Die Bestellzahlen sind um das Zigfache explodiert: Warum reißen sich alle KI-Akteure weltweit um chinesische Batterien?

In den letzten zwei Jahren ist der Wettlauf um die KI-Fähigkeiten in vollem Gange und stellt sowohl in China als auch in den USA einen der wichtigsten Impulse für Investitionen dar.

GPU, Speicher, optische Module und Flüssigkühlung – die Markttrends im Bereich der Infrastruktur für Rechenleistung brechen nacheinander in Wellen aus.

Zudem verbrauchen GPU-Chips extrem viel Strom: Ein großes KI-Rechenzentrum verursacht jährliche Stromkosten in Höhe von mehreren Milliarden Yuan, was dem Stromverbrauch einer ganzen Kleinstadt entspricht.

Selbst wenn Sie über mehrere Milliarden Yuan verfügen, ist es nicht unbedingt möglich, ausreichend Strom zu sichern.

In einigen Regionen der USA muss man 3 bis 7 Jahre warten, bis ein KI-Rechenzentrum an das Stromnetz angeschlossen wird. Daher können Persönlichkeiten wie Elon Musk und Mark Zuckerberg nicht länger warten und beginnen, Gasturbinen zu kaufen, um eigene Kraftwerke zu bauen.

Dadurch ist auch eine ganze Reihe von Stromgeräten, die scheinbar nichts mit KI-Rechenleistung zu tun haben – wie Gasturbinen, Transformatoren und Hochspannungsschalter – in ihrem Wert stark gestiegen.

Doch in einer Ecke, die die meisten Menschen nicht bemerkt haben, steigt auch die Nachfrage nach KI-bezogenem Energiespeicher, also dem Batteriegeschäft, rasant an.

In den ersten fünf Monaten des Jahres 2026 erreichte der weltweite Auslieferungsumfang an Energiespeichern für KI-Rechenzentren 10 GWh, was einer Batteriekapazität von 10 Millionen Kilowattstunden entspricht und bereits den Gesamtwert des Jahres 2025 übertrifft. Branchenprognosen zufolge wird der Auslieferungsumfang von Lithiumbatterien für die Energiespeicherung in AIDC bis 2030 300 GWh überschreiten. Angesichts des derzeitigen Auslieferungsniveaus gibt es in nur wenigen Jahren ein Wachstumspotenzial von mehreren Dutzend Mal. Es überrascht nicht, dass der Großteil der neuen Aufträge an chinesische Batteriehersteller fließt.

Warum benötigt die KI-Berechnung so viele Batterien? Heute sprechen wir ausführlich darüber.

01 Zehntausende von GPUs geben gleichzeitig Vollgas

Ihr Eindruck von einem Rechenzentrum könnte folgender sein: Reihen von Servern blinken leise mit grünen Lichtern, summen und haben einen relativ stabilen Stromverbrauch.

Genau so sehen traditionelle Rechenzentren aus: Ein einzelner Schrank hat eine Leistungsaufnahme von 4 bis 8 Kilowatt, die Belastung ist stabil wie eine Geschwindigkeitsregelung im Autoverkehr, und das Stromnetz kommt damit problemlos zurecht.

Aber KI-Rechenzentren sind völlig anders.

Beispielsweise erreicht eine NVIDIA B200 GPU bei Volllast eine Leistungsaufnahme von 1200 Watt; ein GB200-Superchip kann 2700 Watt erreichen.

In einem NVL72-Schrank sind 72 GPUs verbaut, sodass die Gesamtleistung des Schranks auf 120 bis 140 Kilowatt ansteigt – das 20-fache eines traditionellen Schranks.

NVIDIA GB200 NVL72 Flüssigkühlschrank | Quelle: NVIDIA

Aber die hohe Leistungsaufnahme ist nicht das Schlimmste – das Schlimmste ist, dass der Stromverbrauch von KI sprunghaft ansteigt und abfällt.

Beim Training großer Modelle berechnen Tausende von GPUs gleichzeitig und tauschen nach jeder Runde die Berechnungsergebnisse aus – dieser Vorgang wird AllReduce genannt. Man kann es sich wie einen riesigen Chor mit zehntausend Sängern vorstellen: Nach jedem Liedabschnitt müssen alle anhalten, um die Noten abzugleichen, warten bis der langsamste Sänger aufgeholt hat, und dann gemeinsam weitersingen.

Das Ergebnis ist, dass alle GPUs entweder gleichzeitig mit voller Leistung laufen oder gleichzeitig im Leerlauf warten. Die Stromverbrauchskurve wird zu einer „Rechteckwelle“: Volllast → Leerlauf → Volllast → Leerlauf, die sich ständig wiederholt.

So sieht ungefähr eine Rechteckwelle aus

Ein Ingenieur für Energiespeicherung hat einen Vergleich gemacht: Der Stromverbrauch einer GPU ist wie ein Sportwagen, der jede Sekunde vom Leerlauf auf Vollgas beschleunigt und dann wieder loslässt.

Messdaten von Vertiv zeigen, dass die Belastung eines GPU-Schranks in sehr kurzer Zeit von etwa 10 % auf Volllast oder sogar auf 150 % der Nennleistung ansteigen kann, was eine hochfrequente pulsierende Schwankung darstellt.

Wenn diese Schwankung auf einen Cluster mit zehntausenden von Karten ausgeweitet wird und nicht ordnungsgemäß verarbeitet wird, wirkt es so, als würde Ihre Grafikkarte Ihr Netzteil mit elektromagnetischen Impulsen angreifen.

Als Meta Llama 3 trainierte, verwendete es zwei Cluster mit jeweils etwa 24.000 H100 GPUs. In einem einzelnen Cluster erreichte die gesamte Leistungsaufnahme nur der IT-Geräte wie Server mehrere Dutzend Megawatt. Bei groß angelegtem Training wechseln Tausende von GPUs gleichzeitig ihren Zustand, was auf der Seite des Stromnetzes zu einem Leistungsstoß von mehreren Dutzend Megawatt führt.

Mancher könnte denken: Es ist doch egal, wenn der Stromverbrauch springt – ist das Stromnetz nicht genau dafür ausgelegt?

Das Problem liegt darin, dass das Stromnetz für einen stabilen Stromverbrauch ausgelegt ist. Nachdem eine Anweisung zur Lastverteilung erteilt wurde, dauert es Sekunden, bis das Kraftwerk die Leistung erhöht und der Strom den Nutzer erreicht. Aber die Leistungssprünge der GPUs laufen im Millisekundenbereich – das ist ein völlig anderes Tempo.

Wenn das Stromnetz nicht schnell genug reagiert, kann die Spannung plötzlich einbrechen.

Wenn das Licht in Ihrem Zuhause kurz blinkt, merken Sie es vielleicht nicht. Aber für eine GPU, die gerade ein großes Modell trainiert, kann eine Spannungsabweichung von nur 10 Millisekunden dazu führen, dass die gesamte Trainingsrunde fehlschlägt – im besten Fall muss man zum letzten Prüfpunkt zurückkehren, im schlimmsten Fall muss der gesamte Abschnitt neu berechnet werden.

Was ist zu tun?

Die Standardlösung für traditionelle Rechenzentren heißt UPS, also unterbrechungsfreie Stromversorgung. Im Wesentlichen handelt es sich um eine Gruppe großer Bleiakkumulatoren im unteren Verteilungsraum, die normalerweise vollgeladen bereitstehen. Sobald die externe Stromversorgung ausfällt, springen sie ein, bis der Dieselgenerator anläuft.

UPS eines Rechenzentrums

Not-Dieselgenerator | Quelle: Google Data Centers

In den letzten Jahrzehnten haben Rechenzentren mit diesem System funktioniert.

Aber UPS ist für plötzliche Stromausfälle ausgelegt, nicht für Spannungssprünge. Bleiakkumulatoren haben eine Reaktionszeit von mehr als 10 Millisekunden und werden zentral eingesetzt: Ein ganzes Gebäude nutzt ein einziges UPS-System, dazwischen liegen lange Stromleitungen.

Was GPUs brauchen, ist eine millisekundenschnelle, verteilte Stromversorgung direkt vor Ort. Das UPS-System ist von der Architektur her ungeeignet: Es reagiert zu langsam, ist zu weit von der GPU entfernt und ein Ausfall beeinträchtigt einen großen Bereich.

Die erste Verteidigungslinie, die der GPU am nächsten liegt, sind Kondensatoren.

NVIDIA hat in den Stromversorgungsgestellen des GB300-Schranks den gesamten verbleibenden Raum mit Kondensatoren gefüllt. Sobald die Leistung der GPU ansteigt, geben sie Strom ab; sobald die Leistung abfällt, laden sie sich wieder auf und glätten die häufigsten kleinen Spitzen direkt vor Ort.

Kondensatoren speichern Strom auf physikalische Weise, im Gegensatz zu Batterien, die auf chemischen Reaktionen angewiesen sind. Auch wenn sie alle paar Sekunden geladen und entladen werden, leidet ihre Lebensdauer nicht. Aber sie speichern nur sehr wenig Energie: Jede GPU erhält nur 65 Joule, was ungefähr ausreicht, um eine 60-Watt-Glühlampe eine Sekunde lang zu betreiben. Daher können sie nur kleine Schwankungen ausgleichen, keine großen Sprünge.

Der Bedarf an Batterien, der durch KI-Rechenzentren entsteht, heißt BBU, also Battery Backup Unit (Batterie-Backup-Einheit).

Der größte Unterschied zu UPS besteht darin, dass die BBU nicht unten im Gebäude steht, sondern direkt im Schrank, gemeinsam mit der GPU.

In einem NVL72-Schrank sind 24 BBUs verbaut. Die Zellen sind hochleistungsfähige zylindrische 21700-Lithiumbatterien mit einer Entladungsrate von ≥10C und einer Reaktionszeit von weniger als 2 Millisekunden.

In dem Moment, in dem die Leistung der GPU plötzlich ansteigt, gibt die benachbarte BBU innerhalb von 2 Millisekunden Strom ab, um die Spannung zu stabilisieren. Sobald das Stromnetz nach einigen Sekunden die Anpassung abgeschlossen hat, zieht sich die BBU wieder sanft zurück.

Aber Kondensatoren und BBU kümmern sich nur um die Notfallversorgung im Millisekundenbereich innerhalb des Schranks. Wenn Hunderte oder Tausende von Schränken in einem großen KI-Rechenzentrum gleichzeitig sprunghaft ansteigen, erreicht der kombinierte Stoß mehrere Dutzend Megawatt.

Dafür braucht es ein Energiespeichersystem auf gesamter Campus-Ebene: Dutzende von containersgroßen Energiespeicherschränken stehen um den Campus herum mit einer Gesamtkapazität von mehreren hundert Megawattstunden, die speziell für die sekunden- bis minutenlangen Leistungsschwankungen ausgelegt sind, die durch alle Schränke zusammen entstehen.

Zusammenfassend lässt sich sagen: Traditionelle Energiespeicher funktionieren wie ein Wasserreservoir, das langsam gefüllt und langsam entleert wird – der Fokus liegt auf großer Kapazität und niedrigen Kosten.

Die AIDC-Energiespeicherung hingegen funktioniert wie ein Notfallteam: Sobald die GPU Strom braucht, muss er sofort verfügbar sein. Kondensatoren und BBU kümmern sich um den Millisekundenbereich, die Campus-Energiespeicherung um den Sekunden- bis Minutenbereich. Nur wenn diese drei Ebenen zusammenwirken, kann der „Stromschlund“ GPU ausreichend versorgt werden.

02 Rechenzentren beginnen, um Batterien zu konkurrieren

Der Boom der Nachfrage nach AIDC-Energiespeicherung ist weltweit zu beobachten.

Die BBU auf Schrankebene wird schnell knapp. Im Jahr 2025 belief sich der weltweite BBU-Markt auf etwa 3,5 Milliarden Yuan. Bis 2030 wird ein Anstieg auf 35 Milliarden Yuan erwartet – eine Verzehnfachung in fünf Jahren mit einer jährlichen Wachstumsrate von fast 60 %.

Der Grund für diese plötzliche, starke Nachfrage liegt direkt darin, dass