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
epoch5. Juni 2025 · Q005827

Acquisition costs of leading AI supercomputers have doubled every 13 months

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AI berichtet, die Hardwarekosten führender KI-Supercomputer seien seit 2019 jährlich um den Faktor 1,9 gestiegen. Die Tabellen ergänzen Beispiele für bestehende und geplante Systeme sowie dokumentierte Trainingsläufe, doch viele Größen sind Schätzungen oder beruhen auf indirekten Angaben. Unterschiedliche Zähleinheiten, ungeklärte Projektpläne und anonymisierte Systeme schränken Vergleiche und Summierungen ein.

Mittel

Epoch AI berichtet, die Hardwarekosten führender KI-Supercomputer seien seit 2019 jährlich um den Faktor 1,9 gestiegen, also ungefähr alle 13 Monate auf das Doppelte. Als Beispiele nennt der Bericht Frontier mit geschätzten 200 Millionen US-Dollar im Juni 2022 und xAIs Colossus mit geschätzten mehr als 7 Milliarden US-Dollar im Juni 2025. Für die Trendanalyse betrachtet Epoch 502 Systeme aus einem Datensatz von 728 Supercomputern mit dedizierten KI-Beschleunigern. Fehlende Kosten werden aus Chipzahlen, Preisen und zusätzlicher Hardware geschätzt; Stromerzeugung und Rechenzentrumsbau sind ausgeschlossen.

Die übrigen Tabellen erfassen öffentliche und private Systeme, geplante Anlagen sowie Trainingsläufe aus Forschungsarbeiten. Sie nennen Beschleunigertypen und -zahlen, Status, Quellen und teilweise Leistungswerte. Die Belege reichen von offiziellen Angaben bis zu Ableitungen aus Knotenzahlen, Top500-Daten, Kosten oder Stromkapazität. Trainingsressourcen belegen nicht zwingend einen einzelnen, dedizierten Cluster. Geplante Vorhaben sind nicht mit betriebsbereiten Systemen gleichzusetzen, und manche Angaben zu Umfang, Zeitpunkt oder Hardware bleiben unsicher.

Vergleiche sind zusätzlich dadurch erschwert, dass Werte teils GPUs, teils Chips, Superchips oder ganze Systeme zählen. Viele anonymisierte chinesische Einträge lassen sich nicht sicher zuordnen und dürfen nicht als unabhängige, bestätigte Systeme aufsummiert werden. Der Bericht zeigt damit eine starke Expansion, aber keine einheitlich gesicherte oder direkt vergleichbare Gesamterfassung.

Ausführlich lesen

Der Bericht beschreibt zwei Dinge: einen starken Anstieg der Hardwarekosten führender KI-Supercomputer und einen umfangreichen Datensatz zu KI-Beschleunigern, HPC-Systemen und dokumentierten Trainingsläufen. Epoch AI berichtet, die Hardwarekosten führender KI-Supercomputer seien seit 2019 im Jahresmittel um den Faktor 1,9 gestiegen – der Titel fasst das als ungefähr eine Verdopplung alle 13 Monate. Als Beispiele nennt der Bericht Frontier mit geschätzten Kosten von 200 Millionen US-Dollar im Juni 2022 und xAIs Colossus mit geschätzten mehr als 7 Milliarden US-Dollar im Juni 2025.

Die Kostenanalyse stützt sich auf Epochs Datensatz von 728 Supercomputern mit dedizierten KI-Beschleunigern aus dem Zeitraum 2010 bis heute; für die Trendberechnung werden 502 ab 2019 in Betrieb genommene Systeme betrachtet. Epoch schätzt, dass die erfassten Systeme vor 2025 etwa 10 bis 20 Prozent der weltweit produzierten KI-Chip-Leistung abdeckten. Wo veröffentlichte Kosten fehlen, schätzt Epoch sie zunächst anhand von Chipzahlen und öffentlichen Preisen und ergänzt weitere Hardware wie Netzwerkswitches und CPUs. Die Angaben sind auf US-Dollar vom Januar 2025 inflationsbereinigt. Stromerzeugung und Rechenzentrumsbau sind nicht eingerechnet.

Die weiteren Abschnitte listen Systeme mit Beschleunigertypen und -zahlen, Status, Evidenzgrad, Quellen und teilweise Leistungswerten. Dazu gehören öffentliche Forschungsrechner, Unternehmenscluster sowie Trainingskonfigurationen aus wissenschaftlichen Arbeiten. Die Beispiele reichen von älteren V100-Systemen und Trainingsläufen auf V100- oder A100-GPUs bis zu größeren H100- und neueren Beschleunigeranlagen. Auch TPU-Trainingsläufe und Cerebras-Systeme werden aufgeführt. Die Trainingsangaben belegen häufig, welche Ressourcen für ein bestimmtes Modell oder einen Lauf eingesetzt wurden; sie belegen nicht automatisch, dass diese Ressourcen einen eigens dafür vorgesehenen physischen Einzelcluster bildeten.

Die Tabellenwerte sind unterschiedlich belastbar. Manche GPU-Zahlen stammen aus offiziellen Spezifikationen oder Veröffentlichungen; andere werden aus Top500-Daten, Knotenzahlen, Stromkapazität, Kostenannahmen oder Benchmark-Einreichungen abgeleitet. Der Datensatz unterscheidet Statusangaben wie „bestehend“, „geplant“ und „außer Betrieb“ von Evidenzeinschätzungen wie „bestätigt“, „wahrscheinlich“ oder „unwahrscheinlich“. Geplante Anlagen sind deshalb nicht als betriebsbereit zu verstehen. Bei mehreren Projekten sind Umfang, Standort, Zeitpunkt, Chiptyp oder tatsächliche Umsetzung offen.

Besonders große Zukunftsprojekte werden teils aus angekündigter Stromleistung oder Zielgrößen in mögliche GPU-Zahlen umgerechnet. So nennt der Datensatz sehr große Schätzungen für Vorhaben von OpenAI und Oracle, xAI, Microsoft, Reliance und Nebius, weist aber auf offene Pläne, Gerüchte oder nicht bestätigte Hardware hin. Auch die angekündigten EU-AI-Gigafactories haben laut Notizen noch keine feststehenden Standorte und Konfigurationen. Die Einheit ist zudem nicht immer vergleichbar: Manche Werte zählen GPUs, andere Chips, Superchips oder Systeme; „1.000 Einheiten“ kann etwa unterschiedliche Dinge meinen.

Eine weitere Grenze sind wiederholt auftauchende, anonymisierte chinesische Systeme. Betreiber, Hardware und Zuordnung fehlen oft; Werte können voneinander abweichen oder widersprüchlich wirken. Solche Einträge erlauben weder eine sichere Identifikation noch eine verlässliche Addition zu unabhängigen Kapazitäten. Insgesamt dokumentiert der Bericht eine rasche Skalierung und eine breite Palette veröffentlichter und geschätzter Systeme, doch seine Zahlen sind je nach Quelle und Zähleinheit unterschiedlich sicher und direkt vergleichbar.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Zusammenfassung gibt den Bericht im Kern treu wieder. Kleinere Mängel: Sie lässt die Abdeckungsangabe von 10–20 % der Chips und die Inflationsbereinigung weg und enthält eine eigene Bewertung zu anonymisierten Einträgen, die der Bericht nicht trifft. Die drei Sammelfragen werden vom Bericht nur am Rande berührt; die Stufen 1 sind deshalb niedrig, Lunas höhere Stufen 3 sind nicht gedeckt.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Datensatz deckt laut Bericht etwa 10–20 % der vor 2025 produzierten KI-Chips (nach Leistung) ab.
  • Alle Kostenangaben sind auf Januar-2025-Dollar inflationsbereinigt.
  • Der Bericht nennt die Kostenschätzung für Rechenzentren ohne Stromerzeugung und Gebäudebau ausdrücklich als Einschränkung, Luna erwähnt das nur knapp.
  • Die Quelle ist Epoch AI (Autor Konstantin F. Pilz), der Datensatz umfasst 728 Supercomputer, davon 502 ab 2019 betriebsbereit.

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Aussage, anonymisierte chinesische Einträge dürften nicht als unabhängige, bestätigte Systeme aufsummiert werden, ist eine Schlussfolgerung von Luna und steht so nicht im Bericht.

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
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 21 %Hintergrund, keine Belege
    • Luna 37 %Hintergrund, keine Belege
    • JEV offen
    • amos 30 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV offen
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  3. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV offen
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 64 %Hintergrund, keine Belege
    • JEV offen
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
  1. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV offen
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV offen
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. SF-H5 Wann sind Chip- und Exportkontrollen eine Sicherheitsmaßnahme, und wann ein dauerhafter Vorteil?
    • clef 100 %kein Bezug
    • Luna 61 %Hintergrund, keine Belege
    • JEV offen
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 86 %Hintergrund, keine Belege
    • JEV offen
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Wirtschaft und Haftung

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 →