Zum Inhalt
WeltzeitEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal über KI und Technologieereignisse · analysen · interviews · technischer hintergrund

Suche
LIVE
›

Amazons Milliardenzuschuss für Datacenter-Gemeinden trifft auf Wasserstreit vor Abstimmungen

Amazon will am 5. Oktober mehr als 1.000.000.000 Dollar in Aus- und Weiterbildung sowie in Energie- und Wasserprogramme in den Gemeinden stecken, in denen seine Rechenzentren stehen. Der Schritt ist eine Antwort auf wachsenden lokalen Widerstand, während mehrere US-Bundesstaaten Abstimmungen zu Rechenzentren vorbereiten.

KI & ModelleAnalyseLena BrandtVeröffentlicht: 5. Oktober 20263 Min. LesezeitQuellen 13
Amazons Milliardenzuschuss für Datacenter-Gemeinden trifft auf Wasserstreit vor Abstimmungen

Amazon will nach eigenen Angaben vom 5. Oktober über 1.000.000.000 Dollar in Aus- und Weiterbildung sowie in Energie- und Wasserprojekte in den Gemeinden investieren, in denen seine Rechenzentren stehen, wie ESG Today berichtet. Das Versprechen fällt auf denselben Tag, an dem das Unternehmen seine Geheimhaltungspolitik bei Rechenzentren beendet hat, meldet Gadget Review. Zugleich wandert der Streit über Strom- und Wasserverbrauch von den Planungssitzungen in die Wahlkämpfe.

Das Geld ist für Community Colleges und Energiesparmaßnahmen in Haushalten gedacht, berichtet Fortune. Damit deckt es nur einen schmalen Ausschnitt der Beschwerden ab. Wer in Casselton in North Dakota oder in Saint John in New Brunswick zu Ratsversammlungen kommt, fragt meist nach Land, Lärm, Stromleitungen und dem Grundwasserleiter, nicht nach Stipendien.

AWS-Chef Matt Garman nutzte denselben Tag, um die Wasserfrage als überzogen darzustellen. KI-Rechenzentren verbrauchten im Vergleich zu anderen Branchen "sehr wenig Wasser", sagte Garman laut Moneycontrol.com. Techzine Global berichtet, Garman habe mehrere Behauptungen zum Verbrauch von Rechenzentren als "Mythen" bezeichnet. Eine Wassermenge pro Standort hat das Unternehmen zusammen mit der Aussage nicht veröffentlicht, jedenfalls nicht in dem Material, über das am 5. Oktober berichtet wurde.

Was die misslungenen Schwärzungen zeigten

Die Zahlen, die doch nach außen drangen, kamen auf Umwegen heraus. Beim Rechenzentrum von Google in Lincoln, Nebraska, wurden Wasserverbrauch und maximale Stromkapazität sichtbar, nachdem sich Schwärzungen in öffentlichen Unterlagen mit einfachem Kopieren und Einfügen aufheben ließen, wie GIGAZINE und Gadget Review am 5. Oktober berichteten. Die Unterlagen sollten vertraulich sein. Sie waren es nicht.

Dieser Fall wiegt schwerer als der Scheck von Amazon, aus einem Grund: Er ist der einzige aktuelle öffentliche Beleg dafür, was eine einzelne große Anlage tatsächlich zieht, und er kam durch Zufall ans Licht. Versorgungsunternehmen und Aufsichtsbehörden in den meisten US-Bundesstaaten veröffentlichen weiterhin keine Wasserentnahmen von Rechenzentren auf Standortebene. Deshalb arbeiten Kampagnen mit Genehmigungsanträgen und durchgesickerten Dokumenten. Der Fall Google, über den Gadget Review berichtet, zeigt, wie dünn diese Papierspur ist.

Der politische Druck ist inzwischen messbar. Auf Ohio entfällt die Hälfte der US-Abstimmungen zu Rechenzentren bei den Zwischenwahlen, berichtet Newsweek. Gewerkschaften und KI-Firmen fahren eine siebenstellige Werbekampagne für Leitplanken bei Rechenzentren, meldet The Des Moines Register. Die Aufsichtsgremien des Los Angeles County prüfen ein Verbot von KI-Rechenzentren in nicht eingemeindeten Gebieten, berichtet die Los Angeles Daily News. Am Sonntag versammelten sich Demonstranten in Spokane, meldet KREM.

Ein Teil dieser Hitze richtet sich auf ein Problem, das zum Teil vorgelagert ist. Eine Analyse vom September ergab, dass der Strombedarf der KI den Wasserverbrauch an den Ort der Erzeugung verlagert. Der tatsächliche Wasserfußabdruck einer Anlage umfasst also die Kühltürme des Gaskraftwerks, das sie versorgt, nicht nur den Verdunstungskreislauf vor Ort. Dieser Unterschied übersteht eine Ratsanhörung selten.

Wo die Modelldaten hineinpassen

Unterdessen veröffentlicht die Modellseite der Branche weiterhin Effizienzversprechen, die sich schwer an einem Wasserzähler prüfen lassen. Reflection gab an, sein neues Modell Beam erreiche Reasoning-Werte vergleichbar mit GLM 5.2 und brauche dabei 3- bis 4-mal weniger Inferenz-Rechenleistung, laut dem Blogbeitrag des Unternehmens vom 5. Oktober. Das sparse Modell mit 501.000.000.000 Parametern sei vier Wochen lang auf 10.500 NVIDIA GB300 GPUs trainiert worden. Weniger Tokens pro Antwort bedeuten im Prinzip weniger Joule pro Anfrage. Ob daraus weniger Wasser am Standort Lincoln wird, hat kein Anbieter mit einem Zählerstand beantwortet.

Liquid AI warb am 5. Oktober ähnlich für sein Entscheidungsmodell d1. Es liefere Antworten in 200 bis 300 Millisekunden, ohne Tokens zu erzeugen, und koste 19- bis 200-mal weniger als GPT-6.1 Sol und Claude Opus 5.5. Die Kompaktierungsanwendung des Unternehmens entferne 52% der Tokens aus der Sitzung eines Coding-Agenten. Solche Effizienzaussagen sind inzwischen das Hauptargument der Branche gegen lokale Obergrenzen, und sie stammen alle von den Unternehmen selbst.

Genau diese Lücke schließt Amazons 1.000.000.000 Dollar nicht. Das Unternehmen kann ein Labor an einem Community College finanzieren. Es hat sich nicht verpflichtet, die Wasserzahl für jeden Standort zu veröffentlichen, und seine Konkurrenten ebenso wenig.

Kommentare 0

Quellen

13
  1. 01Wave of affordable electric cars is boosting consumers' choice: sales of sub-€25,000 models set to rise sevenfoldEN
  2. 02Introducing Beam: Reflection's 501B open-weight modelEN
  3. 03Introducing d1: The most capable decision model, now with visionEN
  4. 04OpenAI Begins Phased Text Watermarking Under EU AI Act RulesEN
  5. 05Path discovered to make AI models red-flag their doubtful answersEN
  6. 06Jeff-Code: a 0.8B model makes Qwen 3.8-27B coding 47% faster, same pass rateEN
  7. 07Reika: a coding agent CLI designed around small local models firstEN
  8. 08Interfaze-1-lite: the first open-weight model for deterministic tasksEN
  9. 09NASA-IBM Lunar Foundation Model and fine-tuning codeEN
  10. 10Precogly: the open-source alternative to commercial threat modeling platformsEN
  11. 11System One models like Jev can train their own replacementsEN
  12. 12Could a Large Language Model Be Conscious?EN
  13. 13Topological Models of Modal LogicEN

Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.

Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.

Lena Brandt

Lena Brandt

KI, Modelle und Technik

Lena Brandt schreibt für FLASH24 über Technik, KI und Modelle sowie Medien und Internet und stützt sich dabei auf Herstellerangaben, Studien und öffentlich zugängliche Datensätze, statt Pressemitteilungen ungeprüft zu übernehmen. Bei Modellvergleichen kontrolliert sie Benchmark-Werte, Trainingsdaten und Versionsnummern und rechnet Angaben zu Rechenleistung und Kosten selbst nach. Sie spricht mit Entwicklern und Forschern, wartet auf angekündigte Updates und vergleicht Releases, bevor sie eine Einschätzung abgibt. Privat beschäftigt sie sich mit 3D-Druck, alten Rechnern und der Frage, wie Modelle aus Internetmüll lernen – Themen, die regelmäßig in ihre Texte einfließen. Sie publiziert keine Zahlen, deren Quelle sie nicht selbst überprüfen konnte.

Redaktion →

Kommentare

0
  1. Noch keine Kommentare — seien Sie der Erste.

Kommentar schreiben

Kommentare sind öffentlich sichtbar. Wir veröffentlichen keine Beleidigungen, Werbung oder Spam.