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 · Q005846

Private-sector companies own a dominant share of GPU clusters

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Die Notizen beschreiben eine breite Bestandsaufnahme von KI- und HPC-Clustern; laut Epoch wuchs der Anteil privater KI-Rechenkapazität von 40 Prozent 2019 auf 80 Prozent 2025. Die Datensätze vereinen Betreiberangaben, Forschungsarbeiten und abgeleitete Schätzungen, wobei viele Projekte nur geplant oder hinsichtlich Größe, Hardware und Betrieb unsicher sind. Ähnliche anonymisierte Einträge belegen nicht zwingend verschiedene Systeme.

Mittel

Die bereitgestellten Notizen fassen Epoch AIs Bestandsaufnahme von KI- und HPC-Clustern zusammen. Demnach stieg der Anteil privater Anbieter an der globalen KI-Rechenkapazität von 40 Prozent 2019 auf 80 Prozent 2025; private Cluster wuchsen laut Beitrag schneller als öffentliche. Die Datengrundlage umfasst 728 Cluster mit dedizierten KI-Beschleunigern. Epoch schätzt, dass sie nach Rechenleistung etwa 10 bis 20 Prozent der vor 2025 produzierten KI-Chips abdecken.

Die Tabellen verbinden Betreiberangaben, wissenschaftliche Arbeiten, Top500-Daten und weitere Quellen. Sie umfassen bestehende und stillgelegte Systeme, Trainingsläufe, Cloud-Kapazitäten sowie angekündigte Projekte. Viele Chipzahlen sind aus Server- oder Knotenzahlen berechnet oder geschätzt. Trainingsangaben belegen zudem nicht immer einen eigenen, dauerhaft betriebenen Cluster.

Die Evidenz und der Status unterscheiden sich stark: Hardware, Stückzahlen, Termine, Eigentum und tatsächlicher Betrieb sind oft unsicher. Geplante Kapazitäten und aus Stromleistung abgeleitete Größen sind vielfach grobe Schätzungen, keine bestätigten Ist-Werte. Anonymisierte chinesische Einträge lassen sich häufig nicht zuverlässig identifizieren oder voneinander abgrenzen. Die Übersicht ist daher breit, aber keine einheitliche Messreihe; ihre Zahlen müssen anhand der jeweiligen Belege und Vorbehalte gelesen werden.

Ausführlich lesen

Die bereitgestellten Notizen beschreiben Epoch AIs Bestandsaufnahme von KI- und HPC-Rechenclustern sowie deren Wachstum, Ausstattung und Status. Laut Epoch stieg der Anteil des privaten Sektors an der globalen KI-Rechenkapazität von 40 Prozent im Jahr 2019 auf 80 Prozent im Jahr 2025. Die Rechenleistung erfasster öffentlicher Cluster wuchs demnach jährlich um den Faktor 1,8, die privater Cluster um den Faktor 2,7. Als mögliche Erklärung nennt der Beitrag die zunehmende wirtschaftliche Bedeutung von KI und höhere private Investitionen. Im Mai 2025 habe der größte bekannte öffentliche KI-Supercomputer, El Capitan, weniger als ein Viertel der Rechenleistung von xAIs Colossus erreicht.

Die Bestandsaufnahme stützt sich auf Epochs Datensatz zu 728 Clustern mit dedizierten KI-Beschleunigern, der den Zeitraum von 2010 bis heute abdeckt. Epoch schätzt, dass diese Systeme nach Rechenleistung etwa 10 bis 20 Prozent der vor 2025 produzierten KI-Chips repräsentieren. Die Zuordnung zu öffentlichen, privaten und gemischten Vorhaben folgt institutionellen und finanziellen Kriterien. Die Tabellen bündeln Systembeschreibungen, Betreiberangaben, Fachpublikationen, Top500-Daten und weitere Belege. Sie erfassen unter anderem GPU- und TPU-Systeme, Supercomputer, Cloud-Kapazitäten, Trainingsläufe sowie geplante Projekte.

Die Notizen nennen Beispiele aus unterschiedlichen Größenklassen und Generationen: etwa Meta- und Tesla-Cluster, Frontier, El Capitan, JURECA, HoreKa und Google-TPU-Systeme. Veröffentlichte Trainingsarbeiten liefern zusätzliche Hinweise auf verwendete Beschleunigerzahlen und Laufzeiten. Solche Angaben belegen jedoch nicht automatisch einen eigenständigen, dauerhaft betriebenen Cluster. Chipzahlen werden teils aus Knoten- oder Serverangaben errechnet, aus Top500-Einträgen abgeleitet oder aus ungenauen Formulierungen geschätzt. Auch aggregierte Cloud- und TPU-Kapazitäten können mehrere Pods, Standorte oder Rechenzentrumsbereiche umfassen.

Ein wiederkehrender Befund der Notizen ist daher die Uneinheitlichkeit der Evidenz. Einträge unterscheiden sich nach Vertrauensgrad und Betriebsstatus: Manche Systeme sind bestätigt oder stillgelegt, andere nur wahrscheinlich, geplant oder unklar. Bei Projekten können Hardwaretyp, Stückzahl, Zeitplan, Standort, Eigentum, tatsächlicher Betrieb oder sogar die Umsetzung offen sein. Große angekündigte Vorhaben und aus Stromleistung abgeleitete Kapazitäten sind vielfach grobe Schätzungen; sie dürfen nicht als bestätigte Ist-Werte gelesen werden. Auch bei bekannten Systemen können Leistungs- und Stromwerte je nach Berechnungsmethode abweichen.

Besondere Vorsicht gilt anonymisierten chinesischen Einträgen: Wiederholte oder ähnliche Zeilen belegen nicht, dass es sich um verschiedene Anlagen handelt, und lassen sich anhand der Notizen oft nicht sicher identifizieren. Insgesamt bietet das Material eine breite, quellenbasierte Übersicht über berichtete und geplante Rechenkapazitäten, aber keine einheitliche Messreihe. Die Aussagen zu Größen, Leistung und Status müssen jeweils im Licht ihrer Belege und ausdrücklich vermerkten Unsicherheiten verstanden werden.

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

Gegengeprüft von Claude Haiku 5.5: falsch

Die Einordnung ergibt keinen Bezug der drei Sammelfragen zum Bericht; Lunas Stufen 3 mit 63 bis 72 Prozent Anteil sind daher nicht gedeckt. Die Zusammenfassung enthält zudem eigene Interpretationen und lässt zentrale Befunde aus, etwa die Definition der Kategorien und den Vergleich El Capitan/Colossus.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Definition der Kategorien public, private und public-private (öffentlich-privat bei mindestens 25 Prozent Regierungsfinanzierung) fehlt.
  • Der Hinweis, dass Epoch die Daten zu 728 Clustern aus dem GPU-Clusters-Datensatz nutzt und dass El Capitan im Mai 2025 weniger als ein Viertel der Rechenleistung von xAI Colossus erreicht, fehlt.
  • Die Aussage, dass Epoch die Angaben auf den Datensatz 2010 bis heute stützt, fehlt ebenfalls teilweise.

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Angabe, dass private Anbieter schneller wuchsen als öffentliche, ist im Bericht nur als Wachstumsraten (2,7x vs. 1,8x pro Jahr) belegt, nicht als Aussage ohne Zahlen; dies ist eher korrekt. Erfunden ist vor allem die Aussage, die Notizen beschrieben eine breite Bestandsaufnahme 'vom Archiv' – hier nicht erfunden, aber in der mittleren Fassung wird behauptet, Epoch schätze 10 bis 20 Prozent der Chips; dies steht im Bericht. Nicht im Bericht: Die Behauptung, die Übersicht sei 'keine einheitliche Messreihe' sowie die Aussage zu Trainingsangaben, die 'keinen dauerhaft betriebenen Cluster' belegen, ist eine Interpretation des Autors, kein Berichtsinhalt.
  • Der Bericht enthält keine Angaben zu den Sammelfragen SF-E4, SF-W2 und SF-V5 (Gemeinwohl, Wettbewerbsrecht, Verhaltensregeln für Modelle); Luna hat diese Fragen beantwortet, obwohl sie der Bericht nicht behandelt.

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
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV offen
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 21 %Hintergrund, keine Belege
    • Luna 60 %Hintergrund, keine Belege
    • JEV offen
    • amos 34 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 24 %gleiches Oberthema, hilft nicht
    • 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 44 %Hintergrund, keine Belege
    • JEV offen
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 46 %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 32 %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 35 %Hintergrund, keine Belege
    • JEV offen
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 60 %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 63 %Hintergrund, keine Belege
    • JEV offen
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung kein Bezug
Agenten und vernetzte Systeme
  1. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV offen
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Modelle teilen und schützen
  1. SF-H5 Wann sind Chip- und Exportkontrollen eine Sicherheitsmaßnahme, und wann ein dauerhafter Vorteil?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV offen
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV offen
    • amos 53 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV offen
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 72 %Hintergrund, keine Belege
    • JEV offen
    • amos 26 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 32 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung kein Bezug
Wirtschaft und Haftung
  1. SF-W2 Wie wirken sich Wettbewerbsrecht und öffentliche Beschaffung auf die KI-Sicherheit aus?
    • clef 100 %kein Bezug
    • Luna 66 %Hintergrund, keine Belege
    • JEV offen
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
    • Haiku-Prüfung 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 →