Der „Wettlauf um Rechenleistung“ der Chipgiganten ist inzwischen im Stromversorgungsbereich angekommen.

Vom 5. bis 10. November fand die 9. Chinesische Internationale Importmesse im Nationalen Messezentrum Shanghai statt.

Diese Ausgabe der Importmesse zog 4142 Unternehmen aus 148 Ländern und Regionen zur Teilnahme an, wobei die Ausstellungsfläche für Unternehmensausstellungen erstmals 370.000 Quadratmeter überschritt. Der Ausstellungsbereich für technische Ausrüstungen deckt die Glieder der Industriekette wie Halbleitermaterialien, Geräte, Design und Fertigprodukte ab, und Bereiche wie künstliche Intelligenz, grünes intelligentes Rechnen und intelligente Endgeräte wurden zu wichtigen Ausstellungsrichtungen.

Auf den Messeständen standen verschiedene KI-Produkte und -Lösungen von AI-PCs und intelligenten Robotern bis hin zu Infrastrukturen für Rechenzentren im Mittelpunkt der Ausstellung. Beispielsweise zeigte Qualcomm ein Ökosystem intelligenter Endgeräte, das KI-Telefone, PCs und Roboter abdeckt; Siemens führte industrielle KI und humanoide Roboter in flexible Produktionsszenarien ein; Schneider Electric brachte eine KI-Rechenzentrums-Lösung für Zehntausend-Karten-Cluster mit, die modularen Einsatz, hochdichte Stromversorgung und Flüssigkühlungstechnologie umfasst.

Da KI-Technologien zunehmend in industrielle Anwendungen einfließen, vertieft sich die Integration von künstlicher Intelligenz mit Bereichen wie industrielle Fertigung, Energie und Gesundheitswesen weiter, und Unternehmen beginnen, den praktischen Anwendungen und dem kommerziellen Wert von KI-Technologien größere Aufmerksamkeit zu schenken.

Aus dem Ausstellungsbereich von Intel wurden grüne Rechenleistungskabinen, unternehmensweite Token-All-in-One-Geräte und intelligente Agent-PCs zu den Highlights. Wang Zhicong, Vorsitzender von Intel China, erklärte, dass man durch die Kombination von Rechenleistung und neuer Energie den Umwandlungspfad von grünem Strom zu KI-Token erkunden möchte.

„Früher interessierten sich Kunden vielleicht mehr dafür, was KI leisten kann, heute fragen immer mehr Kunden, wie viel die Bereitstellung eines KI-Systems kostet, ob es stabil läuft und wie lange es dauert, bis die Investition amortisiert ist“, sagte ein Ausstellungsmitarbeiter eines Technologieunternehmens gegenüber Tencent Technology. Da KI in immer mehr praktische Geschäftsszenarien eintritt, verlagert sich der Fokus der Unternehmen auf die Technologie allmählich von der Fähigkeitsdarstellung hin zu Anwendungseffekten und Input-Output-Verhältnis.

Damit KI wirklich umgesetzt werden kann, reicht es nicht nur auf die Technologie an, sondern es müssen auch Probleme bei Stromversorgung, Rechenleistungskosten und praktischem Nutzen gelöst werden. Von Endgeräten über die industrielle Produktion bis hin zur Rechenleistungsinfrastruktur starten globale Technologieunternehmen eine neue Runde der Layoutierung rund um die skalierte Anwendung von KI.

01 Wenn Stromversorgung und Kosten zum Kern werden

In den letzten Jahren konzentrierte sich der Wettbewerb in der KI-Branche hauptsächlich auf die Modellleistung und den Umfang der Rechenleistung.

Große Technologieunternehmen investieren kontinuierlich in GPUs und bauen Rechenzentren, um immer umfangreichere Modelltrainings- und Inferenzaufgaben zu unterstützen.

Aber da KI schneller in die Phase praktischer Anwendungen eintritt, führt das Wachstum der Nachfrage nach Rechenleistung auch zu neuen Infrastrukturproblemen.

Laut der im Jahr 2026 aktualisierten Prognose der Internationalen Energieagentur lag der Stromverbrauch globaler Rechenzentren im Jahr 2025 bei etwa 485 Terawattstunden, und bis 2030 könnte er 950 Terawattstunden erreichen, was fast einer Verdoppelung entspricht. Darunter steigt die Nachfrage nach Strom in KI-Rechenzentren noch schneller an.

Das Training großer Modelle erfordert den konzentrierten Einsatz großer Mengen an Rechenressourcen, während Inferenzdienste kontinuierlich nach Benutzeranfragen laufen müssen. Mit der Entwicklung von Anwendungen wie KI-Programmierung, Inhaltserstellung und Unternehmensagenten werden Umfang, Nutzungshäufigkeit und Einsatzorte von Inferenzlasten vielfältiger.

Für Unternehmen umfassen die Kosten für die Nutzung von KI nicht mehr nur die Gebühren für den Kauf von Rechenleistung oder den Aufruf von Modellen, sondern müssen auch Antwortgeschwindigkeit, Datensicherheit, Systemwartung und Ressourcennutzungsrate berücksichtigen.

Das macht das Problem der Rechenleistungskosten zu einer komplexeren Angelegenheit.

Beispielsweise kann der Bau von Rechenzentren in Regionen mit reichen Ressourcen an neuer Energie einen gewissen Vorteil bei den Strompreisen bringen, aber es müssen auch Netzwerklatenz, Energiespeicherkosten und Auslastung der Rechenleistung berücksichtigt werden.

Umgekehrt kann der Einsatz von Inferenzgeräten im Unternehmensinneren zwar einen Teil der Cloud-Aufrufgebühren senken, aber das Unternehmen muss die Kosten für Hardware-Abschreibung, Betrieb und Wartung sowie Modellaktualisierung übernehmen.

Daher erweitert sich das Kernproblem der KI-Industrie allmählich von der Frage, wie man mehr Rechenleistung erhält, hin zu der Frage, wie man die Rechenleistung wirtschaftlicher und stabiler betreiben kann.

02 Die Wettbewerbslogik ändert sich

Rund um die oben genannten Probleme erforschen globale Chiphersteller, Cloud-Dienstanbieter und Rechenzentrumsbetreiber verschiedene technische Routen und Geschäftsmodelle.

Erstens: Mit zunehmender Rechenleistung muss auch die Stromversorgungskonfiguration Schritt halten.

Im Jahr 2026 fördern Unternehmen wie NVIDIA, Google und Microsoft weiter die 800-V-Hochspannungs-Gleichstromversorgungsarchitektur und erarbeiten gemeinsam mit Industriepartnern entsprechende technische Spezifikationen über das Open Compute Project (OCP).

Auf der Importmesse zeigte Intel auch eine integrierte Lösung für grünen Strom, Energiespeicherung und Rechenleistung, die diese Stromversorgungsarchitektur nutzt, und führte gemeinsam mit Partnern Technologien wie den Solid-State-Transformator (SST) ein, um die Stromversorgungsmethode für hochdichte KI-Rechenanlagen zu erforschen.

Im Vergleich zur herkömmlichen Niederspannungsverteilung kann die 800-V-Gleichstromarchitektur den Übertragungsstrom bei gleicher Leistung reduzieren, den Bedarf an Kupferkabeln und Verteilungsraum senken und bei entsprechender Systemgestaltung die Umwandlungsschritte von Strom verringern.

Das bedeutet, dass KI-Chiphersteller nicht mehr nur die Rechenfähigkeit des Prozessors berücksichtigen müssen, sondern auch die Gesamteffizienz zwischen dem Stromversorgungssystem des Rechenzentrums und den Computerracks.

Zweitens ist die KI-Rechenleistung nicht mehr nur in großen Rechenzentren konzentriert, sondern gelangt auch in Unternehmens- und Personalgeräte.

Große Cloud-Rechenzentren übernehmen weiterhin hochintensive Modelltrainings, komplexe Inferenz und umfangreiche gleichzeitige Aufgaben. Aber mit der Verbesserung der Fähigkeiten von Open-Source-Modellen erfüllen einige Rechenaufgaben bereits die Voraussetzungen für den Betrieb in lokalen Unternehmens- und Endgeräten.

Beispielsweise müssen Arbeitslasten wie interne Dokumentenverarbeitung, Codeunterstützung und Spracherkennung in Unternehmen nicht unbedingt ferne große Modelle aufrufen.

Es gibt jedoch keinen absoluten Vor- oder Nachteil zwischen verschiedenen Einsatzmethoden.

Die Cloud eignet sich für Aufgaben mit großem Umfang, deutlichen Schwankungen oder der Notwendigkeit, ständig aktuelle Spitzenmodelle zu aktualisieren; die lokale Berechnung eignet sich eher für Szenarien mit stabiler Nachfrage, sensiblen Daten oder Anforderungen an den Offline-Betrieb.

In Zukunft könnte die KI-Infrastruktur ein Muster bilden, in dem große Cloud-Umgebungen, regionale Edge-Knoten, lokale Unternehmensbereiche und persönliche Endgeräte nebeneinander existieren.

Drittens geht der Wettbewerb um Chips nicht nur um die Leistung, sondern auch um Software und Anwendungserfahrung.

Da sich KI-Agenten allmählich von Chat-Tools hin zu Aufgabenausführungssystemen entwickeln, müssen Prozessoren komplexere Arbeitslasten bewältigen.

Beispielsweise muss ein Agent möglicherweise gleichzeitig Spracherkennung, Dateiabruf, Modellinferenz und anwendungsübergreifende Operationen durchführen. Diese Aufgaben haben unterschiedliche Anforderungen an Rechenleistung, Speicherbandbreite, Stromverbrauch und Systemstabilität.

Daher werden die Aufgabenverteilung zwischen CPU, GPU und NPU sowie die Anpassung der zugrundeliegenden Software an Modelle und Anwendungen zu wichtigen Faktoren, die das Benutzererlebnis beeinflussen.

Das erklärt auch, warum Chiphersteller wie Intel, Qualcomm, AMD und Apple kontinuierlich in die Berechnung von KI auf Endgeräten und das Entwicklerökosystem investieren.

Der Wettbewerb in der nächsten Phase wird nicht nur darauf abzielen, wer Chips mit höheren KI-Rechenleistungsindikatoren hat, sondern auch darauf, wer die Rechenfähigkeit effektiver in praktische Anwendungserfahrung umwandeln kann.

03 „Das neue Geschäft mit Rechenleistung“

Da sich die Nachfrage nach KI-Berechnung auf verschiedene Szenarien erstreckt, beginnen große Chiphersteller auch, ihre Layoutierung neu zu gestalten. Sie suchen nach neuen Chancen auf verschiedenen Ebenen von Rechenleistungszentren, lokalen Unternehmensbereichen bis hin zu persönlichen Endgeräten.

Am Beispiel von Intel zeigte Intel auf dieser Importmesse drei verschiedene Ebenen von KI-Berechnungslösungen: grüne Rechenleistungskabinen für große Rechenzentren und Unternehmenscampusse, Token-All-in-One-Geräte für kleine und mittlere Unternehmen sowie Agent-PCs für private Nutzer.

Auf dem Messestand stellte Wang Zhicong, Vorsitzender von Intel China, die integrierte Lösung für grünen Strom, Energiespeicherung und Rechenleistung schwerpunktmäßig vor.

„Wir beobachten, dass es im Westen Chinas reichlich überschüssige neue Energie gibt, deren tatsächliche Nutzungsrate teilweise nicht sehr hoch ist“, sagte Wang Zhicong. Intel möchte modulare Rechenleistungseinrichtungen in Gebieten mit Erzeugung neuer Energie einsetzen, um vor Ort grünen Strom für die KI-Berechnung zu nutzen und dann über das Netzwerk Token-Dienste nach außen anzubieten.

Er fasste diesen Gedanken als „From Green Power to Green Token“ zusammen, also von grünem Strom zu grünen Token.

Laut Angaben von Experten vor Ort versucht diese Lösung durch kurz- und langfristige Energiespeicherung, 800-V-Hochspannungs-Gleichstromversorgung und das Design modularer Rechenleistungskabinen, den Widerspruch zwischen den Schwankungen der Erzeugung neuer Energie und der stabilen Stromversorgung von Rechenzentren zu lösen.

Diese Layoutierung zeigt, dass sich der Wettbewerb um KI-Infrastruktur von der Chipleistung hin zur Energieeffizienz und den Fähigkeiten zur Systembereitstellung ausweitet. Allerdings bedeutet reichliche Ressourcen an grünem Strom nicht unbedingt, dass die Inferenzkosten zwangsläufig niedriger sind. Investitionen in Energiespeicherung, Netzwerklatenz und die Auslastung der Rechenleistung bleiben die Schlüsselfaktoren für die Wirtschaftlichkeit.

Auf dem Unternehmensmarkt möchte Intel einen Teil der KI-Inferenzaufgaben von der Cloud in den lokalen Bereich verlagern. Das diesmal gezeigte Token-All-in-One-Gerät kann Open-Source-Großmodelle in normalen Büros betreiben und Arbeitslasten wie KI-Programmierung, Dokumentenverarbeitung und Videogenerierung unterstützen.

Am Beispiel von Produktionsunternehmen für Kurzdramen meinte Wang Zhicong, dass auch einige kleine und mittlere Unternehmen ihren täglichen KI-Berechnungsbedarf durch lokale Geräte decken können.

Dahinter steht die neue Abwägung der Unternehmen zwischen den Nutzungskosten von KI und der Datensicherheit. Für Szenarien mit hoher Nutzungshäufigkeit und relativ festen Aufgaben kann die lokale Bereitstellung bestimmte Vorteile haben, aber die Unternehmen müssen weiterhin die Kosten für Hardware-Abschreibung, Modellwartung und -aktualisierung übernehmen.

Auf dem Markt für persönliche Endgeräte fördert Intel das Ökosystem von Agent-PCs durch die Zusammenarbeit mit chinesischen Internetunternehmen.

Wang Zhicong stellte vor Ort zwei Schwerpunktrichtungen vor:

Erstens die kooperative Bereitstellung von Endgerät und Cloud, zweitens die tiefe Integration von Multi-Agenten und Fachmodellen.

Rund um diesen Gedanken erklärte Intel, dass es mit Unternehmen wie Tencent, ByteDance, Alibaba und Baidu zusammenarbeitet, um den lokalen Modellbetrieb und die heterogenen Rechenfähigkeiten von CPU, GPU und NPU in vorhandene Agent-Anwendungen zu integrieren.

Im Vergleich zur bloßen Betonung von KI-Rechenleistungsindikatoren konzentriert sich dieses Modell mehr darauf, wie die Chipleistung in tatsächliche Arbeitsabläufe einfließen kann. Ob Agents jedoch eine neue Nachfrage nach PC-Austausch erzeugen können, hängt weiterhin von der praktischen Anwendungserfahrung ab und nicht davon, wie viele KI-Funktionen integriert sind.

Als zugrundeliegende Unterstützung für die oben genannten Layoutierungen zeigte Intel auch PC- und Server-Prozessoren auf Basis des fortschrittlichen Intel-18A-Fertigungsverfahrens, darunter Panther Lake, Wildcat Lake und Clearwater Forest.

Das spiegelt auch die beiden aktuellen Geschäftswege von Intel wider: Einerseits treibt es fortschrittliche Fertigungsverfahren und Chiparchitekturen weiter voran, andererseits beteiligt es sich durch ökologische Zusammenarbeit mit Energie-, Stromversorgungs-, Server- und Internetunternehmen am breiteren KI-Berechnungsmarkt.

Für Chiphersteller bedeutet die Ausweitung der KI-Berechnungsnachfrage auf verschiedene Szenarien neue Marktchancen, bringt aber auch komplexeren Wettbewerb mit sich. In Zukunft wird derjenige, der effizientere und wirtschaftlichere Berechnungslösungen anbieten und deren Umsetzung in praktischen Szenarien vorantreiben kann, der Schlüssel zum Wettbewerb in der nächsten Phase sein.

Dieser Artikel stammt von „Tencent Technology“, Autor: Li Hailun, Redakteur: Xu Qingyang, veröffentlicht mit Genehmigung von 36Kr.