KI-Systeme sind inzwischen weit verbreitet und werden in fast jedem Bereich angewandt. Die Umsetzung und Nutzung von smarten Systemen hinterlässt jedoch Spuren: Grob vier Prozent des globalen Energieverbrauchs sei Rechenzentren zuzuordnen, schätzt Ralf Herbrich. Hinzu komme der Energieverbrauch von mobilen Geräten wie Handys und Laptops, der grob dem gleichen Anteil entspricht. Nicht alles davon stehe in Beziehung zu maschinellem Lernen, doch ein wachsender Teil der Rechenoperationen sei auf maschinelle Lernalgorithmen zurückzuführen.

Der Grund dafür sei simple Arithmetik, sagt Robert Williamson. Maschinelles Lernen basiere auf Mathematik, und wenn man es in Code übersetzt, damit ein Computer es verstehen kann, benötige es eine verblüffend große Menge an Operationen. Jede dieser elementaren Operationen benötigt für sich genommen zwar nur eine winzige Energiemenge, die Gesamtzahl an Operationen – beispielsweise in einem großen Sprachmodell – ist allerdings enorm groß. Ein Model wie GPT-3 hat schätzungsweise um die 175 Milliarden Parameter. Nutzt man solch ein Modell, um Text zu generieren, kann dieses, je nach Textlänge, Billionen oder sogar Quadrillionen von Rechenoperationen benötigen. Die Energiekosten für das Training eines solchen Sprachmodells vergleicht Herbrich mit einem Passagierflug von Frankfurt nach San Francisco. In der Technikfolgenabschätzung des Bundestags heißt es: „Schätzungen zufolge waren für das Training von GPT-3 1.287 MWh Strom nötig“.1 Das entspricht dem Jahresstromverbrauch von 400 deutschen Haushalten und den Treibhausgasemissionen von sechs Passagierflügen von New York nach San Francisco.

Diese Zahlen sind signifikant und Forschende tragen eine Verantwortung zur Entwicklung von energieeffizienten KI-Algorithmen. Ideen hierfür gibt es bereits, zum Beispiel leichte Abstriche bei der Präzision: Die meisten Computer rechnen mit möglichst hoher, teilweise unnötig hoher Genauigkeit. Darstellungen und Rechenoperationen mit solchen Kommazahlen benötigen viel Speicher und Energie. Wenn nun weniger genaue Realisierungen von Zahlen erlaubt wären, spart dies Energie. Die Kehrseite der Medaille: Die Ergebnisse sind unter Umständen weniger präzise. Die Genauigkeit des Ergebnisses und der Energieverbrauch stehen also in einem Zielkonflikt.

Bisher waren die meisten Anwendungen laut Herbrich auf die Vergangenheit bezogen. Mit Mathematik und Statistik wurden bestehende Daten analysiert. Da wollte man möglichst akkurat sein. Im Rechnungswesen beispielsweise könne man keine Kompromisse machen. Mit KI wolle man allerdings oft die Zukunft vorhersagen. Hier sei Raum für Ungenauigkeit. Schließlich könnten auch Menschen die Zukunft nicht gut vorhersagen, betont Herbrich. Im Bereich des maschinellen Lernens ist oft die Genauigkeit eines Modells auf einem Testdatensatz der Maßstab für Qualität. Aber wie viel Genauigkeit brauchen wir wirklich? Oft können wir ein Prozent schlechtere Leistung in Kauf nehmen, wenn wir dafür nur ein Zehntel der Energie verbrauchen. Diese vermeintliche Diskrepanz zwischen enormer Energieeinsparung bei nur geringfügig schlechterer Leistung erklärt sich aus der Tatsache, dass viel Zeit und Energie in die Optimierung von KI-Modellen fließen und in den Versuch, noch ein Tausendstel bessere Leistung gegenüber dem Vorgängermodell zu erreichen.

KI ermöglicht uns jetzt schon in vielen Bereichen einen nachhaltigeren Umgang mit Ressourcen. Das 200-fache an Energie, die wir an einem Tag benötigen, erreicht unseren Planeten täglich in Form von sauberer Sonnenenergie. Das Problem sei die Verteilung und Speicherung dieser Energie. Dabei helfen KI-Algorithmen, die beispielsweise dazu verwendet werden, die Position von Wolken und so die zu erwartende Energieausbeute in einem bestimmten Gebiet vorherzusagen.2 Das optimiert die Planung und Nutzung von Energienetzen. Auch in der Werkstoffkunde für bessere Batterien mit größerer Energiekapazität und längerer Lebensdauer kann maschinelles Lernen Kosten und Zeit sparen. Algorithmen, die den inneren Abbauprozess der Batterien vorhersagen, ersetzen herkömmliche Methoden, nämlich das Öffnen (und dadurch die Zerstörung) der Batterie. Mit Hilfe von maschinellem Lernen können auch Eigenschaften neuer Materialien simuliert und so die Suche nach neuen Batterietechnologien erleichtert werden.

Bei der Frage nach dem größten Potential von KI für den Klimawandel bleibt Williamson vage: Die meisten komplexen Probleme könne man nicht durch eine einzelne Stellschraube lösen, sagt er, sonst wären es keine komplexen Probleme. Eine Stärke sieht er in der Vielfalt der Menschen aus unterschiedlichen Fachrichtungen, die sich mit dem Problem beschäftigen. Das werde uns zu einer Lösung führen, wir kennen sie nur noch nicht. 

Transparenzhinweis: Der Podcast-Gast Bob Williamson ist mit der Universität Tübingen affiliiert.