Der steigende Energieverbrauch der Künstlichen Intelligenz

Künstliche Intelligenz (KI) hat sich im vergangenen Jahr als transformativer digitaler Trend herauskristallisiert, mit erheblichen Auswirkungen auf den Energieverbrauch. Eine kürzlich in der Zeitschrift Joule veröffentlichte Studie warnt, dass die KI-Adoption, wenn sie im aktuellen Tempo fortgesetzt wird, potenziell den Energieverbrauch ganzer Länder erreichen könnte. Dieser Artikel untersucht die wichtigsten Erkenntnisse der Studie, die Auswirkungen auf den globalen Stromverbrauch und mögliche Wege zur Minderung dieser wachsenden Sorge.

Energieverbrauch der KI: Eine globale Herausforderung

Der Data Scientist Alex de Vries an der Vrije Universiteit Amsterdam in den Niederlanden hat Alarm geschlagen mit seiner Schätzung, dass KI-Rechenzentren bis 2027 jährlich 85 bis 134 Terawattstunden (TWh) Energie verbrauchen könnten. Um dies ins Verhältnis zu setzen: Dieser Verbrauch entspricht ungefähr dem jährlichen Energieverbrauch eines Landes wie den Niederlanden und macht 0,5 % des aktuellen globalen Stromverbrauchs der Welt aus.

Während de Vries vor Übertreibung warnt, unterstreicht er die Bedeutung dieser Zahlen. Der wachsende Fußabdruck der KI in verschiedenen Branchen, von der Gesundheitsversorgung bis hin zur Finanzwelt, treibt diesen Anstieg der Energienachfrage voran. Da der Appetit auf KI-Dienste weiter wächst, ist es sehr wahrscheinlich, dass der damit verbundene Energieverbrauch ebenfalls steigt.

Die Umweltauswirkungen des Energiehunger der KI

Im Jahr 2022 entfielen 1 % bis 1,3 % des weltweiten Stromverbrauchs auf Rechenzentren, wobei das Kryptowährungs-Mining zusätzliche 0,4 % beisteuerte. Da die KI darauf aus ist, sich dieser Liga der energieintensiven Technologien anzuschließen, rücken die Bedenken hinsichtlich ihrer Umweltauswirkungen in den Vordergrund. Die anhaltende Abhängigkeit von nicht erneuerbaren Energiequellen für KI-Betrieb kann zu globalen Kohlenstoffemissionen beitragen, es sei denn, es werden Maßnahmen ergriffen, um zu grüneren Alternativen überzugehen.

Generative KI und Zugänglichkeit

Generative KI, exemplifiziert durch Chatbots wie OpenAIs ChatGPT, wird einer breiten Palette von Nutzern, einschließlich Studenten, Programmierern, Designern und Schriftstellern, zunehmend zugänglich. Diese Chatbots verlassen sich auf KI-Modelle, die auf umfangreichen Datensätzen trainiert wurden, ein Prozess, der eine erhebliche Menge an Energie verbraucht.

Hugging Face, ein in den USA ansässiges KI-Unternehmen, verzeichnete, dass sein mehrsprachiges Textgenerierungs-KI-Modell während des Trainingsprozesses 433 Megawattstunden (MWh) verbraucht hat. Um dies ins Verhältnis zu setzen: Dies reicht aus, um 40 durchschnittliche US-Haushalte ein ganzes Jahr lang mit Strom zu versorgen. ChatGPT, als prominentes Beispiel, erfordert beim Generieren von Textantworten erhebliche Rechenleistung und Energieressourcen.

Schätzungen und alarmierende Szenarien

De Vries schätzt, dass der Betrieb von ChatGPT täglich 564 MWh Strom verbrauchen könnte. Darüber hinaus zeichnet die Extrapolation dieser Zahlen auf größere KI-Anwendungen, wie Googles Suchmaschine, ein alarmierendes Bild. Wenn Google KI umfangreich für seine etwa neun Milliarden täglichen Suchanfragen einsetzen würde, wären jährlich 29,2 TWh Strom erforderlich. Dies ist vergleichbar mit dem gesamten Stromverbrauch Irlands und fast doppelt so hoch wie Googles Gesamtenergieverbrauch im Jahr 2020, der bei 15,4 TWh lag.

Reaktion der Industrie und Energieeffizienz

KI-Unternehmen sind sich der energieintensiven Natur ihrer Operationen nicht unbewusst. OpenAI erkennt beispielsweise die Notwendigkeit einer größeren Energieeffizienz an und arbeitet aktiv daran, den Energie-Fußabdruck seiner KI-Modelle zu verbessern. Unternehmen sind sich der Umweltauswirkungen zunehmend bewusst und machen Fortschritte bei deren Minimierung.

Thomas Wolf, Mitbegründer von Hugging Face, weist auf einen vielversprechenden Trend hin, bei dem kleinere KI-Modelle die Fähigkeiten größerer Modelle annähern. Modelle wie Mistral 7B und Metas Llama 2, die 10 bis 100 Mal kleiner als GPT-4 sind, können viele der gleichen Aufgaben ausführen. Die Botschaft hier ist klar: Nicht jeder braucht das Rechenriesen-Gerät GPT-4, genauso wenig wie man einen Ferrari für den täglichen Pendlerverkehr braucht.