🤖 AI

Assessing the Carbon Emissions and Energy Consumption of U.S. Hyperscale Data Centers

Diese Studie schätzt, dass 403 US-Hyperscale-Rechenzentren, die zwischen Mai 2024 und April 2025 in Betrieb waren, 68–99 TWh Strom verbrauchten, was zu 37–54 Millionen metrischen Tonnen CO2-Emissionen beitrug, wobei die Kohlenstoffintensität aufgrund einer starken Abhängigkeit von fossilen Brennstoffen etwa 48 % höher als der nationale Netzdurchschnitt war.

Ursprüngliche Autoren: Gianluca Guidi, Francesca Dominici, Tiziano Squartini, Callaway Sprinkle, Jonathan Gilmour, Kevin Butler, Eric Bell, Scott Delaney, Falco J. Bargagli-Stoffi

Veröffentlicht 2026-06-05

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Gianluca Guidi, Francesca Dominici, Tiziano Squartini, Callaway Sprinkle, Jonathan Gilmour, Kevin Butler, Eric Bell, Scott Delaney, Falco J. Bargagli-Stoffi

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, die Vereinigten Staaten wären eine riesige Stadt, und überall in ihr sind verstreute, superstarke Fabriken namens Hyperscale-Rechenzentren (HDCs). Dies sind keine gewöhnlichen Serverräume; sie sind die kolossalen Motoren, die unser modernes digitales Leben antreiben, insbesondere die neue Welle der Künstlichen Intelligenz. Sie sind so groß, dass sie gleichzeitig zehntausende Haushalte mit Strom versorgen könnten.

Dieses Papier ist wie ein Team von Detektiven (Forscher von Harvard und anderen Institutionen), die beschlossen haben, eine Volkszählung dieser Fabriken durchzuführen, um eine einfache, aber dringliche Frage zu beantworten: Wie viel Strom verschlingen sie, und wie „schmutzig“ ist diese Energie?

Hier ist das, was sie herausgefunden haben, unterteilt in einfache Konzepte:

1. Der „Energiehunger“

Die Forscher verfolgten 403 dieser riesigen Rechenzentren, die zwischen Mai 2024 und April 2025 in Betrieb waren.

Die Analogie: Denken Sie an diese 403 Fabriken als ein einziges, massives, energiehungriges Ungeheuer.
Das Ergebnis: Dieses Ungeheuer fraß zwischen 68 und 99 Terawattstunden (TWh) Elektrizität. Um dies einzuordnen: Das ist etwa die Menge an Elektrizität, die ganze Bundesstaaten wie Indiana, Michigan oder Tennessee für ein ganzes Jahr verbrauchen. Es entspricht etwa 1,8 % des gesamten Stromverbrauchs in den gesamten USA.

2. Der „CO2-Fußabdruck“

Elektrizität entsteht nicht einfach so; sie muss erzeugt werden, oft durch das Verbrennen von Dingen wie Kohle oder Erdgas.

Die Analogie: Wenn Elektrizität die Nahrung ist, die die Rechenzentren essen, dann ist Kohlendioxid (CO2) der „Abgasstrahl“, den sie hinterlassen.
Das Ergebnis: Da diese Zentren so hungrig sind, sind sie dafür verantwortlich, zwischen 37 und 54 Millionen metrische Tonnen CO2 zu erzeugen. Das ist eine massive Abgaswolke. Im Vergleich zu einer Studie aus dem Jahr 2018 ist diese Zahl um etwa das 3- bis 5-fache gestiegen, was zeigt, wie schnell der Hunger der KI wächst.

3. Der „Schmutzig vs. Sauber“-Mix

Nicht alle Elektrizität ist gleich. Ein Teil kommt aus sauberem Wind und Solar, ein anderer Teil aus der Verbrennung fossiler Brennstoffe.

Die Analogie: Stellen Sie sich das Stromnetz wie einen riesigen Smoothie vor. Manchmal besteht der Smoothie hauptsächlich aus Obst (saubere Energie), und manchmal hauptsächlich aus Kaffee (fossile Brennstoffe).
Das Ergebnis: Die Rechenzentren in dieser Studie trinken überwiegend die „Kaffee“-Version des Smoothies.
- Etwa 54 % ihrer Energie stammen aus fossilen Brennstoffen (hauptsächlich Erdgas und Kohle).
- Nur etwa 25 % stammen aus erneuerbaren Energien (Wind, Sonne, Wasserkraft).
- Der Rest ist Kernenergie.
Das Resultat: Da sie in Gebieten angesiedelt sind, in denen das lokale Stromnetz stark auf fossile Brennstoffe angewiesen ist, ist ihr „Abgasstrahl“ viel schmutziger als der eines durchschnittlichen amerikanischen Haushalts. Ihr CO2-Fußabdruck ist etwa 48 % höher als der nationale Durchschnitt.

4. Das „Wo“ spielt eine Rolle

Die Forscher bemerkten, dass diese Rechenzentren nicht gleichmäßig verteilt sind wie eine Sprinkleranlage; sie sind in bestimmten „Hotspots“ konzentriert.

Die Analogie: Es ist, als ob alle die größten Restaurants einer Stadt nur in drei bestimmten Stadtvierteln lägen. Diese drei Viertel müssten sich plötzlich mit dem ganzen Verkehr und dem Abfall auseinandersetzen.
Das Ergebnis: Virginia ist der größte Hotspot, beherbergt 142 dieser Zentren und nutzt etwa ein Viertel der gesamten Elektrizität. Oregon, Ohio und Iowa sind ebenfalls wichtige Zentren. Zusammen machen diese vier Bundesstaaten mehr als die Hälfte des gesamten Energieverbrauchs der Studie aus.

5. Wie sie die Mathematik gemacht haben (Die Detektivarbeit)

Da die Unternehmen der Rechenzentren nicht immer ihre exakten Stromrechnungen veröffentlichen, mussten die Forscher kluge Detektive sein:

Satelliten-Spionage: Sie nutzten Satellitenbilder, um die Gebäude zu finden und ihre Größe zu messen, um sicherzustellen, dass es sich tatsächlich um Rechenzentren und nicht nur um Bürokomplexe handelt.
Die „Last“-Schätzung: Sie wussten nicht genau, wie hart die Computer jede Sekunde arbeiteten, also erstellten sie vier verschiedene „Szenarien“ (wie das Schätzen der Geschwindigkeit eines Autos: langsam, durchschnittlich, schnell oder rasend). Sie einigten sich auf eine „zentrale“ Schätzung, die am realistischsten erschien, basierend darauf, wie diese Maschinen normalerweise laufen.
Die Netz-Karte: Sie ordneten jedes Rechenzentrum dem lokalen Stromversorger (einer sogenannten „Balancing Authority“) zu und untersuchten das „Menü“ der Kraftwerke, die dieser Versorger nutzt. Wenn ein Rechenzentrum in einer Region liegt, in der das Kraftwerk Kohle verbrennt, wird das Rechenzentrum auch für diese Kohle-Emissionen „berechnet“, selbst wenn das Rechenzentrum selbst die Kohle nicht verbrannt hat.

Das Fazit

Dieses Papier liefert einen klaren, datengestützten Schnappschuss der Umweltkosten des KI-Booms. Es zeigt, dass diese Rechenzentren zwar das Gehirn unserer digitalen Zukunft sind, aber derzeit von einer Ernährung leben, die schwer auf fossilen Brennstoffen basiert, was zu einer signifikanten Menge an Kohlenstoffemissionen führt. Die Forscher haben ein öffentliches Tool (eine Website) erstellt, damit jeder genau sehen kann, wie viel Energie und Verschmutzung in seiner lokalen Umgebung stattfindet.

Kurz gesagt: Die KI-Revolution ist real, aber sie läuft derzeit mit viel viel viel fossiler Energie und hinterlässt einen sehr großen CO2-Fußabdruck, insbesondere in einigen Schlüsselstaaten.

Technisches Resümee: Bewertung der Kohlenstoffemissionen und des Energieverbrauchs von US-Hyperscale-Rechenzentren

Problemstellung
Die rasante Ausbreitung von Hyperscale-Rechenzentren (HDCs) in den Vereinigten Staaten, die maßgeblich durch die Einführung künstlicher Intelligenz (KI) vorangetrieben wird, hat erhebliche Bedenken hinsichtlich deren ökologischem Fußabdruck aufgeworfen. Obwohl Rechenzentren das Rückgrat der modernen digitalen Infrastruktur bilden, hat ihre energieintensive Natur – resultierend aus Rechenleistung und Kühlungsanforderungen – zu einem erhöhten Strombedarf und damit verbundenen Treibhausgasemissionen geführt. Die bestehende Literatur weist eine Bandbreite von Schätzungen für den Energieverbrauch von Rechenzentren auf, jedoch sind wissenschaftlich geprüfte Studien, die sich spezifisch mit den Emissionen von Hyperscale-Einrichtungen befassen, spärlich gesät. Frühere Schätzungen, wie die von Siddik et al. (17) für das Jahr 2018, sind angesichts des Nachfrageanstiegs durch KI-Workloads und Kryptowährungs-Mining (welches in dieser Analyse ausgeschlossen ist) mittlerweile veraltet. Darüber hinaus mangelt es an Daten auf Anlagenebene, die heterogene Quellen integrieren, die Infrastruktur mittels Satellitenbildern validieren und die Emissionen unter Verwendung der aktuellsten Netzdaten spezifischen Kraftwerken zuordnen.

Methodik
Die Autoren entwickelten eine skalierbare, datengesteuerte Pipeline, um den Stromverbrauch und die zurechenbaren CO2-Emissionen für 403 US-Hyperscale-Rechenzentren zu schätzen, die zwischen Mai 2024 und April 2025 in Betrieb waren. Die Methodik besteht aus fünf Kernschritten:

Datenerhebung und Validierung: Die Studie kompilierte einen Datensatz von 675 potenziellen HDCs privater Anbieter (Baxtel). Dieser Datensatz wurde rigoros mittels hochauflösender Satellitenbilder (Esri World Imagery) und Gebäudegrundflächen-Daten von OpenStreetMap (OSM) validiert. Durch manuelle Verifizierung und Geokodierung bestätigten die Autoren den Standort und die Identität von 403 Einrichtungen und erhielten für alle von ihnen die Quadratmeterzahlen.
Schätzung der Leistungskapazität: Für die 6 Einrichtungen, bei denen die Stromkapazität nicht angegeben war, wurde ein Gradient Boosted Regression Tree (GBRT)-Modell trainiert, um fehlende Werte zu imputieren. Das Modell nutzte die Gebäudefläche, den Klimatyp (Köppen-Geiger-Klassifikation) und die Region der Übertragungsnetzbetreiber (Balancing Authority Region) als Prädiktoren. Das Modell erreichte ein $R^2$ von 0,808 bei einem zufälligen 85/15-Hold-out-Split, wobei Gruppierungsvalidierungsschemata seine Nützlichkeit als Imputationswerkzeug statt als allgemeines Vorhersagemodell für neue Standorte bestätigten.
Modellierung des Stromverbrauchs: Der jährliche Stromverbrauch wurde geschätzt, indem die gesamte elektrische Kapazität der Anlage (einschließlich IT, Kühlung und Overhead) mit den jährlichen Betriebsstunden (8.760) und einem Anlagen-Lastkoeffizienten ( $u$ $u$ ) multipliziert wurde. In Anerkennung der Unsicherheit bei der Übersetzung der Nennleistung in die tatsächliche Betriebslast berichteten die Autoren Ergebnisse über vier physikalisch motivierte Szenarien hinweg:
- Niedriglast ( $u=0,48$ ): Konventionelle Server, Rated-Max-Design.
- Zentral ( $u=0,58$ ): Konventionelle Server, Measured-Max-Design, konsistent mit Bottom-up-Power-Flow-Modellierungen und unabhängigen PUE-implizierten Prüfungen.
- Intermediär-hoch ( $u=0,663$ ): Anwendung der effektiven Auslastung auf Serverebene auf die Anlagenkapazität (beibehalten zur Kontinuität mit früheren Studien).
- KI-gewichtete Hochlast ( $u=0,70$ ): Reflektiert eine höhere Auslastung für KI-spezialisierte Einrichtungen.
Modellierung der zuordnungsbedingten Emissionen: Jedes HDC wurde seinem entsprechenden Balancing Authority (BA) zugeordnet. Es wurde ein energieerzeugungsgewichtetes (EGW) Zuordnungsmodell angewendet, unter der Annahme, dass innerhalb jeder BA die gesamte HDC-Stromnachfrage proportional zur jährlichen Nettostromerzeugung der Kraftwerke verteilt wird. Dieser Ansatz nutzt EPA eGRID2023 Kraftwerksdaten (die jüngste vollständige Veröffentlichung zum Zeitpunkt der Revision), um Brennstoffgemische und Emissionsfaktoren zuzuweisen.
Berechnung der Kohlenstoffintensität: Die Studie berechnete die gewichtete durchschnittliche Kohlenstoffintensität (gCO2/kWh) für HDCs, indem sie die den HDCs zugerechneten Emissionen und Lasten aggregierte und diese Metriken gegen den US-nationalen Netzdurchschnitt verglich.

Wesentliche Beiträge

Umfassender Datensatz: Erstellung eines validierten Datensatzes auf Anlagenebene von 403 US-HDCs, der einen geschätzten Anteil von 56–82 % der nationalen Hyperscale-Strombilanz repräsentiert.
Zuordnungsrahmen: Anwendung einer transparenten, zuordnungsbedingten Buchungsmethode, die spezifische Rechenzentren mit dem physischen Erzeugungsmix ihrer Balancing Authorities verknüpft, wodurch sich diese Arbeit von konsekutiven (marginalen) Ansätzen unterscheidet.
Szenariobasierte Schätzung: Bereitstellung einer Spanne von Schätzungen (68–99 TWh Elektrizität; 37–54 Mt CO2) statt eines einzelnen Punktschätzwerts, um die Unsicherheiten in den Lastfaktoren der Anlagen und der unvollständigen Abdeckung explizit zu berücksichtigen.
Öffentliches Tool: Entwicklung einer öffentlich zugänglichen Webplattform, die es Nutzern ermöglicht, Kohlenstofffußabdrücke, Stromlasten und Brennstoffgemische auf Bundesstaaten- und Balancing-Authority-Ebene zu untersuchen.

Ergebnisse

Stromverbrauch: Unter dem zentralen Szenario ( $u=0,58$ ) verbrauchten die 403 HDCs etwa 82 TWh Elektrizität, was etwa 1,8 % des gesamten US-Stromverbrauchs entspricht. Über alle Szenarien hinweg lag der Verbrauch zwischen 68 und 99 TWh (1,5–2,2 % des nationalen Gesamts).
Kohlenstoffemissionen: Die damit verbundenen CO2-Emissionen lagen zwischen 37 und 54 Millionen metrischen Tonnen (Mt), mit einer zentralen Schätzung von 45 Mt. Dies ist etwa 3,5 bis 5 Mal höher als die 10,5 Mt, die 2018 für HDCs geschätzt wurden.
Geografische Verteilung: Virginia beherbergte die meisten HDCs (142) und den höchsten aggregierten Verbrauch (~21 TWh), gefolgt von Oregon, Ohio und Iowa. Diese vier Bundesstaaten machten zusammen über 50 % des gesamten HDC-Stromverbrauchs in der Stichprobe aus.
Brennstoffmix und Kohlenstoffintensität: Etwa 53,9 % des den HDCs zugerechneten Stroms wurden durch fossile Brennstoffe geliefert (38,2 % Erdgas, 15,2 % Kohle), 20,9 % durch Kernenergie und 25,3 % durch erneuerbare Energien. Die gewichtete durchschnittliche Kohlenstoffintensität der HDC-Elektrizität betrug etwa 545 gCO2/kWh, was etwa 48 % höher ist als der zeitgleiche US-nationale Netzdurchschnitt von 370 gCO2/kWh. Bemerkenswerterweise befindet sich 90 % der HDC-Stromnachfrage in Balancing Authorities mit Kohlenstoffintensitäten über dem nationalen Durchschnitt.

Bedeutung und Ansprüche
Das Paper beansprucht, ein robustes, zuordnungsbedingtes Werkzeug zur Bewertung des ökologischen Fußabdrucks von Hyperscale-Rechenzentren unter Verwendung der aktuellsten EPA eGRID-Kraftwerksdaten bereitzustellen. Die Autoren betonen, dass ihr Ansatz aufgrund der markanten Sichtbarkeit und der gut dokumentierten Infrastruktur von HDCs eine statistisch robuste Bewertung bietet. Sie argumentieren, dass ihre Ergebnisse die unverhältnismäßige Konzentration von Rechenzentren in Regionen mit kohlenstoffintensiven Netzen hervorheben – ein kritischer Faktor, der in breiteren sektoralen Analysen oft übersehen wird. Die Studie unterstreicht die Dringlichkeit einer datengestützten Entscheidungsfindung, um politische Maßnahmen zur Milderung der Umweltauswirkungen von Rechenzentren zu unterstützen, insbesondere da die KI-Adoption deren Expansion weiter vorantreibt. Die Autoren weisen explizit darauf hin, dass ihre Schätzungen szenariobasierte Grenzwerte und keine strikten Untergrenzen sind, wobei sie Einschränkungen wie die unvollständige Abdeckung von Einrichtungen und das Fehlen von PUE-Daten auf Anlagenebene berücksichtigen. Sie positionieren ihre Arbeit als notwendigen Schritt, um Rechenzentren als relevanten Wirtschaftssektor anzuerkennen, der gezielter politischer Aufmerksamkeit bedarf, während sie ihre Zuordnung auf Anlagenebene von der Literatur über Server- oder KI-spezifische Emissionsprojektionen abgrenzen.