Warum braucht das Gehirn nur rund 20 Watt? Und was der Vergleich mit KI verrät

Kurz gesagt: Die 20 Watt sind keine Anekdote, sondern eine Rechnung aus dem Glukoseverbrauch des Gehirns. Fast die ganze Energie fließt in Kommunikation — Signale weiterleiten, Synapsen betreiben, Spannung halten —, erstaunlich wenig ins eigentliche „Rechnen“. Und das Gehirn spart radikal: Zu jedem Zeitpunkt ist nur ein kleiner Teil der Nervenzellen stark aktiv. Der beliebte Vergleich mit KI-Rechenzentren hinkt trotzdem gewaltig. Was sich übertragen lässt, sind Konstruktionsprinzipien, keine Wattzahlen.

Wer einen Homeserver betreibt, denkt in Watt: Leerlauf, Last, Kosten pro Monat. In diesen Einheiten ist das Gehirn ein merkwürdiges Gerät. Es läuft rund um die Uhr, schaltet nie ab und liegt dabei in der Größenordnung eines kleinen Heimservers im Leerlauf. Eine einzelne Gaming-Grafikkarte, die ein lokales Sprachmodell ausführt, braucht unter Last ein Vielfaches davon (die Zahlen dazu stehen in Warum kostet lokale KI so viel Hardware?). Wie passt das zusammen?

Woher die 20 Watt kommen #

Das Gehirn bezieht seine Energie fast ausschließlich aus Glukose, die über das Blut angeliefert und mit Sauerstoff verbrannt wird. Misst man, wie viel Glukose und Sauerstoff das Gehirn aufnimmt, lässt sich daraus eine Leistung in Watt berechnen. Das Gehirn macht etwa 2 Prozent des Körpergewichts aus, trägt aber rund 20 Prozent des Energieumsatzes; aus der Glukoseaufnahme ergeben sich 17 bis 20 WattBelegt.

Zur Einordnung eine kleine Rechnung, ausdrücklich keine Messung: Wenn 20 Watt rund ein Fünftel sind, liegt der gesamte Körper in Ruhe grob bei 100 Watt. Gemessen an seinem Gewichtsanteil verbraucht das Gehirn damit rund zehnmal so viel, wie man erwarten würde.

Wichtig ist, was die Zahl nicht sagt: 20 Watt sind die Leistung des ganzen Organs, einschließlich aller Zellen, die das Gewebe am Leben erhalten. Die Großhirnrinde, in der man sich das „Denken“ gern vorstellt, ist nur ein Teil davon. Die graue Substanz der Großhirnrinde verbraucht nach dieser Übersicht nur etwa 3 Watt der 17 bis 20 WattBelegt.

Wofür das Gehirn die Energie ausgibt #

Nervenzellen sind kleine Batterien. Über ihrer Zellmembran liegt eine elektrische Spannung, das Ruhepotenzial, die Ionenpumpen ständig aufrechterhalten müssen — ähnlich wie ein Akku, der sich langsam selbst entlädt und nachgeladen wird. Feuert ein Neuron, läuft ein kurzer Spannungsimpuls, das Aktionspotenzial (auch Spike), die Nervenfaser entlang. An der Synapse, der Kontaktstelle zur nächsten Zelle, schüttet es Botenstoffe aus (meist Glutamat), die auf der Empfängerseite Ionenkanäle öffnen. Jeder dieser Schritte verschiebt Ionen, und jede verschobene Ladung muss hinterher unter Energieeinsatz zurückgepumpt werden.

Wie viel davon auf welchen Schritt entfällt, lässt sich nicht direkt messen, sondern nur aus Anatomie und Physiologie hochrechnen. Solche Energiebudgets sind Modellrechnungen — und sie wurden über die Jahre deutlich korrigiert:

• Ein klassisches Budget für die graue Substanz von Nagetieren sah 2001 rund 47 Prozent der Signalenergie bei den Aktionspotenzialen, 34 Prozent bei der Glutamat-Wirkung auf der Empfängerseite und 13 Prozent beim RuhepotenzialBelegt.
• Nachdem sich Aktionspotenziale bei Säugetieren als deutlich sparsamer herausgestellt hatten als angenommen, ergab die überarbeitete Rechnung für die Großhirnrinde: rund 50 Prozent für die Glutamat-Rezeptoren der Empfängerseite, 21 Prozent für Aktionspotenziale, 20 Prozent für das Ruhepotenzial und nur 5 Prozent für die Ausschüttung der BotenstoffeBelegt.

Die Anteile haben sich verschoben, das Gesamtbild nicht: Der größte Teil der Energie des Gehirns geht in die synaptische ÜbertragungBelegt, also in das Weiterreichen von Signalen zwischen Zellen.

Noch deutlicher wird das, wenn man anders sortiert — nicht nach Zellbestandteil, sondern nach Funktion. Eine Energieabrechnung für die menschliche Großhirnrinde kommt zu dem Ergebnis, dass Kommunikation rund 35-mal mehr Energie kostet als die eigentliche Verrechnung, und dass von den oft zitierten 20 Watt nur etwa 0,1 Watt auf die Rechenarbeit der Hirnrinde entfallenBelegt. Wie genau man „Rechnen“ und „Kommunizieren“ abgrenzt, ist eine Definitionsfrage der Autoren. Die Richtung aber passt zu den übrigen Budgets.

Wer die Landkarte Was kommt nach CPU und GPU? gelesen hat, erkennt das Muster wieder: Auch in Computern kostet das Bewegen von Daten mehr als die Rechnung selbst. Gehirn und Chip teilen dasselbe Problem — sie gehen es nur sehr unterschiedlich an.

Sparsam aus Not: Nur wenige Neuronen feuern gleichzeitig #

Wenn jeder Spike Energie kostet, kann sich das Gehirn nicht leisten, viele Neuronen gleichzeitig zu beschäftigen. Eine Abschätzung für die menschliche Hirnrinde kommt zu dem Schluss, dass die Kosten einzelner Spikes die Zahl der gleichzeitig stark aktiven Neuronen begrenzen — möglicherweise auf unter 1 ProzentBelegt. Auch das Budget von 2001 sagte verteilte Codes voraus, bei denen höchstens 15 Prozent der Neuronen gleichzeitig aktiv sindBelegt.

Das Gehirn arbeitet also mit einem festen Energiebudget, und dieses Budget formt die Art, wie es Informationen darstellt: wenige aktive Zellen, Aktivität nur dort, wo gerade etwas zu tun ist. Man nennt das sparse coding (dünn besetzte Codierung).

Warum der Vergleich mit Rechenzentren hinkt #

Die Gegenüberstellung „20 Watt gegen ein Kraftwerk“ ist griffig. Sie vermischt aber mehrere Dinge, die man auseinanderhalten sollte.

1. Training ist nicht Betrieb. Beim Training lernt ein Modell einmalig aus riesigen Datenmengen; beim Betrieb (der Inferenz) beantwortet es Anfragen. Der Energiebedarf für das Training von GPT-3 wurde auf rund 1.287 Megawattstunden geschätztBelegt. Eine Rechnung zur Einordnung, keine Messung: 20 Watt über ein Jahr ergeben rund 175 Kilowattstunden. Das GPT-3-Training entspräche damit grob 7.000 Gehirn-Jahren. Aber: Auch das Gehirn wurde „trainiert“ — durch Jahrmillionen Evolution und viele Jahre Kindheit, die in keiner Wattbilanz auftauchen.

Umgekehrt ist eine einzelne Anfrage an ein Modell billig. Messungen an Modellen der BLOOMz-Familie zeigen, dass Training um Größenordnungen energieintensiver ist als eine einzelne Inferenz; bis der Betrieb die Trainingskosten erreicht, braucht es Hunderte Millionen AnfragenDemonstriert — was bei populären Diensten schnell erreicht ist. Wer „KI“ und „Gehirn“ vergleicht, muss also zuerst sagen, ob er das Lernen, eine Antwort oder den Dauerbetrieb meint.

2. Rechenzentren sind nicht nur KI. Die Internationale Energieagentur schätzt den Stromverbrauch aller Rechenzentren 2024 auf rund 415 Terawattstunden, etwa 1,5 Prozent des weltweiten Stromverbrauchs, mit einer Verdopplung auf rund 945 Terawattstunden bis 2030Belegt. Darin stecken Streaming, Cloud-Speicher, E-Mail und Webseiten ebenso wie KI. Zahlen aus diesem Topf eignen sich nicht für einen Vergleich mit einem einzelnen Gehirn.

3. Andere Aufgaben, andere Genauigkeit. Ein Sprachmodell rechnet reproduzierbar mit Zahlen, kann in Sekunden Text in Dutzenden Sprachen erzeugen und bedient viele Menschen gleichzeitig. Ein Gehirn steuert einen Körper, lernt aus wenigen Beispielen und verrechnet sich bei der Multiplikation dreistelliger Zahlen. „Effizienter“ ergibt nur bezogen auf eine konkrete Aufgabe Sinn — und für die meisten Aufgaben gibt es keinen fairen gemeinsamen Maßstab.

Übrig bleibt eine ehrliche, kleinere Aussage: Das Gehirn zeigt, dass anspruchsvolle Informationsverarbeitung mit einem sehr kleinen, festen Energiebudget möglich ist. Wie groß der Abstand zu heutiger Hardware bei gleicher Aufgabe wirklich ist, weiß niemand genau.

Was Chips daraus lernen können #

Die Übertragung funktioniert nicht über Wattzahlen, sondern über Prinzipien. Drei davon sind in der Forschung besonders präsent:

Sparsamkeit. Nicht jedes Teil eines Netzes muss bei jeder Eingabe arbeiten. Auch bei künstlichen Netzen hilft das: Große, aber nur teilweise aktivierte Netze können weniger als ein Zehntel der Energie großer, dichter Netze verbrauchen, bei vergleichbarer GenauigkeitDemonstriert. Das ist kein Nachbau des Gehirns, aber dieselbe Idee: nur rechnen, was gerade gebraucht wird.

Ereignisgesteuertheit. Vereinfacht gesagt senden Neuronen nur dann einen Spike, wenn es etwas mitzuteilen gibt. Ein klassischer Prozessor arbeitet dagegen im festen Takt, ob sich die Eingabe geändert hat oder nicht. Chips, die nur bei einem Ereignis rechnen, sind das Kernversprechen des Neuromorphic Computing. Ob sich damit bei praktischen Aufgaben große Einsparungen gegenüber GPUs erreichen lassen, ist bislang offen und hängt stark von der Aufgabe abEvidenz: Theorie.

Speicher neben dem Rechnen. Im Gehirn liegen die „Gewichte“ — die Stärken der Synapsen — direkt an der Stelle, an der sie verrechnet werden. Es gibt keinen getrennten Arbeitsspeicher, aus dem erst geladen werden muss. Genau diesen Transport versuchen Compute-in-Memory-Ansätze zu vermeiden — Forschungschips, die direkt im Speicher rechnen.

Ein viertes Prinzip lässt sich schwerer übertragen: Das Gehirn nimmt Ungenauigkeit in Kauf. Einzelne Synapsen arbeiten unzuverlässig, das System als Ganzes funktioniert trotzdem. Ob Computer, die bewusst ungenauer rechnen, dadurch in großem Stil sparsamer werden, ohne an Nutzwert zu verlieren, ist eine offene FrageEvidenz: Spekulation.

In Vorbereitung: Neuromorphic Computing im Detail · Im Gehirn liegen Speicher und Rechnen zusammen – was Chips daraus lernen.

Reality Check #

Stand September 2026:

• Belegt: Das Gehirn braucht rund 20 Watt, etwa ein Fünftel des Energieumsatzes des Körpers. Der größte Teil davon geht in Signalübertragung und synaptische Kommunikation.
• Modellrechnungen: Die genaue Aufteilung auf Aktionspotenziale, Synapsen und Ruhepotenzial sowie der Anteil gleichzeitig aktiver Neuronen stammen aus Hochrechnungen. Sie wurden bereits einmal deutlich korrigiert und hängen von Annahmen ab, die teils auf Tierdaten beruhen.
• Nicht belegt: Ein sauberer Effizienzvergleich zwischen Gehirn und KI für dieselbe Aufgabe. Schlagzeilen wie „das Gehirn ist millionenfach effizienter“ lassen sich so nicht halten, solange unklar ist, was genau verglichen wird.

Was heißt das fürs eigene Homelab? #

Direkt: noch nichts. Es gibt keine Hardware, die man sich nach dem Vorbild des Gehirns in den Serverschrank stellt und die ein lokales Sprachmodell sparsamer ausführt als eine GPU.

Indirekt lohnt der Blick trotzdem, denn die Lektion des Gehirns ist eine, die man zu Hause anwenden kann: Dauerbetrieb bei niedriger Grundlast zählt mehr als Spitzenleistung. Ein Server, der die meiste Zeit nichts tut, sollte dabei möglichst wenig verbrauchen — wie das bei Proxmox gelingt, zeigt Proxmox-Stromverbrauch senken. Was dein eigener Prozessor gerade zieht, lässt sich per RAPL auslesen (siehe CPU-Leistungsaufnahme mit RAPL), und was ein Gerät pro Jahr kostet, rechnet der Stromkosten-Rechner aus — hier vorbefüllt mit den 20 Watt eines Gehirns im Dauerbetrieb.