Gehirneffizienz: 20 Watt schlagen KI-Systeme um Millionen-fach
Veröffentlicht am: 31.08.2026 um 03:48 Uhr | Redaktion boerse-global.de
Während die Entwicklung von Systemen für Künstliche Intelligenz (KI) rasant voranschreitet, bleibt die biologische Leistungsfähigkeit des menschlichen Gehirns in Bezug auf die Energieeffizienz ein bislang unerreichtes Vorbild.
Aktuelle Daten verdeutlichen die enorme Diskrepanz zwischen biologischen und technischen Rechenprozessen: Das menschliche Gehirn benötigt für seine komplexen Leistungen lediglich etwa 20 Watt. Das entspricht bei einem durchschnittlichen Anteil von nur zwei Prozent am Körpergewicht rund 20 Prozent des gesamten Sauerstoffverbrauchs eines Menschen.
Der energetische Aufwand der digitalen Nachbildung
Dem biologischen Vorbild stehen technische Systeme gegenüber, deren Energiehunger um Größenordnungen höher liegt. Der Supercomputer LineShine etwa weist eine Leistungsaufnahme von 42,2 Millionen Watt auf.
Auch die Simulation menschlicher Hirnfunktionen stellt Hardware vor extreme Herausforderungen. Laut einer Studie aus dem Bereich der Neurowissenschaften (Thakur, 2018) würde allein die Simulation der menschlichen Hirnrinde eine Leistung von 0,5 Gigawatt erfordern.
Wer sich mit dem rasanten Einzug von KI-Systemen in den Geschäftsalltag befasst, muss auch die rechtlichen Rahmenbedingungen im Blick behalten. Dieser kostenlose Umsetzungsleitfaden bietet einen kompakten Überblick über alle Anforderungen, Pflichten und Fristen der neuen EU-Verordnung. EU AI Act in 5 Schritten verstehen
Dieser hohe Bedarf spiegelt sich im Alltagseinsatz von KI wider. Eine einzelne Anfrage an den Chatbot ChatGPT verbraucht Schätzungen von Epoch AI und Joule-Studien zufolge zwischen 0,3 und 0,31 Wattstunden. In der Summe führt dies zu einem massiven Anstieg des weltweiten Stromverbrauchs.
Die Internationale Energieagentur (IEA) bezifferte den Verbrauch von KI-Rechenzentren für das Jahr 2025 auf 485 Terawattstunden (TWh). Bis zum Jahr 2030 wird eine Verdreifachung dieser Werte erwartet, wobei die IEA für den globalen Sektor der Rechenzentren dann von etwa 950 Terawattstunden ausgeht, was rund drei Prozent des weltweiten Strombedarfs entspräche.
Innovationen bei der Hardware-Effizienz
Um dieser Entwicklung entgegenzuwirken, investiert die Branche verstärkt in spezialisierte Hardware. OpenAI präsentierte Ende August 2026 erste Benchmarks für den in Zusammenarbeit mit Broadcom entwickelten Jalapeño-Chip.
Der Chip ist auf eine Leistungsaufnahme von 700 Watt (550 Watt im Dauerbetrieb) ausgelegt und soll bei der Verarbeitung von KI-Modellen deutlich effizienter arbeiten als bisherige Lösungen.
Neben der technischen Effizienz rücken durch die EU-KI-Verordnung auch neue Dokumentationspflichten für Unternehmen in den Fokus. Erfahren Sie in diesem kostenlosen Report, welche KI-Systeme als Hochrisiko gelten und wie Sie die gesetzlichen Anforderungen rechtzeitig erfüllen. Kostenlosen Praxis-Leitfaden zum AI Act sichern
In Tests erreichte die Hardware 85.448 Tokens pro Kilowatt, während Vergleichssysteme wie der Nvidia GB200 auf 44.960 Tokens kamen. Die Latenzzeiten sollen dabei um den Faktor 1,7 bis 3,6 niedriger liegen. OpenAI plane den Einsatz in kleinen Stückzahlen für Ende 2026, während die Großproduktion für 2027 vorgesehen sei.
Auch andere Marktteilnehmer treiben die Effizienz voran. Googles Ironwood-TPU gilt als 30-mal effizienter als Modelle aus dem Jahr 2018. Nvidia kündigte zudem die Vera-Rubin-Architektur an, die bis Ende 2026 ausgeliefert werden soll. Neue Speichertechnologien wie NVHBM sollen zudem die Speicherbandbreite um 30 Prozent erhöhen und gleichzeitig den Energieverbrauch um 15 Prozent senken.
Infrastrukturausbau und alternative Forschungsansätze
Der steigende Energiebedarf der Rechenzentren erfordert massive Investitionen in die Energieinfrastruktur. E.ON plant bis 2030 Investitionen in Höhe von 48 Milliarden Euro, wovon der Großteil in den Netzausbau fließen soll. EnBW sieht im Zeitraum bis 2030 Investitionen von bis zu 50 Milliarden Euro vor und sicherte Google bereits eine Lieferung von 100 Megawatt aus Offshore-Windparks zu.
Parallel zur klassischen Halbleitertechnik werden alternative Konzepte erforscht. An der National University of Singapore (NUS) wird mit Biocomputern experimentiert, die auf menschlichen Neuronen aus Stammzellen basieren.
Diese Prototypen dienen derzeit der Forschung und stellen noch keine unmittelbare Alternative zur KI dar, unterstreichen jedoch das Bestreben, die Effizienz biologischer Systeme technisch nutzbar zu machen.
Gleichzeitig unterstützen KI-Systeme die Entwicklung neuer Energiequellen: Google DeepMind arbeitet gemeinsam mit CFS an der Optimierung des SPARC-Fusionsreaktors, dessen Inbetriebnahme für das Jahr 2026 angestrebt wird, um langfristig eine nachhaltige Stromversorgung für die digitale Infrastruktur zu sichern.
