Im zweiten Teil unserer Serie über die Umweltauswirkungen generativer KI befassen wir uns damit, was Forscher und Ingenieure unternehmen, um den beträchtlichen CO₂-Fußabdruck dieser sich rasant entwickelnden Technologie zu verringern. Generative KI entwickelt sich zweifellos mit erstaunlicher Geschwindigkeit weiter, und ihr Energiebedarf hält mit diesem Tempo Schritt. Wie von der Internationalen Energieagentur prognostiziert, könnte sich der weltweite Stromverbrauch von Rechenzentren bis 2030 im Wesentlichen verdoppeln und etwa 945 Terawattstunden erreichen. Das ist mehr als der jährliche Stromverbrauch eines Landes wie Japan!
Die Hauptursache für diesen Energieanstieg lässt sich auf unseren steigenden Bedarf zurückführen, umfangreiche KI-Modelle zu trainieren und zu betreiben. Es überrascht daher nicht, dass eine aktuelle Analyse von Goldman Sachs Research darauf hindeutet, dass etwa 60% dieses Energiebedarfs durch fossile Brennstoffe gedeckt werden, was jährlich zu einem Anstieg der Kohlendioxidemissionen in die Atmosphäre um satte 220 Millionen Tonnen führen könnte.
Wenn wir über die Umweltauswirkungen von KI sprechen, liegt der Fokus vorwiegend auf den betrieblichen CO₂-Emissionen – hauptsächlich auf den Emissionen, die beim Betrieb von GPUs und Kühlsystemen entstehen. Doch diese Medaille hat noch eine andere Seite. Laut Vijay Gadepally vom MIT Lincoln Laboratory wird in der Diskussion häufig der “embodied carbon” übersehen, womit die Emissionen gemeint sind, die beim Bau und bei der Nachrüstung von Rechenzentren entstehen. Diese riesigen Anlagen, gefüllt mit kilometerlangen Kabelwegen und leistungsstarker Hardware, die aus Stahl und Beton errichtet wurden, spielen ebenfalls eine große Rolle.
Positiv zu vermerken ist, dass viele Unternehmen, darunter Meta und Google, mittlerweile umweltfreundliche Baumaterialien wie Massivholz prüfen, um diese versteckten CO₂-Kosten zu senken. Doch unser Kampf gegen Emissionen hört hier nicht auf. Manchmal ist die Lösung so einfach wie das Dimmen der Beleuchtung oder der Betrieb von GPUs bei nur 30% ihres maximalen Energieverbrauchs. Überraschenderweise hat dies nur minimale Auswirkungen auf die Modellleistung, während der Kühlbedarf deutlich gesenkt wird.
Auch hier haben Ingenieure Spielraum. Sie können sich für weniger energieintensive Hardware entscheiden oder Prozessoren mit geringerer Genauigkeit einsetzen, die für bestimmte Aufgaben optimiert sind. Darüber hinaus lässt sich der Energieverbrauch durch „Early Stopping“ beim Modelltraining – also durch das Beenden des Prozesses, bevor die letzten paar Prozentpunkte an Genauigkeit erreicht sind – um die Hälfte senken.
Die guten Nachrichten beschränken sich nicht nur auf die Hardware. Neil Thompson vom FutureTech-Forschungsprojekt des MIT stellt uns das Potenzial algorithmischer Verbesserungen vor, durch die sich die Energieeffizienz fast alle 8 bis 9 Monate verdoppelt. Thompson prägte den Begriff “Negaflop”, der sich auf Rechenoperationen bezieht, die durch intelligentere Algorithmen eingespart werden – ähnlich wie “Negawatt” für eingesparten Strom steht. Zu diesen innovativen Techniken gehören unter anderem das Ausdünnen unnötiger Komponenten neuronaler Netze und die Anwendung von Komprimierungsverfahren. Beide Strategien reduzieren den Rechenaufwand drastisch, ohne dabei Leistungseinbußen zu verursachen.
Auch wenn die oben genannten Strategien vielversprechend sind, kommt es definitiv auf den richtigen Zeitpunkt an! Deepjyoti Deka von der MIT Energy Initiative weist darauf hin, dass nicht jeder Strom gleich ist. Die CO₂-Intensität einer Kilowattstunde kann je nach Tageszeit und Energiequelle stark variieren. Indem sie nicht dringende KI-Workloads auf Zeiträume mit reichlich verfügbarer erneuerbarer Energie verlegen, können Rechenzentren ihren CO₂-Fußabdruck deutlich verringern.
Auch der Standort kann eine Rolle bei der Verringerung der Umweltbelastung spielen. So kann beispielsweise ein kühleres Klima, wie es in Nordschweden herrscht, den Bedarf an energieintensiven Kühlsystemen drastisch senken. Einige Regierungen erwägen sogar den Bau von Rechenzentren auf dem Mond, wo der Betrieb potenziell vollständig mit erneuerbaren Energien erfolgen könnte. Auch wenn dies noch ein futuristisches Konzept ist, gibt es uns doch einen Einblick in das, was die Zukunft für uns bereithalten könnte.
Es ist nicht zu leugnen, dass es eine gewisse Ironie birgt, dass KI selbst dazu beitragen könnte, ihre eigenen Umweltauswirkungen zu mindern. Jennifer Turliuk, eine ehemalige MIT-Sloan-Stipendiatin, weist darauf hin, dass KI die Einbindung erneuerbarer Energien in das Stromnetz beschleunigen kann. Generative Modelle könnten Netzanschlussstudien, deren Durchführung derzeit Jahre dauert, drastisch beschleunigen. KI kann zudem Prognosen zur Stromerzeugung aus erneuerbaren Energien optimieren, vorausschauende Wartungsmaßnahmen an Solaranlagen durchführen und die effizientesten Standorte für neue Infrastruktur ermitteln. Bei richtiger Anwendung könnte dies den Einsatz sauberer Energietechnologien erheblich beschleunigen und intelligentere politische Entscheidungen für eine umweltfreundliche Zukunft ermöglichen.
Mit Hilfe von Turliuk und ihrem Team könnten wir diese Abwägungen möglicherweise genau quantifizieren. Sie haben den “Net Climate Impact Score” entwickelt – ein Rahmenkonzept zur Bewertung der gesamten ökologischen Kosten und des Nutzens von KI-Projekten. Ihrer Meinung nach ist die Zusammenarbeit zwischen Wissenschaft, Industrie und Regulierungsbehörden entscheidend, um KI nachhaltiger zu gestalten. Wie Turliuk zu Recht sagt: „Jeder Tag zählt. Wir haben die einmalige Chance, innovativ zu sein und KI-Systeme weniger CO₂-intensiv zu gestalten, bevor die Auswirkungen des Klimawandels unumkehrbar werden.“
Um sich eingehender mit dem Thema zu befassen, lesen Sie bitte den Originalartikel auf MIT News.
Diese Website verwendet Cookies.