Von CPUs zu GPUs: Kanadas Positionierung im Zeitalter der beschleunigten KI

Wichtige Erkenntnis: KI-Inferenz wird nicht um das 100-fache oder 1.000-fache steigen… sie wird um das 1.000.000.000-fache (eine Milliarde Mal) steigen. Inferenz, nicht Training, wird bis 2030 der dominante Verbraucher globaler Rechenleistung sein, wobei bereits etwa 40 % der Rechenzentrums-Einnahmen von Nvidia aus der Inferenz-Bereitstellung stammen.

Einleitung

Die globale Computerindustrie befindet sich an einem Wendepunkt. Nach Jahrzehnten, die von der Allzweck-CPU-basierten Datenverarbeitung dominiert wurden, erleben wir einen Paradigmenwechsel hin zu beschleunigtem Rechnen, das von GPUs und spezialisierter KI-Hardware angetrieben wird. Nvidia-CEO Jensen Huang argumentiert, dass dieser Übergang unvermeidlich ist – „Allzweck-Computing ist vorbei“ und die Zukunft liegt im beschleunigten Rechnen und in der KI.¹ Dieses Briefing skizziert, was Huangs CPU-zu-GPU-Übergang wirtschaftlich und technologisch bedeutet, welche Auswirkungen er auf ältere Rechenzentren hat und welche Hauptphasen des Wandels bis 2035 zu erwarten sind. Es beleuchtet auch Kanadas strategische Chance – einschließlich der Entwicklung zu einem Zentrum für hochvolumige KI-Inferenz-Rechenleistung und einem „Exporteur sauberer Rechenleistung“ – und plädiert für proaktive öffentliche Investitionen und politische Unterstützung.

Der CPU-zu-GPU-Übergang: Eine neue Ära des beschleunigten Rechnens

Huangs Kernbotschaft ist, dass der traditionelle Ansatz des Allzweck-Computings nicht mehr mithalten kann, insbesondere für KI. Die Leistungssteigerungen von Chips durch das Mooresche Gesetz stagnieren, und CPUs allein können die für moderne KI-Workloads erforderliche exponentielle Leistung nicht wirtschaftlich erbringen.¹ Beschleunigtes Rechnen – der Einsatz von GPUs und KI-spezifischen Chips neben CPUs – ist die Antwort. Dies stellt eine tektonische Verschiebung dar: Huang merkt an, dass es „Billionen von Dollar an Computerinfrastrukturen auf der Welt“ gibt, die für beschleunigtes Rechnen erneuert und überarbeitet werden müssen.¹

Ein solcher Übergang ist in seiner Wirkung mit früheren industriellen Revolutionen vergleichbar. Huang nennt es eine neue „industrielle Revolution“ im Computing – vergleichbar mit Elektrizität, die Kerosin ersetzt, oder Jets, die Propellerflugzeuge ersetzen.¹ Der Grund ist die außergewöhnliche wirtschaftliche Hebelwirkung der KI. Durch die Auslagerung parallelisierbarer, KI-bezogener Aufgaben auf GPUs (die für diese Aufgaben Zehntausende Male schneller sein können) können wir die Produktivität dramatisch steigern und völlig neue Fähigkeiten ermöglichen. Huang stellt sich KI-„Co-Pilot“-Systeme vor, die menschliche Arbeitskräfte ergänzen: Eine Investition von 10.000 US-Dollar in KI neben einem 100.000 US-Dollar teuren Mitarbeiter könnte die Produktivität dieses Mitarbeiters verdoppeln oder verdreifachen.¹

Beschleunigtes Rechnen ist somit sowohl ein technologischer Wandel als auch ein wirtschaftliches Gebot. GPUs und spezialisierte Beschleuniger sind heute eine kritische Infrastruktur für alles, vom Training großer KI-Modelle bis zum Betrieb von Suchmaschinen und Empfehlungssystemen. Die „grundlegende Hyperscale-Computing-Infrastruktur“ bei Giganten wie Google, Meta und ByteDance hat bereits begonnen, für KI-Aufgaben wie Suche und Empfehlungen von CPUs auf GPUs umzusteigen.¹

Entscheidend ist, dass dieser Übergang ein „extremes Co-Design“ ganzer Systeme beinhaltet. Um die erforderlichen Leistungssprünge zu erzielen, überdenken Unternehmen alles von Prozessoren über Netzwerke bis hin zu Software gleichzeitig. Nvidia erzielte in 10 Jahren (von der Kepler-GPU-Ära bis heute) eine 100.000-fache Leistungssteigerung durch ganzheitliches Design und verzeichnete sogar einen 30-fachen Sprung innerhalb eines Jahres zwischen seinen Hopper- und Blackwell-GPU-Generationen.¹ Nachfolger (Codename Rubin, Feynman) werden etwa jährlich erwartet.² Kurz gesagt, das auf CPUs basierende Allzweck-Computing weicht einer Ära kontinuierlicher, beschleunigter Innovation im KI-fokussierten Computing.

Auswirkungen auf die Infrastruktur älterer Rechenzentren

Diese CPU-zu-GPU-Verschiebung hat erhebliche Auswirkungen auf bestehende Rechenzentren und deren Investitionszyklen. Ältere Rechenzentren waren für CPU-zentrierte Workloads optimiert; deren Nachrüstung oder Neugestaltung für beschleunigte KI-Workloads ist ein erhebliches Unterfangen.

Hardware-Upgrades für Rechenleistung. KI-Server kombinieren heute CPUs mit hoher Kernzahl mit mehreren High-End-GPUs, oft im Verhältnis 1:4 oder 1:8. Dies erfordert neue Serverdesigns, Hochleistungsnetzteile und spezialisierte Kühlung. Ein Großteil der weltweit bestehenden Serverflotte muss ersetzt werden. Wie Huang feststellt, wird, wenn die weltweite Recheninfrastruktur erneuert wird, „es beschleunigtes Rechnen sein“ – GPU-zentriert.¹

Netzwerke und Verbindungen. Um GPU-Cluster voll auszunutzen, ist eine Ultra-High-Bandbreiten-Vernetzung unerlässlich. Ältere Rechenzentren, die für CPU-Workloads gebaut wurden, könnten auf Standard-Ethernet-Netzwerke angewiesen sein, die zu Engpässen für KI werden. Moderne KI-Fabriken verwenden fortschrittliche Verbindungen (Nvidias NVLink, InfiniBand oder Ultra-Low-Latency Ethernet). Einrichtungen benötigen Netzwerk-Upgrades, um verteiltes KI-Computing über Tausende von GPUs hinweg zu bewältigen.

Strom- und Kühlinfrastruktur. GPUs verbrauchen pro Knoten deutlich mehr Strom als typische Server. Ein Rack voller KI-Beschleuniger kann das 5- bis 10-fache des Stromverbrauchs eines traditionellen Racks aufweisen. Die meisten älteren Rechenzentren wurden nicht mit einer solchen Leistungsdichte im Hinterkopf gebaut. Upgrades können neue Stromverteilungseinheiten, Flüssigkeitskühlsysteme und verstärkte Layouts umfassen. Kanadas bestehende HPC-Infrastruktur liefert nur ~0,007 Petaflops pro Kilowatt gegenüber ~0,016 in den USA – teilweise, weil wir ältere, weniger energieeffiziente Hardware betreiben.

Speicher und Daten. KI-Workloads erfordern Hochdurchsatz-Speicher, um Daten an GPUs zu liefern. Viele ältere Rechenzentren müssen möglicherweise auf parallele Dateisysteme oder NVMe-basierte Speichernetzwerke aufrüsten, um IO-Engpässe zu vermeiden. Jede Schicht des Stacks – Rechenleistung, Speicher, Speicherung, Netzwerk, physische Anlage – wird vom KI-Übergang berührt.

Investitionszyklus. Umfang und Geschwindigkeit dieser Überholung wirken sich auf die Investitionszyklen aus. Nvidias Pipeline mit Cloud-Partnern umfasst „Hunderte von Milliarden Dollar“ für den Aufbau von KI-Infrastruktur für Microsoft Azure, Oracle Cloud, CoreWeave und andere.¹ Hyperscaler haben alle mehrjährige, milliardenschwere Erweiterungen angekündigt, die auf KI-Kapazität abzielen. Das Risiko für ältere Rechenzentren besteht darin, dass ein Abseitsbleiben bedeutet, bei Effizienz und Leistungsfähigkeit weit zurückzufallen.

Es ist eine Welle von Investitionsausgaben zu erwarten, da Unternehmen CPU-Server durch GPU-basierte Systeme ersetzen, Netzwerk-Backbones aufrüsten und Stromversorgung und Kühlung verstärken. Huang deutet an, dass dies weltweit Billionen an Investitionsausgaben ausmachen könnte – in der Größenordnung von „5 Billionen US-Dollar jährlich“ weltweit, wenn KI das gesamte globale BIP um 20 % steigern würde.¹ Computing ist kein routinemäßiges Kosten-Center mehr – es ist strategische Infrastruktur für die KI-Wirtschaft.

Globale Trends und Phasen bis 2035

Im nächsten Jahrzehnt erwarten wir eine schnelle, global transformative Abfolge von Entwicklungen, die durch beschleunigtes Rechnen und KI angetrieben werden. Mehrere Schlüsselphasen überlappen sich und verstärken sich gegenseitig.

Steigende Inferenz-Nachfrage

Nach dem anfänglichen Ansturm auf das Training großer KI-Modelle tritt die Welt in die Inferenz-Ära ein – die Bereitstellung von KI-Modellen in großem Maßstab in realen Anwendungen. Jensen Huang betonte, dass, während das Training teuer war, die Inferenz alles in den Schatten stellen wird: "Inferenz wird nicht um das 100-fache oder 1.000-fache steigen… es wird um das 1.000.000.000-fache (eine Milliarde Mal) steigen."¹ Etwa 40 % des Rechenzentrums-Umsatzes von Nvidia stammen bereits aus der Inferenz-Bereitstellung.¹

Zwei Faktoren treiben dies an: der Umfang der Nutzung (potenziell Milliarden von Nutzern und Geräten, die täglich KI verwenden) und die Komplexität pro Inferenz (neue KI-Modelle führen mehrstufiges "Denken" durch, was bedeutet, dass jede Abfrage weitaus mehr Berechnungen erfordert als eine einfache Suche). Meta soll 350.000 H100 GPUs gekauft haben, wobei die überwiegende Mehrheit (~300.000+) der Inferenz und nicht dem Training gewidmet ist.³

Bis 2030 werden Inferenz-Workloads voraussichtlich der dominierende Verbraucher von Rechenleistung weltweit sein. Nationen und Unternehmen, die diesen Anstieg antizipieren, können jetzt Kapazitäten planen – diejenigen, die dies nicht tun, könnten ihre Infrastruktur überfordert vorfinden.

Aufbau von KI-Fabriken

Um sowohl den Trainings- als auch den Inferenz-Bedarf zu decken, ist ein weltweiter Aufbau von KI-Rechenzentren – manchmal als "KI-Fabriken" bezeichnet – in vollem Gange. Dies sind Hyperscale-Anlagen, vollgepackt mit Zehntausenden von GPUs, Hochgeschwindigkeitsnetzwerken und fortschrittlicher Kühlung. Das Ausmaß ist beispiellos: Amazon soll Land und Strom für einen 1-GW-Rechenzentrumscampus neben einem Atomkraftwerk gekauft haben.³ Microsoft und OpenAI sollen bis 2028 einen 100 Milliarden Dollar teuren KI-Supercluster planen.

Huang kündigte an, dass Nvidia Partnerschaften eingeht, um mehrere KI-Fabriken zu bauen, darunter 5–7 GW Kapazität mit Oracle Cloud.¹ Bis etwa 2030 erwarten Analysten, dass ein "Billionen-Dollar-Cluster" machbar sein könnte – im Wesentlichen ein KI-Trainingscluster, das ~100 GW Leistung benötigt.⁴ Allein im Jahr 2024 wurden die gesamten KI-bezogenen Investitionsausgaben (Capex) weltweit auf rund 100–200 Milliarden Dollar geschätzt.³ Dieser Aufbau wird sich bis in die 2030er Jahre fortsetzen, bis die KI-Infrastruktur so verbreitet ist wie die heutige Internet-Infrastruktur.

Schnelle Hardware-Iteration

Im Gegensatz zu früheren Computer-Umwälzungen iteriert das KI-Hardware-Ökosystem in einem jährlichen (oder schnelleren) Tempo. Nvidia plant, die nächste Generation Blackwell im Jahr 2024 mit einer 30-fachen Verbesserung bei bestimmten Aufgaben auszuliefern, wobei Nachfolger (Rubin, Feynman) etwa jährlich erwartet werden.¹ ² Konkurrenten wie Google (TPUs), AMD und aufstrebende KI-Chip-Startups treiben ähnliche Zyklen voran.

Jede Verzögerung bei der Einführung könnte angesichts der kumulativen Verbesserungen zu einer erheblichen Wettbewerbslücke führen. Aus politischer Sicht deutet dies darauf hin, dass jährliche Bewertungen und agile Investitionen erforderlich sein könnten; das Warten auf eine perfekte langfristige Lösung könnte bedeuten, immer einem beweglichen Ziel hinterherzujagen.

Entstehung von agentischen KI-Systemen

Bis Anfang der 2030er Jahre wird erwartet, dass sich KI von einem Werkzeug, das On-Demand-Ausgaben liefert, zu autonomen "Agenten"-Systemen entwickelt. Huang stellt fest, dass "KI nicht länger ein einzelnes Sprachmodell ist, sondern ein System von Modellen", die zusammenarbeiten – im Wesentlichen agentische Systeme, die komplexe Aufgaben ausführen.¹ Diese Agenten werden den Rechenbedarf dramatisch erhöhen (ein Agent könnte viele Modellinferenzen ausführen und kontinuierlich neue Unteraufgaben erzeugen).

Aschenbrenner und andere prognostizieren, dass KI-Systeme bis etwa 2027 in der Lage sein könnten, bestimmte KI-Forschungs- und Ingenieuraufgaben zu automatisieren – und damit ein Jahrzehnt algorithmischen Fortschritts in weniger als einem Jahr zu komprimieren, vorausgesetzt, es steht ausreichend Rechenleistung zur Verfügung.⁴ Bis in die 2030er Jahre könnten wir KI-Systeme haben, die Menschen bei den meisten wirtschaftlich wertvollen Aufgaben übertreffen. Wenn sicher verwaltet, läutet dies eine Ära extremer Produktivität und wirtschaftlichen Wachstums ein.

Zusammenfassend lässt sich sagen, dass der Zeitraum bis 2035 Folgendes erleben wird: eine Explosion der KI-Bereitstellung (insbesondere Inferenz), einen globalen Wettlauf um den Bau der Rechenzentren, die diese betreiben, jährliche Sprünge in der Hardware-Leistungsfähigkeit und den Aufstieg von KI-Agenten, die die Arbeitsweise transformieren. Diejenigen, die diese Welle proaktiv reiten, werden enorme Vorteile erzielen. Diejenigen, die zurückbleiben, könnten sich für kritische digitale Ressourcen auf andere verlassen müssen.

Kanadas Chance: Eine saubere Rechenleistungs-Großmacht werden

Für Kanada bietet dieser globale Übergang eine strategische Gelegenheit, unsere einzigartigen Stärken zu nutzen. Historisch gesehen war Kanada stark in der KI-Forschung (dank Pionieren wie Yoshua Bengio, Geoff Hinton) und früher politischer Unterstützung (wir waren die erste Nation mit einer nationalen KI-Strategie im Jahr 2017). Wenn es jedoch um die KI-Recheninfrastruktur geht, hinkt Kanada derzeit seinen Vergleichsländern hinterher.

Wichtige Erkenntnis: Kanada verfügt über die geringste Menge an verfügbarer KI-Rechenleistung unter den G7-Ländern – etwa die Hälfte der des Vereinigten Königreichs. Kanadische KI-Startups und Forscher müssen Rechenleistung von ausländischen Cloud-Anbietern mieten, da die nationalen Optionen begrenzt sind.

Eine Analyse von The Dais aus dem Jahr 2024 ergab, dass Kanada über die geringste Menge an verfügbarer KI-Rechenleistung unter den G7-Ländern verfügt – unsere gesamte Rechenkapazität beträgt etwa die Hälfte der des Vereinigten Königreichs (des nächstniedrigsten G7-Mitglieds).⁶ Viele kanadische KI-Startups und Forscher müssen Rechenleistung von ausländischen Cloud-Anbietern mieten, da die nationalen Optionen begrenzt und teuer sind. Diese "KI-Rechenlücke" könnte unsere Fähigkeit behindern, heimische KI-Innovationen zu skalieren, und das Risiko bergen, dass Talente zu besser ausgestatteten Zentren abwandern.

Spezialisierung auf hochvolumige KI-Inferenz

Inferenz wird voraussichtlich die größte fortlaufende Arbeitslast in der KI-Ära sein. Nicht jedes Land wird die Kapazität haben, den Anstieg intern zu bewältigen – kleinere Nationen mit begrenzter Energie müssen sich möglicherweise auf externe Rechenzentren verlassen. Kanada kann sich mit den richtigen Investitionen als "KI-Inferenz-Hub" positionieren.

Wir verfügen über wichtige Zutaten: reichlich Land, qualifizierte technische Arbeitskräfte und entscheidend kostengünstigen, kohlenstoffarmen Strom. Kanadas Stromnetz ist zu über 80 % emissionsfrei (ein Mix aus Wasser-, Kern- und Windkraft) und wir haben Potenzial für eine Erweiterung. In einer Welt, in der der Energieverbrauch von KI ein Anliegen ist, ist dies ein Verkaufsargument. Durch die Bereitstellung von KI-Diensten mit einem geringeren CO2-Fußabdruck könnte Kanada Kunden anziehen, die nachhaltige Lösungen suchen.⁷

Dieses Konzept des Exports von Rechenleistung ist analog dazu, wie einige Länder Öl oder Strom exportieren. Anstatt physische Güter zu exportieren, könnte Kanada Rechenleistungen (über sichere Netzwerkverbindungen) an Länder exportieren, denen es an Zeit, Kapital oder Geografie mangelt, um selbst genügend KI-Infrastruktur aufzubauen.

Steigerung der Wirtschaftsproduktivität durch KI-Einführung

Wenn Kanada in KI investiert und diese in großem Maßstab einführt, könnte der Ertrag enorm sein. Das Whitepaper von Accenture/Microsoft schätzt, dass generative KI bis 2030 jährlich bis zu 187 Milliarden Dollar zur kanadischen Wirtschaft beitragen könnte – bestehend aus etwa 180 Milliarden Dollar an Produktivitätsgewinnen und 7 Milliarden Dollar an neuen Produkten und Dienstleistungen.⁵ ⁸ Das entspricht 8–10 % des aktuellen kanadischen BIP.

Wichtige Erkenntnis: Generative KI könnte bis 2030 jährlich bis zu 187 Milliarden Dollar zur kanadischen Wirtschaft beitragen – bestehend aus 180 Milliarden Dollar an Produktivitätsgewinnen und 7 Milliarden Dollar an neuen Produkten und Dienstleistungen, was einer Steigerung der Arbeitsproduktivität um 8 % entspricht.

Diese Vorteile ergeben sich aus der KI-gestützten Erweiterung von Angestellten- und Facharbeiterberufen – wodurch kanadische Arbeitnehmer im Durchschnitt schätzungsweise 125 Stunden pro Jahr einsparen.⁵ Durch den Aufbau einer starken nationalen KI-Rechenkapazität ermöglichen wir unseren kleinen und mittleren Unternehmen (die 99 % der Unternehmen ausmachen), KI zu nutzen. Investitionen in die KI-Infrastruktur betreffen nicht nur den Technologiesektor – es geht darum, KI-gesteuerte Produktivität in die gesamte Wirtschaft einzubringen.

Export von sauberer Rechenleistung als strategisches Gut

Wenn Kanada international zu einem wichtigen Anbieter von KI-Rechenleistungen wird, würde dies nicht nur wirtschaftliche Vorteile, sondern auch strategische Handels- und geopolitische Vorteile mit sich bringen. Der Zugang zu Rechenleistung entwickelt sich zu einer strategischen Ressource. Ein Kommentar in Foreign Policy stellte fest, dass „so wie Öl einst strategische Allianzen prägte, der Zugang zu sauberer Rechenleistung zukünftige diplomatische Beziehungen bestimmen könnte.“⁷

Länder könnten neue Partnerschaften eingehen, basierend darauf, wer wem KI-Dienste liefert. Europäische Nationen, die strenge Klimaziele verfolgen, könnten es vorziehen, KI-Workloads an Kanada mit überschüssiger sauberer Energie auszulagern, anstatt sie auf heimischen, kohleintensiven Netzen zu betreiben. Als „Exporteur sauberer KI-Rechenleistung“ nutzt Kanada seine natürlichen Vorteile (saubere Energie, politische Stabilität), um einen digitalen Vorteil zu erzielen.

Öffentliche Investitionen und politische Unterstützung

Die Nutzung des Übergangs von CPUs zu GPUs erfordert koordiniertes politisches Handeln. Der Markt allein könnte angesichts des Umfangs und der strategischen Natur der benötigten Infrastruktur zu wenig investieren.

Investitionen in die nationale KI-Infrastruktur. Öffentliche Mittel sind erforderlich, um Kanadas KI-Rechenkapazität drastisch zu erweitern. Der 2 Milliarden US-Dollar schwere AI Compute Access Fund ist ein Anfang,¹⁰ aber wir könnten im nächsten Jahrzehnt eine Größenordnung mehr benötigen. Die Regierung kann KI-Supercomputing-Zentren unterstützen – eine föderierte GPU-Cloud, die Unternehmen und Forschern zugänglich ist und bis 2027 10 Exaflops anstrebt.

Saubere Energie für KI nutzen. Die KI-Strategie an Kanadas Vorteil bei sauberer Energie ausrichten. Standorte in der Nähe großer Wasserkraftwerke oder neuer Nuklearanlagen als ausgewiesene KI-Rechenzentrums-Zonen identifizieren. Genehmigungsverfahren beschleunigen und öffentlich-private Partnerschaften für die Stromverteilungs- und Kühlinfrastruktur in Betracht ziehen.⁹

Kompetenz- und Talententwicklung fördern. KI-bezogene Programme an Universitäten erweitern, in die polytechnische Ausbildung für Hochleistungsrechentechniker investieren und Einwanderungspolitiken beibehalten, um globale Talente anzuziehen. Eine qualifizierte Arbeitskraft sichert den Produktivitätsgewinn von 180 Milliarden US-Dollar.⁵

KI-Einführung in traditionellen Industrien fördern. Gezielte Zuschüsse oder Steuergutschriften für KMU, die KI-Lösungen implementieren. Öffentliche Beschaffung, die die Nachfrage antreibt. Eine breite Akzeptanz treibt die Produktivitätsgewinne voran und hilft, die Vorteile der KI über den Technologiesektor hinaus zu verbreiten.⁵

Kanada als vertrauenswürdigen Exporteur positionieren. Rahmenbedingungen für internationale Kunden schaffen, um KI-Workloads sicher in Kanada zu hosten. Vereinbarungen zur Datensouveränität berücksichtigen und Kanadas robuste Datenschutz- und Sicherheitsstandards als Exportprodukt vermarkten.

Wirtschaftliche und fiskalische Erträge. Die prognostizierte Steigerung des BIP um 187 Milliarden US-Dollar bis 2030 könnte sich in etwa 30 Milliarden US-Dollar zusätzlichen jährlichen Staatseinnahmen niederschlagen. Dies rechtfertigt problemlos mehrjährige Vorabinvestitionen in Milliardenhöhe.

Fazit

Der Übergang von CPUs zu GPUs – von Allzweck- zu beschleunigtem KI-Computing – ist eine grundlegende Verschiebung, die die Weltwirtschaft und die geopolitische Landschaft bis 2035 neu gestalten wird. Er verspricht immense Produktivitätsgewinne und völlig neue Industrien, ähnlich wie frühere industrielle Revolutionen. Für Kanada steht viel auf dem Spiel: Wir können entweder investieren und diese Welle reiten oder riskieren, mit veralteter Infrastruktur und stagnierendem Wachstum zurückzubleiben.

Die gute Nachricht ist, dass Kanada die Zutaten für den Erfolg hat – erstklassige KI-Talente, reichlich saubere Energie und ein stabiles Investitionsumfeld. Huangs Vision, dass „Allzweck-Computing vorbei ist; die Zukunft ist beschleunigtes Computing und KI“, ist eine, die wir annehmen sollten. Mit durchdachter öffentlich-privater Zusammenarbeit kann Kanada diese Zukunft nutzen, unsere Wirtschaft vorantreiben und unsere „saubere Rechenleistung“ mit der Welt teilen – um sicherzustellen, dass wir im Zeitalter der KI nicht nur gedeihen, sondern es auch zum Besseren mitgestalten.

Anmerkungen

1. Nvidia CEO Jensen Huang, Anmerkungen zu beschleunigtem Computing, KI-Inferenznachfrage und Infrastrukturübergang, CES/GTC-Konferenzen, 2024–2025.
2. Nvidia GPU-Roadmap: Hopper (2022), Blackwell (2024), Rubin- und Feynman-Architekturen für jährlichen Rhythmus angekündigt.
3. Leopold Aschenbrenner, „Situational Awareness“, Juni 2024. (Daten zu globalen KI-Investitionen, Meta 350.000 GPUs, Billionen-Dollar-Cluster-Prognosen.)
4. Ebenda. (Prognosen zu automatisierter KI-Forschung, agentischen Systemen und Zeitplan für Superintelligenz.)
5. Accenture und Microsoft, „Kanadas generative KI-Chance“, 2024. (187 Milliarden US-Dollar Wirtschaftsauswirkungen, 180 Milliarden US-Dollar Produktivitätsgewinne, 8 % Steigerung der Arbeitsproduktivität bis 2030.)
6. The Dais (Toronto Metropolitan University), „Kanadas KI-Rechenlücke“, 2024. (Kanada niedrigste G7-Rechenleistung, ~50 % der britischen Kapazität.)
7. SETA, „Versteckte Kosten der KI: Energiekrise“, 2023. (Saubere Rechenzentren, VAE und Kanada positionieren sich als Exporteure.)
8. Microsoft Kanada, Anmerkungen zu der wirtschaftlichen Chance von 187 Milliarden US-Dollar und der Dringlichkeit der KI-Einführung, 2024.
9. RBC Climate Action Institute, „Machtkampf: Wie KI Kanadas Stromnetz herausfordert“, 2025.
10. Regierung von Kanada, AI Compute Access Fund (2 Milliarden US-Dollar) und Ankündigungen zur souveränen Rechenstrategie, 2024.