Den Energieverbrauch von KI verstehen: Trends und Strategien

Künstliche Intelligenz verspricht Unternehmen und Verbrauchern blitzschnelle Effizienz, doch der Betrieb dieser Technologie erfordert gewaltige Energiemengen. Ob beim Training eines neuen KI-Modells, bei der Bewertung oder Optimierung seiner Leistung oder sogar bei seiner Wartung: Der Betrieb von KI verbraucht astronomische Mengen an Watt. Dieser Energieverbrauch ermöglicht zwar einige unserer beliebtesten KI-Lösungen, doch sein exponentieller Anstieg gibt Anlass zu ernsten Umweltbedenken. Ein Verständnis des Energieverbrauchs von KI ist nicht nur für die Entwickler dieser Technologie relevant, sondern für alle, die mit ihr interagieren.

DIE WICHTIGSTEN ERKENNTNISSE

• •KI-Modelle – insbesondere große Sprachmodelle (LLMs) – verbrauchen aufgrund der leistungsfähigen Hardware und Infrastruktur, die für die Verarbeitung ihrer komplexen Berechnungen erforderlich sind, gewaltige Energiemengen. (Zum Abschnitt springen)
• •Der steigende Energiebedarf von KI gibt Anlass zu ernsthaften Umweltbedenken, die sich durch den Einsatz energieeffizienterer Hardware, Optimierungstechniken und erneuerbarer Energiequellen für Rechenzentren mindern lassen. (Zum Abschnitt springen)
• •Die Zukunft der KI hängt davon ab, ihre rasanten technologischen Fortschritte mit ökologischer Nachhaltigkeit in Einklang zu bringen. Internationale Regulierungsstandards werden ein wichtiger Treiber für den nachhaltigen und verantwortungsvollen Einsatz von KI-Systemen sein. (Zum Abschnitt springen)

Was ist der Energieverbrauch von KI?

Wie der Begriff schon sagt, künstliche Intelligenz bezieht sich der Energieverbrauch auf die Menge an Strom, die zum Betrieb von KI-Systemen erforderlich ist – vom Training über die Bereitstellung bis zur Wartung. Große KI-Modelle wie GPT-4 oder DALL-E benötigen enorme Rechenressourcen, um ordnungsgemäß zu funktionieren. Die aktuelle Version von ChatGPT, die von GPT-4 angetrieben wird, verfügt beispielsweise über etwa 1,8 Billionen Parameter, die bestimmen, wie sie auf Eingaben reagiert. Zum Vergleich: Das ist sechsmal mehr als die 175 Milliarden Parameter von GPT-3 und 1.200-mal mehr als GPT-2. Für das Training von GPT-3 wurde ebenso viel Energie benötigt, wie 120 durchschnittliche US-Haushalte in einem Jahr verbrauchen. Stellen Sie sich vor, wie viel Energie für das Training von GPT-4 erforderlich war.

Bemerkenswert ist, dass die beim Training eines KI-Modells benötigte Energiemenge so gewaltig ist, dass die dabei entstehenden CO2-Emissionen höher sind als bei vielen anderen energieintensiven Tätigkeiten. 

Faktoren, die den Energieverbrauch von KI beeinflussen

Von der Verwendung fortschrittlicher Hardware über die Komplexität der Modelle bis hin zur schieren Datenmenge: Eine Vielzahl komplexer und miteinander verbundener Faktoren beeinflusst, wie viel Energie für den Betrieb von KI erforderlich ist.

Hardware und Infrastruktur

Spezialisierte Prozessoren wie Grafikprozessoren (GPUs) und Tensorprozessoren (TPUs), die das Rückgrat von KI-Technologien bilden, benötigen enorme Energiemengen, um die komplexen Berechnungen zu verarbeiten, für die KI bekannt ist. Deshalb geht der Trend inzwischen allmählich dahin, den „Energieverbrauch pro Chip“ zu messen und nicht nur die gesamte Rechenleistung und den Speicher. Der maximale Energieverbrauch von NVIDIA’s A100 GPU, die in vielen modernen KI-Trainings-Setups eingesetzt wird, liegt bei etwa 400 Watt pro GPU. Für das Training eines großen Modells können mehr als 1.000 A100-GPUs erforderlich sein, die bis zu 400 Kilowatt pro Stunde verbrauchen. Neuere Generationen dieser Hardwarekomponenten wie die NVIDIA H100 bieten eine höhere Leistung pro Watt und verbrauchen weniger Energie als frühere Generationen.

Hinzu kommen die Rechenzentren, in denen KI-Modelle trainiert und bereitgestellt werden. Ihr Stromverbrauch war früher relativ stabil, ist mit dem KI-Boom jedoch sprunghaft angestiegen. Laut Goldman Sachs wird bis 2030 ein geschätztes Wachstum von 160 Prozent erwartet. All diese Energie wird kontinuierlich benötigt, um den Betrieb aufrechtzuerhalten und die Hardware zu kühlen.

Algorithmische Komplexität und Modellgröße

Der wichtigste Faktor für den Energieverbrauch von KI-Modellen ist ihre Größe. KI-Modelle mit Milliarden oder Billionen von Parametern benötigen enorme Rechenleistung für Training und Bereitstellung. Und je größer sie werden, desto höher ist auch ihr Energiebedarf. Goldman Sachs berichtet, dass die Verarbeitung einer ChatGPT-Anfrage fast zehnmal so viel Strom benötigt wie eine Google-Suche. Das liegt vor allem an den Milliarden von Schlussfolgerungen, die das System ziehen muss, um auf Nutzeranfragen zu antworten. Neben ihrer Größe beeinflusst auch die Komplexität der zugrunde liegenden Algorithmen den Energieverbrauch. Da die Optimierung von Algorithmen noch nicht mit dem Wachstum der Modellgröße Schritt hält, wird die Energieeffizienz typischerweise zuerst geopfert.

Datenvolumen und Trainingsanforderungen

Je mehr Daten ein KI-Modell verarbeitet, desto mehr Rechenleistung ist für seinen Betrieb erforderlich. Das Training eines Modells mit Terabytes an Daten bedeutet, dass Tausende von Maschinen über längere Zeiträume laufen, wodurch sich der Gesamtenergieverbrauch weiter erhöht. So erfordert das Training des maschinellen Lern-Frameworks BERT mit einem großen Datensatz etwa 64 Tensorprozessor-Chips (TPUs) und rund vier Tage. Die Komplexität des Modells, die für das Training benötigte Zeit, die Wahl der Optimierungstechniken, KI-Prozesse zur Hyperparameter-Abstimmung, und andere Trainingsanforderungen wirken sich unmittelbar auf den Energieverbrauch aus. Generative KI-Modelle wie GPTs und DALL-E gehören aus denselben Gründen typischerweise zu den energieintensivsten KI-Systemen.

Die Umweltauswirkungen des Energieverbrauchs von KI

Es gibt seit Längerem einen Vorstoß, KI-Unternehmen zu mehr Transparenz zu bewegen hinsichtlich der Auswirkungen von KI auf die Umwelt. Untersuchungen haben inzwischen gezeigt, dass diese Auswirkungen erheblich sind und bedenkliche Veränderungen bei Treibhausgasemissionen und Abfallaufkommen sowie letztlich für die menschliche Gesundheit verursachen.

CO2-Fußabdruck, Treibhausgasemissionen und Klimawandel

Zwischen der von KI verbrauchten Energie und dem von ihr hinterlassenen CO2-Fußabdruck besteht ein kausaler Zusammenhang. Heute werden die meisten Rechenzentren mit nicht erneuerbaren Energiequellen betrieben, die zu hohen Treibhausgasemissionen führen. So zeigte eine Studie von Forschern der University of Massachusetts, dass das Training eines einzelnen großen KI-Modells wie BERT einen CO2-Fußabdruck von 626.000 Pfund CO2 verursachen könnte – das entspricht dem Fünffachen der über die gesamte Lebensdauer anfallenden Emissionen eines Autos. Mit zunehmender KI-Nutzung wird erwartet, dass diese Klimawirkung erheblich zunimmt. Ein BBC-Nachrichtenbericht prognostizierte, dass die KI-Branche bis 2027 jährlich mehr Energie verbrauchen könnte als die Niederlande. Die zusätzliche Belastung, die dies durch Emissionen und Umweltzerstörung für die Umwelt bedeuten wird, ist äußerst besorgniserregend.

Ressourcenverknappung und Abfallerzeugung

Neben den CO2-Emissionen gibt auch die Produktion der GPUs und anderer für den Betrieb von KI-Modellen benötigter Hardware Anlass zu weiteren Umweltbedenken. Elektronikschrott beispielsweise enthält gefährliche Chemikalien, die bei der Entsorgung die Umwelt kontaminieren. Das World Economic Forum (WEF) prognostiziert bereits, dass das weltweite Elektroschrottaufkommen bis 2050 120 Millionen Tonnen überschritten haben wird. Stellen Sie sich zur Veranschaulichung fast 12.000 Eiffeltürme voller Abfall vor. Die steigende Nachfrage nach natürlichen Ressourcen wie Wasser und seltenen Erden für den Betrieb von KI-Hardware wird nicht nur zu Umweltzerstörung, sondern auch zu geopolitischen Spannungen führen.

Mögliche Gesundheitsrisiken und Auswirkungen auf den Menschen

Die Summe dieser Umweltrisiken wirkt sich häufig auf den menschlichen Körper aus. So beeinträchtigt die zunehmende Verschmutzung durch Rechenzentren und Energieerzeugungsanlagen die Luftqualität. Nach Angaben der World Health Organisation (WHO) ist Luftverschmutzung die Ursache für sieben Millionen Todesfälle pro Jahr.

Strategien zur Reduzierung des Energieverbrauchs von KI

Der Stromverbrauch von KI entwickelt sich rasch zu einer geschäftskritischen Herausforderung und veranlasst die Menschheit, sich erneut auf Strategien zur Verringerung und Begrenzung der Auswirkungen von KI zu konzentrieren. Zu diesen Strategien gehören Optimierungstechniken, Energieeffizienz und erneuerbare Energien.

Optimierungstechniken für Deep-Learning-Modelle

Optimierung ist eine wirksame Möglichkeit, den Energiehunger von KI zu steuern. Modellbeschneidung, Wissensdestillation und Quantisierung sind drei wichtige Beispiele. Bei der Modellbeschneidung werden redundante Neuronen aus neuronalen Netzen gezielt entfernt und gleichzeitig die Modellgröße reduziert, wobei die Leistung kaum oder gar nicht beeinträchtigt wird. Diese Technik und die Wissensdestillation, bei der ein kleines Modell darauf trainiert wird, das Verhalten eines größeren Modells nachzuahmen, sind in der KI-Entwicklergemeinschaft gleichermaßen beliebt.

Quantisierung reduziert die numerische Präzision von KI-Berechnungen – was bei Entwicklern Bedenken hervorruft –, führt aber zu Einsparungen bei den Rechenkosten von bis zu 50 Prozent. Mit diesen Techniken können KI-Systeme die Rechenkosten auf besser handhabbare Größenordnungen senken und den Energieverbrauch reduzieren.

Energieeffiziente Hardware und Kühltechnologien

Eine weitere wichtige Strategie ist die Entwicklung energieeffizienter Hardware. So sind die speziell für KI-Workloads entwickelten A100-GPUs von NVIDIA energieeffizienter als GPUs der vorherigen Generation. Einige Rechenzentren setzen Kühlsysteme wie die Flüssigkeitsimmersionskühlung ein, die den Energieverbrauch um bis zu 95 Prozent senken kann. Auch Front-of-the-Meter-Lösungen (FTM) – Verbindungstechnologien eines Energieversorgers oder eines anderen Drittanbieters, die die Zuverlässigkeit erhöhen und das Stromnetz unterstützen – können dazu beitragen, dass Rechenzentren und KI-Infrastruktur Energie nachhaltiger und kostengünstiger beziehen.

Erneuerbare Energiequellen für Rechenzentren

Um den ökologischen Fußabdruck des Energieverbrauchs von KI zu reduzieren, setzen einige Unternehmen ebenfalls zunehmend auf erneuerbare Energien. So werden inzwischen Teile der Rechenzentren von Google ausschließlich mit erneuerbarer Energie betrieben, wodurch der beim Training und bei der Bereitstellung von KI entstehende CO2-Fußabdruck ausgeglichen wird. Andere Unternehmen schließen sich an, prüfen Optionen wie den Bezug von Energie aus Solar- und Windparks und erwägen weitere Maßnahmen, um die durch die Stromversorgung von KI entstehenden Emissionen drastisch zu senken – zum Vorteil der Umwelt und des Geschäftsergebnisses.

Zukünftige Entwicklungen und Herausforderungen

Je stärker die Menschheit die Notwendigkeit erkennt, den gewaltigen Verbrauch natürlicher Ressourcen durch KI zu steuern, desto mehr wird sie sich darauf konzentrieren, die Vorteile von KI mit ihren tatsächlichen Kosten in Einklang zu bringen, nachhaltigere KI-Technologien zu entwickeln und für mehr Regulierung zu sorgen.

Die Vorteile von KI mit den Umweltkosten in Einklang bringen

Die künftige Herausforderung besteht darin, das enorme Potenzial von KI zu nutzen und zugleich zu verstehen, dass dies mit Umweltkosten verbunden ist. KI kann das Gesundheitswesen, das Finanzwesen und die Bildung erheblich verbessern, doch wir müssen Wege finden, um sicherzustellen, dass Fortschritte bei der KI weder unsere Umwelt noch unsere Gesundheit und Zukunft beeinträchtigen. Um dieses Gleichgewicht zu erreichen, werden praktische Ansätze wie neue Methoden zur algorithmischen Effizienz und energieeffizientes Hardwaredesign erforderlich sein. In einem größeren Zusammenhang müssen Unternehmen jedoch die umfassenderen Auswirkungen des Einsatzes von KI auf natürliche Ressourcen und die Umwelt vollständig verstehen.

Neue Technologien für nachhaltige KI nutzen

Um die Energiekosten von KI zu senken, werden neue Technologien wie neuromorphes Computing untersucht, das die neuronale Struktur des menschlichen Gehirns nachahmt. Das benötigt 1.000-mal weniger Energie als herkömmliche CPUs und macht diese Chips vielversprechend für die Forschung an nachhaltiger KI – mit Aussicht auf weitaus größere Verbesserungen in der Zukunft.

Neue Regulierungsstandards und Brancheninitiativen gesetzlich verankern

Erfreulicherweise erkennen Regierungen und Unternehmen zunehmend die Notwendigkeit, den ökologischen Fußabdruck von KI zu regulieren. Zahlreiche Green-AI-Initiativen betonen beispielsweise, dass Organisationen branchenweite Standards für eine energieeffiziente KI-Entwicklung etablieren sollten. KI-Unternehmen könnten schon bald gesetzlich verpflichtet werden, den CO2-„Fußabdruck“ ihrer Modelle offenzulegen, wie dies bereits in anderen Branchen der Fall ist.

Häufig gestellte Fragen (FAQs)

Fazit: Der Energieverbrauch von KI muss zunehmend angegangen werden

Es ist unbestreitbar, dass der Energieverbrauch von KI mit dem Fortschritt der Technologie zunehmen wird. Damit unsere Umwelt und Lebensqualität nicht dem Wachstum der KI geopfert werden, muss die Umsetzung nachhaltiger KI-Praktiken Priorität erhalten. Nur wenn Nachhaltigkeit im Mittelpunkt steht, können wir das transformative Potenzial von KI mit der Notwendigkeit in Einklang bringen, unseren Planeten für künftige Generationen zu schützen.

Lesen Sie den Leitfaden von eWeek zu KI im Kampf gegen den Klimawandel, um mehr über das sich wandelnde Verhältnis zwischen Umwelt und künstlicher Intelligenz zu erfahren.