Warum Festplatten für KI-Infrastruktur weiterhin entscheidend sind

Wenn die meisten Menschen von KI-Infrastruktur hören, dreht sich das Gespräch meist um GPUs, High Bandwidth Memory (HBM) oder extrem schnelle Solid-State-Speicher. Die Annahme ist, dass künstliche Intelligenz vollständig auf modernster Hardware läuft, bei der alles in Nanosekunden und Terabytes pro Sekunde gemessen wird.

Diese Annahme ist nicht falsch, aber sie ist unvollständig.

Die Realität ist: Moderne KI-Systeme hängen weiterhin stark von einer der ältesten Technologien im Rechenzentrum ab: der mechanischen Festplatte.

Das mag seltsam klingen, wenn man bedenkt, dass wir bereits besprochen haben, wie sich KI-Server über klassischen Flash-Speicher hinausentwickeln, in unserem Artikel: NAND verschwindet nicht, aber KI-Server sind heute auf mehr als nur Flash angewiesen. Außerdem haben wir erklärt, warum Technologien wie High Bandwidth Memory (HBM) immer wichtiger werden, damit KI-Systeme schnell genug mit Daten versorgt werden und GPUs nicht ausgebremst werden.

Aber es gibt eine andere Seite dieser Geschichte, über die deutlich seltener gesprochen wird: die schiere Größenordnung.

KI braucht nicht nur schnellen Speicher. KI braucht eine beinahe unvorstellbare Menge an Speicher.

Und Festplatten sind weiterhin die einzige Technologie, die diese Kapazität zu Kosten liefern kann, die die Branche realistisch tragen kann.

Die Speicherhierarchie von KI verstehen

Der einfachste Weg, moderne KI-Infrastruktur zu verstehen, besteht darin, nicht an einen einzelnen Computer zu denken, sondern an einen gesamten Logistikbetrieb.

HBM ist dabei wie die Laderampe, an der Daten mit enormer Geschwindigkeit bewegt werden. DRAM ist der aktive Arbeitsbereich, in dem Informationen ständig bearbeitet werden. NAND-Flash ähnelt eher einem nahegelegenen Regal, bei dem schneller Zugriff weiterhin wichtig ist, langfristige Speicherung aber ebenfalls eine Rolle spielt.

Festplatten dagegen sind das Lagerhaus.

Nicht der auffälligste Teil des Betriebs. Auch nicht der schnellste. Aber eindeutig der größte.

Dieser Unterschied ist wichtig, weil KI-Trainingssysteme Daten in einer Größenordnung verbrauchen, die den meisten Menschen im normalen Computeralltag nie begegnet.

Ein Verbraucher-Laptop speichert vielleicht ein paar Terabytes an Daten. Selbst eine sehr leistungsfähige Workstation fasst möglicherweise nur einige Dutzend Terabytes. KI-Infrastruktur arbeitet mehrere Größenordnungen darüber.

Während ein Verbraucher-Laptop in Terabytes denkt, denken KI-Cluster in Exabytes.

Ein einzelnes Exabyte entspricht einer Million Terabytes.

Wenn eine moderne Enterprise-Festplatte 30TB speichert, bräuchte man trotzdem mehr als 33.000 Festplatten, um ein einziges Exabyte an Rohspeicherkapazität aufzubauen.

Große KI-Betreiber bauen nicht nur ein Exabyte. Sie bauen mehrere Exabytes über Regionen, Redundanzschichten, Trainingsumgebungen, Backup-Systeme und Archivspeicher hinweg.

Das Exabyte-Problem

Das Training eines großen Sprachmodells kann Petabytes an Texten, Bildern, Videos, Telemetriedaten, Checkpoints und archivierten Trainingszuständen umfassen. Sobald diese Datensätze gesammelt wurden, werden sie nur selten gelöscht. Sie wachsen weiter, während Modelle neu trainiert, verfeinert und erweitert werden.

Während des KI-Trainings erstellen Systeme kontinuierlich Checkpoints, also im Grunde riesige Speicherstände des Modells während des Lernprozesses. Wenn ein Cluster mitten in einem mehrwöchigen Trainingslauf ausfällt, können diese Checkpoints das Einzige sein, was verhindert, dass Rechenzeit im Wert von Millionen verloren geht.

Das bedeutet: Speicherinfrastruktur dreht sich nicht mehr nur um Geschwindigkeit, sondern darum, gigantische Mengen zugänglicher Daten vorzuhalten.

Genau hier bleiben Festplatten im Hintergrund dominant.

Im Jahr 2010 fühlte sich eine 2TB-Festplatte riesig an. In Enterprise-Umgebungen waren 300GB- oder 600GB-SAS-Laufwerke weit verbreitet, und alles oberhalb weniger Terabytes galt als Premium-Kapazität.

Heute werden 24TB- und 30TB-Enterprise-Festplatten in großen Rechenzentren zunehmend zum Standard. Hersteller testen bereits Laufwerke mit 40TB und mehr auf Basis von Technologien wie HAMR (Heat-Assisted Magnetic Recording), wodurch sich die Flächendichte erhöhen lässt, ohne die physische Größe der Festplatte selbst zu vergrößern.

Zur Einordnung: Ein einzelnes modernes Speicher-Rack kann heute mehr Daten enthalten als ein komplettes mittelgroßes Unternehmensrechenzentrum aus dem Jahr 2010.

So stark hat sich der Speicherbedarf verändert.

Und KI ist einer der Hauptgründe dafür.

KI läuft mit mehr als nur Geschwindigkeit

Die öffentliche Diskussion über KI konzentriert sich meist auf GPUs, weil GPUs die sichtbare Arbeit erledigen. Sie erzeugen die Antworten, erstellen die Bilder und verarbeiten die Tokens.

Speicher erledigt die unsichtbare Arbeit, die Intelligenz-Pipeline selbst zu erhalten.

GPUs sind nur dann nützlich, wenn sie kontinuierlich auf enorme Mengen an Trainingsdaten zugreifen können.

Diese Daten müssen irgendwo liegen.

Nicht in HBM. Nicht in DRAM. Und ganz sicher nicht vollständig in teuren NAND-Speicherebenen.

Sie liegen hauptsächlich auf massiver Festplatteninfrastruktur.

Ein modernes KI-Rechenzentrum kann Hunderte von Petabytes gespeicherter Daten enthalten. Einige Hyperscale-Umgebungen gehen wahrscheinlich deutlich darüber hinaus und bewegen sich in Richtung Exabyte-Architektur. All das vollständig auf NAND-Flash zu speichern, wäre selbst für die größten Cloud-Anbieter wirtschaftlich unrealistisch.

Das ist der Teil, den viele Menschen übersehen, wenn sie über KI-Hardware sprechen.

Leistung ist wichtig, aber Wirtschaftlichkeit ist es ebenfalls.

Die Branche vermarktet gern IOPS und Benchmark-Zahlen, aber große KI-Deployments werden letztlich durch die Gesamtbetriebskosten begrenzt.

Festplatten bieten bei groß angelegten Installationen weiterhin die niedrigsten Kosten pro Terabyte. Außerdem bleiben sie sehr effizient für Cold Data, archivierte Datensätze, Backup-Snapshots, Modell-Checkpoints und große Mengen an Trainingsdaten, die keine Zugriffszeiten im Nanosekundenbereich benötigen.

Warum Festplatten für KI weiterhin funktionieren

Es gibt noch ein weiteres Missverständnis, das man ausräumen sollte: Viele Menschen nehmen an, Festplatten seien für KI-Umgebungen unbrauchbar langsam.

Das stimmt so nicht ganz.

Eine einzelne Festplatte ist im Vergleich zu DRAM oder NAND-Flash langsam, ja. Aber KI-Rechenzentren arbeiten nicht mit einzelnen Laufwerken. Sie arbeiten mit riesigen Speicher-Arrays, die parallel über Tausende von Festplatten gleichzeitig zugreifen.

Noch wichtiger ist: Viele KI-Workloads beinhalten das sequenzielle Streamen großer Datensätze und nicht winzige zufällige Transaktionen. Sequenzielle Workloads sind genau einer der Bereiche, in denen moderne Enterprise-Festplatten-Arrays weiterhin erstaunlich gut funktionieren.

Anders gesagt: KI-Infrastruktur fragt nicht immer: „Was ist der schnellstmögliche Speicher?“

Manchmal lautet die Frage:

Was ist der schnellste praktische Weg, 500 Petabytes zu speichern, ohne das Unternehmen zu ruinieren?

Das ist ein ganz anderes technisches Problem.

KI-Infrastruktur wird zu einem geschichteten Speicher-Ökosystem

Das erklärt auch, warum neue Technologien in KI-Systeme eingeschichtet werden, anstatt ältere Technologien einfach zu ersetzen.

In unserem Artikel über Storage Class Memory: die fehlende Schicht zwischen DRAM und NAND haben wir erläutert, wie die Branche immer wieder Zwischenschichten schafft, um Geschwindigkeit, Persistenz und Wirtschaftlichkeit auszubalancieren.

Außerdem haben wir untersucht, wie NAND versucht, näher an speicherähnliche Leistung heranzurücken: High Bandwidth Flash: Kann NAND endlich wie Arbeitsspeicher agieren?.

KI-Infrastruktur wird genau das: ein geschichtetes Speicher-Ökosystem.

HBM übernimmt die unmittelbare Berechnung. DRAM verwaltet aktive Workloads. NAND-Flash fängt schnelle persistente Speicheraufgaben ab. Storage-Class-Technologien versuchen, Latenzlücken zu schließen. Festplatten liefern darunter die massive Kapazitätsbasis für alles andere.

Die Zukunft von KI-Speicher besteht nicht darin, dass eine Technologie eine andere ersetzt.

Sie besteht darin, dass mehrere Technologien übereinandergeschichtet werden, weil kein einzelner Speichertyp jedes Problem gut lösen kann.

Das ist wahrscheinlich eines der größten Missverständnisse rund um KI-Infrastruktur heute. Viele gehen davon aus, dass die neueste Technologie automatisch die ältere verdrängt.

Aber so funktioniert Computergeschichte nur selten.

Festplatten haben SSDs überlebt, weil die Welt weiterhin schneller mehr Daten erzeugt, als Flash-Preise fallen konnten. Jetzt beschleunigt KI diesen Trend noch weiter. Die Menge an Informationen, die erzeugt, behalten, kopiert und erneut trainiert wird, wächst so schnell, dass Kapazität selbst zu einer strategischen Ressource geworden ist.

Ironischerweise wird groß angelegte Speicherinfrastruktur umso wichtiger, je fortschrittlicher KI wird.

Das bedeutet: Eine der ältesten Technologien im Rechenzentrum dürfte für KI noch deutlich länger eine zentrale Rolle spielen, als viele erwartet hätten.