Der Preis des Denkens

Abstract

Eine Kachel macht die Runde: Das menschliche Gehirn denke mit zwölf Watt, ein KI-System bräuchte für dieselbe Arbeit 2,7 Milliarden. Dieser Essay prüft beide Zahlen und findet sie nicht haltbar, den etablierten Wert bei rund zwanzig Watt und die Milliardenzahl als Hochrechnung mit verlorenem Kontext und späterer Fehlzuschreibung. Zugleich zeigt er, dass die Erklärung hinter der Kachel nicht nur richtig, sondern besser belegt ist als ihre eigenen Zahlen. Im Kortex kostet die Rechenarbeit unter 0,2 Watt, die Kommunikation rund 4,6 Watt; in Silizium kostet eine Fließkommaoperation wenige Pikojoule, ein externer Speicherzugriff über tausendmal mehr. Rechnen ist billig, Bewegen ist teuer, in Kohlenstoff wie in Silizium. Der Essay ordnet die Debatte anschließend auf drei Ebenen, der Energie je Operation, der Energie je System und der physikalischen Untergrenze, und zeigt, dass der virale Vergleich vor allem an einer Vermischung dieser Ebenen scheitert. Die Grenze wird ausdrücklich benannt: Ein Gehirn tut nicht dieselbe Arbeit wie ein Rechenzentrum, und die interessante Frage ist nicht, wer effizienter denkt, sondern welche Architekturprinzipien übertragbar sind.

• Schlüsselbegriffe:
• Energieeffizienz
• Von-Neumann-Flaschenhals
• Sparsamkeit
• neuromorphe Hardware
• In-Memory-Computing
• Landauer-Grenze
• Quellenkritik

1. Zwei Zahlen und ein richtiger Gedanke

Manche Behauptungen verbreiten sich, weil sie stimmen. Andere, weil sie ein gutes Bild ergeben. Die Kachel mit den zwölf Watt gehört in eine dritte Kategorie, die seltener und interessanter ist: Sie transportiert einen richtigen Gedanken mit falschen Zahlen.

Der Gedanke lautet, dass der Energieunterschied zwischen Gehirn und Rechenzentrum nicht an der Leistungsfähigkeit der Bauteile liegt, sondern am Entwurf. Zwei Gründe werden genannt. Erstens liegen im Kopf Speicher und Verarbeitung am selben Ort, während in einem Rechner die Daten zwischen Speicher und Prozessor hin und her wandern müssen. Zweitens sei das Gehirn absichtlich faul, die meisten Neuronen schwiegen die meiste Zeit, während eine Grafikkarte ihr gesamtes Feld mit Strom versorge, ob die Rechnung es braucht oder nicht.

Beides ist im Kern richtig. Beides ist belegbar. Und beides wird von den beiden Schlagzahlen eher verdeckt als gestützt. Es lohnt deshalb, sauber zu trennen: erst die Zahlen prüfen, dann die Erklärung belegen, dann fragen, was daraus folgt.

2. Die Korrektur, die das Argument stärkt

Beginnen wir beim Gehirn. Der in der Literatur etablierte Wert liegt bei rund zwanzig Watt für das gesamte Organ. Das Gehirn macht etwa zwei Prozent der Körpermasse aus und beansprucht rund zwanzig Prozent des Ruheumsatzes. Die Zahl stammt nicht aus einer Schätzung, sondern aus Messungen: aus dem per Positronen-Emissions-Tomographie bestimmten Sauerstoff- und Glukoseverbrauch sowie aus dem per Magnetresonanzspektroskopie bestimmten ATP-Umsatz.

Woher die zwölf Watt stammen, war nicht auffindbar. Das ist bemerkenswert und zugleich unspektakulär: Zahlen verlieren auf ihrem Weg durch soziale Netzwerke Herkunft und Kontext, und irgendwann zirkuliert eine gerundete, verschobene oder falsch erinnerte Fassung. Ich halte deshalb fest, was belegt ist, und erfinde keinen Ursprung für das, was es nicht ist.

Weit wichtiger als diese Korrektur ist jedoch, was in derselben Literatur steht und in der Kachel fehlt. Levy und Calvert haben für die menschliche Großhirnrinde getrennt gemessen, was das Rechnen kostet und was die Kommunikation kostet. Das Ergebnis ist bemerkenswert: Die eigentliche Berechnung schlägt mit weniger als 0,2 Watt zu Buche, die Kommunikation zwischen den Neuronen dagegen mit rund 4,6 Watt (Levy & Calvert, 2021). Der weit überwiegende Teil der Energie geht nicht in das Denken, sondern in das Verschieben von Signalen.

Damit belegt die Neurowissenschaft die Kernthese der Kachel besser, als es deren eigene Zahlen tun. Die Korrektur schwächt das Argument nicht. Sie schärft es.

3. Woher die 2,7 Milliarden stammen

Die zweite Zahl hat eine nachvollziehbare Entstehungsgeschichte, und sie ist lehrreich, weil sie ein Muster zeigt, das man wiedererkennt, sobald man es einmal gesehen hat.

Die Angabe entstand, indem eine Simulation mit rund zehn Millionen Neuronen zunächst auf die Größenordnung eines Mausgehirns hochgerechnet und das Ergebnis anschließend mit tausend multipliziert wurde. Es handelt sich also um eine doppelte Extrapolation, nicht um eine Messung. In der Weiterverbreitung verschwand dieser Hinweis, und in der Folge schrieben sekundäre Quellen die Zahl dem Blue Brain Project zu, das sie nie veröffentlicht hat.

Zur Einordnung hilft ein Vergleichswert aus derselben Fachdebatte. Kwabena Boahen, der in Stanford an neuromorpher Hardware arbeitet, nennt für einen Prozessor mit gehirnähnlicher Leistungsfähigkeit eine Größenordnung von etwa zehn Megawatt. Das ist immer noch viel, entspricht aber rund einem Zweihundertsiebzigstel der kursierenden Zahl. Wenn seriöse Schätzungen innerhalb desselben Feldes um mehr als zwei Größenordnungen auseinanderliegen, sagt das weniger über die Physik als über die Belastbarkeit solcher Hochrechnungen.

Das Muster ist bekannt. Eine plausible Modellrechnung wird zitiert, verliert beim Teilen ihre Annahmen, gewinnt beim Weitergeben eine falsche Quelle und erscheint schließlich als Tatsache. Wer solche Zahlen verwendet, sollte sie nicht deshalb glauben, weil sie oft auftauchen, sondern nur dann, wenn sich die Herleitung finden lässt.

4. Dasselbe Muster in Silizium

Nun zur ersten Erklärung, der räumlichen Trennung von Speicher und Rechenwerk. Sie ist keine Metapher, sondern ein messbarer Kostenunterschied, und die maßgebliche Referenz dafür stammt aus der Halbleiterwelt selbst.

Mark Horowitz hat in einem viel zitierten Vortrag die Energie pro Operation aufgeschlüsselt. Eine Fließkommaoperation kostet je nach Typ und Genauigkeit zwischen 0,4 und 3,7 Pikojoule. Ein Cache-Zugriff liegt je nach Größe bei zehn bis hundert Pikojoule. Ein Zugriff auf externen Speicher kostet dagegen zwischen 1.300 und 2.600 Pikojoule (Horowitz, 2014). Das Verhältnis zwischen dem Rechnen und dem Beschaffen der Operanden liegt damit grob bei eins zu tausend.

Man sollte einen Moment bei dieser Zahl verweilen. Sie bedeutet, dass in vielen Arbeitslasten die Arithmetik energetisch fast kostenlos ist und praktisch die gesamte Energie in den Transport geht. Genau deshalb spricht man von einer Speicherwand oder vom Von-Neumann-Flaschenhals. Die klassische Rechnerarchitektur trennt Speicher und Verarbeitung, und diese Trennung war jahrzehntelang eine Stärke, weil sie beide Seiten unabhängig skalierbar machte. Heute ist sie die teuerste Eigenschaft des Entwurfs.

Bemerkenswert ist die Parallele. In der Großhirnrinde kostet die Kommunikation rund das Dreiundzwanzigfache der Berechnung, in Silizium kostet der externe Speicherzugriff etwa das Tausendfache der Rechenoperation. Die Größenordnungen unterscheiden sich, die Richtung ist dieselbe. In beiden Substraten dominiert nicht die Rechnung, sondern der Weg.

5. Sparsamkeit ist kein Faulsein

Die zweite Erklärung der Kachel lautet, das Gehirn sei absichtlich faul. Das ist hübsch formuliert und in der Sache zutreffend, verdient aber eine genauere Fassung, weil aus ihr das eigentliche Entwurfsprinzip folgt.

Peter Lennie hat für die menschliche Großhirnrinde die Kosten eines einzelnen Aktionspotenzials bestimmt und daraus abgeleitet, wie viele Neuronen sich das Gehirn überhaupt leisten kann. Das Ergebnis ist streng: Die Kosten eines Spikes begrenzen den Anteil gleichzeitig deutlich aktiver Neuronen auf wenige Prozent, je nach Rechnung auf unter ein Prozent bis in den niedrigen einstelligen Bereich. Die mittlere Feuerrate liegt bei unter einem Impuls pro Sekunde und Neuron (Lennie, 2003).

Das ist keine Trägheit, sondern eine Budgetentscheidung. Das Gehirn kann sich sein Repertoire nur leisten, wenn es fast immer fast alles stillhält. Daraus folgt eine Codierung, die mit sehr wenigen aktiven Einheiten auskommt, und eine flexible Zuteilung der Energie an jene Regionen, die gerade gefordert sind.

Die Gegenüberstellung mit der Grafikkarte trifft die Richtung, vereinfacht aber. Moderne Beschleuniger kennen Clock- und Power-Gating, sie schalten Bereiche ab und Takte herunter, und sie unterstützen inzwischen auch strukturierte Sparsamkeit in den Modellen selbst. Der Unterschied bleibt dennoch erheblich, denn diese Mechanismen wirken auf der Ebene von Blöcken und Zeitfenstern, während im Kortex die Sparsamkeit die Codierung selbst durchdringt.

6. Die Frage, die wirklich zählt

An dieser Stelle lohnt ein Wechsel der Perspektive. Die Kachel stellt eine hypothetische Frage, nämlich was ein KI-System bräuchte, um ein Gehirn nachzubilden. Diese Frage ist nicht beantwortbar, weil niemand weiß, was genau nachgebildet werden müsste. Es gibt jedoch eine verwandte Frage, die sehr wohl beantwortbar ist und für Entscheidungen weit mehr hergibt: Wie viel Energie verbrauchen Rechenzentren tatsächlich?

Die Internationale Energieagentur beziffert den weltweiten Stromverbrauch von Rechenzentren für 2025 auf rund 485 Terawattstunden und erwartet bis 2030 etwa eine Verdopplung auf rund 950 Terawattstunden, was dann ungefähr drei Prozent des globalen Strombedarfs entspräche. Der Verbrauch KI-orientierter Rechenzentren wächst dabei deutlich schneller als der Sektor insgesamt und verdreifacht sich im selben Zeitraum (IEA, 2025).

Diese Zahlen sind unspektakulärer als 2,7 Milliarden Watt und in jeder Hinsicht nützlicher. Sie sind gemessen und fortgeschrieben statt extrapoliert, sie beziehen sich auf reale Anlagen statt auf eine Simulation, und sie erlauben Vergleiche mit anderen Verbrauchssektoren. Wer über Energiepolitik, Standortfragen oder Netzausbau reden will, braucht genau diese Größenordnung und nicht die hypothetische.

Damit ist auch gesagt, was am viralen Vergleich am meisten stört. Er ersetzt eine beantwortbare Frage durch eine unbeantwortbare und verschenkt dabei die eigentliche Pointe. Die Energiefrage der Künstlichen Intelligenz ist real, sie ist quantifiziert, und sie braucht keine Fantasiezahl.

7. Was gerade gebaut wird

Wenn die Diagnose stimmt, dass Lokalität und Sparsamkeit die entscheidenden Hebel sind, dann sollte man beides in der Hardware wiederfinden. Und tatsächlich verfolgen zwei Entwicklungslinien genau diese Prinzipien.

Die erste ist die neuromorphe. Sie überträgt die Ereignisorientierung des Nervensystems in Silizium: Rechenelemente werden nur dann aktiv, wenn ein Ereignis eintrifft, und Speicher liegt nahe bei der Verarbeitung. IBMs NorthPole erreicht bei Bildinferenz nach Herstellerangaben und Fachberichten etwa die zwei- bis fünfundzwanzigfache Energieeffizienz gegenüber aktuellen Grafikprozessoren, je nach Vergleichsbasis. Intels Loihi 2 und das darauf aufbauende System Hala Point erreichen bei ereignisbasierten Daten und bestimmten Optimierungsaufgaben Faktoren im Bereich von hundert bis tausend.

Diese Werte sind beeindruckend und verlangen einen Vorbehalt in demselben Atemzug. Sie gelten für Arbeitslasten, die sich natürlich auf spärliche, ereignisgetriebene Verarbeitung abbilden lassen. Für Transformer-Inferenz im allgemeinen Fall gelten sie nicht. Wer die Zahlen ohne diesen Zusatz zitiert, wiederholt genau den Fehler, den dieser Essay an der Ausgangskachel kritisiert.

Die zweite Linie ist das Rechnen im Speicher. Statt Daten zum Rechenwerk zu transportieren, wird die Multiplikation dort ausgeführt, wo die Gewichte ohnehin liegen, teils analog im Strom- oder Ladungsbereich. Damit wird der teuerste Posten der Energiebilanz, der Transport, weitgehend vermieden. Jüngste Arbeiten zeigen diesen Ansatz sogar für den Aufmerksamkeitsmechanismus großer Sprachmodelle, also für genau jenen Teil, der bei langen Kontexten besonders speicherlastig ist.

Beide Linien folgen demselben Gedanken: Nicht schneller rechnen, sondern weniger bewegen.

8. Boden und Decke

Bleibt die Frage, wie weit dieser Weg überhaupt führen kann. Es gibt eine physikalische Untergrenze, und es lohnt, sie zu kennen, weil sie beide Seiten des Vergleichs relativiert.

Das Landauer-Prinzip besagt, dass das Löschen eines Bits mindestens eine Energie von kT ln 2 erfordert, wobei k die Boltzmann-Konstante und T die Umgebungstemperatur ist. Bei Raumtemperatur sind das etwa 2,8 mal zehn hoch minus einundzwanzig Joule. Zum Vergleich: Eine Fließkommaoperation in heutiger Technik kostet einige Pikojoule, also etwa zehn hoch minus zwölf Joule. Zwischen dem physikalisch Notwendigen und dem technisch Üblichen liegen damit rund neun Größenordnungen.

Diese Grenze ist allerdings eine theoretische Idealisierung. Eine aktuelle experimentelle Arbeit an DRAM-Zellen zeigt, dass der Landauer-Wert selbst bei beliebig langsamer Löschung nicht erreicht wird, weil sich der Ausgangszustand nicht im thermischen Gleichgewicht präparieren lässt. Die praktische Untergrenze liegt also oberhalb der theoretischen.

Der interessante Schluss daraus betrifft nicht die Maschinen, sondern den Vergleich. Auch das Gehirn arbeitet um viele Größenordnungen oberhalb der Landauer-Grenze. Es ist kein physikalisches Wunder, sondern ein außerordentlich gut optimiertes System innerhalb derselben Physik. Der Abstand zwischen zwanzig Watt und einem Rechenzentrum ist damit kein Naturgesetz, sondern eine Ingenieursaufgabe. Das ist eine gute Nachricht, denn Ingenieursaufgaben lassen sich bearbeiten.

9. Warum der Vergleich hinkt, und was bleibt

Zum Schluss der Einwand, der in der Kachel vollständig fehlt und der alles andere relativiert: Ein Gehirn tut nicht dieselbe Arbeit.

Die zwanzig Watt versorgen ein einzelnes Gehirn in einem einzelnen Körper, das eine Aufgabe zur Zeit bearbeitet, tief eingebettet in Sinne, Motorik und Stoffwechsel. Ein Rechenzentrum bedient Millionen paralleler Anfragen von Millionen Menschen. Wer beides gegeneinanderstellt, vergleicht eine Einzelinstanz mit einer Infrastruktur.

Hinzu kommt die Zeitachse. Die zwanzig Watt beschreiben den laufenden Betrieb eines Systems, das rund zwei Jahrzehnte gebraucht hat, um in diesen Zustand zu kommen, getragen von einem Körper, der dafür fortlaufend Energie aufwenden musste. Was in der KI Training heißt, hat im menschlichen Fall kein separates Preisschild, sondern steckt in der Lebensführung. Ein sauberer Vergleich müsste diese Aufwände einbeziehen, und er müsste definieren, was überhaupt als dieselbe Leistung gilt. Beides tut die Kachel nicht.

Damit lässt sich die Debatte ordnen. Sie findet auf drei Ebenen statt, die regelmäßig vermischt werden. Auf der ersten Ebene, der Energie je Operation, sind die Verhältnisse gut gemessen und die Lehre ist eindeutig: Bewegen ist teurer als Rechnen. Auf der zweiten Ebene, der Energie je System, existieren belastbare Zahlen für Rechenzentren und für das Gehirn, sie sind aber nicht direkt vergleichbar, weil die Systeme Unterschiedliches leisten. Auf der dritten Ebene, der physikalischen Untergrenze, steht fest, dass beide Seiten weit oberhalb des Möglichen arbeiten.

Der virale Vergleich scheitert, weil er die zweite Ebene behauptet, die erste meint und die dritte ignoriert. Was von ihm bleibt, ist gleichwohl wertvoll, und es ist der Satz, mit dem seine Verfasser vermutlich einverstanden wären.

Literatur

• Horowitz, M. (2014). 1.1 Computing's energy problem (and what we can do about it). In 2014 IEEE International Solid-State Circuits Conference (ISSCC) Digest of Technical Papers (S. 10–14). IEEE. https://doi.org/10.1109/ISSCC.2014.6757323
• International Energy Agency. (2025). Energy and AI. IEA. https://www.iea.org/reports/energy-and-ai
• Landauer, R. (1961). Irreversibility and heat generation in the computing process. IBM Journal of Research and Development, 5(3), 183–191. https://doi.org/10.1147/rd.53.0183
• Lennie, P. (2003). The cost of cortical computation. Current Biology, 13(6), 493–497. https://doi.org/10.1016/S0960-9822(03)00135-0
• Levy, W. B., & Calvert, V. G. (2021). Communication consumes 35 times more energy than computation in the human cortex, but both costs are needed to predict synapse number. Proceedings of the National Academy of Sciences, 118(18), Artikel e2008173118. https://doi.org/10.1073/pnas.2008173118
• Ergänzend gesichtet: Encyclopaedia Britannica zur Zwanzig-Watt-Angabe des Gehirns; experimentelle Arbeit zu thermodynamischen Grenzen in DRAM-Zellen (arXiv, 2025, 2505.23087); Arbeiten zum analogen In-Memory-Computing, darunter eine Umsetzung des Aufmerksamkeitsmechanismus (Nature Computational Science, 2025); Hersteller- und Fachberichterstattung zu IBM NorthPole sowie Intel Loihi 2 und Hala Point.

↑ Nach oben

Anhang: Faktencheck und Quellenbewertung

Vorgehen. Zuerst wurde recherchiert, dann geschrieben. Der virale Ausgangstext wurde in einzelne prüfbare Behauptungen zerlegt, für jede wurde gezielt nach einer Primärquelle gesucht, auch nach solchen, die den Text stützen würden.

Bewertung der Einzelbehauptungen.

Das Gehirn nutzt zwölf Watt. ABWEICHEND. Etabliert sind rund zwanzig Watt für das gesamte Gehirn, hergeleitet aus PET- und MRS-Messungen. Ein Ursprung der Zwölf-Watt-Angabe war nicht auffindbar und wird hier nicht durch eine Vermutung ersetzt.

Ein KI-System bräuchte 2,7 Milliarden Watt für dieselbe Aufgabe. HOCHRECHNUNG, KEINE MESSUNG. Entstanden aus einer Simulation mit rund zehn Millionen Neuronen, skaliert auf Mausmaßstab, anschließend mit tausend multipliziert. Der Hinweis auf die Hochrechnung ging in der Weiterverbreitung verloren, die Zahl wurde später dem Blue Brain Project zugeschrieben, das sie nie publiziert hat. Eine Schätzung aus derselben Fachdebatte nennt rund zehn Megawatt.

Speicher und Verarbeitung liegen im Gehirn am selben Ort, nichts muss wandern. IM KERN BELEGT. Der energetische Unterschied zwischen Rechnen und Datenbewegung ist in Silizium gemessen (Horowitz, 2014) und im Kortex getrennt beziffert (Levy & Calvert, 2021). Die Formulierung „nichts muss wandern" ist allerdings zu stark, denn gerade die Signalübertragung im Kortex ist der dominierende Kostenposten.

Das Gehirn ist absichtlich faul, die meisten Neuronen schweigen. BELEGT. Lennie (2003) leitet aus den Kosten eines Aktionspotenzials ab, dass nur wenige Prozent der Neuronen gleichzeitig deutlich aktiv sein können, bei einer mittleren Rate unter einem Impuls pro Sekunde.

Eine Grafikkarte versorgt ihr gesamtes Feld unabhängig vom Bedarf. VEREINFACHT. Die Richtung stimmt, moderne Beschleuniger nutzen jedoch Clock- und Power-Gating sowie Unterstützung für strukturierte Sparsamkeit.

Neuromorphe Chips wie Loihi und NorthPole schließen diese Lücke. BELEGT, ABER LASTABHÄNGIG. Die berichteten Effizienzgewinne gelten für Arbeitslasten, die zur ereignisbasierten Architektur passen, nicht für Transformer-Inferenz allgemein. Die Werte stammen überwiegend aus Hersteller- und Fachberichterstattung, nicht aus unabhängiger Replikation.

„Dieselbe Arbeit". KATEGORIENFEHLER. Ein Gehirn versorgt einen Körper, ein Rechenzentrum bedient Millionen paralleler Anfragen. Zudem blendet die Rechnung die zwei Jahrzehnte biologischer Entwicklung und die Stoffwechselinfrastruktur aus.

Quellenbewertung. Horowitz (2014), Lennie (2003) und Levy und Calvert (2021) sind begutachtet und tragen die inhaltliche Kernaussage. Die IEA ist eine amtliche Statistikquelle mit dokumentierter Methodik; die Werte für 2030 sind Projektionen und als solche gekennzeichnet. Die Angaben zu neuromorpher Hardware sind herstellernah und im Text mit Vorbehalt versehen. Die Landauer-Grenze ist physikalisch unbestritten, die experimentelle Arbeit zu DRAM-Zellen ist ein Preprint und als solches behandelt.

Grenzen. Die Nichtauffindbarkeit einer Quelle ist kein Beweis für deren Nichtexistenz. Sollte für die Zwölf-Watt-Angabe eine belastbare Herleitung erscheinen, ist die entsprechende Einzelbewertung anzupassen, nicht jedoch die Einordnung des Gesamtvergleichs, die auf begutachteter Literatur beruht. Die Zuordnung des Faktors zwischen Kommunikation und Berechnung im Kortex folgt den im Text genannten absoluten Werten; der im Titel der Arbeit von Levy und Calvert genannte Faktor bezieht sich auf eine andere Bezugsgröße.

↑ Nach oben