KI-Rechenzentren lernen den Stromtrick, den Bitcoin-Miner zuerst gemeistert haben

Jede Antwort, die Sie von einem KI-Chatbot erhalten, beginnt mit Elektrizität. Die Worte erscheinen auf Ihrem Bildschirm, aber die eigentliche Arbeit geschieht in einem entfernten Gebäude, das mit Computerchips vollgepackt ist. Diese Chips ziehen Strom, bewegen Daten und erzeugen genug Wärme, um eine schwere Kühlung in KI-Rechenzentren zu erfordern.

Wenn Sie diesen Prozess über Millionen von Anfragen, Bildanforderungen und Geschäftstätigkeiten multiplizieren, beginnen Sie zu verstehen, warum eine schnelle Antwort auf eine Frage, die schwerelos erscheint, eine physische Nachfrage an Kraftwerken und Leitungen wird.

Stromversorger werden gebeten, diese Nachfrage in enormen, konzentrierten Blöcken zu liefern. Ihr durchschnittlicher großer Rechenzentrums-Campus kann so viel Strom verbrauchen wie eine kleine Stadt, und Unternehmen können einen solchen viel schneller planen und bauen, als das Versorgungsunternehmen es unterbringen kann.

Das Versorgungsunternehmen muss sich auch auf die Stunden vorbereiten, in denen die Kunden den meisten Strom verbrauchen, selbst wenn ein Teil dieser Kapazität während gewöhnlicher Zeiten ungenutzt bleibt. Kurz gesagt, Rechenzentren wollen Strom schneller, als das Netz bereitstellen kann.

Eine Lösung besteht darin, neue Kraftwerke zu bauen. Aber das ist eine sehr teure und zeitaufwändige Lösung, die Milliarden von Dollar kosten und Jahre dauern kann, bis sie betriebsbereit ist.

Eine andere Lösung besteht jedoch darin, einige der Computerarbeiten auf eine andere Stunde zu verschieben.

Eine Antwort eines Chatbots muss normalerweise sofort erscheinen, aber ein internes Experiment oder eine nächtliche Videoverarbeitungswarteschlange kann warten. Software, die den Unterschied erkennen kann, könnte die Arbeiten, die warten können, verlangsamen, wenn Elektrizität knapp ist, und sie dann aufholen lassen, wenn mehr Strom verfügbar ist.

Ein kleines Experiment in Texas zeigt, wie diese Anordnung aussehen könnte.

Luxor Energy, ein Unternehmen mit Wurzeln im Bitcoin-Mining, hat sich mit Bentaus zusammengetan, das Software herstellt, die steuert, wie viel Strom Computerchips verbrauchen. Gemeinsam kontrollierten sie einen einzelnen Nvidia B200, einen leistungsstarken Chip, der für KI-Arbeiten entwickelt wurde.

Der Chip führte eine Inferenz durch, was einfach bedeutet, ein trainiertes KI-Modell zu verwenden, um eine Antwort zu produzieren, als die Software ihm sagte, weniger Strom zu ziehen.

Die Unternehmen sagen, dass der Stromverbrauch des Chips innerhalb von einer halben Sekunde auf etwa 25 % des Normalwerts fiel und er während der Einschränkung weniger Anfragen bearbeitete.

Ethan Vera, Chief Operating Officer von Luxor, sagte gegenüber CryptoSlate, dass kein Job fehlgeschlagen ist und keine bereits laufende Arbeit verloren ging. Der Chip kehrte nach Ende der Einschränkung zur vollen Geschwindigkeit zurück.

Luxor und Bentaus sagten, ihre öffentliche Demonstration habe "keine Störung" verursacht, aber dieser Ausdruck benötigt etwas Übersetzung. Aus der Perspektive des Betreibers überlebte der Job und setzte seine Arbeit mit voller Geschwindigkeit fort.

Kunden könnten jedoch immer noch länger auf eine Antwort gewartet haben, da der Chip während der Einschränkung weniger Arbeit erledigte. Jeder Plan, KI flexibel zu gestalten, wird davon abhängen, wie oft diese Verzögerung auftritt, wer sie erlebt und was diesen Kunden versprochen wurde.

Das Experiment war ein Erfolg, betraf jedoch nur einen einzigen Chip. Große Rechenzentren enthalten Zehntausende von Chips sowie Server, Kühlsysteme, Speichergeräte und Netzwerkausrüstung.

Der Test macht eine breitere Idee leichter erkennbar: Ein KI-Rechenzentrum könnte Arbeiten nach Dringlichkeit sortieren und gelegentlich das Netz um weniger Strom bitten.

Texas hat nicht genug Strom, um die wartenden Computer zu versorgen

Das beste Beispiel dafür, was passiert, wenn neue Rechenzentren schneller kommen als neue Strominfrastruktur, ist Texas.

Der Electric Reliability Council of Texas (ERCOT) betreibt das Netz, das den größten Teil des Staates versorgt. Am 22. Juli erreichte der Stromverbrauch einen vorläufigen Rekord von 91.089 Megawatt, eine Zahl, die bis zur endgültigen Datenverarbeitung nicht offiziell ist.

ERCOT sagt, dass ein Megawatt etwa 250 Haushalte während einer Spitzenstunde versorgen kann. Nach diesem groben Vergleich entsprach der Rekord den Bedürfnissen von mehr als 22 Millionen Haushalten gleichzeitig.

Gov. Greg Abbott sagte im August, dass ERCOT Anfragen zur Verbindung von mehr als 474 Gigawatt neuer Stromnutzung prüft, wobei etwa 90 % aus Rechenzentren stammen. Ein Gigawatt entspricht 1.000 Megawatt, sodass die Warteschlange auf dem Papier mehr als fünfmal die Leistung beansprucht, die während der Rekordstunde von ERCOT genutzt wurde.

Abbott ordnete an, dass die Regulierungsbehörden die Projekte prüfen, bevor sie fortfahren dürfen.

In einer vorläufigen Überprüfung am 28. Juli stellte ERCOT fest, dass etwa 205 Gigawatt über ausreichende unterstützende Studien verfügten, um für die erste Studienreihe qualifiziert zu werden, was weniger als die Hälfte der insgesamt 474 Gigawatt ausmacht. Abbotts Prüfung unterbrach diese Überprüfung.

Die Regulierungsbehörden gaben ERCOT am 20. August mehr Zeit, und die Behörde erklärte, sie werde bis zum 31. August bedingte Zulassungsentscheidungen versenden. Entwickler können sich überschneidende Vorschläge einreichen, Plätze für Projekte reservieren, die niemals eine Finanzierung sichern, oder mehrere Standorte um Strom für einen späteren Campus bitten.

Texas führt die Prüfung teilweise durch, weil die Liste zu weit von der physischen Möglichkeit entfernt ist, um die Netzplanung allein zu leiten.

Aber selbst mit diesem Vorbehalt zeigt die Zahl von 474 Gigawatt den Ansturm auf Land mit Zugang zu großen Mengen Strom. Weitaus mehr Maschinen werden vorgeschlagen, als Kabel bereit sind, um sie zu bedienen.

Ein Update des Lawrence Berkeley National Laboratory, das in diesem Jahr veröffentlicht wurde, schätzt, dass Rechenzentren bis 2030 11,8 % des US-Stroms verbrauchen könnten. Die niedrigste Schätzung liegt bei 9,5 %, die höchste bei 15,3 %. Die Internationale Energieagentur erwartet, dass Rechenzentren bis Ende des Jahrzehnts etwa die Hälfte des Anstiegs des US-Stromverbrauchs ausmachen werden.

Aber selbst bei dieser Art von Nachfrage können Übertragungsleitungen in entwickelten Volkswirtschaften vier bis acht Jahre für den Abschluss benötigen. Die Behörde sagt, dass die Wartezeiten für wichtige Geräte, einschließlich Transformatoren und Kabel, sich in den letzten drei Jahren verdoppelt haben.

KI-Unternehmen neigen dazu, in Chips zu sprechen, aber elektrische Systeme müssen in Städten denken. Ein einzelner B200 kann bis zu 1.000 Watt ziehen. Nvidia gibt einen maximalen Stromverbrauch von etwa 14,3 Kilowatt für einen kompletten acht-GPU-DGX B200-Server an. Ein Megawatt entspricht 1.000 Kilowatt, und die neuen Regeln von Texas für sehr große Stromverbraucher beginnen bei 75 Megawatt.

Unter ERCOTs Vergleich für Haushaltskunden könnte diese Menge etwa 18.750 Kunden während einer Spitzenstunde versorgen. Sie könnte auch 75.000 ein-Kilowatt-GPUs mit Strom versorgen, zumindest bevor Prozessoren, Kühlung, Netzwerke, Batterien und elektrische Verluste hinzukommen.

Das Erlernen, wie man den Stromverbrauch eines dieser Chips steuert und einschränkt, ist der erste von vielen, vielen Schritten, um zu verstehen, wie man den Stromverbrauch in einem gesamten Rechenzentrum verwaltet.

Die schiere Komplexität dieses Unterfangens, sowohl in Bezug auf Software als auch Hardware, ist der Grund, warum Netzplaner Rechenzentren als "feste Lasten" betrachten, was bedeutet, dass Strom immer verfügbar sein muss, wenn sie danach fragen.

Betriebsleiter von Rechenzentren möchten, dass teure GPUs kontinuierlich laufen, da jede untätige Minute die Arbeit verzögert, für die Kunden bezahlen. Tausende von Chips, die an einem einzigen großen KI-Job arbeiten, sind eng voneinander abhängig.

Zu bestimmten Zeitpunkten muss eine Gruppe möglicherweise warten, bis eine andere fertig ist, bevor sie fortfahren kann. Wenn Sie eine ausgewählte Gruppe verlangsamen, kann sich die Verzögerung durch nahegelegene Maschinen ausbreiten.

Aber nicht alle Rechenarbeiten in einem Rechenzentrum müssen sofort erfolgen oder mit voller Geschwindigkeit laufen. Einige Aufgaben sind zeitkritisch, während andere verzögert oder langsamer ausgeführt werden können, ohne dass dies große Konsequenzen hat. Einige können sogar in ein anderes Rechenzentrum verschoben werden, wo Strom leichter verfügbar ist.

Jede Wahl bringt Kompromisse mit sich, aber jede kann den Strom reduzieren, den ein Rechenzentrum zu einem bestimmten Zeitpunkt vom lokalen Netz benötigt.

Bitcoin-Miner haben Computern beigebracht, wie man Erträge erzielt

Der Präzedenzfall stammt vom Bitcoin-Mining im texanischen Netz. Bitcoin-Miner konkurrieren darum, Belohnungen zu verdienen, indem sie Maschinen betreiben, die kontinuierlich Berechnungen durchführen. Wenn eine Maschine abgeschaltet wird, verliert der Miner die Möglichkeit, in diesem Zeitraum Geld zu verdienen.

Aber wenn der Strom zurückkehrt, kann die Maschine fast sofort wieder arbeiten. Kein Kunde wartet auf eine Antwort, und kein unvollendeter Rechenauftrag muss aufbewahrt werden.

Texas hat herausgefunden, dass die Grundidee als Nachfrageantwort bezeichnet wird: Wenn Strom knapp und teuer wird, erhalten große Nutzer einen Anreiz, weniger davon zu verbrauchen.

Bitcoin-Miner waren ungewöhnlich gut für das Geschäft geeignet. Sie konnten abschalten, wenn die Großhandelspreise in die Höhe schossen, wurden für die Reduzierung des Stromverbrauchs während Notfällen bezahlt und konnten die Übertragungskosten senken, indem sie einige kritische Sommerstunden aussetzten.

Eine Überprüfung von ERCOT im April beschrieb Krypto-Miner als die Hauptakteure, die preissensibel an einem seiner Notfallprogramme teilnehmen. Für einen Miner ist die Berechnung einfach: Wenn ein Megawatt wertvoller wird als das Bitcoin, das die Maschinen damit verdienen könnten, schalte die Maschinen aus. Die Last des Bitcoin-Minings bleibt nahe der vollen Kapazität, wenn der Strom billig ist, sinkt jedoch, sobald die Preise einen Kürzungsgrenzwert überschreiten. Höhere Hashpreise verschieben diesen Grenzwert nach oben. Quelle: Subir Majumder, basierend auf ERCOT-Daten

Luxor versorgt Bitcoin-Miner mit Software, Energiedienstleistungen und Finanzprodukten, daher ging das Unternehmen mit einem Instinkt für Berechnungen, die unterbrochen werden können, auf KI zu. Das Experiment fragt, ob Maschinen, die Kunden bedienen, etwas von der Gehorsamkeit des Minings gegenüber den Strompreisen erben können.

Diese Frage wird dringlicher, da Miner stromreiche Standorte in KI-Campus umwandeln. Wenn das Stromnetz eine Bitcoin-Mine, die auf Befehl abgeschaltet werden kann, gegen ein Rechenzentrum eintauscht, das rund um die Uhr läuft, könnte es eine wertvolle Notbremse aufgeben.

Wie flexibel ein Rechenzentrum sein kann, hängt stark davon ab, was seine Maschinen tun.

Training ist der lange, rechenintensive Prozess, ein Modell zu lehren, indem es wiederholt angepasst wird, während es enorme Datenmengen verarbeitet. Inferenz ist das, was danach passiert, wenn jemand das fertige Modell nach einer Antwort, einem Bild, einer Übersetzung oder einer Vorhersage fragt. Die beiden schaffen unterschiedliche Möglichkeiten, Strom zu sparen.

Ein langes Training kann manchmal an einem gespeicherten Checkpoint pausieren und später fortgesetzt werden, obwohl das Synchronisieren von Tausenden von Maschinen nicht trivial ist. Inferenz kann aus Millionen kleinerer Anfragen bestehen, einige von Personen, die sofort eine Antwort erwarten, und andere von automatisierten Jobs, die in einer Warteschlange warten können, bis Strom leichter oder günstiger verfügbar ist.

Google sortiert seine Berechnungen seit Jahren auf diese Weise. Im Jahr 2023 beschrieb das Unternehmen, wie es Arbeiten wie die Verarbeitung von YouTube-Videos verzögern konnte, wenn ein lokales Stromnetz unter Druck stand, oder diese Arbeiten in eine andere Region mit mehr verfügbarer Energie senden konnte. Suche, Karten und andere Dienste, von denen die Menschen erwarten, dass sie sofort funktionieren, blieben online.

Google brachte später dieselbe Idee auf Arbeitslasten im maschinellen Lernen. Bis März 2026 gab das Unternehmen an, dass es ein Gigawatt an Nachfrageantwort für Rechenzentren unter langfristigen Versorgungsverträgen in mehreren US-Regionen untergebracht hatte.

Einige dieser Verträge könnten auch neuen Rechenzentren helfen, schneller mit dem Stromnetz verbunden zu werden.

Forscher zeigen jetzt, dass dies auch außerhalb von Simulationen funktionieren kann. In einem von Experten begutachteten Artikel in Nature Energy beschrieb ein Team ein Experiment in einer Oracle-Cloud-Anlage in Phoenix. Die Software reduzierte den Stromverbrauch eines 256-GPU-Clusters um 25 % für drei Stunden, ohne priorisierte Aufträge außerhalb ihrer versprochenen Leistungsniveaus zu drängen.

Der Schlüssel lag darin, zu entscheiden, wo man die Verlangsamung absorbieren sollte. Die Software, die bestimmt, welche Jobs ausgeführt werden und wann, genannt Scheduler, schützte dringende Arbeiten und zog die Einsparungen bei der Energie von Jobs mit nachgiebigeren Fristen. Die Last beim Bitcoin-Mining sinkt, während die Wahrscheinlichkeit eines 4CP-Intervalls steigt. Die Reaktion schwächt sich, wenn die Einnahmen aus dem Mining höher sind. Quelle: Subir Majumder, basierend auf ERCOT-Daten

Emerald AI, das Unternehmen, das diese Arbeit geleitet hat, gab am 25. August eine Finanzierungsrunde in Höhe von 150 Millionen USD bekannt, die es mit über 1 Milliarde USD bewertete. Es wurde auch gesagt, dass seine Software kommerziell in gesamten Rechenzentren betrieben wird und mehrere Megawatt zieht.

Unabhängige Leistungsdaten für jede Anlage sind nicht verfügbar, aber dennoch zeigt die Finanzierung, dass flexible KI über Forschungspapiere hinaus in ein kommerzielles Geschäft übergegangen ist.

Andere Forscher haben versucht zu schätzen, wie viel Strom eine KI-Anlage zuverlässig während einer schwierigen Stunde abgeben könnte.

Ein Arbeitsdokument der Universität Chicago verwendete vier Jahre Strompreise und 49,4 Millionen reale Inferenzanfragen, um die Antwort zu modellieren. Der Autor schätzte, dass eine auf Inferenz fokussierte Anlage sich verpflichten könnte, 40 % ihrer Nachfrage zu senken. Eine Anlage, die eine Mischung aus Inferenz und Training betreibt, könnte 24,6 % zusagen.

Diese Prozentsätze fielen nur leicht, als das Modell auf eine Flotte von 10 Gigawatt erweitert wurde. Die Hauptgrenzen kamen von Kundenverträgen, Einschränkungen bei der Verschiebung von Arbeiten und dem Ansturm von Maschinen, die wieder auf volle Leistung zurückkehren.

Forscher an der Universität Alberta modellierten, was mit dem Stromnetz passiert, wenn KI-Jobs verzögert oder zwischen Rechenzentren verschoben werden können. Im angespanntesten Szenario des Modells reduzierte diese Flexibilität die benötigte Kapazität der Kraftwerke um mehr als 21 %. In einem anderen Szenario, in dem das lokale Netz überlastet war, senkte es die Gesamtkosten für die Stromversorgung um 3,5 %, obwohl die Ausgaben für neue Erzeugung um 7,1 % stiegen.

Der größte Nutzen aus der Verzögerung von Jobs trat innerhalb der ersten drei Stunden auf, sodass längeres Warten nicht viel mehr half. Obwohl dies nicht die Notwendigkeit beseitigte, neue Kraftwerke und Übertragungsleitungen zu bauen, zeigte es, dass das Netz mehr KI-Nachfrage mit weniger Infrastruktur und zu geringeren Gesamtkosten decken konnte.

Vier verborgene Momente können ein ganzes Jahr preisgeben

Das Geld hinter Luxors Experiment stammt aus einem ungewöhnlichen Merkmal des texanischen Strommarktes. Große Kunden helfen, das Hochspannungsübertragungsnetz zu finanzieren, und ein Teil dieser Rechnung kann davon abhängen, wie viel Strom sie während nur vier 15-minütiger Zeitfenster im Jahr verbrauchen.

Diese Zeitfenster sind die Momente der höchsten systemweiten Nachfrage im Juni, Juli, August und September, bekannt als die Four Coincident Peaks oder 4CPs.

Der Haken ist, dass niemand genau weiß, wann ein 4CP stattfindet, bis der Monat vorbei ist. Daher beauftragen große Stromverbraucher Wettervorhersager, das Netz, das Wetter und die Stromnachfrage zu beobachten und vorherzusagen, wann ein Peak wahrscheinlich ist.

Wenn die Chancen hoch genug erscheinen, reduzieren sie ihren Stromverbrauch für dieses 15-minütige Zeitfenster. Wenn man oft genug richtig rät, können die Einsparungen bei den Übertragungskosten erheblich sein. Das hat 4CP zu einem wiederkehrenden Spiel von Vorhersagen und Stromabschaltungen für Fabriken, Bitcoin-Minen, Batterien und jetzt möglicherweise auch KI-Rechenzentren gemacht.

Diese potenziellen Einsparungen machen viele Fehlalarme erträglich. Die neuesten Zahlen der PUCT für 2026 schätzen die ERCOT-Übertragungskosten auf etwa 6 Milliarden USD, verteilt auf eine durchschnittliche 4CP-Nachfrage von 80.859,8 Megawatt.

Das ergibt ungefähr 74,89 USD pro Kilowatt pro Jahr. Bei diesem Satz repräsentiert eine Nachfrage von 100 Megawatt während der vier Spitzenfenster etwa 7,49 Millionen USD an jährlichen Übertragungskosten.

Während das tatsächliche Gesetz je nach Versorgungsgebiet und Vertrag variieren wird, ist der finanzielle Anreiz hier ziemlich klar. Ein großes Rechenzentrum kann Millionen von Dollar auf nur eine Stunde Stromverbrauch setzen, die sich über einen ganzen Sommer verteilen. Den Strom für ein paar zusätzliche Stunden abzuschalten, um diese Stunde zu erfassen, kann ein sehr guter Tausch sein. Die Last beim Bitcoin-Mining sinkt, während die Wahrscheinlichkeit eines 4CP-Intervalls steigt. Die Reaktion schwächt sich ab, wenn die Mining-Einnahmen höher sind. Quelle: Subir Majumder, basierend auf ERCOT-Daten.

Luxor entschied sich, die GPU selbst zu drosseln, indem sie Live-Netzdaten verwendeten, um zu entscheiden, wann sie handeln sollten. Vera sagte, das Unternehmen beobachtete Anzeichen dafür, dass sich ein 4CP-Fenster bilden könnte, und sendete dann einen eigenen Befehl an den Chip. ERCOT hat der GPU nie gesagt, dass sie langsamer werden soll, und es war kein Notfallnetzprogramm beteiligt.

Dies war im Wesentlichen eine private Wette darauf, wann die Stromnachfrage ihren Höhepunkt erreichen würde, mit dem Ziel, die Übertragungsrechnung des Standorts zu senken. ERCOT klassifiziert diese Art der 4CP-Selbstbeschränkung separat von den Demand-Response-Programmen, die es betreibt.

Das stellt auch die Reaktionszeit von einer halben Sekunde in Perspektive. Ein 4CP-Fenster dauert 15 Minuten, daher macht es fast keinen Unterschied für die Übertragungsersparnisse, ob die GPU ihr niedriges Leistungsniveau in einer halben Sekunde oder mehreren Sekunden erreicht.

Das Notfallprogramm von ERCOT gibt den teilnehmenden Kunden im Allgemeinen 10 oder 30 Minuten Zeit, um die versprochene Stromreduktion zu liefern. Einige andere Netzservices bewegen sich schneller und verlangen von den Kunden, dass sie sofort mit der Stromreduzierung beginnen und die volle Reduktion innerhalb von 10 Minuten erreichen.

Wenn KI-Hardware schließlich an diesen Märkten teilnimmt, könnte die Steuerung in Sub-Sekunden nützlicher werden. Für Luxor ist jede zusätzliche Sekunde, die eine GPU gedrosselt wird, eine Sekunde, in der sie Geld durch Berechnungen hätte verdienen können.

Bentaus hatte bereits dieselbe grundlegende Idee in größerem Maßstab getestet. Im Februar beschrieben CPower, Bentaus und Supermicro eine Demonstration in Kalifornien, bei der ein Cluster von Servern mit B200-GPUs ausgestattet war.

Die Unternehmen gaben an, dass der Cluster auf ein Signal reagierte, das mit dem Großhandelsstrommarkt des Bundesstaates verbunden war, und seinen Stromverbrauch um bis zu 75 % reduzierte, während er dennoch die versprochenen Leistungsniveaus erfüllte.

Das texanische Experiment ist kleiner und viel enger: eine GPU, die auf einen spezifischen Anreiz zur Übertragungsabrechnung reagiert. Aber es fügt einen weiteren realen Test zu einer Idee hinzu, die bereits von einzelnen Chips zu Serverclustern und Versorgungsprogrammen übergegangen ist.

Wichtige Lücken bleiben in dem, was wir über den Texas-Test wissen. Die Unternehmen haben nicht offengelegt, welches KI-Modell lief oder wie lange die GPU bei reduzierter Leistung blieb. Sie haben nicht gesagt, wie viel Strom sie zuvor verbrauchte, wie sehr ihr Rechen-Durchsatz sank oder wie viel länger die Anfragen zur Bearbeitung benötigten.

Der Vertreter von Luxor auf dem texanischen Strommarkt bestätigte die Stromreduktion, aber es wurde keine unabhängige Analyse des Tests veröffentlicht.

Der Test zeigte, dass eine B200, die eine Inferenzlast ausführt, einen drastischen Leistungsabfall erleiden kann, ohne die bereits laufenden Arbeiten zu verlieren. Es ist ungewiss, was das für die Wartezeiten der Benutzer bedeutete, ob andere Inferenz- oder Trainingslasten auf die gleiche Weise reagieren würden oder wie viel Strom die Technik in einem gesamten Rechenzentrum einsparen könnte.

Eine GPU ist nur ein Teil der Stromrechnung eines Gebäudes. Kühlsysteme, Netzwerkausrüstung, Speicher, Pumpen und Stromumwandlung verbrauchen ebenfalls Strom. Daher bedeutet eine Reduzierung der Leistung eines Chips um 75 %, dass das Rechenzentrum nicht 75 % weniger Strom aus dem Netz bezieht.

Die am Zähler des Gebäudes gemessene Reduzierung könnte erheblich kleiner sein.

Luxor bereitet sich bereits auf seinen nächsten Test vor, diesmal mit einer Gruppe von Nvidia H100 GPUs in Texas. Vera sagte, dass das Hochskalieren bedeutet, Software zu entwickeln, die herausfinden kann, welche Aufgaben sicher verlangsamt werden können, und dann die Maschinen, die daran arbeiten, zu koordinieren. Es muss auch die versprochene Leistung der Kunden respektieren.

Jeder Sprung in der Skalierung, von einer GPU zu einem Server, einem Rack und schließlich einem gesamten Rechenzentrum, fügt eine weitere Komplexitätsebene hinzu. Mehr Geräte benötigen Strom, mehr Maschinen müssen zusammenarbeiten, und mehr Kundenlasten können möglicherweise eine Verlangsamung tolerieren oder auch nicht.

Texas beginnt, eine gewisse Flexibilität zu verlangen. Das Senate Bill 6, das 2025 verabschiedet wurde, verlangt von bestimmten großen Stromverbrauchern, die ab 2026 anschließen, den Verbrauch während schwerer Netznotfälle zu reduzieren. Es fordert auch ein Programm, das Standorte, die mindestens 75 Megawatt nutzen, bezahlt, um die Nachfrage zu senken, wenn Probleme zu erwarten sind.

Gleichzeitig überdenkt der Staat auch 4CP. Seine vier Sommerhöchstwerte können die Abend- und Winterstunden verpassen, wenn das Netz stärker belastet ist. Die Regulierungsbehörden haben vorgeschlagen, es durch 12CP zu ersetzen, das die Übertragungsgebühren auf einem 30-minütigen Höchstwert pro Monat basieren würde.

ERCOT kam in einer Überprüfung im April zu einem ähnlichen Schluss: Texas hat viel Nachfrageantwort, aber sie zeigt sich nicht immer, wenn das Netz sie am meisten braucht. 4CP treibt die meisten dieser Stromabschaltungen an, aber seine Sommerhöchstwerte können die Stunden verpassen, in denen die Nachfrage hoch und die Wind- und Solarproduktion niedrig ist.

ERCOT sagte, dass diese Diskrepanz ein Problem darstellt. Neue Kraftwerke und Übertragungsleitungen benötigen Jahre, aber flexible Nachfrage kann in Monaten hinzugefügt werden. Die Herausforderung besteht jetzt darin, sicherzustellen, dass diese Flexibilität zur richtigen Zeit verfügbar ist.

Der schwierigste Teil besteht darin, nachzuweisen, dass ein Rechenzentrum den Strom zuverlässig reduzieren kann. Wenn das Netz darauf angewiesen ist, dass 50 Megawatt verschwinden, muss es wissen, wie viel der Standort sonst verbraucht hätte, und dann die Reduzierung mit Zählerdaten verifizieren.

Es muss auch wissen, wie lange die Abschaltung dauern kann und was passiert, wenn die GPUs wieder hochgefahren werden. Wenn Tausende von ihnen gleichzeitig wieder hochgefahren werden, könnte das Rechenzentrum einen neuen Stromspitzenwert erzeugen.

Das macht Kundenverträge zu einem wesentlichen, aber übersehenen Teil der Gleichung. Ein Rechenzentrum könnte interaktive und sicherheitskritische Arbeiten normal weiterlaufen lassen, während es Aufgaben wie interne Experimente, Indizierung oder nächtliche Verarbeitung in eine flexible Kategorie einordnet.

Kunden könnten weniger für diese Flexibilität zahlen, während das Netz das Rechenzentrum dafür bezahlt, eine vorhersehbare, messbare Stromreduzierung bei Bedarf zu liefern.

Das würde eine Tatsache über KI unmöglich ignorierbar machen: Nicht jede Berechnung ist gleich dringend. Die Branche sortiert bereits Arbeiten nach Preis, Geschwindigkeit und Rechenkosten, sodass Strom eine weitere Variable in dieser Berechnung werden könnte.

Wenn das Netz angespannt ist, könnte ein Bild länger zum Rendern benötigen oder ein Trainingslauf könnte auf morgen verschoben werden, während andere Dienste weiterlaufen. Anstatt jeden GPU-Zyklus als gleich wichtig zu behandeln, könnten Rechenzentren beginnen, zwischen dem, was jetzt geschehen muss, und dem, was warten kann, zu unterscheiden.

Luxors halbe Sekunde Stromabschaltung war der einfache Teil. Dies über Tausende von GPUs hinweg zu tun, ohne Versprechen an die Kunden zu brechen und gleichzeitig Megawatt zu liefern, auf die das Netz tatsächlich zählen kann, wird viel schwieriger sein.

Aber genau hier wird die Idee interessant, denn KI hat ein Stromproblem und das Netz hat ein Flexibilitätsproblem, und Rechenzentren befinden sich zufällig genau dazwischen. Sie sind voll mit Maschinen, die Arbeiten verrichten, die manchmal um Sekunden, Minuten oder Stunden verschoben werden können, ohne dass es jemand bemerkt.

Wenn Betreiber diese Flexibilität in zuverlässige Stromersparnisse umwandeln können, könnte der enorme Strombedarf der KI zu etwas werden, mit dem das Netz tatsächlich arbeiten kann. Das könnte die nächste Phase des KI-Ausbaus ebenso sehr darüber bestimmen, Strom zur richtigen Zeit zu nutzen, wie genügend davon überhaupt zu finden.

Dieser Inhalt wird nur zu allgemeinen Informationszwecken bereitgestellt und stellt keine finanzielle, Anlage-, Rechts- oder Steuerberatung dar. Alle erwähnten Ereignisse, Prämien, Online-Aktionen oder zugehörige Informationen sollten nicht als Empfehlung, Aufforderung oder Einladung zum Kauf, Verkauf, Handel oder anderweitigem Umgang mit Krypto-Assets betrachtet werden. Krypto-Assets sind sehr volatil und können zu Verlusten führen. Die Verfügbarkeit von WEEX Services, Produkten und zugehörigen Aktionen kann je nach Region unterschiedlich sein. Sie sind dafür verantwortlich sicherzustellen, dass Ihre Teilnahme mit geltenden lokalen Gesetzen und Vorschriften übereinstimmt.