Bedroht der Energieverbrauch der künstlichen Intelligenz unsere Umwelt?

Roger Basler de Roca

22. Aug. 2024 — 4 min read

Eine dystopische Landschaft, in der zahlreiche Maschinen und Roboter die Natur zerstören. Bild von DallE3 erstellt von Roger Basler de Roca

Der Energiebedarf künstlicher Intelligenz (KI) ist beachtlich und zeigt weiterhin steigende Tendenzen. Derzeit beanspruchen Rechenzentren, die KI-Modelle hosten, etwa 4 bis 5 Prozent des globalen Energieverbrauchs. Experten prognostizieren, dass dieser Anteil in den kommenden Jahren auf bis zu 30 Prozent anwachsen könnte.

Der spezifische Energieverbrauch einer KI hängt von ihrer jeweiligen Anwendung ab. Zum Beispiel benötigt eine Anfrage bei ChatGPT zwischen drei und neun Wattstunden.

Für das Training von GPT-3 waren insgesamt 1.287 Megawattstunden nötig. 1.287 MWh sind ausreichend Energie für etwa 515 Haushalte für ein Jahr.

Es ist entscheidend zu verstehen, dass der Energieverbrauch von KI nicht nur während der Trainingsphase der Modelle entsteht, sondern auch in der sogenannten Inferenzphase, wenn die Modelle aktiv eingesetzt werden, um auf neue Daten zu reagieren und Ergebnisse zu erzeugen.

Als Vergleich: Der jährliche Energieverbrauch der Google-Rechenzentren liegt bei 29,3 Terawattstunden, was dem Elektrizitätsbedarf von Ländern wie den Niederlanden, Schweden oder Argentinien entspricht.

Die Zahlen nehmen ab, sind aber noch hoch

Es ist jedoch wichtig zu beachten, dass Forschung und Entwicklung im Bereich der KI auch darauf abzielen, den Energieverbrauch zu reduzieren. Beispielsweise wird daran gearbeitet, Berechnungen mit weniger Parametern und damit weniger Energieeinsatz durchzuführen

Die Ausbildung von ChatGPT verbrauchte laut einer Studie genug Wasser, um einen Kernkühlturm zu füllen, was etwa 700'000 Litern entspricht. Darüber hinaus schätzt ein Forscherteam, dass ChatGPT für jede Konversation, die etwa 20-50 Fragen und Antworten umfasst, etwa 500 Milliliter Wasser verbraucht.

Ein halber Liter Trinkwasser pro ChatGPT-Unterhaltung ist eigentlich zu viel Wasser Verbrauch.

Dieser Wasserverbrauch beinhaltet sowohl den direkten als auch den indirekten Wasserverbrauch, wie zum Beispiel das Wasser, das zur Kühlung der Rechenzentren benötigt wird, in denen ChatGPT gehostet wird (aber es ist wichtig zu beachten, dass der Wasserverbrauch je nach Standort der Server und der Jahreszeit variieren kann).

Training allein von etwa 25 Tonnen CO2

In einem Artikel von Melissa Heikkilä beleuchtet man den CO2-Fussabdruck von komplexen Sprach-KIs, insbesondere von Large Language Models (LLMs). Diese Modelle benötigen erhebliche Mengen an Energie sowohl für das Training als auch für den Betrieb, was zu beträchtlichen CO2-Emissionen führt. Hugging Face, ein KI-Start-up, hat eine neue Methode entwickelt, um die Emissionen über den gesamten Lebenszyklus eines KI-Modells zu schätzen, nicht nur während der Trainingsphase.

Beim Testen ihres Ansatzes am eigenen Sprachmodell BLOOM fanden sie heraus, dass das Training allein etwa 25 Tonnen CO2 ausstiess. Unter Berücksichtigung der Herstellung der Hardware, Infrastrukturaufbau und Regelbetrieb verdoppelte sich die Zahl auf 50 Tonnen – vergleichbar mit den Emissionen von 60 Langstreckenflügen zwischen London und New York.

Zum Vergleich: OpenAIs GPT-3 und Metas OPT produzierten während des Trainings über 500 bzw. 75 Tonnen CO2, wobei GPT-3 auf älterer Hardware lief. Es gibt keine standardisierte Methode zur Messung dieser Emissionen, daher basieren die Zahlen auf Schätzungen (Und Sam Altman sagte jüngst in einem Interview mit Bill Gates, dass diese Zahlen massiv reduziert wurden unterdessen)

Grösserer CO2 Abruck als angenommen bei KI

Der CO2-Fussabdruck von Künstlicher Intelligenz (KI) hat erhebliche Auswirkungen auf die Umwelt. KI-Systeme benötigen eine hohe Rechenleistung, die einen hohen Energieverbrauch erfordert und damit starke CO2-Emissionen verursacht.

Insbesondere Modelle, die mit Deep Learning arbeiten, benötigen eine erhebliche Menge an Rechenleistung und produzieren daher mehr Emissionen. Darüber hinaus entstehen weitere Emissionen, wenn das Modell in der realen Welt angewendet wird.

Die CO2-Emissionen von KI können je nach Standort der Rechenzentren variieren. Rechenzentren in Ländern, die stark auf fossile Brennstoffe angewiesen sind, produzieren mehr Emissionen als solche in Ländern, die erneuerbare oder saubere Energiequellen nutzen.

Es wird geschätzt, dass der globale Technologiesektor für 1,8 Prozent bis 3,9 Prozent der weltweiten CO2-Emissionen verantwortlich ist, wobei ein Bruchteil davon durch KI und maschinelles Lernen verursacht wird.

Es ist jedoch wichtig zu beachten, dass einige Technologieunternehmen Massnahmen ergreifen, um ihren CO2-Fussabdruck zu reduzieren. Beispielsweise gibt Google an, dank Investitionen in Kompensationsmassnahmen einen CO2-Fussabdruck gleich Null zu haben und plant, bis 2030 ausschliesslich mit CO2-freier Energie zu arbeiten.

Die Auswirkungen von KI auf die Umwelt sind nicht unvermeidlich und basieren auf unseren Entscheidungen darüber, wie wir diese Algorithmen einsetzen. Mit einem besseren Verständnis dafür, wie viel Energie KI-Systeme tatsächlich verbrauchen, können Unternehmen und Entwickler entscheiden, welche Kompromisse sie zwischen Umweltverschmutzung und Kosten eingehen wollen.

PS: Zahlen mit Vorsicht zu geniessen

Die Aussage, dass Künstliche Intelligenz (KI) nicht umweltfreundlich ist, ist nicht vollständig korrekt. Es ist wahr, dass KI-Systeme einen hohen Energieverbrauch haben und daher einen erheblichen CO2-Fussabdruck hinterlassen können. Dies ist hauptsächlich auf die energieintensiven Rechenleistungen zurückzuführen, die für die Durchführung komplexer KI-Berechnungen erforderlich sind.

Es ist daher wichtig, sowohl die positiven als auch die negativen Auswirkungen von KI auf die Umwelt zu berücksichtigen. Es besteht ein Bedarf an Regulierung und Strategien, um sicherzustellen, dass die Entwicklung und Anwendung von KI nachhaltig ist und die Umweltauswirkungen minimiert werden. Es ist auch wichtig, die direkten und indirekten Umweltauswirkungen von KI zu berücksichtigen und Strategien zu entwickeln, um diese zu minimieren.