• IT-Karriere:
  • Services:

Kohlendioxid-Ausstoß: Künstliche Intelligenz braucht viel Strom

Der Stromverbrauch und CO2-Ausstoß bei der Erstellung von Deep-Learning-Modellen ist erheblich, wie eine jetzt veröffentlichte Studie zeigt.

Artikel veröffentlicht am ,
Aufwendige Berechnungen brauchen viel Strom - und der kommt nach wie vor häufig aus besonders klimaschädlichen Kohlekraftwerken.
Aufwendige Berechnungen brauchen viel Strom - und der kommt nach wie vor häufig aus besonders klimaschädlichen Kohlekraftwerken. (Bild: Arnold Paul/Wikimedia Commons/CC-BY-SA 2.5)

Mit Hilfe von Deep-Learning-Algorithmen können Computer inzwischen Menschen in Go besiegen, Sprache besser verstehen und täuschend echt aussehende Fake-Videos erstellen. Doch die Durchbrüche bei der sogenannten künstlichen Intelligenz brauchen viel Rechenpower - und sind damit auch für erhebliche Treibhausgasemissionen verantwortlich. In einer jetzt veröffentlichten Studie versuchen Wissenschaftler, die ökologischen Kosten zu beziffern.

Stellenmarkt
  1. über duerenhoff GmbH, Darmstadt
  2. HOCHTIEF Solutions AG, Essen

Die Wissenschaftler betrachten dabei Modelle aus der Verarbeitung natürlicher Sprache. Für ein beispielhaft durchgerechnetes Modell kommen sie zu dem Schluss, dass dafür etwa 280.000 Tonnen Kohlendioxidemissionen verursacht wurden. Das entspricht in etwa den Emissionen von fünf Autos in ihrer gesamten Betriebsdauer.

Tunen von Hyperparametern mit Brute-Force-Algorithmen braucht viel Strom

Für eine einzelne Berechnung eines Deep-Learning-Modells sind die Stromkosten vergleichsweise gering. Was aber viel Energie verbraucht, ist das Tunen der sogenannten Hyperparameter. Üblich ist es dabei, eine große Zahl verschiedener Parameter mit einer Bruteforce-Suche durchzuprobieren, um die besten Ergebnisse zu erzielen.

An dieser Stelle sehen die Autoren der Studie auch Ansatzpunkte, künftig den Energieverbrauch zu reduzieren. So gebe es etwa einige Algorithmen, die deutlich intelligenter als eine reine Bruteforce-Suche arbeiten, die dafür verfügbaren Softwareimplementierungen sind aber demnach bisher nicht gut in bestehende Software wie Tensorflow integriert.

In einem Bericht von MIT Technology Review zeigen sich mehrere Forscher überrascht über die hohen Zahlen. "Weder ich noch die Wissenschaftler, mit denen ich darüber diskutiert habe, hätten erwartet, dass die ökologischen Folgen so substanziell sind", zitiert Technology Review Carlos Gómez-Rodríguez von der Universität A Coruña in Spanien.

Viele Fragen bleiben unbeantwortet

Eine Diskussion über die ökologischen Kosten des maschinellen Lernens dürfte die Studie mit Sicherheit befördern. Doch viele Fragen bleiben auch unbeantwortet. Die Autoren betrachten zwar die Einzelberechnungen für verschiedene Modelle, doch die sind vergleichsweise gering. Eine ausführliche Analyse des Parameter-Tunings haben sie nur für ein einziges Modell durchgeführt. Keine Antwort liefert die Studie auch auf die Frage, wie häufig solche Modellberechnungen mit Parameter-Tuning überhaupt durchgeführt werden.

In vielen Fällen werden heute Berechnungen nicht mehr auf klassischer Hardware durchgeführt, sondern auf speziell dafür entwickelten Chips, etwa den von Google entwickelten TPUs (Tensor Processing Unit). Für TPUs stand den Autoren aber keine Information über den Energieverbrauch zur Verfügung.

Die Autoren schlagen vor, dass bei künftigen Veröffentlichungen Informationen über die genutzte Rechenpower transparenter gemacht werden sollen. Insbesondere bei Modellen, die für weiteres Training genutzt werden sollen, sei dies sinnvoll, um einen Vergleich über die Stromkosten erstellen zu können.

Neben dem reinen Stromverbrauch ist für die ökologischen Folgen natürlich auch relevant, wo die Betreiber der Infrastruktur ihren Strom beziehen. Die Autoren zitieren dabei einen Vergleich von Greenpeace. Dabei gibt es ganz erhebliche Unterschiede. Bei Amazon ist trotz ökologischer Versprechen der Strommix vergleichbar mit dem Durchschnitt in den USA, knapp ein Drittel kommt aus Kohlekraftwerken. In Googles Rechenzentren kommt immerhin schon etwas mehr als die Hälfte des Stroms aus erneuerbaren Energien.

Bitte aktivieren Sie Javascript.
Oder nutzen Sie das Golem-pur-Angebot
und lesen Golem.de
  • ohne Werbung
  • mit ausgeschaltetem Javascript
  • mit RSS-Volltext-Feed


Anzeige
Spiele-Angebote
  1. 29,99€
  2. (u. a. Persona 4 Golden: Deluxe Edition für 14,99€, Alien: Isolation - The Collection für 9...

Hugo1of2 14. Jun 2019

Dass sich woanders Menschen keine Gedanken um Klima machen sollte für uns keine Ausrede...

KOTRET 12. Jun 2019

Ich habe arge Probleme deiner Argumentation zu folgen... schreib mal sinnvolle und...

simotroon 11. Jun 2019

Dass die Klima-Supercomputer unglaublich viel Energie brauchen. Selbst wenn diese aus...

HarryG 11. Jun 2019

Tzz. Da sieht jemand noch Werbung. ;)

schap23 11. Jun 2019

... wurde auch CO2 völlig sinnfrei erzeugt, obwohl die "Wissenschaftler" ihre Hirne im...


Folgen Sie uns
       


Viewsonic M2 - Test

Der kleine LED-Projektor eignet sich für Präsentationen und als flexibles Kino für unterwegs.

Viewsonic M2 - Test Video aufrufen
Spitzenglättung: Die Pläne zur Zwangsabschaltung von Wallboxen gehen zu weit
Spitzenglättung
Die Pläne zur Zwangsabschaltung von Wallboxen gehen zu weit

Die Netzbetreiber wollen in großem Umfang in die Anschlüsse der Verbraucher eingreifen. Das macht die Elektromobilität unnötig teuer und kompliziert.
Ein IMHO von Friedhelm Greis

  1. Handyortung Sinnloser Traum vom elektronischen Zaun gegen Corona
  2. CD Projekt Red Crunch trifft auf Cyberpunk 2077
  3. Open Source Niemand hat die Absicht, Sicherheitslücken zu schließen

Data-Mining: Wertvolle Informationen aus Datenhaufen ziehen
Data-Mining
Wertvolle Informationen aus Datenhaufen ziehen

Betreiber von Onlineshops wollen wissen, was sich verkauft und was nicht. Mit Data-Mining lassen sich aus den gesammelten Daten über Kunden solche und andere nützliche Informationen ziehen. Es birgt aber auch Risiken.
Von Boris Mayer


    Akkuforschung: Keine Superakkus, sondern einfach bessere Kathoden
    Akkuforschung
    Keine Superakkus, sondern einfach bessere Kathoden

    Die großen Herausforderungen der Forschung an Akkus sind mehr Energiedichte und weniger Abhängigkeit von Rohstoffen.
    Von Frank Wunderlich-Pfeiffer

    1. EU-Kommission Tesla kann von EU-Batterieförderung profitieren
    2. Akkuforschung Wie Lithium-Akkus noch mehr Energie speichern sollen
    3. Akkuforschung 2020 In Zukunft gibt es spottbillige Akkus in riesigen Mengen

      •  /