CRA-Bericht zeigt, wie vier US-Bundesstaaten gemeinsame KI-Rechenkapazitäten aufbauen

Vier Bundesstaaten, vier Ansätze

Laut CRA ist der Zugang zu den für KI nötigen Rechenressourcen weiterhin ungleich verteilt. Universitäten und Hochschulen sehen sich einer wachsenden Nachfrage nach leistungsfähiger KI-Infrastruktur gegenüber, doch vielen fehlen die Mittel, sie allein aufzubauen und dauerhaft zu betreiben. Der Bericht untersucht, wie Bundesstaaten und Regionen darauf reagieren und was andere von ihnen lernen können.

Verfasst wurde er von Erik Deumens von der University of Florida, Ian Fisk von der Simons Foundation, Manish Parashar von der University of Utah, Barr von Oehsen vom Pittsburgh Supercomputing Center und Helen Wright von der CRA. Er baut auf einer Vision von NVIDIA-Mitgründer Chris Malachowsky für eine KI-Recheninitiative in allen 50 Bundesstaaten auf. Diese Vision betont, dass Hochleistungsrechnen und KI-Ausbildung im gesamten Hochschulbereich zugänglich sein sollen, statt Ressourcen an wenigen Einrichtungen zu bündeln.

Die vier Fallstudien gehen jeweils einen anderen Weg:

• Florida: Die HiPerGator-Initiative der University of Florida verbindet eine große philanthropische Investition mit Unterstützung von Universität und Bundesstaat und schafft so eine zentrale Ressource für Forschung und Lehre im ganzen Staat.
• Pennsylvania: Die entstehende Keystone AI + Quantum Factory vereint sieben Forschungsuniversitäten in einem Kooperationsmodell mit gemeinsamer Steuerung und Zugang über die Gründungseinrichtungen hinaus.
• Utah: Die Redtail AI Factory der University of Utah ist eine öffentlich-private Partnerschaft, die auf eine vom Anbieter betriebene Infrastruktur setzt und Forschung, Bildung und Innovation im ganzen Bundesstaat unterstützt.
• New York: Empire AI ist ein staatlich gefördertes Konsortium öffentlicher und privater Forschungseinrichtungen, die Ressourcen und Fachwissen bündeln, um leistungsfähige KI-Rechenkapazität gemeinsam zu nutzen.

Der Bericht kommt zu dem Schluss, dass es kein Einheitsmodell gibt. Erfolgreiche Initiativen müssten auf die lokalen Gegebenheiten eingehen und zugleich tragfähige Ansätze für Finanzierung, Steuerung und Zugang schaffen.

Mehr als Hardware

Ein zentraler Befund: Der Ausbau der KI-Rechenkapazität erfordert mehr als den Kauf leistungsfähiger Hardware. Der Bericht verweist auf die Notwendigkeit, in Menschen, Partnerschaften und institutionelle Strukturen zu investieren. Dazu zählen technisches Supportpersonal, die Weiterbildung von Lehrenden, Bildungsprogramme, nachhaltige Finanzierung und Governance-Modelle, die den Bedürfnissen der beteiligten Einrichtungen entsprechen.

Über alle vier Fälle hinweg nennt der Bericht mehrere gemeinsame Voraussetzungen: einen dauerhaften Impulsgeber für die Zusammenarbeit, das Engagement der Institutionen, verlässliche Finanzierung und eine vertrauenswürdige Steuerung.

Deumens, der an der University of Florida UF Information Technology Research Computing leitet, sagte in der CRA-Mitteilung: „Technologie ist nur der Ausgangspunkt.“ Er fügte hinzu, es gehe darum sicherzustellen, dass die Kapazitäten „in sinnvolle Chancen für Studierende, Lehrende und Forschende münden“.

Malachowsky, Mitgründer und Fellow von NVIDIA, erklärte, die Ergebnisse bestätigten seine Erfahrungen in Florida. Seinen Worten zufolge „muss sich die Institution die Mission wirklich zu eigen machen, und die Technologie ist nur so gut wie die Menschen, die sie unterstützen“.

Bezug zur nationalen Debatte und was das bedeutet

Der Bericht stützt sich außerdem auf den CRA-National Science Foundation (NSF) Industry/Philanthropy Summit on Potential NAIRR State Hubs for Educational Transformation, der im Februar 2026 stattfand. Dort kamen Beteiligte zusammen, um staatliche und regionale Partnerschaften zu prüfen, die den Zugang zu KI-Rechenleistung erweitern und den Wandel in der Bildung unterstützen könnten. Der neue Bericht ergänzt praktische Erkenntnisse aus bereits laufenden Initiativen.

Für Bundesstaaten und Einrichtungen, die eigene Pläne für KI-Infrastruktur abwägen, bietet der Bericht einen Ausgangspunkt statt einer Schablone. Die Beispiele legen nahe, dass Finanzierungsquellen, Steuerung und Partnerschaften je nach Region unterschiedlich ausfallen und dass Ausgaben für Personal, Schulung und Bildungsprogramme ebenso wichtig sind wie Investitionen in Rechenkapazität. Indem solche Initiativen den Zugang über große Forschungsuniversitäten hinaus ausweiten, können laut CRA mehr Studierende, Lehrende und Einrichtungen an KI-Lehre und -Forschung teilhaben.