OpenAI 10 GW: Wie groß ist das Rechenzentrum? Stromverbrauch, Serverzahl und GPU-Schätzung
10 Gigawatt klingt abstrakt. In der Sprache von Rechenzentren bedeutet es eine KI-Fabrik, die um Stromversorgung, Kühlung, Umspannwerke, Racks und GPU-Lieferketten herum geplant wird — keine Zahl, die man einfach durch GPU-Karten teilen kann. Dieselbe 10-GW-Marke kann je nach PUE, Rack-Leistungsdichte, GPU-Generation und Serverformfaktor zu sehr unterschiedlichen GPU-Zahlen führen.
Stand Juli 2026 zählt das 10-GW-KI-Rechenzentrum von OpenAI und SB Energy am Standort Portsmouth in Ohio zu den größten Infrastrukturprojekten, die in Veröffentlichungen des US-Energieministeriums (DOE) und Branchenberichten skizziert werden. Dieser Artikel liefert keine „exakte GPU-Anzahl“. Stattdessen bietet er wiederverwendbare Schätzmethoden und plausible Spannen, um 10 GW Stromkapazität in Jahresstromverbrauch, Rack-Skalierung und Rechenbudget zu übersetzen.
1. Zuerst die Größenordnung: 10 GW rund um die Uhr ein Jahr lang sind etwa 87,6 TWh
GW (Gigawatt) bezeichnet die Stromkapazität — die maximale Last, für die eine Anlage ausgelegt ist — nicht den Verbrauch in jedem Moment. Bei theoretischer Volllast, 24/7, über ein Jahr:
Jahresstrom = 10 GW × 24 h × 365 Tage = 87.600 GWh ≈ 87,6 TWh
Drei Grenzen sind wichtig:
- Auslastung: Ein neuer Campus erreicht nicht am ersten Tag 100 % Last; schrittweise Inbetriebnahme hält den tatsächlichen Verbrauch deutlich unter der theoretischen Obergrenze
- Geplante Kapazität ≠ betriebene Kapazität: 10 GW ist die Gesamtobergrenze des Projekts; die erste Betriebsphase ist typischerweise nur ein Bruchteil davon
- Nicht-IT-Last: Kühlung, Stromumwandlung, USV, Beleuchtung und Verteilungsverluste verbrauchen einen großen Anteil — keiner davon zählt als GPU-Leistung
Nur zur Einordnung (kein eins-zu-eins-Vergleich): 87,6 TWh entsprechen in der Größenordnung mehreren Tagen des nationalen Stromverbrauchs eines mittelgroßen Industrielandes oder dem Jahresverbrauch mehrerer Großstädte. Der Punkt ist die Energiemagnitude — nicht, dass OpenAI ein nationales Netz monopolisiert. In der Praxis kommt der Strom aus dedizierten Umspannwerken, Übertragungsleitungen und langfristigen Stromabnahmeverträgen, die über Jahre aufgebaut werden.
2. Wie der PUE das Ergebnis prägt: Welcher Anteil erreicht die IT-Hardware
PUE (Power Usage Effectiveness) ist die Standardkennzahl der Branche: Gesamtstrom der Anlage ÷ IT-Geräteleistung. Je näher der PUE bei 1,0 liegt, desto weniger Overhead geht in Kühlung und Infrastruktur — und desto mehr Watt erreichen die Server.
Kernformel:
Verfügbare IT-Leistung = Gesamtkapazität ÷ PUE
| PUE-Annahme | Verfügbare IT-Leistung (10 GW gesamt) | Typisches Szenario |
|---|---|---|
| 1,15 | ~8,7 GW | Flüssigkühlung + hochdichte KI-Racks; Spitzenwerte bei Effizienz |
| 1,25 | ~8,0 GW | Üblicher Zielbereich für Hyperscale-KI-Campus der nächsten Generation |
| 1,40 | ~7,1 GW | Gemischte Luft- und Flüssigkühlung; frühe Ausbauphasen |
| 1,50 | ~6,7 GW | Effizienz klassischer Großrechenzentren |
Ein PUE-Anstieg von 1,25 auf 1,50 wirkt klein, senkt die IT-Reserve aber von ~8 GW auf ~6,7 GW — rund 1,3 GW Rechenbudget weniger, genug für Zehntausende High-End-GPUs. Deshalb setzen Hyperscale-KI-Standorte auf Flüssigkühlung, dichte Racks und Campus-Thermik statt einfach „mehr Karten zu kaufen“.
3. GPUs sind nicht die einzige Last: Ein KI-Rechenzentrum ist kein GPU-Lager
Ein häufiger Fehler: 10 GW — oder „verfügbare IT-Leistung“ — durch den TDP pro Chip teilen und das als GPU-Zahl ausgeben. Das IT-Budget muss auf Subsysteme verteilt werden:
- GPU-Beschleunigung: Arbeitspferde für Training und Inferenz; oft der größte IT-Anteil, aber selten 100 %
- CPU und Arbeitsspeicher: Vorverarbeitung, Orchestrierung, Inferenz-Front-/Back-End, Storage-Gateways
- Netzwerk: Leaf-Spine-Switches, Optik, RDMA-NICs — Netzwerkstrom ist im Clustermaßstab erheblich
- Speicher: Schnelles NVMe, Object Storage, Checkpoint-Schreibvorgänge
- Strom und Redundanz: PSU-Verluste in Racks, N+1-Designs, die die effektive Auslastung senken
In aggressiven, hochdichten Trainingsclustern können GPU-bezogene Systeme (inkl. zugewiesenem CPU-, Speicher- und Netzwerkanteil) 65 %–80 % der IT-Leistung ausmachen. Speicher- und netzwerkschwere Architekturen drücken diesen Anteil. Die GPU-Schätzungen unten nennen die Annahme „GPU-Anteil an IT-Last“ ausdrücklich, damit nicht alle IT-Watt als GPU-Watt gelten.
4. Schätzung von Server- und Rack-Zahlen
Formel für die Rack-Anzahl:
Rack-Anzahl ≈ Verfügbare IT-Leistung ÷ IT-Leistung pro Rack
Die Rack-Dichte bei KI ist schnell gestiegen. Unten gilt PUE = 1,25 (IT ≈ 8,0 GW) bei theoretischer Volllast:
| IT-Leistung pro Rack | Geschätzte Racks | Anmerkungen |
|---|---|---|
| 100 kW | ~80.000 | Konservative Dichte; nahe der Obergrenze klassischer Luftkühlung |
| 120 kW | ~67.000 | Üblicher Bereich für große KI-Racks heute |
| 150 kW | ~53.000 | Flüssiggekühlte GPU-Racks der nächsten Generation; höhere Leistungsdichte |
Steigt der PUE auf 1,40, sinken die Rack-Zahlen bei gleicher Dichte um rund 11 %. Rack-Anzahl ist auch nicht Server-Anzahl: Ein KI-Rack kann je nach Plattform und OEM-Integration 8 bis 72 GPUs enthalten — die Umrechnung hängt von GPU-Generation und Systemdesign ab.
5. GPU-Schätzungen: Spannen statt falscher Präzision
Formel für die GPU-Anzahl:
GPU-Anzahl ≈ (Verfügbare IT-Leistung × GPU-Anteil) ÷ Leistungszuweisung pro GPU-System
„Leistungszuweisung pro GPU-System“ umfasst nicht nur den Chip, sondern den Anteil an Rack-CPU, Speicher, NICs, Storage und PSU-Overhead — meist als äquivalente Watt pro GPU, nicht als nackter TDP.
Szenario-Annahmen: 10 GW gesamt, PUE = 1,25 (IT ≈ 8,0 GW), GPU-Anteil an IT = 70 % (GPU-Budget ≈ 5,6 GW):
| Leistung pro GPU-System | Geschätzte GPUs | Indikative Generation |
|---|---|---|
| ~1,0 kW | ~5,6 Mio. | Höhere Dichte, ältere Plattformen oder aggressive Zuweisungsannahmen |
| ~1,3 kW | ~4,3 Mio. | Typischer Bereich für aktuelle 8-GPU-Trainingsknoten |
| ~1,8 kW | ~3,1 Mio. | High-Power-GPUs der nächsten Generation mit stärkerem Netzwerk-/Storage-Anteil |
Sinkt der GPU-Anteil von 70 % auf 60 % oder steigt der PUE von 1,25 auf 1,40, fallen diese Werte um weitere 15 %–25 %. Deshalb liegen verschiedene Analysen Millionen GPUs auseinander — wegen unterschiedlicher Annahmen, nicht weil jemand falsch rechnet.
Eine weitere Schlüsselvariable ist die Deployments-Generation: Von einer ersten Phase 2028 bis zum vollen 10-GW-Ausbau können 5–10 Jahre vergehen — mit GPU-Generationen von H100/B200 bis zu neueren Plattformen. Die Leistung pro Recheneinheit verbessert sich stetig. Heutige Rack-Dichte auf einen voll ausgebauten Standort in einem Jahrzehnt zu projizieren, erzeugt große Fehler.
6. Zeitplan: Erste Phase 2028 ≠ 10 GW sofort verfügbar
Laut Berichten von Data Center Dynamics und anderen Medien zielt das OpenAI–SB-Energy-Projekt in Portsmouth auf 2028 als Start für erste Rechenleistung. Drei Begriffe sollten getrennt bleiben:
- Ankündigung / Vertrag: Standortwahl, Stromkapazität und langfristiger Partnerschaftsrahmen
- Erster Campus online: Erste Racks produktiv — meist weit unter 10 GW
- Volle 10-GW-Last: Umspannwerke, Übertragung, Kühlung, Gebäude und GPU-Lieferung im Gleichschritt — deutlich längerer Horizont
Für OpenAI hängt nutzbare Rechenleistung von vier Ketten ab, die synchron laufen: Netzanschluss und Stromverträge, Bau und Mechanik, GPU-/OEM-Lieferpläne sowie Finanzierung und Betriebsgenehmigungen. Verzögerung in einem Glied vergrößert die Lücke zwischen „10 GW geplant“ und „FLOPS tatsächlich online“ um Jahre.
7. Fazit: Die größte Herausforderung bei 10 GW ist Strom und Systemtechnik
Die Zerlegung von OpenAIs 10-GW-Projekt ergibt einige klare Punkte:
- Jahresstrom: ~87,6 TWh bei theoretischer Volllast; tatsächlicher Verbrauch hängt von Auslastung und schrittweiser Inbetriebnahme ab
- Nicht alles für GPUs: Kühlung, Stromumwandlung, Netzwerk, CPU, Storage und Redundanz ziehen vom Budget
- Rack-Skalierung: Bei PUE 1,25 und ~8 GW IT in der Größenordnung von 50.000–80.000 KI-Racks je nach Leistung pro Rack
- GPU-Anzahl: Millionen GPUs unter plausiblen Annahmen, Spannen können sich um Faktor 2–3 unterscheiden — keine einzelne Schlagzeilen-Zahl als verbindlich behandeln
- Auslieferungstempo: Eine erste Phase 2028 heißt nicht, dass 10 GW sofort live sind; geplante und betriebene Kapazität getrennt diskutieren
Vollständig gebaut wäre ein 10-GW-KI-Rechenzentrum eines der größten dedizierten KI-Rechen- und Energiesysteme aller Zeiten. Der Engpass ist selten „können wir genug GPUs kaufen?“. Es geht darum, woher der Strom kommt, wie man kühlt, wie man ans Netz andockt und wie man jede Phase zuverlässig liefert. Für Leserinnen und Leser zählen PUE, IT-Lastanteil und Rack-Leistung mehr als eine einzelne GPU-Gesamtzahl.
Jenseits von Hyperscale: Lokale Knoten bleiben wichtig
Ein 10-GW-Campus löst Training und Hyperscale-Inferenz — die meisten Teams brauchen aber weiterhin eine Entwicklungsmaschine für Agenten-Orchestrierung, API-Integration, Datenpipelines und CI-Validierung, bevor sie diese Skala erreichen. macOS bietet eine native Unix-Umgebung, in der Python, Docker, SSH und gängige KI-Toolchains ohne Zusatzaufwand laufen. Die Unified-Memory-Architektur des Mac mini M4 eignet sich für lokale Kleinmodell-Inferenz, Prompt-Engineering und Skript-Automatisierung — mit Standby-Leistung um 4 W, ideal für einen leisen 24/7-Leichtknoten.
Workflows lokal auf einem Mac mini zu fahren und die Validierung danach in der Cloud oder auf einem Remote-Mac zu skalieren, ist ein kostenkontrollierter Weg — besonders solange Gigawatt-Cluster noch im Bau sind und GPU-Warteschlangen lang bleiben. Die niedrige Absturzrate von macOS plus Gatekeeper und SIP erleichtern unbeaufsichtigte SSH-Remote-Knoten. Wer die KI-Infrastrukturwelle verfolgt und gleichzeitig die eigene Umgebung aufbaut, findet im Mac mini M4 einen starken Einstieg — jetzt Pläne ansehen und zuerst den lokalen Validierungs-Stack starten.