Kann KI effizient arbeiten? Forscher haben möglicherweise einen Weg gefunden

Künstliche Intelligenz (KI) prägt weiterhin unsere Zukunft in fast jeder Branche, da ihre Einführung wächst, um entscheidende Geschäftsprozesse zu automatisieren, Kosten zu senken und die Produktivität zu steigern. 

Daten zeigen, dass mehr als 80 % der Unternehmen KI in gewissem Umfang nutzen und sie als Kerntechnologie in ihren Organisationen betrachten. Das finanzielle Engagement für KI ist ebenfalls gestiegen, da ihre Einführung erhebliche Vorteile und eine viel höhere Rendite liefert.

Damit wuchs die Größe des KI-Marktes im Jahr 2024 über 184 Milliarden $ hinaus und soll laut Statista bis zum Ende dieses Jahrzehnts 826 Milliarden $ übersteigen.

All dieses Wachstum und die Explosion des Interesses an KI haben zu einem Wettrüsten bei der Entwicklung der Technologie geführt. KI‑Modelle wie große Sprachmodelle (LLMs), die von Organisationen entwickelt werden, nutzen Algorithmen, um menschliche Sprache zu verstehen, zusammenzufassen, zu übersetzen und zu erzeugen, und werden mit riesigen Datenmengen auf energieintensiven Prozessoren trainiert. 

Dafür setzen Unternehmen und Betreiber von Rechenzentren viel Kapital ein, um neue Hochkapazitäts‑Rechenzentren zu bauen. Die Investitionen in neue Rechenzentren sind laut der International Energy Agency (IEA) in den letzten zwei Jahren bereits stark gestiegen, angeführt von den USA. Im Jahr 2023 war das gesamte Kapitalinvestment von Microsoft (MSFT ), Google und Amazon (AMZN ) allein höher als das der gesamten Öl‑ und Gasindustrie des Landes.

Diese Rechenzentren benötigen viel Strom, um betrieben zu werden. Im Jahr 2022 stellte die IEA fest, dass Rechenzentren 1,65 Milliarden Gigajoule Strom verbrauchten, was etwa 2 % des weltweiten Bedarfs entspricht. 

Der globale Strombedarf von Rechenzentren wird laut einer Goldman‑Sachs‑Studie aus diesem Monat weiter prognostiziert, bis 2027 um 50 % zu steigen und bis 2030 um 165 %.

Der aktuelle Stromverbrauch von Rechenzentren wird auf etwa 55 Gigawatt (GW) geschätzt, wobei Cloud‑Computing‑Arbeitslasten 54 %, traditionelle Arbeitslasten wie Speicher 32 % und KI 14 % ausmachen. Modellierungen der zukünftigen Nachfrage für diese Arbeitslasttypen ergeben eine prognostizierte Stromnachfrage von 84 GW bis 2027, wobei der KI‑Anteil auf 27 % steigen wird, während der Cloud‑Anteil auf 50 % sinkt und traditionelle Arbeitslasten auf 23 % fallen.

Die globale Marktkapazität von Rechenzentren liegt derzeit bei etwa 59 GW, wobei 60 % von hyperskaligen Cloud‑Anbietern wie Google und Alibaba sowie Drittanbieter‑Rechenzentrumsbetreibern bereitgestellt werden; der Rest stammt von traditionellen Unternehmens‑ und Telekom‑Rechenzentren.

Der Strombedarf dieser großen hyperskaligen Rechenzentren liegt bei 100 MW oder mehr, wobei ihr jährlicher Stromverbrauch etwa dem von bis zu 400 000 Elektroautos entspricht.

Da Organisationen KI weiterhin übernehmen, können wir auch einen Anstieg von KI‑dedizierten Rechenzentren erwarten, einer aufkommenden Infrastrukturklasse, die speziell für die besonderen Anforderungen von KI‑Arbeitslasten konzipiert ist. Während bisher nur wenige existieren, befinden sie sich hauptsächlich im asiatisch‑pazifischen Raum und in Nordamerika, insbesondere in Peking, Shanghai, Nord‑Virginia und der San‑Francisco‑Buchtregion. 

Laut Schätzungen von Goldman‑Sachs‑Research wird bis Ende 2030 etwa 122 GW Rechenzentrumskapazität online sein. Aufgrund der höheren Verarbeitungsanforderungen von KI wird die Leistungsdichte in Rechenzentren voraussichtlich ebenfalls auf 176 Kilowattstunden pro Quadratfuß in zwei Jahren steigen.

Da Rechenzentren zu einem wachsenden Strombedarf beitragen, wird das Stromnetz ebenfalls erhebliche Investitionen benötigen, die bis 2030 auf 720 Milliarden $ geschätzt werden.

Dann gibt es noch die Kohlendioxid‑Emissionen der Rechenzentren, die zwischen 2022 und 2030 mehr als doppelt so hoch werden können. Der Stromverbrauch der Rechenzentren, der derzeit 1‑2 % des Gesamtverbrauchs ausmacht und bis zum Ende des Jahrzehnts voraussichtlich auf 3‑4 % steigen wird, ist daher besorgniserregend, obwohl es nicht völlig aussichtslos ist.

Die Zahlen sind zwar enorm, erscheinen jedoch bescheiden, wenn man sie im breiteren Kontext des globalen Wachstums des Stromverbrauchs betrachtet, das laut IEA bis 2030 um 6.750 TWh steigen soll, getrieben durch das Wachstum nicht nur von KI, sondern auch durch anhaltendes Wirtschaftswachstum, Elektrofahrzeuge, Klimaanlagen und energieintensive Fertigung.

Zusätzlich ist nicht nur die Geschwindigkeit der KI‑Nutzung unsicher, sondern fortlaufende Effizienzverbesserungen sowohl in der Hardware als auch in der Software können helfen, den Strombedarf der KI‑Technologie zu bewältigen.

Die Effizienz von KI‑bezogenen Computerchips hat sich etwa alle 2,5‑3 Jahre verdoppelt. Ein moderner KI‑Chip verbraucht jetzt 99 % weniger Energie, während er dieselben Berechnungen wie ein Modell von 2008 ausführt. Außerdem werden KI‑Modelle selbst effizienter. In Kombination mit neuen Kühltechnologien und innovativen wissenschaftlichen Lösungen reduzieren diese Entwicklungen den Energieverbrauch und minimieren ihre Umweltauswirkungen.

Klicken Sie hier, um zu erfahren, warum herkömmliche Speicher nicht mit KI Schritt halten können.

Wissenschaftler entwickeln eine bahnbrechende Lösung 

Illustratives Bild. Kein echtes Foto.

Vor dem Hintergrund der KI‑Entwicklung und ihres wachsenden Energiebedarfs haben Forscher in Japan ein innovatives spintronic‑Gerät entwickelt, das eine erhebliche Reduzierung des Stromverbrauchs verspricht, indem es die elektrische Kontrolle von magnetischen Zuständen ermöglicht. 

Dieser Durchbruch kann die KI‑Hardware revolutionieren, indem er Chips erzeugt, die die Funktionsweise neuronaler Netze nachahmen und deutlich energieeffizienter sind. Statt eines elektrischen Stroms zur Speicherung von Informationen nutzen diese Geräte den Spin von Elektronen für dasselbe, was sie schneller und effizienter macht.

Spintronic‑Geräte werden in Massenspeichergeräten und in der Computertechnik eingesetzt, um die Geschwindigkeit und Leistung von Computern zu erhöhen.

Forscher vom National Institute for Materials Science, der Tohoku‑Universität und der Japan Atomic Energy Agency nutzen es nun für stromsparende KI‑Chips und haben ein Proof‑of‑Concept‑Gerät mit stromprogrammiertem Spin‑Orbit‑Torque (SOT) demonstriert.

SOT bietet einen vielversprechenden Mechanismus zur elektrischen Codierung von Informationen in magnetischen Zuständen. In bestehenden Konzepten wird es jedoch passiv durch das Material und die Geräte­strukturen bestimmt. 

“Während die spintronic‑Forschung bedeutende Fortschritte bei der elektrischen Steuerung der magnetischen Ordnung gemacht hat, trennen die meisten bestehenden spintronic‑Geräte die Rolle des magnetischen Materials, das kontrolliert werden soll, und des Materials, das die treibende Kraft liefert.”

– Shunsuke Fukami, Tohoku University

Spintronic‑Geräte haben nach ihrer Herstellung ein festes Betriebsschema, bei dem sie normalerweise Informationen binär umschalten; von „0“ zu „1“. Die neue Forschung hat jedoch Fortschritte bei der elektrisch programmierbaren Umschaltung mehrerer magnetischer Zustände erzielt. Die Manipulation der intrinsischen SOT‑Polarität ermöglicht flexibel programmierbare SOT‑Geräte.

Laut den Ergebnissen der im Monat veröffentlichten Studie in Nature Communications¹ ermöglicht dieses spintronic‑Gerät die elektrische gegenseitige Kontrolle von nicht‑kollinearen Antiferromagneten und Ferromagneten für ein effizientes Umschalten magnetischer Zustände. 

Die elektrische Kontrolle magnetischer Zustände ist die Grundlage für magnetischen Speicher, Logik und Computing, und SOT bietet einen effizienten Ansatz zu deren Steuerung. 

Das bedeutet, dass das bahnbrechende SOT‑Gerät Informationen ähnlich einem gehirninspirierten KI‑Chip speichern und verarbeiten kann, dabei jedoch deutlich weniger Energie verbraucht und damit den Weg für eine neue Generation von KI‑Hardware ebnet, die sowohl hoch effizient als auch energie sparend ist.

Die Studie verwendete Mn3Sn, einen nicht‑kollinearen Antiferromagneten, als Schlüssel‑magnetisches Material und legte einen elektrischen Strom darauf an, was dazu führte, dass ein Spin‑Strom erzeugt wurde, der das Umschalten von CoFeB, dem benachbarten Ferromagneten, antrieb. Dies geschah durch einen Prozess, der als magnetischer Spin‑Hall‑Effekt bezeichnet wird.

Der Spin‑Hall‑Effekt (SHE) ist ein Schlüsselelement der modernen Spintronik, das die „Kopplung zwischen Ladungsströmen und kollektiver Spin‑Dynamik in magnetisch geordneten Systemen“ ermöglicht.

Frühere Forschung² von der Tohoku‑Universität, in Zusammenarbeit mit anderen Instituten, zeigte, dass Antiferromagnete im Vergleich zu nicht‑magnetischen Materialien stärkere Spin‑Hall‑Eigenschaften besitzen. Außerdem weist das SHE in Mn3Sn eine anomale Vorzeichenänderung auf, wenn sich die dreieckig geordneten Momente drehen. Man führte den hohen magnetischen Mechanismus von Mn3Sn auf die Spin‑Spaltung zurück, die vom Impuls abhängt und durch die nicht‑kollineare magnetische Ordnung erzeugt wird, wodurch das Spektrum der antiferromagnetischen Spintronik erweitert wird.

In der neuesten Forschung reagierte der Ferromagnet auf den spinpolarisierten Strom und beeinflusste zusätzlich den magnetischen Zustand von Mn3Sn. Dies ermöglichte das elektrische gegenseitige Umschalten zwischen den beiden Materialien.

Das Team zeigte in ihrem Experiment, dass die in den Ferromagnet geschriebenen Informationen mit Hilfe des magnetischen Zustands von Mn3Sn elektrisch gesteuert werden können. Sie konnten die Magnetisierung von CoFeB in verschiedenen Spuren, die mehrere Zustände darstellen, durch Anpassung des eingestellten Stroms umschalten.

Diese Strompolarität, die das Vorzeichen der geschriebenen Information ändert, ist ein analoges Schaltmechanismus, der eine Schlüsseloperation in neuronalen Netzen darstellt und die Funktionsweise analoger Werte in der KI‑Verarbeitung nachahmt.

Die Entdeckung ist laut Fukami ein entscheidender Fortschritt bei der Herstellung energieeffizienterer KI‑Chips. 

“Durch die Realisierung des elektrischen gegenseitigen Umschaltens zwischen einem nicht‑kollinearen Antiferromagneten und einem Ferromagneten haben wir neue Möglichkeiten für stromprogrammierbare neuronale Netze eröffnet,” fügte er hinzu und bemerkte, dass ihr Fokus nun darauf liege, die Betriebströme weiter zu reduzieren und die Auslesesignale zu erhöhen, was für praktische Anwendungen in KI‑Chips entscheidend sein werde.

Da Rechenzentren so viel Energie verbrauchen, zielte eine weitere Studie darauf ab, den Stromverbrauch mit SOT Magnetic Random‑Access Memory (MRAM) zu reduzieren.

Diese separate Studie³, die letzten Monat in Nature Communications veröffentlicht wurde, stammt von Forschern der Johannes Gutenberg‑Universität Mainz (JGU), die eine leistungsstarke und hocheffiziente Lösung für Datenverarbeitung und -speicherung entwickelten, während sie den Energieverbrauch reduzierten.

Der Prototyp “ebnet den Weg für schnellere, effizientere Speicherlösungen,” sagte der leitende Studienautor Dr. Rahul Gupta, ein ehemaliger Postdoktorand am JGU‑Institut für Physik.

Sie basiert auf SOT‑MRAM, das für seine überlegene Energieeffizienz, Nichtflüchtigkeit und Leistung im Vergleich zu statischem RAM bekannt ist. Die Technologie, die elektrische Ströme zum Umschalten magnetischer Zustände nutzt, steht vor der Herausforderung, den hohen Eingangs‑Strom, der beim Schreibvorgang benötigt wird, zu reduzieren. Das bedeutet, eine ausreichende thermische Stabilität zu gewährleisten, um die Daten langfristig zu speichern, und die für die Speicheraufgabe erforderliche Energie zu minimieren.

Statt des SHE nutzte diese Studie den Orbital‑Hall‑Effekt (OHE), bei dem ein transversaler Fluss von orbitalem Drehimpuls in einem Material erzeugt wird, wenn ein elektrischer Strom angelegt wird. Durch dieses Phänomen konnten die Forscher eine höhere Energieeffizienz erreichen, ohne auf teure oder seltene Materialien angewiesen zu sein.

Das entwickelte einzigartige magnetische Material verwendet Elemente wie Ruthenium als SOT‑Kanal, um die Leistung zu steigern. Damit konnte das Team eine Reduktion des Eingangs‑Stroms um 20 %, eine Effizienzsteigerung um 30 % und eine Gesamtreduktion des Energieverbrauchs um über 50 % erreichen.

Unternehmen, die den Weg weisen

Werfen wir nun einen Blick auf prominente Namen, die den KI‑Bereich vorantreiben:

1. NVIDIA Corporation

Nvidia (NVDA ) entwirft und fertigt Grafikprozessoren (GPUs). Eine GPU ist ein elektronischer Schaltkreis, der mathematische Berechnungen mit hoher Geschwindigkeit ausführt und eine beliebte Wahl für die Entwicklung von KI‑Modellen ist.

Im vergangenen Jahrzehnt hat das Unternehmen die Leistung pro Watt seiner GPUs laut Chief Scientist William Dally um bis zu das 4.000‑fache verbessert und entwickelt weiterhin spezialisierte Schaltungen in diesen Chips, die speziell für KI‑Berechnungen konzipiert sind.

Nvidia ist das weltweit zweitgrößte Unternehmen mit einer Marktkapitalisierung von 3,21 Billionen $, seine Aktien werden derzeit zu 130,86 $ gehandelt, ein Rückgang von 2,35 % im Jahresverlauf. Das EPS (TTM) des Unternehmens beträgt 2,54 und das KGV (TTM) liegt bei 51,67, während die Dividendenrendite 0,03 % beträgt.

Was die Finanzen des Unternehmens betrifft, wird Nvidia die Zahlen des 4. Quartals des Geschäftsjahres 25 am 26. Februar veröffentlichen. Für das 3. Quartal betrugen die GAAP‑Gewinne pro verwässerter Aktie 0,78 $ und die non‑GAAP‑Gewinne pro verwässerter Aktie 0,81 $.

Für dieses Quartal kündigte Nvidia einen Rekordumsatz von 35,1 Milliarden $ an, ein Anstieg von 17 % gegenüber dem 2. Quartal und 94 % gegenüber dem Vorjahr. Der Umsatz aus Rechenzentren machte davon 30,8 Milliarden $ aus. Für das 4. Quartal prognostizierte das Unternehmen einen Umsatz von 37,5 Milliarden $.

“Das Zeitalter der KI ist in vollem Gange und treibt einen globalen Wandel hin zu NVIDIA‑Computing voran,” sagte CEO und Gründer Jensen Huang, als er die “unglaubliche” Nachfrage nach seinem Hopper sowie die Vorfreude auf Blackwell bemerkte, das Hochleistungs‑Computing (HPC) für beschleunigtes Training, Inferenz und Effizienz in generativer KI ermöglicht.

Nvidia hat eine fantastische Entwicklung durchlaufen, da sein Aktienkurs von unter 11 $ im Oktober 2022 auf über 152 $ Anfang Januar 2025 gestiegen ist. Kürzlich verlor er etwas an Schwung, nachdem das chinesische KI‑Startup DeepSeek sein neuestes KI‑Modell vorgestellt hatte. Anfangs wurde angenommen, dass DeepSeek die Nachfrage nach Nvidias Hochleistungs‑GPUs untergraben würde, könnte jedoch tatsächlich positiv für Nvidia sein, da der geringere Rechenleistungsbedarf des Startups mehr KI‑Möglichkeiten eröffnen und damit die Preise des größten Chip‑Herstellers nach oben treiben könnte.

“KI transformiert jede Branche, jedes Unternehmen und jedes Land,” sagte Huang während der Finanzberichte des letzten Quartals und fügte hinzu, dass Unternehmen agentische KI übernehmen, während Durchbrüche in physischer KI in der industriellen Robotik zu beobachten seien. Länder, fügte er hinzu, seien ebenfalls auf die Bedeutung des Aufbaus eigener KI‑Infrastruktur aufmerksam geworden.

#2. Broadcom Inc.

Broadcom (AVGO ) gehört zu den zehn größten Unternehmen mit einer Marktkapitalisierung von 1,1 Billionen $. Es ist an der Konzeption, Entwicklung und Bereitstellung einer breiten Palette von Halbleiter‑ und Infrastruktursoftware‑Lösungen beteiligt. Das Unternehmen hat Partnerschaften mit großen Akteuren wie Google, Meta Platforms (META ) und ByteDance. Es arbeitet außerdem mit OpenAI und Apple (AAPL ) zusammen, um eigene KI‑Chips zu entwickeln.

Zum Zeitpunkt dieses Schreibens werden Broadcom‑Aktien zu 235 $ gehandelt, ein Anstieg von 1,95 % im Jahresverlauf. Das EPS (TTM) des Unternehmens beträgt 1,28 und das KGV (TTM) liegt bei 184,78, während die Dividendenrendite 1 % beträgt.

Im 4. Quartal 2024 erzielte Broadcom einen Umsatz von über 14 Milliarden $, ein Anstieg von 51 % gegenüber dem Vorjahreszeitraum, während das GAAP‑Nettoeinkommen 4,324 Milliarden $ betrug. Für das 1. Quartal des Geschäftsjahres 2025 gab das Unternehmen eine Umsatzprognose von etwa 14,6 Milliarden $ ab.

Im vierten Quartal erreichte der Halbleiterhersteller einen Rekordumsatz von 30,1 Milliarden $, den CEO und Präsident Hock Tan darauf zurückführte, dass das KI‑Umsatzvolumen 12,2 Milliarden $ betrug. Das 220 %ige Jahreswachstum des KI‑Umsatzes wurde durch seine XPUs angetrieben.

Broadcoms GAAP‑verwässertes EPS lag bei 0,90 $ und das non‑GAAP‑verwässerte EPS bei 1,42 $. Der operative Cashflow betrug gleichzeitig 5,6 Milliarden $. Das Unternehmen meldete zudem eine Erhöhung der vierteljährlichen Stammaktien‑Dividende um 11 % auf 0,59 $ pro Aktie, was die vierzehnte aufeinanderfolgende Erhöhung darstellte. Der freie Cashflow ohne Restrukturierung war ebenfalls “stark” und belief sich auf 21,9 Milliarden $, während die liquiden Mittel und Zahlungsmitteläquivalente 9,348 Milliarden $ betrugen.

“Wir sehen unsere Chance in den nächsten drei Jahren im Bereich KI als enorm. Bestimmte Hyperscaler haben bereits ihre jeweiligen Reisen begonnen, um eigene KI‑Beschleuniger zu entwickeln.”

– Tan sagte in der Ergebnispräsentation

Er teilte außerdem mit, dass das Unternehmen KI‑Chips mit drei großen Cloud‑Kunden entwickelt, von denen jeder voraussichtlich bis 2027 ein Million KI‑Chips in vernetzten Clustern einsetzen wird.

Fazit

Während die Beliebtheit und Nutzung künstlicher Intelligenz weiter zunimmt, steigt auch ihr Energieverbrauch. KI‑Modelle, insbesondere Deep Learning, benötigen erhebliche Energiemengen für Berechnungen, und herkömmliche Lösungen stoßen an Grenzen der Energieeffizienz.

Vor diesem Hintergrund kann Forschung, die darauf abzielt, die Energieeffizienz von KI‑Chips zu verbessern und ihre Umweltauswirkungen zu minimieren, der Welt helfen, das volle Potenzial der Technologie zu realisieren und gleichzeitig ihre negativen Effekte zu verringern.

Die auf SOT basierenden Speicher‑ und Logikgeräte können hier einen großen Unterschied machen, indem sie eine stromsparende Lösung bieten, die magnetische Zustände für Berechnungen anstelle von ladungsbasierten Logik nutzt. Das Beibehalten von Daten ohne ständige Stromversorgung kann die Energiekosten für KI‑Inference senken, energieeffizientere KI‑Beschleuniger für Echtzeit‑KI‑Entscheidungen ermöglichen, indem sie das Gehirn nachahmen, und die Verarbeitungsgeschwindigkeit für KI‑Aufgaben durch Integration von Logik und Speicher steigern.

Ständige Anstrengungen wie diese machen KI‑Hardware und -Software energieeffizienter, schneller und fähiger, komplexe Berechnungen zu bewältigen, was wiederum die breitere KI‑Einführung in allen Branchen vorantreibt und gleichzeitig den CO₂‑Fußabdruck reduziert!

Klicken Sie hier, um zu erfahren, warum 2025 das Jahr der KI‑getriebenen Investitionen ist.