Sollte der Strom für Rechenzentren in Deutschland vergünstigt werden? Während die Branche beim deutschen Industriestrompreis bislang – trotz erheblicher Proteste – nicht berücksichtigt wurde, könnte sich nun eine neue Chance ergeben. Ein Gutachten im Auftrag des Bitkom kommt zu dem Schluss, dass Rechenzentren eine zunehmend wichtige Rolle für verschiedene subventionierte Branchen spielen, sodass sie selbst förderwürdig seien.

Rechenzentren gelten, nicht zuletzt unter dem Eindruck der globalen KI-Entwicklungen, als maßgeblich für den Wirtschaftsstandort Europa und damit auch Deutschland. „Rechenzentren sind das Rückgrat von Industrie und Wirtschaft“, sagt Bitkom-Präsident Ralf Wintergerst. „Wenn wir energieintensive Industrie schützen wollen, dürfen wir ihre digitale Infrastruktur nicht außen vor lassen.“

Stahlwerke, Autoindustrie und andere Branchen, für deren Transformation die EU eine staatliche Beihilfe erlauben will, seien so stark auf Rechenzentren angewiesen, dass diese selbst gefördert werden müssten. Die Nichtberücksichtigung der Rechenzentren könnte gar europarechtswidrig sein. Zu diesem Schluss kommt das Gutachten von Christian Koenig, Experte für EU-Beihilfenrecht an der Universität Bonn.

30.000 Gigawattstunden bis 2030

Der Strompreis habe maßgeblichen Einfluss auf die Konkurrenzfähigkeit der europäischen Industrien, heißt es in dem Gutachten. 46 Prozent der Betriebskosten entfallen laut einer Erhebung der IDC auf Elektrizität. Laut einer im vergangenen Jahr veröffentlichten Studie im Auftrag des Verbands der Internetwirtschaft Eco zahlen Betreiber von Rechenzentren in Deutschland mit 23 Cent einen um ein Viertel höheren Strompreis als in anderen EU-Staaten.

Trotz aller bisherigen Versuche der Rechenzentrenbetreiber, die Kosten zu senken – etwa durch mehr Energieeffizienz, exklusive Ökostrom-Verträge oder die Vermarktung der Abwärme zu Heizzwecken – bleiben Kosten wie Bedarf gewaltig.

21.000 Gigawattstunden (GWh) verbrauchen die deutschen Rechenzentren nach Bitkom-Angaben derzeit jährlich, und der Bedarf soll trotz immer effizienterer Recheneinheiten deutlich wachsen: auf 30.000 GWh bis 2030. Das liege vor allem an der steigenden Zahl der geplanten Rechenzentren, erläutert der Bitkom.

Der Betrieb könnte deutlich günstiger werden, wenn Rechenzentren zu den laut den Leitlinien für staatliche Klima-, Umweltschutz- und Energiebeihilfen (KUEBLL) förderungsfähigen Branchen zählten.

„Erforderlich ist eine Ergänzung der Berechnungsmethode“, heißt es in dem Gutachten, und zwar um „datenverkehrs- und datenverarbeitungsspezifischer Parameter, welche die hohe Wertschöpfungsbedeutung von Rechenzentren im Hinblick auf die unionalen Ziele adäquat erfassen.“

Ministerium für „angemessene Berücksichtigung“

Grundsätzliche Unterstützung bei dem Vorhaben erhält der Verband dabei aus dem Bundesministerium für Wirtschaft und Energie (BMWE). Das erkennt den Wettbewerbsfaktor Strompreise für Rechenzentren grundsätzlich an, sieht dabei aber auch die Notwendigkeit einer europarechtlichen Regelung.

„Die Bundesregierung setzt sich auf EU-Ebene für eine angemessene Berücksichtigung von Rechenzentren ein“, teilt eine Sprecherin auf Anfrage von heise online mit. Da dies aber noch ein laufender Prozess sei, könnten noch keine weiteren Details genannt werden.

Bundeswirtschaftsministerin Katherina Reiche (CDU) hatte kurz nach Amtsantritt die Betreiber noch schnell entlasten wollen – dass dies jedoch ohne Änderungen am Europarecht nicht möglich ist, hatten Fachleute aus der Branche schon früh zu bedenken gegeben.

(vbr)

Die Android-App „Nearby Glasses“ scannt nach Bluetooth-Signalen in der Umgebung. Erkennt sie in diesen Signalen eine Herstellerkennung von Smart Glasses der Marke Ray-Ban, Oakley und Snap, werden Nutzer darüber benachrichtigt. Der Soziologe und Gelegenheitsentwickler Yves Jeanrenaud hat die App programmiert, weil er Smart Glasses als „unzumutbaren Eingriff“ in die Privatsphäre betrachtet, wie er auf GitHub schreibt.

Jeanrenaud weist auf GitHub darauf hin, dass seine App nicht perfekt sei. Fehlalarme seien wahrscheinlich, weil die Kennung nur den Hersteller verrät, nicht das konkrete Produkt. So könne auch eine VR-Brille erkannt werden, während umgekehrt längst nicht alle Smart Glasses erfasst würden. Jeanrenaud ruft daher zu einem besonnenen Umgang mit der App auf

Wachsende Verbreitung, offene Fragen zum Datenschutz

Viele Smart Glasses sind heute oft nur aus der Nähe als solche zu erkennen. Bei Metas Modell signalisiert eine LED Außenstehenden, dass gefilmt wird. Bei hellem Tageslicht ist sie jedoch kaum wahrnehmbar. Gegen einfache Manipulationen wie das Abkleben der LED sind die Brillen allerdings geschützt und blockieren in diesem Fall die Aufnahmefunktion.

Aufgrund ihrer geringen Verbreitung spielen Smart Glasses in der öffentlichen Debatte bislang kaum eine Rolle. Das könnte sich in den nächsten Jahren ändern. Marktführer Meta und EssilorLuxottica haben im vergangenen Jahr sieben Millionen Geräte verkauft, und mit dem Markteintritt von Google und Apple in diesem und nächsten Jahr könnte die Kategorie rasch an Verbreitung gewinnen. Zudem arbeitet Meta laut einem Bericht der New York Times an einer begrenzten Gesichtserkennungsfunktion für seine Smart Glasses.

„Ich möchte weder Techniklösungen als Allheilmittel darstellen, noch ein falsches Sicherheitsgefühl vermitteln“, schreibt Jeanrenaud auf Github. „Wir brauchen bessere Lösungen, um Überwachungstechnologien und Eingriffe in die Privatsphäre einzudämmen.“

„Nearby Glasses“ ist im Google Play Store erhältlich. Alternativ ist sie auch bei GitHub verfügbar, wo es weitere Hinweise zu Funktionsweise und Einrichtung gibt. Dort nennt Jeanrenaud auch potenzielle Ausbauschritte wie die Erkennung weiterer Smart Glasses und eine iOS-App. Für Letztere fehlten ihm allerdings noch die nötigen Entwicklungskenntnisse.

(tobe)

Vision Language Models (VLMs) verbinden visuelle Wahrnehmung mit natürlichen Sprachfähigkeiten und erlauben es, komplexe Aufgaben wie Bildbeschreibung, das Beantworten natürlichsprachiger Anfragen zu Bildern oder multimodale Suche zu erledigen. In den vergangenen Jahren hat sich gezeigt, dass höhere Eingabeauflösungen die Leistungsfähigkeit dieser Modelle deutlich steigern, vor allem bei textintensiven Bildern. Gleichzeitig wächst mit jeder zusätzlichen Bildzeile die Sequenzlänge des Vision-Encoders, wodurch etwa die Zahl der Vision-Token zunimmt und das Sprachmodell eine längere Eingabesequenz verarbeiten muss, was die Inferenzzeit erhöht. Diese Latenz ist für Anwendungen problematisch, die interaktiv und responsiv sein sollen, etwa in Webbrowsern oder auf mobilen Geräten mit begrenzter Rechenleistung.

Klassische VLMs basieren auf Vision-Encoder-Decoder-Architekturen. Als Vision-Encoder dienen vielfach rein Transformer-basierte Modelle wie ViT-B/16 oder Hybridvarianten mit einem Convolutional Neural Network (CNN) als Backbone. Diese Modelle teilen das Bild in Patches, beispielsweise 16 × 16 Pixel groß, projizieren jeden Patch in einen Embedding-Vektor und verarbeiten die Sequenz durch mehrere Self-Attention-Layer. Die Komplexität der Schichten wächst quadratisch mit der Anzahl der Patches (PDF), sodass eine erhöhte Bildauflösung die Latenz schnell in die Höhe treibt. Um diese Latenz zu reduzieren, haben Wissenschaftler Methoden wie Token Pruning oder Token Merging vorgeschlagen, die weniger wichtige Patches verwerfen oder zusammenfassen. Alternativ gibt es kachelbasierte Ansätze, die ein Bild in mehrere Teile zerlegen und separat verarbeiten. All diese Techniken reduzieren die Tokenanzahl, benötigen aber zusätzliche Verarbeitungsschritte oder führen zu Genauigkeitsverlusten.

Durch die hohen Anforderungen an Speicher und Rechenleistung sind herkömmliche VLMs für den Einsatz im Browser oder auf mobilen Geräten ungeeignet. Selbst wenn das Modell auf einem Server läuft, verursachen GPU-Infrastruktur und Energieverbrauch hohe Kosten. Gleichzeitig nimmt die Latenz zu, wenn eine Anwendung zwischen Client und Server Bilder übertragen muss. Diese Hürde motivierte die Entwicklung von FastVLM: einem VLM, das lokal und ressourcensparend arbeitet, ohne auf aufwendige Token-Pruning-Heuristiken zurückzugreifen, und dennoch konkurrenzfähige Genauigkeit bietet.

Das war die Leseprobe unseres heise-Plus-Artikels „Vision Language Model: Wie FastVLM hochauflösende Bilder im Browser analysiert“.
Mit einem heise-Plus-Abo können Sie den ganzen Artikel lesen.