Login

Künstliche Intelligenz (KI) ist unangefochten eines der Topthemen der Digitalisierung. Gleichzeitig tritt die Notwendigkeit zum Klimaschutz insbesondere in den letzten Jahren immer stärker in den Mittelpunkt. Während der KI enormes Potenzial für die erfolgreiche Energiewende als Grundvoraussetzung für die Eindämmung des Klimawandels zugesprochen wird, geht es immer häufiger auch um die Frage nach dem Energieverbrauch der Technologie selbst.

Die Leistungsfähigkeit der immer komplizierter werdenden Verfahren der KI, wie dem maschinellen Lernen oder tiefen neuronalen Netzen konnten in den letzten Jahren aufgrund der verbesserten Datenverfügbarkeit und -qualität und der stetig steigenden Rechenleistung erheblich optimiert werden. Gleichzeitig führt die dazu notwendige Rechenleistung auch zu einem erhöhten Stromverbrauch und abhängigen vom jeweiligen Strommix zu erhöhten CO₂-Emissionen und Kosten. Dies ist potentiell nicht nur ein Problem für die Umwelt, sondern auch für die wirtschaftliche und gesellschaftliche Anschlussfähigkeit.

Verteilte und dezentrale KI-Anwendungen, wie sie insbesondere auch in der zunehmend dezentral organisierten Energiewirtschaft vermehrt zum Einsatz kommen (z. B. autonomes Fahren, Edge AI), werden diesen Trend weiter beschleunigen. Im Sinne der Ziele der Energiewende gilt es daher den Energiebedarf von KI zu reduzieren, bzw. diese möglichst energieeffizient zu gestalten, um einen positiven Nettonutzen der KI-Anwendungen (z. B. Integration eines höheren Anteils erneuerbarer Energien in bestehende Netzinfrastrukturen) hervorzuheben. Eine wichtige Frage für die weitere Entwicklung der Schlüsseltechnologie KI ist demnach, wie der Energieverbrauch bei gleichbleibender Güte der Modelle reduziert werden kann.

Die vorliegende Analyse fasst die Problematik mangelnder Energieeffizienz heutiger künstlicher Intelligenz zusammen und zeigt neue Möglichkeiten zur Entwicklung energieeffizienter KI und energiesparender Datenübertragung auf.

Future Energy Lab