KI-Infrastruktur zwischen Energiebedarf und Effizienz Deswegen wird Nachhaltigkeit zum Erfolgsfaktor für KI

Anbieter zum Thema

NTT DATA

WatchGuard Technologies GmbH

Heidelberg iT Management GmbH & Co. KG

Der Energiebedarf von KI wächst rasant. Effiziente Rechenzentren, geeignete Kennzahlen und ressourcenschonende KI-Modelle entscheiden zunehmend über Wirtschaftlichkeit und Wettbewerbsfähigkeit.

Nachhaltigkeit galt lange als eigenständiges Ziel, bei dem der Schutz der Umwelt im Mittelpunkt stand. Oft genug stand sie dabei im Widerspruch zu wirtschaftlich wichtigen Einflussfaktoren wie niedrigen Energiekosten oder Rohstoffpreisen. Doch statt beide Bereiche weiterhin als Gegensätze zu betrachten, wird es immer wichtiger, sie als sich ergänzende Zielvorgaben innerhalb eines Ökosystems zu begreifen.

Klimapolitische Regulierung zwingt Rechenzentren zur Transformation

Wie Hyperscaler ihre Nachhaltigkeitsziele im Rechenzentrumsbetrieb umsetzen

Gerade angesichts neuer geopolitischer Konstellationen und des damit verbundenen verschärften Kampfes um wichtige Ressourcen erweist sich Nachhaltigkeit immer mehr auch als wichtiger Business-Faktor. Die Diskussionen um den gigantischen Ressourcenverbrauch Künstlicher Intelligenz (KI) haben diesem Trend neuen Schub gegeben. Dabei geht es nicht nur um den Strombedarf von Rechenzentren beim Training und Betrieb von KI-Modellen, sondern auch um die notwendige Hardware, Wärmeentwicklung, den Wasserbedarf zur Kühlung und die Möglichkeiten, Abwärme sinnvoller zu nutzen.

Ohne nachhaltige Rechenzentren wird KI technisch und ökonomisch an Grenzen stoßen

Die IT-Infrastruktur rückt damit ins Rampenlicht eines wirtschaftlich sinnvollen und gleichzeitig nachhaltigen KI-Einsatzes. Beim Übergang zu grüner KI müssen also über die herkömmlichen KI-Prioritäten hinaus Leistung und Nachhaltigkeit in Einklang gebracht werden. Die Effizienz dient dabei als zentrale Kennzahl.

Für die Standardisierung der Messung wird ein klarer, realistischer Rahmen zur Bewertung und Verbesserung der Kennzahlen benötigt. Auch wenn standardisierte KI-Metriken noch nicht verfügbar sind, so gibt es doch bereits praktische Ansätze wie den „Machine Learning CO2 Impact Calculator“, die „Methodologie SCI for AI“ (Software Carbon Intensity) der Green Software Foundation oder die „Lifecycle“-Analyse von Mistral.

Letztere liefert Kennzahlen zu den Umwelteffekten eines typischen Prompts. Dazu werden der Wasser- und Ressourcenverbrauch, der Verbrauch nicht erneuerbarer Rohstoffe sowie der CO₂-Ausstoß berechnet. Erfasst wird dabei der komplette Lebenszyklus eines Large Language Models (LLM).

Berücksichtigt werden der Bau und Betrieb der Rechenzentren, die Herstellung, der Transport und die Entsorgung der Hardware, das Training des Modells sowie der spätere Betrieb. Für die Standardisierung schlägt Mistral drei Kernkennzahlen vor:

• die Gesamtwirkungen des LLM-Trainings,

• die Wirkungen pro Inferenz-Abfrage

• und die Summe aller Inferenzwirkungen innerhalb des LLM-Lebenszyklus.

Auf dem Weg dorthin ist es wichtig, noch vorhandene methodische Lücken durch regelmäßige Aktualisierungen in öffentlichen Datenbanken sukzessive zu schließen.

Netzanschluss für die KI

Strom für Rechenzentren ist Zukunftssicherung

Künstliche Intelligenz optimiert die Energie-Effizienz im Rechenzentrum

Etalytics steuert Kühlsysteme von Datacentern mit KI

Exzellenz im Rechenzentrum neu definiert

Béla Waldhauser: Auf sicheren Pfaden in die Datacenter-Zukunft

Nachhaltigkeit vor Ort

Es würde allerdings viel zu kurz greifen, für eine energie-effizientere und damit nachhaltigere KI-Nutzung nur bei den großen Rechenzentren anzusetzen. Auch für kleine regionale Rechenzentren gelten prinzipiell die gleichen Effizienzsteigerungspotenziale wie für große Datacenter, etwa was Cooling-Strategien oder Abwärmenutzung angeht. Dabei spielt auch die Standortplanung (Geolocation) eine wichtige Rolle. Datacenter sollten dort gebaut werden, wo beste Voraussetzungen für einen nachhaltigen Rechenzentrumsbetrieb gegeben sind, beziehungsweise die Standorteigenschaften optimal nutzen. Dazu gehören etwa klimatische Bedingungen, verfügbare (erneuerbare) Energien und Netzanbindung, Wasserverfügbarkeit und Abwärmenutzung.

Darüber hinaus lohnt sich auch ein Blick auf die KI-Modelle selbst. Ein Ansatzpunkt dafür ist der Verzicht auf die Nutzung überdimensionierter LLMs, die aus mehreren Gründen kontraproduktiv ist. Sie ist teuer, verursacht einen hohen Ressourcenverbrauch und verschlechtert damit den Software Carbon Intensity (SCI) Score. Der Einsatz kleinerer, lokaler Small Language Models (SLM) ist in vielen Use Cases sehr viel effizienter und nachhaltiger und zudem ein wichtiges Element souveräner KI-Nutzung. Ein Punkt, der in Zukunft stark an Bedeutung gewinnen wird.

Noch ist die operative Nutzung von KI in Unternehmen wenig verbreitet und preislich von den Anbietern stark subventioniert. Dies täuscht über die tatsächlichen Kosten und Umweltauswirkungen hinweg. Eine frühzeitige Planung mit Weitsicht schützt vor perspektivisch explodierenden Kosten, Abhängigkeiten und Emissionen.

KI-Plattformen und Cloud-Infrastruktur

NTT Data und Google Cloud bauen Zusammenarbeit bei Agentic AI aus

750 MW, 290 Millionen Dollar für KI und HPC

Datacenter in XXL und Kühleinheiten en masse

(ID:50922481)