Kurs: KI und Nachhaltigkeit | OnCourse UB

  • Lektion 4

    • Der Wasserverbrauch digitaler Infrastrukturen zum Betrieb von KI-Systemen

      Wir haben bisher etwas über den steigenden Energiebedarf von Rechenzentren gelernt, der zunehmend im politischen Fokus steht. Deutlich weniger Beachtung findet dagegen der erheblicher Wasserverbrauch der KI-Infrastrukturen, obwohl dieser eine ähnlich große Herausforderung für Nachhaltigkeit und Ressourcenschonung darstellt.

      Hinweis

      Schon ein vergleichsweise kleines Rechenzentrum mit einer Leistung von rund 1 Megawatt benötigt jährlich bis zu 26 Millionen Liter Wasser. Angesichts der Tatsache, dass kleine Rechenzentren in der Regel zwischen 1 und 5 Megawatt leisten, entspricht dies dem durchschnittlichen Jahresverbrauch von etwa 62 US-amerikanischen Haushalten. Zum Vergleich: Die Gesamtkapazität aller Rechenzentren in den Vereinigten Staaten liegt derzeit bei über 40.000 Megawatt, was einem jährlichen Wasserverbrauch entspricht, der den Bedarf von mehr als zwei Millionen Familien decken könnte (Sharma 2024).

      Wasser für die Energieerzeugung

       

    • Wasser für die Kühlung von Rechenzentren Buch

    • Literatur

      Sharma, L. (2024). AI data centers threaten global water security. Lawfare. https://www.lawfaremedia.org/article/ai-data-centers-threaten-global-water-security

      Li, P., Yang, J., Islam, M. A., & Ren, S. (2025). Making ai less' thirsty'. Communications of the ACM, 68(7), 54-61.

      Farfan, J., & Lohrmann, A. (2023). Gone with the clouds: Estimating the electricity and water footprint of digital data services in Europe. Energy Conversion and Management, 290, 117225.

      Jegham, N., Abdelatti, M., Elmoubarki, L., & Hendawi, A. (2025). How hungry is ai? benchmarking energy, water, and carbon footprint of llm inference. arXiv preprint arXiv:2505.09598

      Luccioni, S., Jernite, Y., & Strubell, E. (2024). Power hungry processing: Watts driving the cost of AI deployment?. In Proceedings of the 2024 ACM conference on fairness, accountability, and transparency (pp. 85-99).

      Jin, Yi; Behrens, Paul; Tukker, Arnold; Scherer, Laura (2019): Water use of electricity technologies: A globalmeta-analysis. In Renewable and Sustainable Energy Reviews (115). DOI: 10.1016/j.rser.2019.109391.

      Thompson, N.C., Greenewald, K., Lee, K., Manso, G.F., (2021).

      Deep Learning’s Diminishing Returns: The Cost of Improvement is Becoming Unsustainable. IEEE Spectr. 58, 50–55. https://doi.org/10.1109/MSPEC.2021.9563954

Vorherige Lektion Nach oben Nächste Lektion