Analyse: Weshalb sich der KI-Stromverbrauch schlecht einschätzen lässt

Der Boom der generativen künstlichen Intelligenz beruht auf Servern, die viel Strom schlucken. Programmierer und Chiphersteller wollen die Effizienz verbessern.

Artikel verschenken
In Pocket speichern vorlesen Druckansicht 3 Kommentare lesen
,
Lesezeit: 19 Min.
Inhaltsverzeichnis

Derzeit tobt eine regelrechte Materialschlacht unter den großen Firmen, die generative KI-Modelle entwickeln, etwa große Sprachsysteme wie ChatGPT. Dieser KI-Hype lässt befürchten, dass der ohnehin schon hohe Stromverbrauch der internationalen Rechenzentren noch schneller anwächst.

Das sogenannte Training großer KI-Modelle frisst nämlich Rechenleistung in bisher beispielloser Menge. Davon profitiert vor allem die US-Firma Nvidia, die bis Ende 2024 mehr als 2 Millionen KI-Rechenbeschleuniger des jüngsten Typs H100 "Hopper" verkaufen will. Wenn sie alle unter Volllast laufen, fressen sie mit über 1,6 Gigawatt mehr Strom, als einer der größten Atomreaktoren liefert. Und außer Nvidia werfen noch mehrere weitere Firmen KI-Beschleuniger auf den explodierenden Markt, zurzeit sind mehrere KI-Supercomputer zu Preisen über jeweils 1 Milliarde Euro im Bau. Allerdings gibt es auch belastbare Hinweise, dass sich die aktuelle Entwicklung nicht auf Dauer fortsetzen wird. Um das zu verstehen, müssen wir ein bisschen ausholen.

Mehr zum Thema Künstliche Intelligenz (KI)

Mit dem Begriff KI bezeichnet man höchst unterschiedliche Dinge, die im Grunde kaum mehr Gemeinsamkeiten haben, als dass sie Daten verarbeiten. Folglich schlucken sie auch unterschiedlich viel Strom. KI-Algorithmen sind schon seit Jahrzehnten Bestandteil verbreiteter Onlinedienste, etwa der Google-Suche. Genau deshalb hat Google eigene KI-Beschleuniger für die hauseigenen Server entwickelt, die sogenannten Tensor Processing Units (TPU). Dabei führt der Begriff "Beschleuniger" ein wenig in die Irre. Denn die etwa für den PageRank-Algorithmus der Google-Suche verwendeten TPU-Karten erledigen die Aufgabe nicht bloß schneller als gewöhnliche Prozessoren von AMD oder Intel, sondern vor allem auch energetisch effizienter.