud- und Internetkonzerne. Für ein Unternehmen in Europa, das KI nutzt, heißt das: Die meisten Modelle laufen weiterhin auf Hardware in einem anderen Land — das zählt für Datenschutz, Verträge und Ausfallsicherheit.
Training und Antworten brauchen Unterschiedliches
Ein großes Modell zu trainieren heißt, Tausende Chips wochen- oder monatelang gemeinsam rechnen zu lassen. Der größte Trainingslauf in den Daten von Epoch AI nutzte rund 200.000 Chips. Diese Chips müssen nah beieinander stehen, verbunden über die schnellsten Netze — deshalb findet Training auf den größten Geländen statt. Die Inferenz, das Beantworten von Anfragen, lässt sich auf viele Rechenzentren nahe bei den Nutzern verteilen. Jede einzelne Antwort braucht wenig Rechenleistung, aber Milliarden Antworten am Tag summieren sich, und die Inferenz beansprucht einen wachsenden Teil der KI-Rechenleistung.
Warum Strom der Engpass ist
Die 94 KI-Rechenzentren im Datensatz von Epoch AI ziehen heute 13,7 Gigawatt für ihre Chips und Server. Mit Kühlung und übrigen Anlagen brauchen die Standorte etwa 17,6 Gigawatt. Projekte im Bau würden die IT-Leistung bis Ende 2027 auf 24,4 Gigawatt heben — und der Datensatz deckt nur einen Teil aller KI-Rechenzentren weltweit ab.
Ein großes Rechenzentrum zu bauen dauert meist etwa ein bis zwei Jahre; ein neuer Netzanschluss und neue Stromleitungen dauern oft länger. Deshalb bauen KI-Unternehmen Rechenzentren inzwischen direkt neben Kraftwerken, betreiben eigene Gasturbinen oder kaufen Strom aus Atomkraftwerken in langfristigen Verträgen. Wasser ist die zweite Grenze: Viele Rechenzentren kühlen mit verdunstendem Wasser, Trockenkühlung braucht stattdessen mehr Strom.
Die vollständigen Zahlen, auch dazu, wer die Chips entwickelt und wem die Rechenleistung gehört, stehen auf unserer Seite zu KI-Rechenzentren in Zahlen. Level 1 dieses Lernpfads widmet sich den Bausteinen der Physical AI genauer: Sensoren, Karten, Aktoren, Hirnsignalen und den Chips, auf denen die Modelle laufen.