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
epoch27. Juni 2022 · Q005508

Trends in GPU price-performance

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AI schätzt anhand von 470 GPU-Modellen aus den Jahren 2006 bis 2021, dass sich die Rechenleistung pro Dollar ungefähr alle 2,46 Jahre verdoppelte. Abweichende Werte für ML-GPUs und besonders preis-leistungsstarke Modelle sind mit Unsicherheiten behaftet; der Bericht untersucht historische Daten und prognostiziert nicht die Zukunft.

Mittel

Epoch AI wertet 470 GPU-Modelle von AMD, Intel und Nvidia aus, die zwischen 2006 und 2021 erschienen. Gemessen wird vor allem die Rechenleistung pro Dollar bei 32-Bit-Genauigkeit. Die Datensätze wurden zusammengeführt und bereinigt; ältere Modelle vor 2006 sowie einige mutmaßlich fehlerhafte 16-Bit-Angaben wurden ausgeschlossen.

Die zentrale Schätzung lautet: Die GPU-Leistung pro Dollar verdoppelte sich im betrachteten Zeitraum etwa alle 2,46 Jahre (95-Prozent-Konfidenzintervall: 2,24 bis 2,72 Jahre). Für in der ML-Forschung verwendete GPUs beträgt der Schätzwert 2,07 Jahre, für jeweils besonders preis-leistungsstarke Modelle 2,95 Jahre. Der ML-Wert unterscheidet sich statistisch nicht signifikant vom Gesamttrend; außerdem könnte er teilweise die Beschaffung besserer GPUs durch Forschungslabore statt beschleunigten Hardwarefortschritt widerspiegeln. Der FP16-Trend ist mit dem FP32-Trend statistisch vereinbar.

Der Bericht hält Huang’s Law für zu optimistisch im Vergleich zum beobachteten Gesamttrend. Die Gegenüberstellungen sind allerdings nur grobe Orientierung, da nicht alle Kennzahlen direkt vergleichbar sind. Die Analyse ist rückblickend, keine Zukunftsprognose; die verwendeten Daten werden nicht veröffentlicht.

Ausführlich lesen

Der Bericht von Epoch AI untersucht, wie sich die Rechenleistung von GPUs pro Dollar zwischen 2006 und 2021 entwickelt hat. Grundlage ist eine zusammengeführte Datenbasis mit 470 GPU-Modellen von AMD, Intel und Nvidia. Gemessen wird vor allem die Zahl der Gleitkommaoperationen pro Sekunde je Dollar (FLOP/s pro Dollar), überwiegend bei 32-Bit-Genauigkeit. Die Autorinnen und Autoren wollen frühere, teils stark voneinander abweichende Schätzungen mit mehr Daten und Analysen wichtiger Teilgruppen präzisieren.

Die Daten stammen aus zwei älteren GPU-Datensätzen. Doppelte Modelle und Varianten ohne abweichende technische Daten wurden entfernt. Modelle vor 2006 ließ das Team außen vor, weil ihre Leistungswerte schwer vergleichbar und nicht zuverlässig überprüfbar gewesen seien. Bei 20 GPUs wurden zudem offenbar fehlerhafte 16-Bit-Werte verworfen. Insgesamt umfasst die 16-Bit-Auswertung 91 GPUs. Die zugrunde liegenden Daten werden laut Bericht nicht veröffentlicht; der Code für die Abbildungen sei verfügbar.

In der Gesamtauswertung verdoppelte sich die GPU-Leistung pro Dollar der linearen Regression zufolge etwa alle 2,46 Jahre. Das 95-Prozent-Konfidenzintervall reicht von 2,24 bis 2,72 Jahren. Für reine FLOP/s ohne Preisbezug beträgt die geschätzte Verdopplungszeit 2,31 Jahre. Die Autorinnen und Autoren beurteilen eine Größenordnung von rund 2,5 Jahren als die verlässlichste Beschreibung des beobachteten historischen Trends. Sie halten sowohl weniger als zwei als auch mehr als drei Jahre angesichts der Daten für unplausibel.

Bei 26 GPUs, die in der untersuchten Literatur häufig für ML-Forschung verwendet wurden, schätzt der Bericht eine Verdopplung der Leistung pro Dollar alle 2,07 Jahre; das Intervall ist mit 1,54 bis 3,13 Jahren breit. Der Unterschied zur Gesamtheit sei statistisch nicht signifikant. Die Forschenden weisen außerdem darauf hin, dass der steilere Schätzwert teilweise daraus entstehen könnte, dass ML-Labore zunehmend leistungsstärkere GPUs beschaffen – und somit nicht allein einen schnelleren technischen Fortschritt abbildet. Für die jeweils preis-leistungsstärksten Modelle ergibt sich mit 2,95 Jahren eine langsamere Verdopplung; laut Bericht ist dieser Unterschied statistisch signifikant.

Für FP16 ergibt sich eine geschätzte Verdopplungszeit von 2,32 Jahren. Sie unterscheidet sich laut Bericht nicht statistisch signifikant von FP32. Die Autorinnen und Autoren vergleichen ihre Ergebnisse außerdem mit Moore’s Law, Huang’s Law und früheren Schätzungen. Dabei sei Huang’s Law – in der hier verwendeten Deutung als 25-fache Leistungssteigerung in fünf Jahren – für den gesamten GPU-Trend deutlich zu optimistisch. Solche Vergleiche seien jedoch nur grobe Orientierung, weil die verglichenen Kennzahlen nicht immer dasselbe messen.

Die Untersuchung beschreibt rückblickende Trends und versucht ausdrücklich nicht, daraus zukünftige GPU-Preis-Leistung vorherzusagen. Energieeffizienz und andere Kennzahlen werden nicht analysiert. Die Ergebnisse hängen zudem von der begrenzten und nicht veröffentlichten Datenbasis sowie von der Auswahl und Bereinigung der Modelle ab.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung wurde unabhängig von Lunas Stufen und Anteilen vergeben. Teilfragen lagen nicht vor. Beide Zusammenfassungen (kurz und mittel) wurden gemeinsam geprüft; die kurze Fassung lässt die Zahl zum Top-GPU-Trend und die Schlussfolgerung aus.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Schlussfolgerung der Autoren, dass ca. 2,5 Jahre Verdopplungszeit am verlässlichsten sind und 2 Jahre als zu aggressiv gelten
  • Der Top-GPU-Trend (2,95 Jahre) ist statistisch signifikant langsamer als der Gesamttrend; in der kurzen Fassung fehlt die Zahl
  • Die Einschätzung, dass frühere Schätzungen wegen kleiner Datensätze und hoher Streuung nicht verlässlich sind
  • Der Vergleich mit dem CPU-Trend und der Cotra-Annahme von 2,5 Jahren als Bezugspunkt

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
Tempo und Grenzen
  1. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 32 %Hintergrund, keine Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 86 %Hintergrund, keine Belege
    • JEV 49 %Hintergrund, keine Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 54 %Hintergrund, keine Belege
    • JEV 49 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
Modelle teilen und schützen
  1. SF-H5 Wann sind Chip- und Exportkontrollen eine Sicherheitsmaßnahme, und wann ein dauerhafter Vorteil?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • 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 →