Energieverbrauch von KI-Modellen: Ein Vergleich der Klimabilanz

MÜNCHEN / LONDON (IT BOLTWISE) – In der Welt der Künstlichen Intelligenz (KI) sind textbasierte Anwendungen wie ChatGPT allgegenwärtig. Doch während sie auf den ersten Blick ähnlich erscheinen, unterscheiden sich die zugrunde liegenden Modelle erheblich in ihrem Energieverbrauch und den damit verbundenen CO2-Emissionen.

Die Nutzung von Künstlicher Intelligenz (KI) hat in den letzten Jahren exponentiell zugenommen, insbesondere durch textbasierte Anwendungen wie ChatGPT. Diese Anwendungen basieren auf sogenannten Large Language Models (LLMs), die durch das Training auf riesigen Textdatensätzen lernen, das wahrscheinlichste nächste Wort vorherzusagen. Diese Modelle ermöglichen es, sich schriftlich mit ihnen zu unterhalten, fast wie in einem echten Gespräch. Doch der Energieverbrauch dieser Modelle variiert stark, was sich direkt auf die Klimabilanz auswirkt.

Eine kürzlich veröffentlichte Studie in der Fachzeitschrift „Frontiers in Communication“ zeigt, dass der Energieverbrauch und die damit verbundenen CO2-Emissionen von LLMs stark variieren. Die Unterschiede hängen maßgeblich von der Größe des Modells und der Art der Antwortgenerierung ab. Modelle, die eine Schlussfolgerungsphase durchlaufen, benötigen mehr Energie, da sie eine Art inneren Dialog führen, bevor sie antworten. Diese Phase, bekannt als „Reasoning“, trägt erheblich zum höheren Energiebedarf bei.

Maximilian Dauner und Gudrun Socher von der Hochschule für angewandte Wissenschaften München haben in ihrer Untersuchung verschiedene frei zugängliche LLMs verglichen. Sie testeten die Modelle mit einem standardisierten Katalog aus 1000 Fragen und analysierten die Korrektheit der Antworten sowie den Stromverbrauch. Die daraus resultierenden CO2-Emissionen wurden anhand eines global gemittelten Faktors berechnet. Die Ergebnisse zeigen, dass die Emissionen zwischen 28 und 2000 Gramm Kohlendioxid pro beantwortetem Fragenkatalog schwanken können.

Interessanterweise korreliert ein höherer Energieverbrauch nicht zwangsläufig mit einer höheren Genauigkeit der Antworten. Das energieintensivste Modell lieferte zu 80 % korrekte Antworten, während das sparsamste Modell nur halb so oft korrekt war. Dennoch war das Modell mit den meisten richtigen Antworten eines, das im Mittelfeld der Emissionen lag. Dies verdeutlicht, dass ausführlichere Antworten nicht immer besser sind und dass Sprachmodelle lernen sollten, sich prägnant auszudrücken.

Für noch größere Sprachmodelle wie ChatGPT, die hunderte Milliarden Parameter umfassen, lassen sich aus den Ergebnissen der Studie keine direkten Schlüsse ziehen, da diese Modelle nicht frei zugänglich sind. Eine detaillierte Abschätzung der Emissionen dieser Modelle müsste zudem berücksichtigen, wo und wie die jeweiligen Server betrieben werden. Dies zeigt, dass die Optimierung der Energieeffizienz von KI-Modellen eine wichtige Rolle in der nachhaltigen Entwicklung von Künstlicher Intelligenz spielt.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!