Ist die künstliche Intelligenz eine Klimasünderin, Frau Röger?
Text: Gabriele Röger
Braucht es eine gesetzliche Regulierung für den energieintensiven Einsatz von KI? Debatte zwischen einer Informatikerin und einem Umweltökonomen.
Viele der grossen Fortschritte der künstlichen Intelligenz (KI) basieren auf Ansätzen des maschinellen Lernens, insbesondere des sogenannten Deep Learnings. Hierbei wird ein sogenanntes neuronales Netz anhand sehr vieler Beispiele trainiert, für Spracherkennung etwa mit einer grossen Sammlung von Spracheingaben und dem dazugehörigen Text.
Intuitiv sind neuronale Netze dem menschlichen Gehirn nachempfunden: Das Training stärkt oder schwächt Verbindungen zwischen einzelnen Neuronen. Anders ausgedrückt ist ein neuronales Netz ein mathematisches Modell, dessen Parameter durch das Training so angepasst werden, dass es die gesehenen Beispiele gut wiederspiegelt. In der Anwendungsphase wertet das System dann ähnliche Daten mit relativ geringem Zeit- und Energieaufwand aus: Der intelligente Lautsprecher versteht die Bitte, ein bestimmtes Lied zu spielen.
Der Energiebedarf in der Trainingsphase ist jedoch beträchtlich und könnte in wenigen Jahren einen substanziellen Anteil am weltweiten Energiebedarf ausmachen. Dies steht dem Klimaschutzziel entgegen, den CO2-Ausstoss signifikant zu reduzieren. Wird also ein regulierendes Eingreifen des Gesetzgebers notwendig? Nur die Nutzung von KI zu regulieren, hätte aus oben genannten Gründen nur begrenzte Wirkung. Eine Gesamtregulierung ist aber schwierig, da der hohe Energieverbrauch für die Trainingsphase in Rechenzentren anfällt, die international fast beliebig angesiedelt werden können.
Während das Ausmass der verbrauchten Energie für den Endnutzer kaum sichtbar wird, haben die dahinterstehenden Firmen durchaus Interesse daran, ihre Kosten zu senken und aus Imagegründen regenerative Energien zu verwenden. So betreiben Amazon und Google für ihre Rechenzentren bereits eigene Wind- und Solarparks. Auch dass die Rechenzentren durch das Cloud Computing eine hohe Auslastung haben, verbessert den relativen Energieverbrauch.
Dennoch muss er unbedingt weiter sinken. Es besteht begründete Hoffnung, dass die technologische Entwicklung dazu selbst einen Beitrag leisten wird, insbesondere durch die Entwicklung energieeffizienterer Lernalgorithmen und spezialisierter Hardware. Tatsächlich erhält dieses Thema in den letzten Jahren zunehmend Aufmerksamkeit in der wissenschaftlichen Gemeinschaft. Aktuelle Forschung untersucht, wie die Umweltkosten von Algorithmen gemessen und verglichen werden können, sodass diese neben Zeitaufwand und Präzision hoffentlich bald ein wichtiges Kriterium in der Evaluation neuer Verfahren werden.
Auf Seiten der Hardware verschiebt sich die Entwicklung langsam von den anfänglich genutzten Grafikprozessoren hin zu spezialisierten Chips wie zum Beispiel Tensorprozessoren, die die gleichen Berechnungen schneller und mit geringerem Energiebedarf durchführen.
Diese Ansätze zielen jedoch nur auf den Energiebedarf für den Einsatz von Künstlicher Intelligenz selbst. Gleichzeitig leistet Künstliche Intelligenz jedoch bereits heute einen Beitrag zur Energieeinsparung in vielen anderen Bereichen. Durch das Einbeziehen von Nutzungsgewohnheiten, Wettervorhersagen etc. lässt sich zum Beispiel der Energiebedarf von Gebäuden stark reduzieren. Im Bereich der erneuerbaren Energien hilft KI in der Vorhersage der Energieverfügbarkeit und Stabilisierung der Netze. Allgemein zielen viele KI-Anwendungen auf eine bessere Ressourcennutzung, sodass hier in Zukunft ein immer grösserer Beitrag zur Verbesserung der CO2-Bilanz geleistet wird. Dem entgegen steht der Energiebedarf dieser Technologie selbst.
Insgesamt ist jedoch zu erwarten, dass die Einsparungen durch den Einsatz künstlicher Intelligenz den zusätzlichen Energiebedarf deutlich überwiegen werden. Eine Regulierung ist daher nicht nur schwierig, sondern kann Umweltschutzzielen sogar entgegenwirken.
Gabriele Röger ist Postdoc in der Forschungsgruppe Künstliche Intelligenz am Departement Mathematik und Informatik. Sie befasst sich vor allem mit Handlungsplanung und Suche in grossen Zustandsräumen.
Weitere Artikel in der aktuellen Ausgabe von UNI NOVA.