Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
epoch11. August 2025 · Q005132

How much power will frontier AI training demand in 2030?

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AI prognostiziert, dass einzelne große KI-Trainingsläufe 2030 voraussichtlich 4 bis 16 GW Leistung benötigen könnten; weltweit seien mehr als 100 GW KI-Rechenzentrumskapazität plausibel. Die Schätzungen beruhen auf Trends bei Rechenaufwand, Hardwareeffizienz und Trainingsdauer, doch die Autoren betonen Unsicherheiten und modellieren die praktischen Grenzen der Stromversorgung nicht detailliert.

Mittel

Der Bericht schätzt, dass einzelne Trainingsläufe der größten KI-Modelle 2030 voraussichtlich 4 bis 16 Gigawatt Leistung benötigen könnten. Grundlage sind Trends beim Trainings-Rechenaufwand, bei der Energieeffizienz von Hardware und bei der Dauer der Trainingsläufe. Die Autoren erwarten, dass der Rechenaufwand weiter jährlich um das Vier- bis Fünffache steigt, während Effizienzgewinne den Strombedarf je Rechenschritt senken. Das Wachstum der Trainingsdauer dürfte ihrer Einschätzung nach auf jährlich 10 bis 20 Prozent zurückgehen. Zusammengenommen ergibt sich laut Bericht ein jährlicher Anstieg des Leistungsbedarfs um den Faktor 2,2 bis 2,9.

Die Autoren halten außerdem bis 2030 weltweit mehr als 100 GW und in den USA mehr als 50 GW KI-Rechenzentrumskapazität für plausibel. Die Prognose bleibt unsicher: Begrenzte Trainingsdauer könnte schnelleres Wachstum der Hardwareleistung auslösen oder das Wachstum des Rechenaufwands bremsen. Zudem untersucht der Bericht Engpässe bei der Stromversorgung nicht im Detail. Die Werte beschreiben daher mögliche Entwicklungen, nicht deren gesicherte Realisierbarkeit.

Ausführlich lesen

Der Bericht von Epoch AI untersucht, wie viel elektrische Leistung einzelne Trainingsläufe der größten KI-Modelle bis 2030 benötigen könnten und welche Folgen das für die Energieversorgung und Rechenzentren hätte. Die zentrale Prognose lautet: Solche Trainingsläufe könnten 2030 voraussichtlich 4 bis 16 Gigawatt (GW) beanspruchen. Das entspräche laut Bericht der Leistung für Millionen US-Haushalte. Die Autoren betonen jedoch, dass die tatsächliche Umsetzbarkeit – besonders am oberen Ende der Spanne – nicht gesichert ist.

Für ihre Vorhersage betrachten die Autoren drei Entwicklungen: den Rechenaufwand beim Training, die Energieeffizienz der Hardware und die Dauer der Trainingsläufe. Historisch sei die Leistung der größten Trainingsläufe jährlich um etwa das 2,2-Fache gestiegen; die größten Läufe überschritten inzwischen 100 Megawatt. Den stärksten Antrieb sehen die Autoren im Trainings-Rechenaufwand, der laut ihren Angaben jährlich um das Vier- bis Fünffache zunahm. Mehr Rechenleistung führt aber nicht im selben Verhältnis zu höherem Strombedarf: Effizientere Hardware senkt den Energieverbrauch je Rechenschritt, und längere Trainingsläufe verteilen den Aufwand über mehr Zeit.

Die Analyse nimmt an, dass der Trainings-Rechenaufwand weiterhin jährlich um etwa das Vier- bis Fünffache wächst. Die Autoren begründen dies damit, dass bisherige Effizienzfortschritte mit weiterem Skalieren einhergingen und auch das Training von Schlussfolgerungsmodellen zusätzlichen Rechenaufwand fördern könne. Bei führenden KI-GPUs sei die Energieeffizienz nach den angeführten Daten jährlich um 40 Prozent gestiegen, bei einer breiteren Auswahl von GPUs um 26 Prozent. Auch der Wechsel zu niedrigeren Zahlenpräzisionen könne Effizienzgewinne bringen. Zugleich erwarten die Autoren, dass die Zunahme der Trainingsdauer nachlässt: Statt des historisch beobachteten jährlichen Wachstums von 26 bis 50 Prozent setzen sie bis 2030 etwa 10 bis 20 Prozent an. Sehr lange Trainingsläufe könnten schwerer mit dem Bedarf an kurzen Innovationszyklen vereinbar sein.

Aus diesen Trends leitet der Bericht ein erwartetes jährliches Wachstum des Leistungsbedarfs um den Faktor 2,2 bis 2,9 ab. Als wesentliche Unsicherheit nennt er, wie Grenzen der Trainingsdauer mit der Skalierung zusammenwirken: Sie könnten schnelleres Wachstum der Trainingshardware und des Strombedarfs begünstigen, aber auch die Zunahme des Rechenaufwands bremsen. Deshalb vergleichen die Autoren ihre trendbasierte Prognose auch mit einer Fortschreibung des historischen Leistungswachstums von Trainingsclustern.

Für den Energiesektor zählt außerdem der gesamte Bedarf von KI-Rechenzentren. Der Bericht hält bis 2030 weltweit mehr als 100 GW und in den USA mehr als 50 GW KI-Kapazität für plausibel; Letzteres entspräche beinahe fünf Prozent der gesamten US-Stromerzeugungskapazität. Diese Einordnung berücksichtigt, dass neben dem Training auch Inferenz und Experimente Rechenleistung benötigen. Der aktuelle KI-Strombedarf verteile sich ungefähr gleich auf diese drei Bereiche; wie sich ihre Anteile entwickeln, sei offen. Verteiltes Training über mehrere Standorte könne Standortgrenzen einzelner Rechenzentren teilweise überwinden. Der Bericht modelliert jedoch die Engpässe und praktischen Grenzen der Stromversorgung nicht detailliert. Seine Zahlen sind daher Prognosen unter Annahmen, keine Zusage, dass die Kapazität bis 2030 tatsächlich bereitgestellt werden kann.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Geprüft wurde die mittlere Zusammenfassung, weil sie den Bericht vollständiger wiedergibt. Die kurze Fassung nennt die Kernzahlen 4 bis 16 GW und über 100 GW, lässt aber ebenfalls die Wachstumsraten und die Einschätzung zur Stromerzeugung aus. Die Einordnung bezieht sich nur auf die drei angegebenen Sammelfragen, da Teilfragen fehlen.

Im Bericht, aber nicht in der Zusammenfassung

  • Historisches Wachstum des Leistungsbedarfs von etwa 2,2x pro Jahr
  • Effizienzgewinne von 40 % pro Jahr bei führenden KI-GPUs und 26 % bei einem breiteren GPU-Satz
  • Historisches Wachstum der Trainingsdauer von 26 bis 50 % pro Jahr
  • Verteiltes Training über mehrere Rechenzentrumsstandorte als möglicher Weg, Leistungsgrenzen einzelner Standorte zu umgehen
  • Einschätzung, dass >50 GW in den USA etwa 5 % der gesamten US-Stromerzeugungskapazität entsprächen
  • Aufteilung des aktuellen KI-Strombedarfs etwa zu gleichen Teilen auf Training, Experimente und Inferenz

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Unabhängig prüfen
  1. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 26 %Hintergrund, keine Belege
    • Luna 59 %Hintergrund, keine Belege
    • JEV 38 %gleiches Oberthema, hilft nicht
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 43 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 52 %Hintergrund, keine Belege
    • JEV 34 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 30 %Hintergrund, keine Belege
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 54 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
Vertrauen in Modelle
Agenten und vernetzte Systeme
  1. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 51 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
Beteiligung und Gemeinwohl
  1. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 33 %Hintergrund, keine Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 90 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  3. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 38 %Hintergrund, keine Belege
    • amos 53 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →