Eine Ende Juni über das Vereinigte Königreich hereingebrochene Hitzewelle führte vorübergehend zu einer Unterbrechung des Zugangs zu Cambridges KI-Supercomputer Dawn und stoppte Forschungsarbeiten, die auf gemeinsam genutzte Hochleistungsrechenkapazitäten angewiesen sind.
The Times berichtete, dass Dawn nach technischen Problemen während der Hitzewelle vom Netz genommen wurde. Betroffen waren unter anderem Projekte zur Klimamodellierung und zur KI-gestützten Erforschung von Krebsimpfstoffen. Die Forschenden erklärten, dass kein Datenverlust erwartet werde. Der Ausfall wirft jedoch eine praktische Frage für Organisationen auf, die KI- und HPC-Dienste nutzen: Sagen Beschaffungsprüfungen und Service-Level-Agreements genug über Hitzebeständigkeit, Wiederherstellungsplanung und die Kühlungsgrenzen auf Anlagenebene aus?
Hitze bringt die Grenzen gemeinsam genutzter KI-Rechenleistung ans Licht
Der Ausfall von Dawn betraf ein nationales KI-Forschungssystem. Die University of Cambridge beschreibt Dawn als den schnellsten KI-Supercomputer des Vereinigten Königreichs, mit mehr als 1.000 hochwertigen Intel-GPUs, die Arbeiten in den Bereichen saubere Energie, personalisierte Medizin, Klimaforschung und anderen rechenintensiven Feldern unterstützen.
Universitäten, Labore des öffentlichen Sektors und Unternehmen, die KI-Rechenkapazitäten evaluieren, benötigen Einblick in Kühlungsgrenzen, den Betrieb bei Hitzewellen, Ausweichkapazitäten und die Wiederherstellung von Workloads, bevor sie gehostete Systeme als resiliente Infrastruktur betrachten.
Die Wetterbedingungen waren extrem. Das Met Office teilte mit, dass das Vereinigte Königreich vorläufig einen neuen Juni-Temperaturrekord von 37,3 °C in Santon Downham, Suffolk, am 26. Juni 2026 aufgestellt habe – nach drei aufeinanderfolgenden Tagen mit Rekordtemperaturen für den Juni.
Dichte KI- und HPC-Workloads erzeugen dauerhaft Wärme, und hohe Umgebungstemperaturen können den für Anlagen verfügbaren Betriebsspielraum verringern. Dieses Risiko nimmt zu, wenn KI-Systeme von Experimenten zu gemeinsam genutzter Infrastruktur übergehen – von Forschungs-Supercomputern zu KI-Inferenz-Cloud-Diensten, die für Produktions-Workloads ausgelegt sind.
Angaben zu Wasserverbrauch und Kühlung sind im britischen Rechenzentrumsmarkt weiterhin uneinheitlich. ITPro berichtete unter Berufung auf einen Bericht von techUK und der Environment Agency, dass 64 % der kommerziellen Rechenzentren in England weniger als 10.000 Kubikmeter Wasser pro Jahr verbrauchten, während 4 % mehr als 100.000 Kubikmeter nutzten. Der Bericht forderte außerdem eine bessere Planung und Erfassung sowie eine Bewertung der lokalen Wasserknappheit.
Diese Zahlen sagen Käufern nicht, wie sich der Standort, an dem ihr Workload gehostet wird, während mehrerer Tage mit hohen Umgebungstemperaturen verhält. Die allgemeine Verfügbarkeitsbilanz eines Anbieters zeigt möglicherweise nicht, ob eine Anlage engere thermische Grenzen, eine stärkere Wasserabhängigkeit oder weniger freie Kühlungskapazität als eine andere hat.
Wiederherstellungsplanung wird Teil der Beschaffungscheckliste
Die Datenlücke ist ebenso sehr ein betriebliches wie ein ökologisches Problem. Käufer können in der Regel Verfügbarkeitsziele und Angaben zur Redundanz der Stromversorgung prüfen, erhalten aber möglicherweise keinen Einblick in Kühlungsschwellen auf Anlagenebene, Annahmen für Hitzewellen oder die Frage, ob KI-intensive Workloads verlagert werden können, wenn sich ein Standort seinen thermischen Grenzen nähert.
Die Due-Diligence-Prüfung sollte über standardmäßige Verfügbarkeitskennzahlen hinausgehen. Organisationen, die KI- oder HPC-Kapazitäten vertraglich vereinbaren, sollten fragen, welche Anlage den Workload hosten wird, welches Kühlungsdesign sie verwendet, für welche Umgebungstemperaturgrenzen sie ausgelegt ist und ob wetterbedingte Leistungseinbußen vom SLA-Schutz ausgenommen sind.
Auch Forschungsteams benötigen Klarheit über die Wiederherstellung. Käufer sollten fragen, wie Jobs durch Checkpoints gesichert werden, ob unterbrochene Workloads fortgesetzt werden können, ohne sie von Anfang an erneut auszuführen, und ob Pläne für die Datenbereitschaft für KI berücksichtigen, wo sich kritische Datensätze und Abhängigkeiten für die Wiederherstellung befinden.
Das Oxford-Projekt zu Krebsimpfstoffen zeigt, warum das wichtig ist. Die Forschenden erhielten zuvor 10.000 GPU-Stunden auf Dawn, wodurch das System zu einem Bestandteil einer umfassenderen Forschungspipeline und nicht zu einer eigenständigen Rechenressource wurde.
Ältere HPC-Anlagen vor Ort stehen vor ähnlichen Herausforderungen, da sie dichtere KI-Workloads ausführen als ursprünglich vorgesehen.
Bei der Resilienz von KI geht es längst nicht mehr nur um Modellzugriff, Cloud-Kosten, Cybersicherheit oder die Verfügbarkeit von GPUs. Der Ausfall von Dawn zeigt, dass kritische KI-Workloads auch von Kühlungskapazität, Transparenz auf Standortebene und Wiederherstellungsplanung abhängen, wenn Extremwetter den Zugang zu knapper Rechenleistung unterbricht.
Mehr dazu: Da KI-Infrastruktur zunehmend als Mietobjekt genutzt wird, Vereinbarungen über KI-Rechenkapazitäten werfen neue Fragen darüber auf, wer die Hardware hinter Enterprise-Workloads kontrolliert.