Unconventional-AI-Gründer Naveen Rao: US-Stromreserven für Rechenzentren in wenigen Jahren erschöpft – nächste Effizienzsprünge kommen durch Co-Design von Modell und Maschine statt durch reines Silizium
Podcast-Interview mit dem Unconventional-AI-Gründer vom 24. Oktober 2026
Naveen Rao, Gründer von Unconventional AI, warnt davor, dass der KI-Ausbau vor einer harten physischen Grenze steht. Die USA haben Rechenzentren bislang aus den Puffern des bestehenden Stromnetzes versorgt; diese Reserven werden seiner Einschätzung nach „in den nächsten Jahren“ aufgebraucht sein. Rao hatte zuvor MosaicML für 1,3 Milliarden US-Dollar an Databricks verkauft. Unconventional AI hat seither Hunderte Millionen US-Dollar eingesammelt, zuletzt zu einer Bewertung, die vom Podcast-Host auf fast 5 Milliarden US-Dollar beziffert wurde. In einem ausführlichen Podcast-Gespräch legte Rao zudem die technischen Gründe dar, warum der auf Energie fokussierte Ansatz seines Unternehmens beim Chip-Design auch nach dem Ende der physischen Skalierung noch enormes Potenzial bietet.
Die einfache Energie ist bereits verbraucht
Raos Kernargument beim Thema Energie lautet, dass Investoren Gigawatt wie eine abstrakte Größe behandeln. Er verwies auf Branchenzahlen von rund 50 Milliarden US-Dollar für den Bau von einem Gigawatt Kapazität, verglichen mit 20 bis 30 Milliarden US-Dollar für eine moderne Halbleiterfabrik (Fab). „Die Leute werfen mit dem Wort Gigawatt um sich, als wäre das eine Kleinigkeit“, sagte er. „Leute, das ist keineswegs einfach.“
Seinen Ausführungen zufolge hat die Branche Strom bislang dadurch gewonnen, dass bestehende Infrastrukturen mit höherer Auslastung betrieben wurden. Das US-Stromnetz verzeichnet eine durchschnittliche Leistung von rund 900 Gigawatt, kann jedoch Lastspitzen von 1,2 bis 1,3 Terawatt erreichen – genau diesen Spielraum haben Rechenzentren in den letzten Jahren absorbiert. Er rechnet damit, dass dieses Polster bald erschöpft ist; ab diesem Punkt wird das Angebotswachstum an das Tempo neuer Infrastrukturprojekte gekoppelt sein. Skeptisch zeigte er sich gegenüber der Behauptung, die USA könnten in einem Jahr 40 Gigawatt hinzubauen: „Das haben wir noch nie geschafft.“ Zehn Gigawatt wären ein starkes Resultat, das er mit Kosten von rund einer halben Billion US-Dollar veranschlagte.
Er wies darauf hin, dass China die USA im Jahr 2023 bei der Gesamtkapazität überholt hat, nachdem das Land zwei Jahrzehnte lang etwa sechsmal schneller gebaut hatte. Zwar räumte er die Vorteile zentraler Planung bei Infrastrukturprojekten ein, betonte jedoch, dass die USA bei bahnbrechenden Innovationen (Frontier-Innovationen) weiterhin die Nase vorn haben.
Rao sieht bereits erste Anzeichen von Preisdruck. Verträge hinter dem Zähler (Behind-the-Meter-Deals) seien maßgeschneidert, weshalb ihm keine harten Zahlen vorliegen; Käufer zahlten jedoch deutlich über den regulären Netztarife, was einen zweigeteilten Markt schaffe, in dem Strom für Rechenzentren wertvoller sei als für normale Verbraucher. Er verwies auf seine eigene, grobe und wie er einräumte rein hypothetische Rechnung, wonach Rechenleistung zum etwa Fünffachen der dahinterliegenden Stromkosten verkauft werden könne. Dies erlaube es Betreibern, 30 bis 40 Prozent mehr für Strom zu zahlen und dennoch attraktive Margen zu erzielen. Zurückhaltend äußerte er sich zum Multigigawatt-Projekt von Bloom Energy in Arizona: Wenn das funktioniere, sei das „großartig“, allerdings sei es „noch nicht wirklich erprobt“ und weise eine völlig andere Wirtschaftlichkeit auf als der Strom aus dem Netz.
Auf die Frage, ob dies auf eine KI-Blase hindeute, erwiderte Rao, der Rücksetzer bei der fremdfinanzierten Euphorie sei „nur ein Strohfeuer. Das ist kein Platzen irgendeiner Blase.“ Er gab zu, „ziemlich KI-fokussiert“ zu sein, und betonte, dass der eigentliche Härtetest die Nachfrage nach KI-Diensten sei, an deren Oberfläche man nach wie vor erst kratze.
Effizienzgewinne verlagern sich nach oben im Stack
Die wertvollste technische Einordnung lieferte Rao, als er drei Ebenen der Computer-Effizienz beschrieb. Die erste Ebene ist physischer Natur und umfasst das Mooresche Gesetz sowie die Dennard-Skalierung. Diese Zuwächse seien „weitgehend zum Stillstand gekommen“, und die letzten GPU-Generationen zeigten kaum noch Verbesserungen, die vom Silizium selbst ausgehen. Die zweite Ebene betrifft die Rechenarchitektur, wo die jüngsten Fortschritte vor allem durch die Verkleinerung von Datentypen von 32-Bit auf 16-Bit, 8-Bit und 4-Bit erzielt wurden. Die dritte Ebene schließlich – die nach seiner Einschätzung bislang weitgehend ungenutzt ist – besteht darin, die Lokalität zu erzwingen und Datentransporte auf Modellebene zu minimieren.
Rao erklärte, sein größtes Bedauern aus den letzten zwei Jahren bestehe darin, nicht früher erkannt zu haben, wie viel „Alpha“ in der obersten Ebene steckt. Der entscheidende Paradigmenwechsel besteht darin, dass ein Computer heute als ein Gerät behandelt werden kann, das ausschließlich auf die Bereitstellung von Intelligenz ausgelegt ist. Dadurch können Modell, Architektur und physische Schicht als Co-Design gemeinsam entwickelt werden. „Wir betrachten das Modell nicht als unantastbar und denken zuallererst an Energie – das bedeutet, dass alles, was wir tun, uns einen Energievorteil verschaffen muss“, sagte er. Er wies darauf hin, dass dies im Gegensatz zu jeder vorherigen Computergeneration steht, die von Anfang an auf Geschwindigkeit ausgelegt war – eine Entwicklungslinie, die er bis zu ENIAC zurückverfolgt.
Seiner Ansicht nach werden rein softwarebasierte Verbesserungen durch die darunterliegende Hardware gedeckelt. Als Beispiel nannte er Sparsamkeit (Sparsity): Eine GPU mit herkömmlichem Off-Chip-Speicher kann zwar gewisse Vorteile erzielen, die Zuwächse sind jedoch begrenzt, da die Hardware nicht dafür konzipiert wurde. Hardware, die gezielt auf Sparsamkeit ausgelegt ist – so wie sich das Gehirn im Laufe der Evolution entwickelt hat –, könnte „massive Leistungssteigerungen“ ermöglichen. Er rechnet damit, dass dies die kontinuierliche Spezialisierung von Chips für bestimmte Workloads vorantreiben wird, und nannte unter anderem Unternehmen wie Etched, Fractile, Olix und Cerebras, die diesen Ansatz verfolgen.
Warum Rao keine Commoditisierung von Chips erwartet
Auf die Frage, ob diese Spezialisierung den adressierbaren Markt von Nvidia gefährdet, zollte Rao dem Unternehmen Anerkennung für dessen exzellente Umsetzung und das frühe Erkennen der KI-Bedeutung. Er erinnerte daran, dass Jensen Huang bereits 2014 auf der GTC über Künstliche Intelligenz sprach – zum Verdruss der Grafikkartenspezialisten. Eigene Custom-Chips von Hyperscalern wertet er nicht als Anzeichen einer Commoditisierung. Seine Begründung: Die Nachfrage nach Intelligenz ist quasi unendlich, da sich die Welt in einem permanenten Wettbewerb befindet. Energie muss in Intelligenz umgewandelt werden, und die Hardware – gemeint sind Chips, Systeme, Cloud und Netzwerke – fungiert dabei als Konversionsmechanismus. „Je besser mir das gelingt, desto mehr Wert generiere ich.“
Offener äußerte er sich darüber, wo eine solche Commoditisierung tatsächlich stattfindet. Energie sei bereits eine Commodity. Ein Teil der Intelligenz bewege sich in dieselbe Richtung, da Open-Source-Modelle – einschließlich chinesischer –, die bereits sechs Monate alt sind, „immer noch verdammt gut“ sind und State-of-the-Art-Leistungen innerhalb dieses Zeitfensters auch für Open-Source-Modelle erreichbar werden. Er zog den Vergleich zu Tomaten: zu einer Commodity geworden, aber nach wie vor ein riesiger Markt mit sinkenden Margen. Nvidia erziele heute den Löwenanteil der Margen über den gesamten Tech-Stack hinweg, und er rechnet nicht damit, dass sich Modellentwickler diese Position sichern werden.
Für Inference-Anbieter wie Fireworks und Baseten geht Rao davon aus, dass der Preis pro Token sinken und die Margen schrumpfen werden, da sie offene Modelle lediglich auf Hardware abbilden und das Modell selbst eine Commodity darstellt. Sein Fazit: „Ich bin tatsächlich der Meinung, dass Hardware in den kommenden zehn Jahren der beste Platz im Markt ist.“
Marktgröße, Open Source versus Closed Source und Raos Einschätzung zum Thema Überbewertung
Rao prognostiziert, dass der Markt für Inferenz (Inference) innerhalb von zehn Jahren ein Volumen von 10 Billionen US-Dollar erreichen wird und KI-Modelle in wenigen Jahren einen Markt von einer Billion US-Dollar darstellen werden. Dabei verwies er auf das Jevonsche Paradoxon: Eine zehnfache Effizienzsteigerung bei der Bereitstellung von Tokens vergrößert den Markt im Großen und Ganzen um das Zehnfache, weil sich die Anwendungsbasis entsprechend ausweitet. Mit Blick auf die Robotik ging er noch einen Schritt weiter und erklärte, dieser Markt werde „hundermal größer“ sein als die Softwareentwicklung, da die physische Welt bislang von Intelligenz unberührt sei. Industrielle Roboter seien heute eher starr als intelligent. Er rechnet in zwei bis drei Jahren mit funktionierenden Prototypen und in fünf bis sieben Jahren mit einem echten Markt. Er investiert in den Technologie-Stack statt in Anwendungen, geht davon aus, dass Modellbauer am Ende End-to-End-Geräte vertreiben werden, und zeigte sich besonders interessiert an Unternehmen, die „die Umsetzung einer Aufgabe in motorische Aktionen“ lösen, wie etwa Physical Intelligence.
Zur Token-Verteilung prognostizierte er, dass innerhalb von drei Jahren 80 Prozent des Token-Traffics über offene Modelle laufen werden, sich die Umsätze jedoch etwa hälftig aufteilen dürften. Er zog den Vergleich zum Smartphone-Markt: Apple hält rund 20 Prozent der Marktanteile bei den Stückzahlen, vereint aber 80 Prozent der Margen auf sich. Frontier-Modelle werden für eine kleine Zahl wichtiger Probleme Spitzenpreise erzielen, während Routinenaufgaben an offene Modelle gehen.
Kritisch äußerte er sich über zwei Kategorien. Kundensupport-Automatisierung – eine „standardmäßige menschliche Tätigkeit“, die Start-ups zu automatisieren versuchen –, sei „der schlechteste Ort, um derzeit zu investieren“. Zudem bezeichnete er agentenbasierte Programmiertools (Agentic Coding Tools) als eigenständigen Markt als „ziemlich überbewertet“. Der Wert verbleibe bei den Modellanbietern, während Programmierumgebungen und IDEs keine hohe Kundenbindung (Stickiness) aufweisen. „Die Leute wechseln zwischen diesen Tools ziemlich reibungslos.“ Zwar erkannte er den erfolgreichen Exit von Cursor an, betonte jedoch, dass letztlich das Modell zählt.
Verifizierung statt Kreation ist der neue Engpass
Rao erklärte, dass KI das Durchdenken und Erforschen von Ideen drastisch verbilligt hat. Eine Fragestellung zur Rauschfortpflanzung, die sein Forschungsteam früher zwei Wochen beschäftigte, dauert heute eine Stunde. Allerdings sieht er ein „AI-Slop-Problem“, bei dem das Volumen der generierten Outputs die Kapazitäten zu deren Überprüfung übersteigt. „Wir haben das Problem von der Erstellung zur Verifizierung verlagert.“ Gleichzeitig warnte er davor, dass der Besitz der Verifizierung keineswegs automatisch bedeutet, auch die Produktion zu beherrschen, da Spezifikation und End-to-End-Prozess gleichermaßen entscheidend sind.
Er ist der Ansicht, dass Agenten-Entscheidungen noch nicht das Vertrauen verdienen, das menschlichen Experten entgegengebracht wird. Modelle agieren stochastisch, der Mechanismus zur Auswahl eines guten Outputs unter vielen ist über verschiedene Aufgaben hinweg noch nicht hinreichend verstanden, und lange Entscheidungsketten können solide wirken, während sie „völlig falsch“ sind. Er erwartet noch einige Durchbrüche, bevor sich dies ändert, geht aber langfristig davon aus, dass Menschen ihren Agenten mehr vertrauen werden als sich selbst.
Forschungslabore, Reinforcement Learning und die Zeit nach dem Transformer
Rao argumentierte, dass Daten und Trainings-Curricula – und nicht die Architektur – die jüngsten Fähigkeitszuwächse angetrieben haben und dass die Abfolge von Vortraining (Pre-Training), Reinforcement Learning (Bestärkendem Lernen) und Fine-Tuning den „geheimen Zaubertrank“ (Secret Sauce) darstellt. Datenanbieter würden sich zunehmend spezialisieren, statt zur Commodity zu werden, da sie sich auf qualitativ hochwertigere Datensätze verlegen. Offen räumte er ein, dass Reinforcement Learning pro Recheneinheit oder US-Dollar weniger effizient ist als ein Vortraining. Sein Wert liege darin, dass es mit verifizierbaren Belohnungen bei Aufgaben funktioniert, für die keine Daten in großem Maßstab gesammelt werden können.
Er deutete an, dass die großen Labore keine tiefgreifenden architektonischen Risiken eingehen, da eine einmonatige Verzögerung bei einem Modell eine „Katastrophe“ bedeute. Als Beleg dafür, dass die Arbeit stärker von Integration als von Erfindung geprägt ist, verwies er auf xAI, das durch gezielte Einstellungen und schnelle Umsetzung rasch zur Spitzengruppe aufgeschlossen hat. Er geht davon aus, dass tiefgreifendere Innovationen von Start-ups ausgehen werden – etwa solchen unter der Leitung von Yann LeCun und Fei-Fei Li –, die dann von großen Unternehmen aufgekauft werden, ähnlich wie in der Pharmabildung. Zudem prognostizierte er, dass sich die Branche von der Transformer-Architektur abwenden wird. Er bezeichnete diese als ineffizienten Weg, um Schlussfolgerungen (Reasoning) zu erzielen, da sie auf dem Sampling und dem Vergleichen mehrerer Pfade beruht.
Software, Services und Jobs
Seine direkteste Aussage zum Thema Investitionen formulierte Rao so: „Wer ein reiner Software-Investor ist, ist ziemlich am Arsch.“ Der SaaS-Boom, der seit etwa 2010 auf reibungsloser Bereitstellung basierte, neigt sich seiner Ansicht nach dem Ende zu, da Anwendungen nun von der Intelligenzschicht dominiert werden. In 20 Jahren sieht er Software nicht mehr als gigantischen Markt an. An ihre Stelle treten aus seiner Sicht ergebnisbasierte Geschäftsmodelle, die KI mit Menschen kombinieren – mit Harvey als erstem prominantem Beispiel im Rechtswesen. Er räumte das Argument des Hosts ein, dass dies im Grunde eine verbesserte Version einer Dienstleistungsfirma darstellt. Skeptisch ist er gegenüber der Annahme, dass die Mehrheit der Unternehmen eigene Modelle auf Basis proprietärer Daten trainieren wird; dies nannte er „ein bisschen techno-optimistisch“, da dafür eine Skalierung erforderlich ist, über die nur die wenigsten Großkonzerne verfügen.
Auf die Frage, ob KI die Budgets für Entwickler schrumpfen lässt, entgegnete Rao, dass er von stabilen Budgets ausgeht, bei denen stattdessen der Output steigt. Kunden werden Bugfixes innerhalb einer Woche und später binnen einer Stunde fordern, wobei Menschen nach wie vor zur Verifizierung benötigt werden. Er verglich dies mit Robotern, die den Bau von Wolkenkratzern von zwei Jahren auf acht Monate verkürzen – woraufhin die Branche schlicht doppelt so viele Wolkenkratzer baut, statt einfach gleich viele schneller fertigzustellen.
Wagnisrisiken neu denken
Die größte Veränderung in seinem Denken im vergangenen Jahr betrifft laut Rao die Investitionsmetriken. Marktvalidierung sei eine Gewohnheit aus der SaaS-Ära, argumentierte er. Bei tiefgreifenden Technologieproblemen mit offensichtlicher Nachfrage – wie Rechenleistung, Robotik und Biologie – zähle einzig der Fortschritt bei der technischen Lösung. „Der Markt ist ganz offensichtlich da.“ Er räumte ein, dass Wachstums-Investoren, die diesen Ansatz als undiszipliniert kritisieren, ein Lager bilden, während Unconventional AI klar im anderen Lager stehe. Wenn der Markt jedoch die Größenordnung von Billionen erreicht, „ist der Preis fast irrelevant“, fügte er hinzu.
Auf die Frage, was er mit unbegrenzten Ressourcen tun würde, antwortete er, er würde eine eigene Fertigung aufbauen, näher an die Rohstoffe heranrücken und Fabriken direkt nach seinen eigenen Bedürfnissen entwerfen, anstatt einen Commodity-Prozess anzupassen. Er zog Parallelen zu dem, was Elon Musk tut. Zudem bemängelte er, dass die europäische Investorenbasis zu konservativ agiert, um ehrgeizige Ideen zu unterstützen, was dort zu einer „Verramschung von Ideen“ führe.