Ich habe kürzlich eine Schätzung von Macquarie geteilt, die die Skalierungslücke in der KI-Energieplanung zwischen den USA und China hervorhebt: Bis 2030 wird China nur 1–5 % der KI-bezogenen Energie benötigen, die es in den letzten fünf Jahren hinzugefügt hat; die USA werden 50–70 % benötigen. Mit anderen Worten, China hat bereits 20× die Energie hinzugefügt, die sein KI-Ausbau benötigt, während die USA vor einem viel steileren Anstieg stehen. Das stimmt auch mit dem überein, was ich im August gesagt habe — dass China weitgehend die kurzfristige KI-Energieversorgung „gelöst“ hat. Und Branchenführer wie Satya Nadella sagen jetzt das, was man normalerweise nicht laut ausspricht: Der echte Engpass bei KI verschiebt sich von GPUs zu Elektrizität und energisierten Rechenzentren. Für diejenigen, die die tiefergehenden strukturellen Unterschiede verfolgen, hier sind die wichtigsten Punkte aus einer aktuellen Analyse unserer Freunde von Weijin Research: 1. Die Energiekluft - 2023 Zugänge: USA 51 GW vs. China 429 GW (8×). - China erzeugt über 9.000 TWh, mehr als das Doppelte der USA. - Großangelegte KI hängt jetzt von der Verfügbarkeit physischer Energie ab. 2. Effizienzunterschiede - Chinas Herausforderung ist nicht die Versorgung, sondern die Effizienz von Elektrizität zu Berechnung. - Huawei-Systeme können in FLOPs mit Nvidia konkurrieren, benötigen aber 100 %+ mehr Energie pro Berechnungseinheit. - In einem Szenario (CloudMatrix vs. GB200) erreicht Chinas Stromkosten pro FLOP ~140 % der USA, trotz günstigerer Energie. 3. Warum das wichtig ist Energie, Netzdesign und Berechnungseffizienz entwickeln sich zu zentralen nationalen Fähigkeiten im KI-Zeitalter. Deshalb veranstalten wir bei @techbuzzchina im Januar 2026 eine New Energy Trip nach China, mit zusätzlichen Programmen, die später im Jahr geplant sind. Das Verständnis des Energiesystems — Netz, Übertragung, Speicherung, Solar und wie KI darin eingebettet ist — wird entscheidend, um die Zukunft der Berechnung zu verstehen. Chinesische Unternehmen spüren das ebenfalls — sie bewegen sich schnell, um ihre Technologien über den gesamten Stack zu exportieren. Link zu dem Artikel in den Kommentaren unten.