Das menschliche Gehirn arbeitet mit ungefähr 20 Watt. Der schnellste Supercomputer der Welt, LineShine in Shenzhen, verbraucht 42,2 Millionen Watt. Dieser Unterschied ist im Internet das beliebteste Argument über den Energieverbrauch von Künstlicher Intelligenz, jedoch ist das meiste davon falsch.
Der Vergleich selbst ist korrekt. Allerdings gehen die Zahlen, die in sozialen Medien verbreitet werden, auf eine einzige Veröffentlichung zurück. Die wichtigste Zahl wurde bereits seit drei Jahren falsch zugeordnet.
China just topped the global supercomputer ranking for the first time since 2017.
— IT Guy (@T3chFalcon) June 24, 2026
LineShine. Shenzhen. 2.198 exaflops. 2 quintillion calculations per second. 20% faster than the US's El Capitan.
built entirely on domestic Chinese CPUs. no Nvidia. no US chips. no export controls… https://t.co/Tuuk6svl6l pic.twitter.com/fwFKWN0Mr4
Energieverbrauch von Künstlicher Intelligenz: Was 20 Watt tatsächlich leisten
Die Angabe von 20 Watt basiert auf jahrzehntelangen Stoffwechselmessungen. Das Gehirn macht etwa 2% des Körpergewichts aus und verbraucht ungefähr 20% des Sauerstoffs im Ruhezustand.
Die Anzahl der Neuronen ist unsicherer, als es wirkt. Die viel zitierte Angabe von 86 Milliarden basiert auf vier männlichen Gehirnen und wird momentan in der Fachzeitschrift „Brain" diskutiert.
In Beiträgen, die viral gehen, wird oft die Zahl 12 Watt statt 20 verwendet. Diese Zahl steht in einer Studie von 2023 in „Frontiers in Artificial Intelligence", wobei dort keine Quelle angegeben wird.
Die gleiche Veröffentlichung hat eine weitere Zahl veröffentlicht, die inzwischen von allen geteilt wird. Die Autoren schätzten, dass eine digitale Nachbildung eines menschlichen Gehirns 2,7 Milliarden Watt benötigen würde.
Diese Schätzung entstand, indem eine Simulation mit 10 Millionen Neuronen auf die Größe einer Maus hochgerechnet und dann mit tausend multipliziert wurde.
In der Studie steht auch, dass die Simulation etwa 30.000 Mal langsamer lief als die Biologie. In sozialen Netzwerken wird dieses Detail aber weggelassen. Danach wird der Wert fälschlicherweise dem Blue Brain Project zugeschrieben, obwohl dieses Projekt ihn nie veröffentlicht hat.
Ein viraler Beitrag auf LinkedIn mit der Behauptung, das menschliche Gehirn benötige nur 12 Watt zum Denken. Quelle: Evolving AI Verlässliche Zahlen gibt es jedoch auch an anderen Stellen. Epoch AI schätzte Anfang 2025, dass eine typische ChatGPT-Anfrage 0,3 Wattstunden verbraucht. Eine von Fachleuten geprüfte Studie in „Joule" kam später auf 0,31 Wattstunden.
Dass zwei unabhängige Methoden so ähnliche Zahlen liefern, ist ungewöhnlich. Dennoch verändert sich dieser Wert deutlich je nach Arbeitslast, und Modelle, die lange Antworten erstellen, können ein Vielfaches davon kosten.
Was Biologie anders macht und was in Silizium übernommen wurde
Die Aktivität in der Großhirnrinde ist spärlich. Die durchschnittlichen Aktivitätsraten liegen unter 1 Hz, und Energieverbrauch folgt Veränderungen, nicht Taktzyklen.
Moderne Künstliche Intelligenz hat diese Erkenntnis ebenfalls unabhängig gewonnen. Kimi K2 nutzt bei jedem Token 32,6 Milliarden seiner 1,04 Billionen Parameter, das sind knapp 3,1%.
Dieses Verhältnis sinkt schnell. Mixtral nutzte im Jahr 2023 ungefähr 28% seiner Parameter, während DeepSeek-V3 nun bei 5,5% liegt.
In der Biologie wird zudem mit geringer Genauigkeit gerechnet. Nichts innerhalb einer Nervenzelle entspricht 32 Bit.
Auch die Chiphersteller folgten diesem Ansatz. DeepSeek trainierte ein Modell mit 671 Milliarden Parametern in acht Bit Genauigkeit. NVIDIA hat inzwischen ein Modell mit 12 Milliarden Parametern in vier Bit vortrainiert.
Energieverbrauch im logarithmischen Vergleich, vom Gehirn bis zum Rechenzentrum / Quelle: BeInCrypto Der dritte Unterschied ist am größten und wurde bislang kaum übernommen: Im Gehirn sind Speicher und Verarbeitung am gleichen Ort.
Digitale Maschinen trennen Speicher und Prozessor. Mark Horowitz von der Stanford University zeigte, wie groß die Auswirkungen dieser Trennung sind. Das Abrufen eines Werts aus dem Speicher kann mehrere Hundert Mal mehr Energie benötigen als die eigentliche Rechenoperation.
Die gehirnähnlichen Chips, die nie erschien
Speziell nach dem Vorbild von Neuronen entwickelte Hardware hatte bislang wenige Erfolge. Kein neuromorphes oder analoges System hat ein fortschrittliches Modell im Produktionsbetrieb trainiert oder betrieben.
Intels Hala Point vereint 1,15 Milliarden künstliche Neuronen auf 1.152 Chips. Es bleibt jedoch ein Forschungs-Prototyp, der in den Sandia National Laboratories steht. Mike Davies, Leiter des Neuromorphic Computing Labs bei Intel, sagte im Gespräch mit The Register im Jahr 2024 folgendes:
„Wir ordnen derzeit keinem LLM einen Hala Point zu. Wir wissen nicht, wie das geht."
Die kommerzielle Situation ist noch schwieriger. BrainChip ist das bekannteste börsennotierte Unternehmen der Branche. Es berichtete im März-Quartal Kundeneinnahmen in Höhe von 700.000 USD, musste aber einen operativen Mittelabfluss von 5,3 Millionen USD hinnehmen.
Bei anderen Unternehmen herrscht kompletter Stillstand. Rain AI, das 150 Millionen USD aufnehmen wollte, scheiterte bei der Kapitalbeschaffung und prüfte im Jahr 2025 einen Verkauf.
Forschende aus der Branche beschreiben ein zirkuläres Problem. Catherine Schuman, Assistenzprofessorin für Elektrotechnik und Informatik an der University of Tennessee, Knoxville, sagte:
„Die Hardware-Unternehmen warten auf eine entscheidende Anwendung, aber es ist sehr schwierig zu verstehen, wie diese Anwendungen gebaut werden sollen, wenn keine Hardware vorhanden ist, um Prototypen zu testen."
Mehr als 20 Forschende unterschrieben 2025 ein gemeinsames Papier in Nature. Es wurde dargelegt, dass dem Bereich weiterhin das notwendige Ökosystem fehlt.
Die Prinzipien aus der Biologie setzten sich durch, doch die darauf basierende Hardware konnte sich nicht durchsetzen.
Alle bieten auf dieselben Elektronen: Die neue Konkurrenz um Strom
Effizienz ist jetzt wichtig, da Elektrizität zum begrenzenden Faktor geworden ist. Die Internationale Energieagentur schätzt, dass Rechenzentren im Jahr 2025 weltweit 485 Terawattstunden verbrauchen werden.
AI-spezialisierte Einrichtungen wuchsen allein in diesem Jahr um 50%. Die Agentur geht davon aus, dass sich dieser Wert bis 2030 verdreifachen wird.
Der Zugang zum Stromnetz, nicht die Chip-Versorgung, bestimmt inzwischen den Baufortschritt. Die mittlere Zeit von der Anfrage für den Netzanschluss bis zum kommerziellen Betrieb übersteigt laut Lawrence Berkeley National Laboratory fünf Jahre.
Microsoft-Chef Satya Nadella sagte im November, dass sein Unternehmen Prozessoren besitzt, diese aber mangels Strom nicht einsetzen kann. Der Engpass betrifft Gebäude mit Strom, nicht Halbleiter. Institutionelle Investoren haben ebenfalls Fragen zur Netzbereitschaft gestellt.
Bitcoin-Miner haben über zehn Jahre genau dieses Problem gelöst. Sie besitzen Standorte mit Stromversorgung, abgeschlossenen Stromverträgen und Netzanbindungsrechten, auf die neue Akteure oft Jahre warten müssen.
Dadurch wurde Mining zu einem Energie- und Infrastrukturunternehmen. Die Umrüstung eines bestehenden Standorts kostet laut VanEck ungefähr 3 Millionen bis 4 Millionen USD pro Megawatt. Neubauten schlagen mit 10 Millionen bis 12 Millionen USD zu Buche.
Die angekündigten Vertragswerte sind enorm. Börsennotierte Miner haben gemeinsam AI-Verträge im Wert von über 70 Milliarden USD unterzeichnet.
Die tatsächlich bereitgestellte Kapazität zeigt jedoch ein anderes Bild. Unterlagen zum zweiten Quartal 2026 belegen, dass tatsächlich rund 750 Megawatt im Sektor mit Strom versorgt werden.
Core Scientific stellt etwa 437 dieser Megawatt bereit. Der Helios-Campus von Galaxy brachte es auf 133 Megawatt, TeraWulf kam auf 102, IREN auf 50 und Riot auf 25. Hut 8 hat Verträge für 949 Megawatt abgeschlossen, aber noch keine Energie geliefert.
Vertraglich vereinbarte Kapazität im Vergleich zu tatsächlich in Betrieb genommener Leistung / Quelle: BeInCrypto Diese Neuausrichtung ist teuer gewesen. Die gemeinsamen Quartalsverluste der Miner MARA und CleanSpark erreichten im August 851 Millionen USD.
Der Großteil der Mining-Kapazität wird nie umgerüstet. Vorläufige Umfragedaten der Universität Cambridge, präsentiert im Juli, zeigten, dass etwa 10% der Miner Strom an AI vergeben haben.
Die Herausforderungen sind physischer Natur. Beim Mining sind Unterbrechungen verkraftbar, während AI-Kunden auf eine dauerhafte Stromversorgung, effektive Kühlung und Glasfaserkabel angewiesen sind, über die abgelegene Standorte selten verfügen.
Trotzdem ist die Richtung klar: Core Scientific erzielt inzwischen 83% seines Umsatzes aus Colocation-Diensten, aber nur noch 13% aus Mining selbst.
Investoren haben diese Veränderung bereits eingepreist. Miner mit unterschriebenen Verträgen werden an der Börse deutlich höher bewertet. Zudem wird die nächste AI-Investition immer mehr im Bereich Strom erwartet, nicht bei Chips.
Warum Effizienz den Energiebedarf von AI nicht lösen wird
In der Vergangenheit konnten Effizienzsteigerungen das Wachstum der Nachfrage ausgleichen. Die weltweite Rechenleistung von Rechenzentren wuchs zwischen 2010 und 2018 um 550%, während der Energieverbrauch nur um etwa 6% anstieg.
Dann änderte sich dieses Muster. Der Energieverbrauch von Rechenzentren in den Vereinigten Staaten stieg von 58 Terawattstunden im Jahr 2014 auf 176 im Jahr 2023.
Die Entwicklung wurde unter einer festen Grenze optimiert. Ein Schädel, der 200 Watt verbraucht, hätte seinem Besitzer das Leben gekostet, daher blieb nur Effizienz als Lösung.
Künstliche Intelligenz hatte diese Grenze nie. Sie war durch verfügbares Kapital begrenzt, und Kapital kann sich leichter anpassen als Strom.
Das ändert sich nun. Die offene Frage ist nicht mehr, ob Biologie effizienter ist. Entscheidend ist, was aus künstlicher Intelligenz wird, wenn nicht mehr Geld, sondern Strom bestimmt, was gebaut wird.
Lesen Sie die Originalgeschichte Ihr Gehirn arbeitet mit zwanzig Watt, KI braucht ein Kraftwerk von Jakub Dziadkowiec auf de.beincrypto.com