Anthropic und OpenAI suchen kleine KI-Rechenzentren, um die Bereitstellung von 20 bis 30 MW Rechenleistung zu beschleunigen

TradingKey – Anthropic und OpenAI suchen abseits von riesigen KI-Infrastrukturprojekten nach kleineren Rechenzentren mit Kapazitäten von etwa 20 bis 30 Megawatt, um schneller verfügbare Rechenleistung zu erhalten und der steigenden Nachfrage nach Modell-Inferenz gerecht zu werden.

Anthropic ist an entsprechende Projekte im Vereinigten Königreich und in der nordischen Region herangetreten, während OpenAI zuvor ähnliche Möglichkeiten in Nordeuropa prüfte. Zudem verhandelten beide Unternehmen über vergleichbare Kapazitäten in den USA, wie CNBC unter Berufung auf mit der Angelegenheit vertraute Personen berichtete. Verglichen mit den Verträgen über hunderte Megawatt oder gar im Gigawatt-Bereich, die beide Parteien im vergangenen Jahr unterzeichneten, sind solche Projekte deutlich kleiner, lassen sich in der Regel jedoch schneller errichten und bereitstellen.

OpenAI erklärte, man baue ein diversifizierteres Rechenleistungsportfolio auf, um die weltweite KI-Nachfrage zu bedienen. Da verschiedene Arbeitslasten unterschiedliche Anforderungen an Leistung, Zuverlässigkeit, Kosten und Lieferfristen stellen, arbeite das Unternehmen mit verschiedenen Arten von Partnern zusammen, äußere sich jedoch nicht zu konkreten kommerziellen Verhandlungen.

Anthropic reagierte nicht auf Anfragen nach einer Stellungnahme.

Dies bedeutet nicht, dass die beiden Unternehmen Hyperscale-Rechenzentren aufgeben, sondern vielmehr, dass sie neben großen Langfristprojekten flexiblere Rechenleistungsquellen erschließen. Anthropic schloss zuvor eine Partnerschaft im Wert von rund 45 Milliarden US-Dollar mit dem britischen Cloud-Anbieter Nscale ab, um rund 460 Megawatt Kapazität bei dessen Projekt in West Virginia zu mieten. Auch OpenAI treibt über Stargate und andere Partnerschaften mehrere Infrastrukturprojekte im Gigawatt-Bereich voran.

Riesige Großprojekte eignen sich zwar gut für das zentrale Training fortschrittlicher Modelle, sind jedoch häufig mit langwierigen Phasen für Netzanschluss, Genehmigungen und Bau verbunden. Einigen Rechenzentren in den USA schlägt Widerstand der lokalen Bevölkerung entgegen, während traditionelle europäische Märkte unter knappen Flächen-, Strom- und Übertragungskapazitäten leiden. Die Sicherung von einigen Dutzend Megawatt an bestehenden Standorten mit Stromanschluss ist oft praktischer, als darauf zu warten, dass ein einziger großer Campus vollständig den Betrieb aufnimmt.

Für Arbeitslasten, die regionenübergreifend ausgeführt werden können, lässt sich auch durch die Bündelung mehrerer kleinerer Cluster eine erhebliche Rechenkapazität aufbauen. Dieser Ansatz mildert zudem die Auswirkungen von Verzögerungen bei einzelnen Projekten ab, sodass KI-Unternehmen bestimmte Dienste bereits vor der Fertigstellung großer Anlagen bereitstellen können.

Die Verlagerung von KI-Rechenleistungen vom Training hin zur Inferenz ist ein weiterer Grund, warum kleinere Rechenzentren an Bedeutung gewinnen. Das Training großer Modelle erfordert in der Regel eine enorm hohe Anzahl von GPUs, die innerhalb eines einzigen Clusters mit hoher Geschwindigkeit zusammenarbeiten, was hohe Anforderungen an Netzwerkverbindungen und Chipdichte stellt. Bei der Inferenz hingegen geht es primär um die Verarbeitung von Benutzeranfragen; viele Aufgaben lassen sich auf kleinere Cluster an verschiedenen Standorten aufteilen, ohne dass sämtliche Chips in einer einzigen Hyperscale-Anlage konzentriert werden müssen.

Da Chatbots, KI-Agenten und Unternehmensanwendungen zunehmend in Produktivumgebungen eingesetzt werden, entwickelt sich die Nachfrage nach Inferenz zu einem Haupttreiber für den Ausbau von Rechenzentren. Das Immobiliendienstleistungsunternehmen JLL prognostiziert, dass die weltweite Rechenzentrumskapazität für KI-Inferenz bis 2027 diejenige für das Training übertreffen wird. Bis 2030 könnte der Anteil von Inferenz-Arbeitslasten von 9 % im Jahr 2025 auf 37 % steigen, während der Anteil von Trainings-Arbeitslasten im selben Zeitraum von 14 % auf 13 % sinkt.

Kleine Projekte können zudem näher an den Nutzern und Unternehmenskunden angesiedelt werden, was dazu beiträgt, die Netzwerklatenz zu verringern und regionale Datenschutz- und Compliance-Vorgaben zu erfüllen. Das Vereinigte Königreich und die nordische Region verfügen nicht nur über reichlich vorhandene Rechenzentren-Ressourcen, sondern bieten auch vergleichsweise viel sauberen Strom sowie niedrigere Kühlkosten, was günstige Bedingungen für dezentrale KI-Bereitstellungen schafft.

Daher ist die Suche von Anthropic und OpenAI nach Projekten mit 20 bis 30 Megawatt als Ergänzung zu ihren bestehenden Rechenleistungsstrategien zu verstehen und nicht als Reduzierung ihrer Infrastrukturinvestitionen. Beide Unternehmen benötigen weiterhin große Cluster zum Trainieren von Spitzenmodellen, doch mit dem steigenden Inferenz-Datenverkehr wird die zukünftige KI-Infrastruktur womöglich nicht mehr vollständig von einer kleinen Zahl von Campus-Standorten im Gigawatt-Bereich abhängen.