
Cloud-GPU
Eine Cloud-GPU ist ein Grafikprozessor, den man über das Internet mietet, statt ihn physisch zu besitzen. KI-Unternehmen und Forscher nutzen sie, um rechenintensive Modelle zu trainieren, ohne eigene Hardware kaufen zu müssen.
Ein Grafikprozessor — kurz GPU — ist ein Chip, der ursprünglich für Videospiele entwickelt wurde. Er kann Tausende einfache Rechenoperationen gleichzeitig ausführen, was ihn für KI-Training besonders nützlich macht. Wer keine eigene GPU besitzt, kann sie über das Internet mieten: Das ist eine Cloud-GPU. Man zahlt für die Zeit, in der man sie nutzt — oft pro Stunde — und gibt sie danach wieder ab. Die Hardware steht in einem Rechenzentrum irgendwo auf der Welt.
Warum Cloud-GPUs KI-Entwicklung demokratisieren
Eine leistungsstarke GPU kostet im Kauf mehrere Tausend Euro. Die Chips, die große KI-Modelle trainieren, kosten sogar über 30.000 Euro pro Stück — und man braucht davon oft Tausende gleichzeitig. Das können sich nur wenige Unternehmen leisten. Cloud-GPUs ändern das: Statt einer Millionen-Investition bucht man die Rechenkapazität nur für die Stunden, in denen man sie wirklich braucht.
Für Startups und Universitäten ist das entscheidend. Sie können KI-Experimente starten, ohne zuerst Kapital für Hardware aufzutreiben. Schlägt ein Experiment fehl, entstehen nur Mietkosten für einige Stunden — kein dauerhafter Verlust. Dieser Unterschied hat dazu beigetragen, dass in den letzten Jahren sehr viele kleine Teams ernstzunehmende KI-Modelle veröffentlichen konnten.
Was hinter der Miet-GPU technisch steckt
In Rechenzentren stehen Regale voller Server, in die GPUs eingebaut sind. Der Anbieter verbindet diese Chips über sehr schnelle interne Netzwerke, sodass viele GPUs gemeinsam an einem Modell rechnen können. Der Nutzer greift über eine Softwareschnittstelle auf sie zu — er sieht keine Hardware, sondern reserviert eine bestimmte Anzahl von Chips für eine bestimmte Dauer.
Die Abrechnung funktioniert ähnlich wie ein Taxameter: Die Uhr läuft, solange der Chip arbeitet. Manche Anbieter verkaufen auch sogenannte Spot-Instanzen, also Rechenzeit, die gerade niemand anderes braucht, zum günstigeren Preis. Der Nachteil: Der Anbieter kann diese Kapazität jederzeit zurückfordern, wenn ein zahlungsstärkerer Kunde auftaucht. Laufende Berechnungen werden dabei unterbrochen.
Ein häufiger Irrtum ist, dass Cloud-GPU und Cloud-Computing dasselbe seien. Normale Cloud-Server nutzen allgemeine Prozessoren — sogenannte CPUs — die für viele verschiedene Aufgaben gebaut sind. Eine Cloud-GPU ist dagegen spezialisierte Hardware, die man explizit anfordern muss und die deutlich mehr kostet als ein Standard-Server.
Cloud-GPUs in Produkten und Schlagzeilen
Die größten Anbieter von Cloud-GPUs sind Amazon Web Services, Microsoft Azure und Google Cloud. Daneben gibt es spezialisierte Anbieter wie CoreWeave oder Lambda Labs, die ausschließlich GPU-Rechenzeit verkaufen. Wenn Nachrichtenartikel berichten, dass ein KI-Unternehmen « Millionen in Rechenkapazität investiert », ist fast immer Mietzeit in solchen Rechenzentren gemeint.
ChatGPT, Googles Gemini und ähnliche Systeme laufen bei jeder einzelnen Anfrage eines Nutzers auf GPUs in der Cloud. Das Modell wurde einmal trainiert, aber die sogenannte Inferenz — also das Berechnen einer Antwort auf eine konkrete Frage — passiert in Echtzeit auf gemieteter oder eigener GPU-Hardware. Die Betriebskosten für solche Dienste hängen deshalb direkt davon ab, wie viel Rechenzeit pro Antwort verbraucht wird.
Zuletzt sind Cloud-GPUs auch politisch relevant geworden. Die USA haben Exportbeschränkungen für bestimmte Chips eingeführt, damit Länder wie China keine Hochleistungs-GPUs kaufen können. Als Reaktion darauf prüfen Regulierer, ob der Zugang über Cloud-Dienste dieselbe Wirkung haben könnte — also ob jemand verbotene Hardware indirekt nutzt, indem er sie einfach aus der Ferne mietet.