Software kann den Strombedarf von KI-Rechenzentren auf zwei Wegen beeinflussen: Sie kann den Energieverbrauch einer einzelnen Rechenaufgabe senken oder flexible Aufgaben auf einen anderen Zeitpunkt beziehungsweise Standort verlagern. Beides kann helfen, Strom effizienter einzusetzen; eine geringere Energiemenge pro Aufgabe bedeutet aber nicht automatisch, dass ein Rechenzentrum insgesamt weniger Strom verbraucht.
Wie Software den Stromverbrauch beeinflusst
Beim ersten Ansatz wird eine Aufgabe mit weniger Energie erledigt. Dazu zählen eine passendere Rechengenauigkeit, effizientere Stapelverarbeitung mehrerer Anfragen und Compiler, die Berechnungen besser auf die Hardware abstimmen. Auch häufig wiederholte Eingaben zwischenzuspeichern, einfache Anfragen an kleinere Modelle weiterzuleiten und unnötig lange Eingaben oder Antworten zu begrenzen, kann Rechenarbeit einsparen. Bei Cloud-Diensten gehört dazu, Instanzen passend zur tatsächlichen Auslastung zu wählen.
Der zweite Ansatz verändert nicht zwingend die Energiemenge für eine Aufgabe, sondern ihren Zeitpunkt oder Ort. Nicht zeitkritische Stapelverarbeitung kann warten, bis im Stromnetz mehr Kapazität verfügbar ist. Lässt sich die Arbeit auf ein anderes Rechenzentrum verteilen, kann sie in eine Region mit freien Kapazitäten und einem günstigeren Strommix wandern.
Training und Inferenz effizienter planen
Das ACM-Paper zu Perseus berichtet für das Training großer Modelle von einer Energieeinsparung von bis zu 30 Prozent. In den ausgewerteten Fällen ging das weder mit einem geringeren Durchsatz noch mit Änderungen an der Hardware einher. Perseus optimiert, wann Rechenarbeit ausgeführt wird, um Energieverluste im Training zu verringern.
Training ist der Prozess, bei dem ein Modell aus Daten lernt; bei der Inferenz erzeugt ein bereits trainiertes Modell Antworten oder Vorhersagen. NVIDIA beschreibt Leistungsprofile für Blackwell-GPUs, die deren Konfiguration an KI-Training, KI-Inferenz oder Hochleistungsrechnen (HPC) anpassen. Für die erste Phase nennt das Unternehmen Energieeinsparungen von bis zu 15 Prozent und ein Leistungsniveau von mehr als 97 Prozent bei kritischen Anwendungen.
Diese Angaben beziehen sich auf unterschiedliche Messgrößen: NVIDIA nennt die Leistungswerte für einzelne Anwendungen. Für ein Rechenzentrum mit begrenzter Stromversorgung gibt das Unternehmen außerdem an, dass sich mit der eingesparten Leistung weitere GPUs bereitstellen und so bis zu 13 Prozent mehr Gesamtdurchsatz erreichen lassen können. Das ist eine Aussage zum Durchsatz der gesamten Anlage, nicht eine zusätzliche Energieeinsparung.
Flexible Arbeit nach Zeit und Standort planen
Bei der Lastverschiebung kann Software Stromnetzsignale in die Planung einbeziehen: Eine Vorplanung für den nächsten Tag und eine laufende Anpassung können flexible Stapelaufträge auf Zeiten mit mehr verfügbarer Kapazität legen. Für solche Jobs kommt auch ein anderer Standort infrage, sofern dort Kapazität verfügbar ist und die Arbeit dorthin verlagert werden darf.
Der Ortswechsel ist nicht immer praktikabel. Vorgaben zur Datenhoheit können einschränken, wo Daten verarbeitet werden dürfen; außerdem kann der Transfer großer Datenmengen aufwendig sein. Für zeitkritische Aufgaben ist auch das Warten auf ein günstigeres Zeitfenster keine passende Option.
Warum effizientere Software den Gesamtverbrauch nicht garantiert senkt
Sinkt der Energiebedarf pro Aufgabe, kann das Rechenleistung für weitere Aufgaben freisetzen. Werden dadurch mehr Anfragen bearbeitet oder zusätzliche Berechnungen wirtschaftlich, kann der Gesamtverbrauch gleich bleiben oder steigen. Dieses mögliche Gegenstück zu Effizienzgewinnen wird als Jevons-Paradoxon bezeichnet.
Software ist deshalb ein Baustein, kein Ersatz für effizientere Hardware oder zusätzliche Strominfrastruktur. Sie kann helfen, vorhandene Rechenleistung besser auszunutzen und flexible Lasten sinnvoller zu planen; wie viel das für den Gesamtverbrauch bringt, hängt auch davon ab, wie stark die zusätzliche Rechenkapazität genutzt wird.
Was die IEA für 2030 prognostiziert
Die Internationale Energieagentur (IEA) schätzt, dass Rechenzentren 2024 weltweit rund 415 TWh Strom verbrauchten – etwa 1,5 Prozent des globalen Stromverbrauchs. In ihrem Basisszenario steigt der Stromverbrauch aller Rechenzentren bis 2030 auf rund 945 TWh. Die Prognose umfasst nicht nur KI-Rechenzentren; die IEA behandelt den wachsenden Strombedarf beschleunigter Server, der vor allem durch den Einsatz von KI getrieben wird, gesondert.
