Von NVIDIA inspirierte Fortschritte reduzieren den Energiebedarf für KI‑Training um das 100‑fache

Künstliche Intelligenz (KI) hat die ganze Welt erobert, und kein Sektor bleibt von der Magie dieses technologischen Fortschritts unberührt. Heute integrieren 77 % der Geräte KI‑Technologie, obwohl nur ein Drittel der Verbraucher glaubt, KI‑Plattformen zu nutzen. 

Eine wachsende Zahl von Unternehmen setzt KI ebenfalls verstärkt für das Unternehmenswachstum ein, wobei 9 von 10 Firmen die Technologie zur Erlangung eines Wettbewerbsvorteils unterstützen. Diese Nutzung soll 85 Millionen Arbeitsplätze eliminieren, gleichzeitig aber 97 Millionen neue schaffen.

Diese Zahlen spiegeln Schätzungen wider, wonach der KI‑Markt bis 2030 15,7 Billionen $ zur Weltwirtschaft beitragen wird. Das Marktvolumen der KI wird voraussichtlich jährlich um mindestens 120 % wachsen.

Allerdings steigt mit der zunehmenden KI‑Einführung auch der Energiebedarf zur Versorgung von Rechenzentren, die extrem energieintensiv sind. Der Betrieb und die Kühlung von tausenden Servern rund um die Uhr erfordern enorme Energiemengen. Derzeit wird diese Energie aus dem Stromnetz bezogen, was bei Spitzenlasten Probleme verursacht und das System belastet. Laut Chevron (CVX ) CEO Mike Wirth:

“Das Wachstum und die Nachfrage nach Strom können ein bereits belastetes Netz überlasten. Es könnte die Kosten für Verbraucher erhöhen. Erdgas wird das rasante Wachstum der künstlichen Intelligenz mit seiner unersättlichen Nachfrage nach zuverlässiger Elektrizität unterstützen.”

Als Reaktion auf diese Nachfrage hat Chevron kürzlich angekündigt, dass es mit GE (GE ) Verona und Engine No. 1 zusammenarbeiten wird, um Strom für KI zu erzeugen, indem Erdgas‑Kraftwerke gebaut werden, die direkt an Rechenzentren angeschlossen sind.

Derzeit machen die Rechenzentren laut einem Bericht der Internationalen Energieagentur (IEA) etwa 1 % des weltweiten Stromverbrauchs aus. 

Doch das ist erst der Anfang, da Unternehmen Milliarden von Dollar investieren, um noch mehr Rechenzentren zu bauen. 

Microsoft (MSFT ) plant, 80 Milliarden $ in KI‑aktivierte Rechenzentren zu investieren, wobei die Hälfte in den USA bereitgestellt wird. Laut Blackstone (BX ) schätzt, werden bis 2030 über 1 Billion $ in US‑Rechenzentren investiert, wobei Google (GOOGL ), Meta (META ), und Amazon (AMZN ) gehören zu den Technologieriesen, die landesweit Rechenzentren bauen.

Damit wird sich der Energieverbrauch des Sektors von hier an nur noch beschleunigen. Goldman Sachs (GS ) schätzt, dass die Stromnachfrage von Rechenzentren in den nächsten fünf Jahren um 160 % steigen wird, was naturgemäß ein beispielloses Wachstum des Stromverbrauchs auslösen wird.

Laut Schätzungen des Electric Power Research Institute (EPRI) könnte der Energieverbrauch dieser Einrichtungen in den USA bis zum Ende dieses Jahrzehnts zwischen 4,6 % und 9,1 % der gesamten Stromerzeugung ausmachen. 

Inzwischen verbrauchten Rechenzentren in Europa, speziell in Deutschland, im Jahr 2020 etwa 16 Milliarden kWh Energie für Berechnungen, Speicherung und Übertragung, ein Wert, der bis 2025 voraussichtlich auf 22 Milliarden kWh steigen wird.

Infolgedessen erforschen Wissenschaftler ständig Wege, den Energiebedarf von KI zu senken. 

Reduzierung des KI‑Energieverbrauchs

KI‑Technologie spielt eine Schlüsselrolle bei der Verbesserung der Energieeffizienz in verschiedenen Sektoren, indem sie den Energieverbrauch optimiert, die Nachfrage prognostiziert und das Management intelligenter Netze ermöglicht, was letztlich zu reduziertem Energieverschwendung und niedrigeren CO₂‑Emissionen führt. 

Beispielsweise nutzte Vodafone UK KI, um den täglichen Stromverbrauch von 5G‑Funksendereinheiten (RUs) zu senken, indem es fortschrittliche, von KI und maschinellem Lernen angetriebene Softwarelösungen von Ericsson einsetzte. An ausgewählten Standorten in London wurde bereits eine Reduktion von 33 % erzielt.

Vodafone UK implementierte im Rahmen des Tests drei Hauptfunktionen zur Energieeinsparung.

Dazu gehört eine Radio‑Power‑Efficiency‑Heatmap, die ML nutzt, um leistungsschwache Standorte zu identifizieren und zu bewerten, um gezielte Effizienzverbesserungen durch eine visuelle Darstellung aller Netzzellen zu ermöglichen. Dann gibt es die 4G‑Cell‑Sleep‑Mode‑Orchestrierung, die ein Verhaltensmodell von Netzzellen entwickelt hat, um Schlafparameter fein abzustimmen und ein Gleichgewicht zwischen Energieeinsparungen und Leistung zu schaffen. 5G‑Deep‑Sleep verwendet hingegen KI‑gesteuerte prädiktive Algorithmen und reduziert den Stromverbrauch während Nebenzeiten um 70 %.

Aber was ist mit dem Energieverbrauch von KI? Nun, Forscher und Unternehmen haben zahlreiche Bereiche ins Visier genommen, um den Energieverbrauch dieser schnell wachsenden Technologie zu reduzieren.

Dazu gehören die Optimierung von KI‑Modellen, die Nutzung energieeffizienter Hardware und die Einführung nachhaltiger Praktiken wie erneuerbare Energien und effiziente Kühlung in Rechenzentren.

Bei der Optimierung von KI‑Modellen können verschiedene Ansätze wie Pruning, Quantisierung und Distillation verfolgt werden. Beim Modell‑Pruning werden unnötige Parameter und Verbindungen aus einem Modell entfernt, ohne die Genauigkeit zu beeinträchtigen. Die Quantisierung reduziert die Präzision der Modellparameter, um den Rechenaufwand und den Energieverbrauch zu senken. Bei der Distillation werden kleinere Modelle trainiert, das Verhalten eines größeren, komplexeren Modells nachzuahmen, wodurch ein energieeffizienteres Modell mit ähnlicher Leistung entsteht.

Wie das MIT Technology Review in seiner diesjährigen Ausgabe feststellte, sind kleinere Modelle einer der technologischen Durchbrüche, die die nächste Ära prägen werden. Diese Modelle werden mit fokussierteren Datensätzen trainiert und können im Vergleich zu großen Sprachmodellen (LLMs) domänenspezifische Präzision, Kosteneffizienz und verbesserte Datensicherheit bieten.

GPT‑4o mini von OpenAI, Phi von Microsoft, Gemini Nano von Google DeepMind und Haiku von Anthropic’s Claude 3 sind einige Beispiele für kleinere Versionen größerer KI‑Modelle der Technologieriesen.

Bei der Hardware liegt der Fokus auf dem Einsatz von GPUs und anderen spezialisierten KI‑Prozessoren, die speziell für Hochleistungs‑Workloads entwickelt wurden.

Dann gibt es ausgewählte energieeffiziente Server und Prozessoren, die den Stromverbrauch je nach Arbeitslast anpassen, Virtualisierung für eine bessere Ressourcennutzung, indem mehrere Prozesse auf weniger physischen Maschinen laufen, sowie fortschrittliche Kühltechnologien, die den Bedarf an energieintensiven Klimaanlagen reduzieren.

Wie wir erst letzten Monat teilten, haben Forscher der Tohoku‑Universität, der Japanischen Atomenergieagentur und des Nationalen Instituts für Materialwissenschaften eine hocheffiziente und energieeinsparende KI‑Hardware erreicht. Die Forscher nutzten spintronic‑Geräte für stromsparende KI‑Chips und zeigten ein stromprogrammiertes Spin‑Orbit‑Torque‑(SOT‑)Gerät, das die Türen für eine neue Generation von KI‑Hardware öffnet.

Ein weiterer Weg, den KI‑Energieverbrauch zu senken, besteht in nachhaltigen Praktiken. Rechenzentren können erneuerbare Energiequellen nutzen, energieeffiziente Kühlsysteme implementieren und effiziente Layouts entwerfen, um den Energieverbrauch zu reduzieren.

Unternehmen setzen sich aktiv dafür ein, wobei Google Fortschritte mit Geothermie macht. Microsoft ist ein weiteres Beispiel, das plant, das Kernkraftwerk Three Mile Island wieder zu öffnen, um bis 2030 CO₂‑neutral zu werden.

Interessanterweise wird KI auch eingesetzt, um die Energieeffizienz von KI selbst zu verbessern. Die Technologie wird genutzt, um den Energieverbrauch in Gebäuden und Industrien zu optimieren, vorherzusagen, wann Geräte Wartung benötigen, und die Spitzenlast zu reduzieren, indem Echtzeit‑Netzbedingungen genutzt werden.

Inmitten all dessen haben Forscher der Technischen Universität München (TUM) eine neuartige Methode entwickelt, die neuronale Netze bis zu 100‑mal schneller trainiert und damit den mit KI‑Anwendungen verbundenen Energieverbrauch erheblich reduziert.

Hierfür berechneten die Forscher die Parameter direkt anhand von Wahrscheinlichkeiten, anstatt einen iterativen Ansatz zu verfolgen, wobei die Ergebnisse bisher in ihrer Qualität mit bestehenden iterativen Methoden vergleichbar waren.

Ein neuer Weg, den KI‑Energieverbrauch erheblich zu reduzieren 

Neben der zunehmenden Nutzung von KI wird die Einführung komplexerer KI‑Anwendungen in den kommenden Jahren zu einem erheblichen Anstieg des Bedarfs an Rechenzentrumskapazitäten führen. 

Diese Anwendungen werden enorme Energiemengen für das Training neuronaler Netze verbrauchen. Daher konzentriert sich die neue Studie darauf, die massive Leistung, die zum Training neuronaler Netze für KI erforderlich ist, zu reduzieren. 

Neuronale Netze werden in KI eingesetzt, um Bilder zu erkennen und Sprache zu verarbeiten, neben anderen Aufgaben. Die Funktionsweise dieser Netze ist vom menschlichen Gehirn inspiriert.

Das neuronale Netz besteht aus miteinander verbundenen Knoten, die künstliche Neuronen genannt werden. Hier werden die Eingangssignale mit spezifischen Parametern gewichtet, bevor sie summiert werden; überschreitet das definierte Limit, wird das Signal an den nächsten Knoten weitergeleitet.

Um das Netz zu trainieren, wird die anfängliche Auswahl der Parameterwerte typischerweise zufällig getroffen und dann schrittweise angepasst, um die Vorhersagen des Netzes kontinuierlich zu verbessern.

Dieser Ansatz erfordert natürlich viele Iterationen, was das Training extrem anspruchsvoll macht und wiederum zu einem hohen Stromverbrauch führt.

Ein Forscherteam unter der Leitung von Felix Dietrich, Professor für physikgestütztes maschinelles Lernen, entwickelte eine neue Methode. Dietrich ist Kernmitglied des Munich Data Science Institute (MDSI) und assoziiertes Mitglied des Munich Center for Machine Learning (MCML).

Was diese neue Technik bewirkt, ist die Nutzung von Wahrscheinlichkeiten anstelle einer wiederholten Bestimmung der Parameter zwischen den Knoten. Diese neue probabilistische Methode verwendet gezielt Werte an kritischen Stellen in den Trainingsdaten, wo große und schnelle Änderungen der Werte stattfinden. 

Mit diesem Ansatz zielt die Studie darauf ab, aus den Daten energieeinsparende dynamische Systeme zu gewinnen. Solche dynamischen Systeme verändern sich im Laufe der Zeit gemäß bestimmten Regeln. Diese Systeme finden sich in Finanzmärkten und Klimamodellen.

“Unsere Methode ermöglicht es, die erforderlichen Parameter mit minimaler Rechenleistung zu bestimmen. Das kann das Training neuronaler Netze deutlich beschleunigen und dadurch energieeffizienter machen. Außerdem haben wir festgestellt, dass die Genauigkeit der neuen Methode mit der von iterativ trainierten Netzen vergleichbar ist.”

– Dietrich

Dieser Fortschritt hat das Potenzial, die Umweltauswirkungen von KI erheblich zu senken, indem er den für das Training neuronaler Netze benötigten Energieverbrauch reduziert. In den nächsten ein bis drei Jahren könnten wir sehen, dass Branchen, die groß angelegte KI‑Modelle einsetzen, diese Methode übernehmen, was zu nachhaltigeren und kosteneffizienteren KI‑Lösungen führt.

Innovatives Unternehmen

NVIDIA Corporation

Ein führendes Unternehmen im Bereich KI‑Computing entwickelt NVIDIA (NVDA ) energieeffiziente GPUs und KI‑Beschleuniger und innoviert kontinuierlich, um die Leistung zu steigern und gleichzeitig den Stromverbrauch zu senken.​

Im vergangenen Jahr auf dem AI Summit DC berichtete das Unternehmen, dass der Energieverbrauch seiner GPUs im Training in den letzten zehn Jahren um das 2.000‑fache gesunken ist. In diesem Zeitraum verzeichnete es zudem eine 100.000‑fache Energieeinsparung bei der Token‑Generierung. Die Effizienzsteigerung betrug 2.000‑fach, während die Rechenleistung um das 4.000‑fache verbessert wurde.

Laut Bob Pette, Nvidias VP für Unternehmensplattformen zu dieser Zeit:

“Wenn Autos ihre Effizienz so stark verbessert hätten, wie wir die Inferenzleistung verbessert haben, könnte man über 300 Jahre mit einem einzigen Tank fahren. Im Kern des beschleunigten Rechnens steht nachhaltiges Computing.”

Nvidias Blackwell ist die neue Flaggschiff‑GPU‑Architektur, die Hopper ablöst und darauf ausgelegt ist, die KI‑Leistung „in signifikanter Weise“ zu steigern. Diese Plattform ist mit dem weltweit leistungsstärksten Chip, einer Transformator‑Engine der zweiten Generation und NVLink der fünften Generation ausgestattet und gleichzeitig äußerst energieeffizient für Inferenz und Training.

NVIDIA Corporation ist tatsächlich ein Full‑Stack‑Computing‑Infrastrukturunternehmen, dessen Segmente Compute & Networking sowie Graphics umfassen.

Compute & Networking deckt Rechenzentrum, Netzwerke, autonome und Elektrofahrzeug‑Lösungen, DGX‑Cloud‑Computing‑Dienste und Jetson ab, während das Graphics‑Segment GeForce‑GPUs, GeForce NOW, virtuelle GPU‑Software, NVIDIA‑RTX‑GPUs und Omniverse‑Enterprise‑Software umfasst.

Mit einer Marktkapitalisierung von 2,96 Billionen $ handeln die NVIDIA‑Aktien zum Zeitpunkt dieses Schreibens bei 121,50 $, ein Rückgang von 9,4 % im Jahresverlauf. Das Unternehmen weist ein EPS (TTM) von 2,94 und ein KGV (TTM) von 41,40 auf, während die Dividendenrendite bei 0,03 % liegt.

Trotz des jüngsten Kursrückgangs der NVIDIA‑Aktien, der nicht nur den Chip‑Hersteller betrifft, zieht das Unternehmen weiterhin Investoren an. Schließlich ist der Aktienwert seit 2020 um mehr als 1.800 % gestiegen, was es zu einem der wertvollsten Unternehmen der Welt macht.

Das Interesse an NVIDIA ist besonders bei jungen Investoren groß, da es Tesla (TSLA ) als die am meisten gehaltene Aktie bei Robinhood (HOOD ). Die überwiegende Mehrheit (75 %) der finanzierten Konten auf dieser provisionsfreien Investmentplattform wird von Millennials und Gen Z gehalten. 

Robinhood‑CEO Vlad Tenev glaubt ebenfalls, dass Nvidia dank KI wichtiger denn je sein wird.

“Ich denke, KI wird das Investieren wichtiger machen, denn wenn die Kontrolle über die Technologie in den Technologieunternehmen zentralisiert wird, muss man in diese Unternehmen investieren, um davon zu profitieren.”

– Tenev

Bezüglich der Unternehmensfinanzen berichtete Nvidia über das vierte Quartal, das am 26. Januar 2025 endete, mit einem Umsatz von 39,3 Milliarden $, ein Anstieg von 12 % gegenüber dem Vorquartal und 78 % im Jahresvergleich. 

Im Datenzentrum‑Segment betrug der Umsatz des Unternehmens im vierten Quartal rekordverdächtige 35,6 Milliarden $. In diesem Zeitraum wurde NVIDIA als wichtiger Technologiepartner für das 500‑Milliarden‑$‑Stargate‑Projekt ausgewählt.

Weitere Entwicklungen umfassten Cloud‑Dienstanbieter wie AWS, CoreWeave (CRWV ), Google Cloud Platform (GCP), Microsoft Azure und Oracle (ORCL ) Cloud Infrastructure (OCI), die NVIDIA®‑GB200‑Systeme einsetzen, um die steigende KI‑Nachfrage zu decken, die Bereitstellung der NVIDIA DGX™‑Cloud‑KI‑Computing‑Plattform und NVIDIA NIM™‑Microservices über den AWS Marketplace, die Integration von NVIDIA Spectrum‑X™ in das Netzwerkportfolio von Cisco, die Zusammenarbeit mit Verizon zur Integration von NVIDIA AI Enterprise sowie Partnerschaften mit IQVIA (IQV ), Mayo Clinic, Illumina und dem Arc Institute zur Förderung von Wirkstoffforschung, Genomik und Gesundheitswesen.

Der Umsatz aus Gaming und KI‑PC fiel auf 2,5 Milliarden $, während NVIDIA neue GeForce‑RTX™‑50‑Series‑Grafikkarten und Laptops auf Basis der Blackwell‑Architektur ankündigte, die GeForce‑RTX 5090‑ und 5080‑Grafikkarten auf den Markt brachte und DLSS 4 einführte. 

Zusätzlich betrug der Umsatz aus professioneller Visualisierung 511 Millionen $, und 570 Millionen $ stammten aus der Automotive‑ und Robotics‑Division.

Im laufenden Quartal lag das GAAP‑Ergebnis je verwässerter Aktie bei 0,89 $, ein Anstieg von 14 % gegenüber dem Vorquartal und 82 % im Jahresvergleich. Das Non‑GAAP‑Ergebnis je verwässerter Aktie betrug ebenfalls 0,89 $.

Für das Geschäftsjahr 2025 betrug der Umsatz 130,5 Milliarden $, ein massiver Anstieg von 114 % gegenüber dem Vorjahr. Das GAAP‑Ergebnis je verwässerter Aktie für diesen Zeitraum lag bei 2,94 $, das Non‑GAAP‑Ergebnis je verwässerter Aktie bei 2,99 $. 

“Die Nachfrage nach Blackwell ist erstaunlich, da reasoning‑KI ein weiteres Skalierungsgesetz hinzufügt — die Erhöhung von compute für das Training macht Modelle intelligenter und die Erhöhung von compute für langfristiges Denken macht die Antwort smarter.“ 

– CEO und Gründer Jensen Huang

So hat das Unternehmen die Produktion seiner Blackwell‑KI‑Supercomputer hochgefahren und dabei Umsätze in Milliardenhöhe erzielt.

Für das erste Quartal des Geschäftsjahres 2026 erwartet das Unternehmen einen Umsatz von 43 Milliarden $, GAAP‑Betriebskosten von 5,2 Milliarden $ und ein Non‑GAAP‑Sonstiges Einkommen von etwa 400 Millionen $.

“KI entwickelt sich mit Lichtgeschwindigkeit, da agentische KI und physische KI die Bühne für die nächste Welle von KI bereiten, die die größten Industrien revolutionieren wird.”

– Huang

Neueste Nachrichten zu NVIDIA Corporation

Fazit

KI wird Unternehmen in allen Sektoren revolutionieren, was jedoch einen beispiellosen Anstieg des Energiebedarfs bedeutet. Dieser Bedarf stellt eine große Herausforderung dar, an der viele Forscher arbeiten, um sie zu bewältigen. 

Die Entwicklung einer neuen probabilistischen Trainingsmethode stellt einen bedeutenden Durchbruch für energieeffiziente KI dar, indem sie den Energiebedarf um das bis zu 100‑fache reduziert. Da der KI‑bezogene Energieverbrauch mit dem Ausbau von Rechenzentren voraussichtlich stark ansteigen wird, könnte dieser Fortschritt die Betriebskosten und die Umweltbelastung erheblich senken. 

In Kombination mit Nvidias Fokus auf energieeffiziente GPUs und KI‑Beschleuniger können diese Innovationen die Einführung von KI beschleunigen und die Produktivität steigern.

Klicken Sie hier, um alles über das Investieren in künstliche Intelligenz zu erfahren.