In der KI-Branche hält sich hartnäckig die Annahme, dass das Wachstum bald durch einen globalen Mangel an High-End-GPUs begrenzt werde.
Doch die Einschränkung, die die nächste Phase der KI-Entwicklung prägt, hat möglicherweise weniger mit absoluter Knappheit als mit struktureller Ineffizienz zu tun.
Laut Trevor Harries-Jones von Render Network wird ein Großteil der weltweiten Rechenkapazität überhaupt nicht genutzt – ein Missverhältnis, das er für entscheidender hält als Angebotsengpässe.
Der missverstandene GPU-Mangel
„Vierzig Prozent der GPUs in der Welt sind untätig“, sagte er in einem Interview mit Yellow.com am Rande von **Solana**s Breakpoint-Konferenz. „Die Leute gehen von einem Mangel aus, aber tatsächlich gibt es ein Überangebot an GPUs, die leistungsfähig genug sind, um Rendering- und KI-Jobs zu erledigen.“
Harries-Jones argumentiert, dass zwar die Nachfrage nach Trainings-Chips wie Nvidias H100 hoch bleibe, das Training selbst aber nur einen kleinen Teil der tatsächlichen KI-Workloads ausmache.
„Training ist tatsächlich nur ein sehr kleiner Prozentsatz der KI-Nutzung“, merkt er an. „Inference macht 80 Prozent aus.“
Dieses Ungleichgewicht, so seine Einschätzung, eröffnet Spielraum dafür, dass Consumer-Hardware, schwächere GPUs und neue Prozessorklassen wie LPUs, TPUs und ASICs einen viel größeren Teil der weltweiten Rechenlast übernehmen, als viele annehmen.
Eine zweite Verschiebung, die er hervorhebt, ist die Konvergenz klassischer 3D-Workflows mit entstehenden KI-nativen Asset-Formaten.
Kreative treiben KI in Richtung kinoreifer Pipelines
Verfahren wie Gaussian Splatting, die die zugrunde liegende 3D-Struktur erhalten, statt abgeflachte 2D-Frames zu erzeugen, und das Entstehen von World Models ziehen KI-Systeme zunehmend näher an die Film- und Produktionspipelines heran.
Diese Entwicklungen sind wichtig, weil sie KI-Ausgaben innerhalb bestehender professioneller Toolchains nutzbar machen, statt sie in isolierten, neuartigen Formaten verharren zu lassen.
Die Modellgröße bleibt eine Herausforderung, doch Harries-Jones erwartet, dass Quantisierung und Modellkompression Open-Weight-Systeme so weit verkleinern, bis sie problemlos auf Consumer-Geräten laufen.
Kleinere Modelle seien, so sagt er, entscheidend für dezentrale Netzwerke, die auf verteilter RAM- und Bandbreite statt auf Hyperscale-Clustern beruhen.
Also Read: Data Shows Bitcoin Enters 'Cost-Basis Cycle' Era As ETFs Redefine Market Structure
Wo viele erwarten, dass steigende Modellkomplexität die Kosten in die Höhe treibt, glaubt er, dass sich eher die gegenteilige Dynamik durchsetzen wird.
Durchbrüche im Training – etwa jüngste chinesische Modellinitiativen, die Effizienz über bloße Skalierung gestellt haben – deuten auf eine Zukunft hin, in der KI günstiger wird, obwohl die Nutzung weiter stark zunimmt.
„Wenn die Kosten sinken“, sagt er, „werden Sie immer mehr Anwendungsfälle sehen.“
Anstelle von Rechenknappheit erwartet Harries-Jones einen Zyklus im Sinne des Jevons-Paradoxons: Sinkende Kosten erzeugen mehr Nachfrage, und mehr Nachfrage schafft Anreize für noch effizientere Systeme.
Er rechnet außerdem damit, dass hybrides Computing – eine Mischung aus On-Device-, lokalen Netzwerk- und zentralen Cloud-Workloads – die nächste Phase der Branche prägen wird.
Ähnlich wie bei Apples Modell verteilter Intelligenz werden unterschiedliche Umgebungen unterschiedliche Aufgaben übernehmen – abhängig von Latenz, Datenschutz, Sensitivität und Skalierung.
Geschäftskritische Workloads werden weiterhin konforme Rechenzentren benötigen, doch nicht sensible oder Batch-Workloads können zunehmend auf dezentralen Netzwerken laufen. Fortschritte in der Verschlüsselung könnten diese Grenze langfristig erweitern.
Eine kommende Welle von 3D-first-Content
Langfristig sieht er eine deutlich breitere Verschiebung im Gange: die Verbreitung von 3D-Inhalten in den Mainstream, angetrieben durch KI.
Harries-Jones erwartet, dass sich die nächste Ära der verbraucherorientierten KI um immersive, 3D-native Inhalte drehen wird – und weniger um Text oder flache Bilder.
„Wir werden mehr 3D-Inhalte konsumieren als je zuvor“, sagt er mit Verweis auf frühe Signale von immersiver Hardware und die schnelle Weiterentwicklung von 3D-KI-Tools.
Die traditionellen Engpässe im Motion Design – hochgradig technische Workflows, die nur für Nischenexperten zugänglich sind – könnten Werkzeugen weichen, die Millionen von Nutzern die Produktion von Szenen in Kinoqualität ermöglichen.
Kreative, die KI anfangs skeptisch gegenüberstanden, experimentieren inzwischen direkt mit diesen Pipelines, beschleunigen das Tempo der Werkzeugverfeinerung und prägen, wie sich hybride Workflows entwickeln.
Ihr Feedback, so argumentiert er, dürfte die Richtung der Branche ebenso stark beeinflussen wie Hardware-Trends.
Read Next: Why Gradient Thinks Trillion-Parameter Models Won’t Belong To OpenAI or Google In The Future