Ihr Gehirn läuft mit 20 Watt. KI benötigt ein Kraftwerk

Das menschliche Gehirn benötigt ungefähr 20 Watt. Der schnellste Supercomputer der Welt, LineShine in Shenzhen, zieht 42,2 Millionen Watt. Diese Kluft ist zum Lieblingsthema im Internet über den Energieverbrauch von KI geworden, und die meisten Informationen dazu sind falsch.

Der Vergleich selbst hält stand. Allerdings stammen die Zahlen, die in sozialen Medien kursieren, aus einem einzigen Papier. Die auffälligste Zahl wurde seit drei Jahren falsch zugeordnet.

China hat zum ersten Mal seit 2017 das globale Supercomputer-Ranking angeführt.

LineShine. Shenzhen. 2,198 Exaflops. 2 Quintillionen Berechnungen pro Sekunde. 20% schneller als das US-Modell El Capitan.

vollständig auf inländischen chinesischen CPUs aufgebaut. keine Nvidia. keine US-Chips. keine Exportkontrollen... https://t.co/Tuuk6svl6l pic.twitter.com/fwFKWN0Mr4
--- IT Guy (@T3chFalcon) 24. Juni 2026

Energieverbrauch von KI: Was 20 Watt tatsächlich kaufen {#h-ai-energy-use-what-20-watts-actually-buys}

Die 20-Watt-Zahl basiert auf jahrzehntelangen metabolischen Messungen. Das Gehirn macht etwa 2% des Körpergewichts aus und verbraucht ungefähr 20% des Ruhe-Sauerstoffverbrauchs.

Die Neuronenzahl ist unsicherer, als sie scheint. Die weit verbreitete Zahl von 86 Milliarden basiert auf vier männlichen Gehirnen und wird derzeit in der Zeitschrift Brain angefochten.

Virale Beiträge verwenden oft 12 Watt anstelle von 20. Diese Zahl erscheint in einem Papier von 2023 in Frontiers in Artificial Intelligence, ohne jegliche Quellenangabe.

Dasselbe Papier lieferte die Zahl, die jeder teilt. Die Autoren schätzten, dass die digitale Rekonstruktion eines menschlichen Gehirns 2,7 Milliarden Watt benötigen würde.

Diese Schätzung stammt von der Extrapolation einer Simulation mit 10 Millionen Neuronen auf Mausgröße, gefolgt von einer Multiplikation mit tausend.

Das Papier stellt auch fest, dass die Simulation etwa 30.000 Mal langsamer lief als die Biologie. Soziale Beiträge lassen dieses Detail weg. Sekundärquellen schreiben die Zahl dann dem Blue Brain Project zu, das sie nie veröffentlicht hat.

Zuverlässige Zahlen existieren auch anderswo. Epoch AI schätzte eine typische ChatGPT-Anfrage Anfang 2025 auf 0,3 Wattstunden. Eine begutachtete Studie in Joule kam später auf 0,31.

Zwei unabhängige Methoden, die so nah beieinander liegen, sind ungewöhnlich. Allerdings ändert sich die Zahl stark mit der Arbeitslast, und Denkmodelle, die längere Antworten produzieren, können mehrere Male so viel kosten.

Was die Biologie anders macht und was Silizium kopiert {#h-what-biology-does-differently-and-what-silicon-copied}

Kortexaktivität ist spärlich. Die durchschnittlichen Feuerraten liegen unter 1 Hz, und Energie folgt Veränderungen statt Taktzyklen.

Moderne KI kam unabhängig zu demselben Schluss. Kimi K2 aktiviert 32,6 Milliarden seiner 1,04 Billionen Parameter pro Token, was nahe bei 3,1% liegt.

Dieses Verhältnis sinkt schnell. Mixtral verwendete 2023 etwa 28% seiner Parameter, während DeepSeek-V3 jetzt 5,5% nutzt.

Die Biologie rechnet auch mit niedriger Präzision. Nichts in einem Neuron wird auf 32 Bit aufgelöst.

Chip-Hersteller folgten demselben Weg. DeepSeek trainierte ein Modell mit 671 Milliarden Parametern in acht Bit Präzision. NVIDIA hat seitdem ein Modell mit 12 Milliarden Parametern in vier Bit vortrainiert.

Der dritte Unterschied ist der größte und am wenigsten kopierte. Gehirne halten Gedächtnis und Berechnung am selben physischen Ort.

Digitale Maschinen trennen sie. Stanfords Mark Horowitz zeigte die Kosten dieser Trennung. Das Abrufen eines Operanden aus dem Speicher kann Hunderte Male mehr Energie verbrauchen als die Arithmetik selbst.

Die gehirnähnlichen Chips, die nie ankamen {#h-the-brain-shaped-chips-that-never-arrived}

Hardware, die ausdrücklich zur Nachahmung von Neuronen entwickelt wurde, hat Schwierigkeiten gehabt. Kein neuromorphes oder analoges System hat ein Grenzmodell in der Produktion trainiert oder betrieben.

Intels Hala Point packt 1,15 Milliarden künstliche Neuronen auf 1.152 Chips. Es bleibt ein Forschungsprototyp, der in den Sandia National Laboratories installiert ist. Mike Davies, Direktor des Neuromorphic Computing Lab von Intel, sagte 2024 gegenüber The Register:

"Wir kartieren derzeit kein LLM auf Hala Point. Wir wissen nicht, wie das geht."

Das kommerzielle Bild ist noch dünner. BrainChip ist das Flaggschiffunternehmen des Sektors. Es berichtete im letzten Märzquartal von 700.000 USD an Kundeneinnahmen bei 5,3 Millionen USD an Betriebsausgaben.

Andere sind ganz ins Stocken geraten. Rain AI, das 150 Millionen USD suchte und es nicht schaffte, diese zu beschaffen, erkundete 2025 einen Verkauf.

Forscher in diesem Bereich beschreiben ein zirkuläres Problem. Catherine Schuman, Assistenzprofessorin für Elektrotechnik und Informatik an der University of Tennessee, Knoxville, erklärte:

"Die Hardwareunternehmen warten darauf, dass es eine Killeranwendung gibt, aber es ist wirklich schwer zu verstehen, wie man diese Anwendungen ohne Hardware zum Prototypisieren bauen kann."

Mehr als 20 Forscher unterzeichneten 2025 ein Konsenspapier in Nature. Es argumentierte, dass dem Bereich immer noch das notwendige Ökosystem fehlt.

Die Prinzipien der Biologie gewannen. Die Hardware, die sie verkörpern sollte, tat es nicht.

Alle bieten auf dieselben Elektronen {#h-everyone-is-bidding-for-the-same-electrons}

Effizienz ist jetzt wichtig, da Elektrizität zur bindenden Einschränkung geworden ist. Die Internationale Energieagentur schätzte den globalen Verbrauch von Rechenzentren im Jahr 2025 auf 485 Terawattstunden.

AI-fokussierte Einrichtungen wuchsen allein in diesem Jahr um 50 %. Die Agentur erwartet, dass sie bis 2030 auf das Dreifache anwachsen.

Der Zugang zum Stromnetz, nicht die Chipversorgung, bestimmt jetzt den Bau. Die mediane Zeit von einer Anfrage zur Netzanbindung bis zum kommerziellen Betrieb übersteigt laut dem Lawrence Berkeley National Laboratory fünf Jahre.

Microsoft-CEO Satya Nadella sagte im November, dass sein Unternehmen Prozessoren hält, die es nicht anschließen kann. Der Mangel betrifft die Gebäude, nicht den Silizium. Institutionelle Investoren haben ähnliche Fragen zur Netzbereitschaft aufgeworfen.

Bitcoin-Miner haben ein Jahrzehnt damit verbracht, genau dieses Problem zu lösen. Sie halten energisierte Standorte, unterzeichnete Stromverträge und Netzanbindungsrechte, auf die Neulinge Jahre warten müssen.

Das Ergebnis hat das Mining in ein Energie- und Infrastrukturgeschäft verwandelt. Die Nachrüstung eines funktionierenden Standorts kostet etwa 3 Millionen bis 4 Millionen USD pro Megawatt. Der Neubau kostet laut VanEck 10 Millionen bis 12 Millionen USD.

Die angekündigten Dealwerte sind enorm. Öffentliche Miner haben AI-Verträge im Gesamtwert von mehr als 70 Milliarden USD unterzeichnet.

Die gelieferte Kapazität erzählt eine ruhigere Geschichte. Die Einreichungen für das zweite Quartal 2026 zeigen, dass im Sektor etwa 750 Megawatt tatsächlich energisiert wurden.

Core Scientific macht etwa 437 dieser Megawatt aus. Galaxys Helios-Campus lieferte 133; TeraWulf 102; IREN 50; und Riot 25. Hut 8 hat 949 Megawatt vertraglich gebunden und keine davon energisiert.

Die Wende war kostspielig. Die kombinierten Quartalsverluste der Miner MARA und CleanSpark erreichten im August 851 Millionen USD.

Die meisten Mining-Kapazitäten werden niemals umgewandelt. Vorläufige Umfragedaten von Cambridge, die im Juli präsentiert wurden, zeigten, dass etwa 10 % der Miner Strom für AI zugewiesen hatten.

Die Hindernisse sind physisch. Mining toleriert Unterbrechungen, während AI-Mieter feste Energie, dichte Kühlung und Glasfaser verlangen, die abgelegene Standorte selten haben.

Dennoch ist die Richtung der Reise klar. Core Scientific erzielt jetzt 83 % seines Umsatzes aus Co-Location und nur 13 % aus dem Mining selbst.

Investoren haben diesen Wandel bereits eingepreist. Miner, die unterzeichnete Mietverträge halten, werden zu viel höheren Multiplikatoren ihrer energisierten Leistung gehandelt. Inzwischen sieht die nächste AI-Wette zunehmend nach Elektrizität und nicht nach Chips aus.

Warum Effizienz die Energieverwendung von AI nicht beheben wird {#h-why-efficiency-will-not-fix-ai-energy-use}

Effizienzgewinne haben in der Vergangenheit das Nachfragewachstum absorbiert. Die Rechenleistung globaler Rechenzentren wuchs zwischen 2010 und 2018 um 550 %, während der Energieverbrauch um etwa 6 % stieg.

Dann brach das Muster. Der Verbrauch von Rechenzentren in den Vereinigten Staaten stieg von 58 Terawattstunden im Jahr 2014 auf 176 im Jahr 2023.

Die Evolution optimierte unter einer harten Obergrenze. Ein Schädel, der 200 Watt zog, hätte seinen Besitzer getötet, sodass Effizienz die einzige verfügbare Antwort wurde.

KI hat dieser Obergrenze nie gegenübergestanden. Stattdessen sah sie sich einer Kapitalobergrenze gegenüber, und Kapital lässt sich viel einfacher dehnen als Elektrizität.

Das ändert sich jetzt. Die offene Frage ist nicht mehr, ob Biologie effizienter ist. Es ist, was KI wird, wenn nicht Geld, sondern Energie entscheidet, was gebaut wird.