KI geht auch mit weniger Energie
Künstliche Intelligenz (KI) benötigt viel Strom. Wie diese auch mit weniger Strom auskommt, ohne an Leistung einzubüßen, haben Forschende der Universität Kopenhagen untersucht.
02.05.2024
Im Jahr 2027 wird der Energiebedarf von Servern für Künstliche Intelligenz-Anwendungen (KI)voraussichtlich auf das Niveau von Schweden oder Argentinien ansteigen, so die Schätzung von Informatiker:innen der Universität Kopenhagen. Ein konkretes Beispiel verdeutlicht dies: Laut ihren Berechnungen verbraucht eine einzige ChatGPT-Eingabeaufforderung durchschnittlich so viel Energie wie 40 Handy-Ladungen. Aus diesem Grund haben die Forscher ein Handbuch entwickelt, um KI-Modelle zu entwerfen, die bei gleichbleibender Leistung wesentlich weniger Energie verbrauchen.
Fokus derzeit auf Genauigkeit von KI
Energieverbrauch und der CO2-Fußabdruck eines KI-Modells sollten künftig ein festes Kriterium bei der Entwicklung und dem Training der Modellen sein, argumentieren die Forschenden. „Heute konzentrieren sich die Entwickler nur darauf, KI-Modelle zu entwickeln, die in Bezug auf die Genauigkeit ihrer Ergebnisse effektiv sind. Das ist so, als würde man sagen, dass ein Auto effektiv ist, weil es einen schnell ans Ziel bringt, ohne zu berücksichtigen, wie viel Kraftstoff es verbraucht“, weiß Wisseschaftler Raghavendra Selvan.
Das Trainieren von KI-Modellen verursacht durch den hohen Energieverbrauch höhere CO2-Emissionen. Dies liegt an den komplexen Berechnungen, die normalerweise auf leistungsstarken Computern während des Trainings eines Modells durchgeführt werden. Besonders große Anwendungen wie das Sprachmodell hinter ChatGPT sind davon betroffen.
Benchmark-Sammlung von KI-Modellen
Die Forschenden am Science AI Center der Hochschule haben analysiert, welche Energiemenge nötig ist, um mehr als 400.000 KI-Modelle vom Typ „Faltungsneuronales Netz“ zu trainieren, ohne sie dabei tatsächlich zu trainieren. Faltungsneuronale Netze kommen bei der Analyse von medizinischen Bildern, Übersetzungen sowie Objekt- und Gesichtserkennung zum Einsatz.
Basierend auf ihren Berechnungen stellen die Forschenden eine Benchmark-Sammlung von KI-Modellen vor, die für eine spezifische Aufgabe geringeren Energieverbrauch haben, aber dennoch ähnliche Leistungen erzielen. Die Studie zeigt, dass durch die Verwendung anderer Modelltypen oder durch Anpassungen während des Trainings und Einsatzes Energieeinsparungen von 70 bis 80 Prozent erreicht werden können, während die Leistung nur minimal um ein Prozent oder weniger abfällt.
