KI-Infrastruktur im Gigawatt-Maßstab KI-Rechenzentren brauchen eine neue Architektur

Anbieter zum Thema

AMD Advanced Micro Devices GmbH

Vertiv GmbH

DAXTEN GmbH

EPS Rechenzentrum Infrastruktur GmbH

Rechenzentren für Künstliche Intelligenz unterscheiden sich grundlegend von klassischen Rechenzentren: Sie erfordern eine neue, aufeinander abgestimmte Architektur aus CPUs, GPUs, Netzwerktechnik, Speicher und offener Software.

KI-Rechenzentren gelten inzwischen als strategische Infrastruktur und nicht mehr als reine IT-Installation. Der wesentliche Unterschied zu klassischen Supercomputing-Anlagen liegt im Maßstab und in der Umsetzungsgeschwindigkeit. Eine nachhaltige und sichere KI-Nutzung im großen Umfang setzt eine ausgewogene Architektur voraus, in der CPUs, GPUs, Netzwerktechnik, Speicher und offene Software zusammenwirken.

Die Verfügbarkeit von Energie ist der wichtigste limitierende Faktor. Da KI-Infrastruktur zunehmend im Gigawatt-Maßstab geplant wird, ähnelt die Standortwahl heute eher der langfristigen Planung von Energieinfrastruktur als der klassischen Errichtung von Rechenzentren. Besonders in Europa sind Netzstabilität, Genehmigungsverfahren und die langfristige Energie-Preisvolatilität zentrale Hürden, die gemeinsam mit Geschäftspartnern und lokalen Regulierungsbehörden bewältigt werden müssen.

Volle Architektur statt einzelner Komponenten

Auf Infrastrukturebene steigt die Rechendichte deutlich. Durch den Einbau von KI-Beschleunigern wie AMD-Instinct-GPUs in Rack-Systeme wie unsere Plattform „Helios“ erreicht die Leistung pro Rack ein Niveau, das grundlegende Annahmen zu Mechanik, Kühlung und Energieversorgung verändert. Mit steigender Dichte wird eine ausgewogene Architektur entscheidend.

KI-Bereitschaft braucht den vollständigen Technologie-Stack mit leistungsfähigen CPUs, Beschleunigern, Hochgeschwindigkeitsnetzwerken, modernen Speicherarchitekturen sowie einer offenen Softwareumgebung. Wer KI-Infrastruktur allein auf GPUs reduziert, verkennt die architektonische Komplexität, die für einen nachhaltigen und sicheren Betrieb dieser Systeme erforderlich ist.

Europäische Gigafactories als möglicher Katalysator

Mit ihrer Initiative für KI-Gigafactories will die EU den Rückstand bei Rechenkapazitäten gegenüber den USA und China aufholen. Solche Infrastrukturvorhaben sind vor allem dann wirksam, wenn sie langfristigen Nutzen für das gesamte Ökosystem schaffen. Das zeigen andere Märkte, in denen heutige KI-Fähigkeiten auf jahrelangen Investitionen in Hochleistungsrechner-Ökosysteme aufbauen.

Handelsblatt Live Data Center Summit

KI-Gigafactories – Europas letzte Chance zur digitalen Souveränität?

Europäische Gigafactories können als Katalysator wirken, wenn sie breite Beteiligung ermöglichen statt isolierte Einzelprojekte zu fördern, etwa durch gemeinsamen Zugang für Industrie, Start-ups, Universitäten und Forschungseinrichtungen. Ebenso wichtig ist architektonische Offenheit: Ein offener, interoperabler Stack aus CPUs, GPUs, Netzwerktechnik und Software verhindert Anbieterbindung und schafft gemeinsame Grundlagen für europäische Innovation.

Wachstumsfelder für KI-Nachfrage in Europa

Da es in der EU derzeit keine Akteure gibt, die mit US-Hyperscalern und KI-Anbietern in Umsatz und Nutzerzahlen konkurrieren, liegt das europäische Wachstumspotenzial vor allem in der Industrie. Also genau dort, wo KI über Cloud-Dienste hinaus in reale Systeme integriert wird. Eine wesentliche Chance liegt in „Physical AI" in intelligenten Systemen, die direkt in Infrastruktur und industrielle Prozesse eingebettet sind.

In Fertigung und Robotik wird KI zur Verbesserung von Qualitätskontrolle, Vorhersagen und Automatisierung eingesetzt, wobei Echtzeit-Intelligenz zunehmend nahe am physischen Prozess statt in der Cloud stattfindet. Auch in der Energieinfrastruktur spielt KI eine wachsende Rolle. Sie hilft, Stromverteilung und Prognosen zu optimieren und damit komplexe Netze zu stabilisieren, während Europa erneuerbare Energien ausbaut. Zusätzlich wächst die Nutzung von Hochleistungsrechnen und KI in Wissenschaft und regulierten Branchen für Modellierung und komplexe Analysen.

Europas Chance liegt in der Anwendung fortschrittlicher KI-Modelle auf komplexe, reale Systeme, von Fabriken über Fahrzeuge bis zu kritischer Infrastruktur. Das erfordert zuverlässige, effiziente Rechenplattformen, die leistungsfähige Hardware mit offenen Softwarearchitekturen verbinden.

PUE-Werte und architektonische Effizienz

Früher galt als Faustregel, dass sich der Energiebedarf reiner Rechenleistung durch Kühlung und Speicherung etwa verdoppelt. Heute, durch effiziente Flüssigkühlung, wird häufig ein Faktor von rund 1,2 angenommen und auch gesetzlich für Neubauten vorgeschrieben. Der historische Multiplikator von 2,0 gilt damit nicht mehr in gleicher Weise. Allerdings verändert sich die Rechnung, weil die Rechendichte pro Rack stark zunimmt. Ein einzelnes Rack liefert heute ein Leistungsniveau, für das früher ganze Cluster nötig waren. Während sich der anlagenseitige Zusatzbedarf proportional verringert, steigt der absolute Energiebedarf pro Standort durch die Leistungskonzentration.

Die eigentliche Optimierungsgrenze liegt daher nicht mehr allein in der Anlageneffizienz, sondern in der architektonischen Effizienz. Der Wettbewerb in der KI wird zunehmend über Leistung pro Watt und effektive Datenbewegung im System entschieden. Nachhaltiges Rechnen muss von Anfang an Teil des Designs sein, nicht nachträglich ergänzt werden. Eine Unterschreitung des Effizienzfaktors 1,2 ist technisch möglich, doch die größeren Fortschritte werden aus architektonischer Effizienz kommen, nicht allein aus Anlagenkennzahlen.

Schlechte Wartung und Laissez-faire in der Infrastruktur töten die Effizienz

Der unsichtbare PUE-Killer

Vom Einzelserver zum integrierten Rack-System

Fortschrittlichere Kühlung ermöglicht mehr KI-Beschleuniger pro Chassis und damit deutlich höhere Leistungsdichte pro Rack. Klassische „Pizza-Box"-Chassis werden zunehmend durch blade-basierte Systeme abgelöst, bei denen CPUs, Beschleuniger, Hochgeschwindigkeitsverbindungen und Skalierungsnetzwerke gemeinsam als ein einheitliches System entwickelt werden.

Mit steigender Rechendichte wird das Rack zum grundlegenden Baustein der KI-Infrastruktur. Flüssigkühlung wird zum Standard, um die Wärmeabgabe dicht gepackter Beschleuniger zu bewältigen, während die Stromversorgung auf Rack-Ebene ausgelegt werden muss, um höhere elektrische Lasten zuverlässig zu verteilen. Gleichzeitig rückt die Netzwerktechnik näher an den Rechenbetrieb, um Latenzen zu senken und den Datendurchsatz in großen KI-Clustern zu erhöhen. Dadurch verschwimmen die traditionellen Grenzen zwischen Server-, Rack- und Rechenzentrumsarchitektur.

Im Ergebnis entwickelt sich KI-Infrastruktur von einzelnen Servern zu eng integrierten Rack-Systemen. Der Wettbewerbsvorteil hängt damit zunehmend von der Architektur auf Systemebene ab und nicht mehr von der Leistungsfähigkeit einzelner Komponenten.

Endet mit „AMD MI450“ die KI-Dominanz von Nvidia?

Meta kauft AMD-GPUs für 6 GW Stromleistung und eine Unternehmensbeteiligung

Speicher und Datenbewegung als Bottleneck

Die KI-Leistung wird zunehmend durch Speicherbandbreite, Effizienz der Verbindungen und die Fähigkeit, große Datenmengen zu bewegen, begrenzt. Beschleuniger skalieren zwar weiterhin schnell, die eigentliche Herausforderung liegt aber darin, sie effizient mit Daten zu versorgen, während Modelle und Kontextfenster wachsen. Der begrenzende Faktor liegt damit immer weniger in der reinen Rechenkapazität, sondern darin, wie schnell Daten abgerufen und bewegt werden können.

Moderne Beschleuniger integrieren deshalb Speicher mit hoher Bandbreite, um Rechenwerke ausreichend mit Daten zu versorgen. Der Energieverbrauch hängt eng mit der Datenbewegung zusammen: Das Verschieben von Daten zwischen Knoten oder Racks kann mehr Energie kosten als die Berechnung selbst. Ein effizientes Systemdesign wird damit für Leistung und Energieeffizienz gleichermaßen entscheidend.

AMD und Microsoft

Vom Chipdesign bis zur KI-Inferenz – Azure setzt auf AMD

(ID:50977810)