Im zweiten Teil unserer Serie \u00fcber die Umweltauswirkungen generativer KI befassen wir uns damit, was Forscher und Ingenieure unternehmen, um den betr\u00e4chtlichen CO\u2082-Fu\u00dfabdruck dieser sich rasant entwickelnden Technologie zu verringern. Generative KI entwickelt sich zweifellos mit erstaunlicher Geschwindigkeit weiter, und ihr Energiebedarf h\u00e4lt mit diesem Tempo Schritt. Wie von der Internationalen Energieagentur prognostiziert, k\u00f6nnte sich der weltweite Stromverbrauch von Rechenzentren bis 2030 im Wesentlichen verdoppeln und etwa 945 Terawattstunden erreichen. Das ist mehr als der j\u00e4hrliche Stromverbrauch eines Landes wie Japan!<\/p>\n
Die Hauptursache f\u00fcr diesen Energieanstieg l\u00e4sst sich auf unseren steigenden Bedarf zur\u00fcckf\u00fchren, umfangreiche KI-Modelle zu trainieren und zu betreiben. Es \u00fcberrascht daher nicht, dass eine aktuelle Analyse von Goldman Sachs Research darauf hindeutet, dass etwa 60% dieses Energiebedarfs durch fossile Brennstoffe gedeckt werden, was j\u00e4hrlich zu einem Anstieg der Kohlendioxidemissionen in die Atmosph\u00e4re um satte 220 Millionen Tonnen f\u00fchren k\u00f6nnte.<\/p>\n
Wenn wir \u00fcber die Umweltauswirkungen von KI sprechen, liegt der Fokus vorwiegend auf den betrieblichen CO\u2082-Emissionen \u2013 haupts\u00e4chlich auf den Emissionen, die beim Betrieb von GPUs und K\u00fchlsystemen entstehen. Doch diese Medaille hat noch eine andere Seite. Laut Vijay Gadepally vom MIT Lincoln Laboratory wird in der Diskussion h\u00e4ufig der \u201cembodied carbon\u201d \u00fcbersehen, womit die Emissionen gemeint sind, die beim Bau und bei der Nachr\u00fcstung von Rechenzentren entstehen. Diese riesigen Anlagen, gef\u00fcllt mit kilometerlangen Kabelwegen und leistungsstarker Hardware, die aus Stahl und Beton errichtet wurden, spielen ebenfalls eine gro\u00dfe Rolle.<\/p>\n
Positiv ist jedoch, dass viele Unternehmen, darunter Meta und Google, mittlerweile umweltfreundliche Baumaterialien wie Massivholz pr\u00fcfen, um diese versteckten CO\u2082-Kosten zu senken. Doch unser Kampf gegen Emissionen h\u00f6rt hier nicht auf. Manchmal ist die L\u00f6sung so einfach wie das Dimmen der Beleuchtung oder der Betrieb von GPUs bei nur 30% ihres maximalen Energieverbrauchs. \u00dcberraschenderweise hat dies nur minimale Auswirkungen auf die Modellleistung, w\u00e4hrend der K\u00fchlbedarf deutlich gesenkt wird.<\/p>\n
Auch hier haben Ingenieure Spielraum. Sie k\u00f6nnen sich f\u00fcr weniger energieintensive Hardware entscheiden oder Prozessoren mit geringerer Genauigkeit einsetzen, die f\u00fcr bestimmte Aufgaben optimiert sind. Dar\u00fcber hinaus l\u00e4sst sich der Energieverbrauch durch \u201eEarly Stopping\u201c beim Modelltraining \u2013 also durch das Beenden des Prozesses, bevor die letzten paar Prozentpunkte an Genauigkeit erreicht sind \u2013 um die H\u00e4lfte senken. <\/p>\n
Die guten Nachrichten beschr\u00e4nken 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 pr\u00e4gte den Begriff \u201cNegaflop\u201d, der sich auf Rechenoperationen bezieht, die durch intelligentere Algorithmen eingespart werden \u2013 \u00e4hnlich wie \u201cNegawatt\u201d f\u00fcr eingesparten Strom steht. Zu diesen innovativen Techniken geh\u00f6ren unter anderem das Ausd\u00fcnnen unn\u00f6tiger Komponenten in neuronalen Netzen und die Anwendung von Komprimierungsverfahren. Beide Strategien reduzieren den Rechenaufwand drastisch, ohne dabei Leistungseinbu\u00dfen zu verursachen.<\/p>\n
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 CO\u2082-Intensit\u00e4t einer Kilowattstunde kann je nach Tageszeit und Energiequelle stark variieren. Indem sie nicht dringende KI-Workloads auf Zeitr\u00e4ume mit reichlich verf\u00fcgbarer erneuerbarer Energie verlegen, k\u00f6nnen Rechenzentren ihren CO\u2082-Fu\u00dfabdruck deutlich verringern.<\/p>\n
Auch der Standort kann eine Rolle bei der Verringerung der Umweltbelastung spielen. So kann beispielsweise ein k\u00fchleres Klima, wie es in Nordschweden herrscht, den Bedarf an energieintensiven K\u00fchlsystemen drastisch senken. Einige Regierungen erw\u00e4gen sogar den Bau von Rechenzentren auf dem Mond, wo der Betrieb potenziell vollst\u00e4ndig mit erneuerbaren Energien erfolgen k\u00f6nnte. Auch wenn dies noch ein futuristisches Konzept ist, gibt es uns doch einen Einblick in das, was die Zukunft f\u00fcr uns bereithalten k\u00f6nnte.<\/p>\n
Es ist zweifellos ironisch, dass KI selbst dazu beitragen k\u00f6nnte, 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 k\u00f6nnten Netzanschlussstudien, deren Durchf\u00fchrung derzeit noch Jahre dauert, drastisch beschleunigen. KI kann zudem Prognosen zur Stromerzeugung aus erneuerbaren Energien optimieren, vorausschauende Wartungsma\u00dfnahmen an Solaranlagen durchf\u00fchren und die effizientesten Standorte f\u00fcr neue Infrastruktur ermitteln. Bei richtiger Anwendung k\u00f6nnte dies den Einsatz sauberer Energietechnologien erheblich beschleunigen und intelligentere politische Entscheidungen f\u00fcr eine umweltfreundliche Zukunft erm\u00f6glichen.<\/p>\n
Mit Hilfe von Turliuk und ihrem Team k\u00f6nnten wir diese Abw\u00e4gungen m\u00f6glicherweise genau quantifizieren. Sie haben den \u201cNet Climate Impact Score\u201d entwickelt \u2013 ein Rahmenkonzept zur Bewertung der gesamten \u00f6kologischen Kosten und Vorteile von KI-Projekten. Ihrer Meinung nach ist die Zusammenarbeit zwischen Wissenschaft, Industrie und Regulierungsbeh\u00f6rden entscheidend, um KI nachhaltiger zu gestalten. Wie Turliuk zu Recht sagt: \u201eJeder Tag z\u00e4hlt. Wir haben die einmalige Chance, innovativ zu sein und KI-Systeme weniger CO\u2082-intensiv zu gestalten, bevor die Auswirkungen des Klimawandels unumkehrbar werden.\u201c<\/p>\n