Rechenkapazität

Jeder Computer arbeitet in kleinen Schritten. Er addiert Zahlen, vergleicht sie, verschiebt sie im Speicher. Rechenkapazität sagt, wie viele solcher Schritte in einer bestimmten Zeit möglich sind. Man kann sich das wie die Kapazität einer Fabrik vorstellen: nicht wie gut sie arbeitet, sondern wie viel sie pro Tag schafft. Wer mehr Kapazität will, braucht mehr Maschinen, oder schnellere. In der KI-Branche wird häufig das englische Wort „Compute“ benutzt, es bedeutet genau dasselbe.

Warum Compute zur knappen Ressource wurde

Moderne KI-Systeme lernen aus riesigen Datenmengen. Dieses Lernen besteht aus Billionen einzelner Rechenschritte. Für ein großes Sprachmodell laufen dafür zehntausende Spezialchips über Wochen parallel. Ohne diese Menge an Rechenkapazität wäre so ein Modell technisch unmöglich, egal wie klug die Idee dahinter ist.

Deshalb ist Rechenkapazität heute ein wirtschaftliches Thema, nicht nur ein technisches. Die passenden Chips heißen GPUs, also Grafikprozessoren, die viele Berechnungen gleichzeitig ausführen. Sie sind teuer und über Monate ausverkauft. Wer davon viele besitzt, kann Dinge ausprobieren, die für kleinere Firmen unerreichbar bleiben. Genau darum kaufen Konzerne wie Microsoft, Amazon oder Meta Chips für zweistellige Milliardenbeträge ein.

Auch Staaten behandeln Rechenkapazität inzwischen als strategisches Gut. Die USA beschränken den Export der schnellsten KI-Chips nach China. Europa baut eigene Rechenzentren, um nicht vollständig von amerikanischen Anbietern abhängig zu sein. Das zeigt: Compute ist ein Machtfaktor geworden, ähnlich wie Öl oder Halbleiter allgemein.

Wie man Rechenkapazität misst und zusammenschaltet

Die gängigste Einheit sind FLOPS, kurz für Rechenoperationen mit Kommazahlen pro Sekunde. Ein guter Laptop-Chip schafft einige Billionen davon. Ein KI-Rechenzentrum kommt auf ein Vielfaches, weil dort tausende Chips zusammenarbeiten. Für ganze Trainingsläufe rechnet man nicht in FLOPS pro Sekunde, sondern in der Gesamtzahl aller Operationen. Bei den größten Modellen liegt diese Zahl bei etwa 10 hoch 25 bis 10 hoch 26.

Die Kapazität eines Rechenzentrums ist aber nicht einfach die Summe seiner Chips. Die Chips müssen ihre Zwischenergebnisse ständig austauschen. Ist die Verbindung zu langsam, warten sie aufeinander und stehen still. Deshalb sind schnelle Netzwerke innerhalb eines Rechenzentrums fast so wichtig wie die Chips selbst.

Dazu kommt der Strom. Ein großes KI-Rechenzentrum verbraucht so viel Energie wie eine Kleinstadt, und die Abwärme muss weggekühlt werden. Manche geplanten Anlagen scheitern nicht am Chipmangel, sondern daran, dass das örtliche Stromnetz nicht genug liefert. Rechenkapazität hat also immer eine physische Grenze.

Wo Compute in Preisen und Schlagzeilen auftaucht

Am direktesten begegnet man dem Thema bei Preisen. Kostenlose Chatbots antworten oft mit kleineren, sparsameren Modellen. Bezahlversionen greifen auf rechenintensivere zu, die länger „nachdenken“ dürfen. Wenn ein Anbieter Nutzungslimits einführt, steckt fast immer fehlende Rechenkapazität dahinter.

In Finanznachrichten ist Rechenkapazität der Grund für den Aufstieg des Chipherstellers Nvidia. Seine Grafikprozessoren gelten als Standard für KI-Training, was das Unternehmen zu einem der wertvollsten der Welt gemacht hat. Meldungen über neue Rechenzentren, Stromverträge oder Chipbestellungen bewegen inzwischen regelmäßig ganze Aktienmärkte.

Ein häufiger Irrtum ist, mehr Compute mache ein Modell automatisch besser. Rechenkapazität ist nur eine von drei Voraussetzungen, neben guten Daten und einer guten Modellidee. Sie ist eine Obergrenze für das Machbare, keine Garantie für Qualität. Wer viel Rechenzeit in ein schlecht gebautes Modell steckt, verbrennt lediglich Geld schneller.