Auf dem Weg zu energieeffizienter KI | Bank Austria Future Talk

Der Supercomputer SpiNNaker-2

An der Technischen Universität Dresden wird an einer bahnbrechenden Lösung für das Energieproblem von künstlicher Intelligenz gearbeitet. Der Elektrotechniker Christian Mayr und sein Team präsentieren den Supercomputer SpiNNaker-2, der durch den Einsatz von 50.000 eigens entwickelten Chips eine erheblich effizientere künstliche Intelligenz verspricht. Diese Chips sollen nicht nur mehr Rechenleistung bieten, sondern auch deutlich weniger Energie verbrauchen.

Derzeitige KI-Systeme wie der Sprachroboter Chat-GPT verbrauchen enorme Mengen Strom. Das GPT-3-Modell von OpenAI benötigte allein für sein Training fast 1300 Megawattstunden Strom. Ähnlich hohe Energiekosten sind auch für den Betrieb von Chat-GPT zu verzeichnen. Um die Energieeffizienz von KI zu steigern, sind dringend neue Methoden erforderlich.

Nachahmung des menschlichen Gehirns für energieeffiziente KI

Aktuelle KI-Systeme, wie Deep Learning, simulieren zwar die Neuronen und Synapsen des Gehirns, verwenden jedoch in ihrer Hardware eine deutlich andere Methode. Hier liegt ein Hauptgrund für den hohen Energieverbrauch. Christian Mayr und sein Team entwickeln Chips, die die »Faulheit« des Gehirns imitieren. Virtuelle Neuronen werden nur aktiv, wenn sie relevante Signale von anderen Nervenzellen erhalten, was im Vergleich zu herkömmlichen Supercomputern eine Energieeinsparung von bis zu 90 Prozent ermöglicht.

Die Genauigkeit dieser Methode leidet kaum darunter. Bei einem Test zur Erkennung handgeschriebener Ziffern erreichte ein Prototyp-Chip von SpiNNaker-2 eine Genauigkeit von 96,6 Prozent, nur minimal weniger als herkömmliche neuronale Netze.

Energiesparende KI-Ansätze und Herausforderungen

Forschende suchen nach weiteren Wegen zur Energieeinsparung in der KI. Ein Ansatz besteht darin, die Datenverarbeitung im KI-System dem menschlichen Gehirn ähnlicher zu gestalten, indem nur ein Informationsbit pro Signal verwendet wird. Dieser Ansatz kann die Energieeffizienz erheblich steigern, ohne die Präzision in vielen Anwendungen wesentlich zu beeinträchtigen.

Eine andere Strategie besteht darin, Speicher und Prozessor in der Hardware zu vereinen, um den energieintensiven Datentransfer zwischen den beiden zu vermeiden. Dabei werden neuartige Bauelemente wie Memristoren genutzt, um das Prinzip des Gehirns auf KI-Systeme zu übertragen.

Die Forschung zur Entwicklung energieeffizienter KI-Systeme schreitet voran, und zukünftig könnten solche Systeme nicht nur in Rechenzentren, sondern auch in Handys, Autos und Robotern zum Einsatz kommen, wodurch KI zu einem alltäglichen Begleiter wird.

Den ganzen Artikel lesen Sie hier:

Mehr erfahren