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
epoch30. April 2025 · Q005854

The computational performance of leading AI supercomputers has doubled every nine months

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der Notiz-Auszug fasst eine Epoch-AI-Analyse zusammen, laut der die Rechenleistung führender KI-Supercomputer seit 2019 jährlich um das 2,5-Fache gestiegen sei. Er katalogisiert zudem bestehende, geplante und für Modelltrainings genutzte Systeme, weist aber darauf hin, dass viele Zahlen auf Schätzungen, Ankündigungen oder indirekten Ableitungen beruhen und teils unklar bleiben.

Mittel

Der bereitgestellte Text ist ein Notiz-Auszug zu sechs Abschnitten, kein vollständiger Bericht. Er fasst eine Analyse von Epoch AI zusammen, laut der die Rechenleistung führender KI-Supercomputer seit 2019 jährlich um das 2,5-Fache gewachsen sei – ungefähr eine Verdopplung alle neun Monate. Als Treiber nennt die Analyse mehr Chips pro Cluster und höhere Leistung pro Chip. Ihre Datengrundlage umfasse 728 Systeme; für den Trend wurden 501 ab 2019 gestartete Anlagen betrachtet.

Die übrigen Notizen katalogisieren bestehende und geplante Supercomputer, Cloud-Angebote und Modelltrainings, darunter GPU-, TPU- und Cerebras-Systeme. Sie vermischen bestätigte Systemdaten mit Trainingsbelegungen aus Papers, Anbieterankündigungen und Schätzungen. Viele Angaben zu Chipzahlen, Leistung, Betriebszeitpunkt, Standort oder Clustergröße sind hergeleitet oder ausdrücklich unsicher. Eine angebotene Cloud-Kapazität belegt nicht automatisch einen tatsächlich gebauten Einzelcluster; Trainingsdaten belegen nicht zwingend eine eigene Anlage. Anonymisierte chinesische Einträge sind wegen fehlender Namen, Hardwareangaben und Quellen besonders schwer überprüfbar. Der Ausschnitt zeigt somit starkes Wachstum, aber keine durchgehend einheitlich belegte oder vergleichbare Inventarliste.

Ausführlich lesen

Der bereitgestellte Text besteht aus Notizen zu sechs Abschnitten eines Berichts und einer umfangreichen Inventarliste; er ist kein vollständiger Berichtstext. Im Mittelpunkt steht die Entwicklung großer KI-Rechensysteme. Laut der zusammengefassten Analyse sei die Rechenleistung führender KI-Supercomputer seit 2019 jährlich um das 2,5-Fache gestiegen – entsprechend einer Verdopplung etwa alle neun Monate. Als Gründe nennt der Bericht jährlich rund 1,6-mal so viele Chips je Cluster und 1,6-mal mehr Leistung je Chip. Zur Veranschaulichung heißt es, ein hypothetischer GPT-3-Trainingslauf auf xAI Colossus würde statt zwei Wochen weniger als zwei Stunden dauern.

Die Analyse beruhe auf Epoch AIs Datensatz mit 728 Supercomputern mit dedizierten KI-Beschleunigern, erfasst von 2010 bis zur Gegenwart. Epoch schätze, die Systeme hätten bis Januar 2025 etwa 10 bis 20 Prozent der weltweit produzierten KI-Chip-Leistung abgebildet. Für den Wachstumstrend seien 501 Systeme ausgewählt worden, die ab 2019 in Betrieb gingen. Als weiterführende Arbeit wird Pilz et al. (2025) genannt.

Die weiteren Notizen beschreiben eine breite Mischung aus bestehenden und geplanten Supercomputern, Cloud-Angeboten und einzelnen Modelltrainings. Aufgeführt werden unter anderem GPU-Systeme mit A100, H100, H200, V100 und AMD-Beschleunigern sowie Google-TPU- und Cerebras-Systeme. Beispiele reichen von Meta- und xAI-Clustern über nationale Laboranlagen wie Frontier bis zu Trainingsläufen für Modelle wie LLaMA, PaLM, BLOOM und Falcon. Die Liste erfasst auch historische Anlagen und Großprojekte, deren Realisierung oder Dimension noch offen ist. Sie enthält damit unterschiedliche Arten von Angaben: tatsächliche Systemkonfigurationen, veröffentlichte Trainingsbelegungen, angekündigte Kapazitäten und Schätzungen.

Die Notizen machen wiederholt Einschränkungen der Datengrundlage deutlich. Chipzahlen werden teils aus Knoten-, Strom- oder TOP500-Angaben hergeleitet; geplante Leistung wird mitunter grob aus Energiebedarf und Fertigstellungsjahr geschätzt. Trainingsangaben aus wissenschaftlichen Arbeiten belegen eine bestimmte Nutzung, aber nicht unbedingt einen eigenständigen oder dauerhaft dedizierten Cluster. Bei Cloud-Anbietern bedeutet eine angebotene maximale Skalierung nicht zwingend, dass ein entsprechender Einzelcluster gebaut oder verfügbar war. Auch Zeitpunkte, Standorte, Hardwaretypen, Besitzverhältnisse und Clustergrenzen sind teilweise unklar.

Besonders eingeschränkt prüfbar sind anonymisierte chinesische Systeme: Häufig fehlen Betreiber, konkrete Hardware und Quellen, und ähnliche oder wiederholte Einträge erlauben keine verlässliche Identifizierung. Bei etlichen Vorhaben – etwa Condor Galaxy, Stargate, NeevCloud, Graphcore Good Computer oder Wonder Valley – werden Status und Größen als geplant, unsicher oder unwahrscheinlich eingeordnet. Insgesamt zeichnet der Ausschnitt ein Bild schnell wachsender und vielfältiger KI-Rechenkapazitäten, dessen Zahlen jedoch je nach Eintrag unterschiedlich gut belegt sind und daher nicht durchgehend als bestätigte, vergleichbare Einzelclusterwerte gelesen werden sollten.

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

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 7 von 7
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV offen
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
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 41 %Hintergrund, keine Belege
    • JEV offen
    • amos 37 %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 66 %Hintergrund, keine Belege
    • JEV offen
    • amos 31 %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 48 %Hintergrund, keine Belege
    • JEV offen
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • 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 31 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 36 %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 61 %Hintergrund, keine Belege
    • JEV offen
    • amos 33 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 50 %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 77 %Hintergrund, keine Belege
    • JEV offen
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Agenten und vernetzte Systeme
  1. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 41 %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 46 %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 79 %Hintergrund, keine Belege
    • JEV offen
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Frieden und Sicherheit
Offenlegung und Rechenschaft
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 36 %Hintergrund, keine Belege
    • JEV offen
    • amos 42 %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 81 %Hintergrund, keine Belege
    • JEV offen
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
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 →