Wie wird Künstliche Intelligenz nachhaltiger?
Künstliche Intelligenz (KI) birgt zwar strategisches und transformatives Potenzial, ist jedoch aufgrund des hohen Energieverbrauchs wenig umweltfreundlich. Forscher des Massachusetts Institute of Technology (MIT) haben eine Lösung entwickelt, die nicht nur die Kosten senkt, sondern vor allem den CO2-Fußabdruck des AI-Modelltrainings verringert.
Energieverbrauch zu hoch
Bereits im Juni 2019 registrierte die University of Massachusetts, dass die Menge an Energie, die für das Training von KI-Modellen verwendet wird extrem hoch ist. Wie das? KI läuft nicht nur auf einem persönlichen Laptop oder einem einfachen Server. Vielmehr werden tiefe neuronale Netze auf verschiedenen Arrays spezialisierter Hardware-Plattformen bereitgestellt. Der Energieverbrauch, der für den Betrieb solcher KI-Technologien erforderlich ist, beträgt ungefähr das Fünffache der Kohlenwasserstoffemissionen eines durchschnittlichen Autos, einschließlich seiner Herstellung.
Darüber hinaus warnten sowohl Analytics Insight als auch die Kepler Lounge, dass die KI von Googles AlphaGo in 40 Tagen Forschungstrainings mehr als 90 Tonnen Kohlendioxid erzeugt hat. Diese Menge entspricht 1.000 Flugstunden sowie dem jährlichen CO2-Fußabdruck von 23 Haushalten.
Bahnbrechendes KI-System
Das Forschungsteam des MIT hat ein bahnbrechendes automatisiertes KI-System entwickelt, das als einmaliges Netzwerk (OFA) bezeichnet wird und hier in einem Artikel beschrieben wird. Dieses KI-System – das OFA-Netzwerk – minimiert den Energieverbrauch, indem es Training und Suche entkoppelt, um die Kosten zu senken. Das OFA-Netzwerk wurde basierend auf den Fortschritten des automatischen maschinellen Lernens aufgebaut.
Im Wesentlichen fungiert das OFA-Netzwerk als „Mutter-Netzwerk“ für zahlreiche Subnetze. Als Mutter-Netzwerk gibt es sein Wissen und seine Erfahrungen an alle Teilnetze weiter und schult sie darin, unabhängig zu arbeiten, ohne dass eine weitere Umschulung erforderlich ist. Dies ist anders als bei früheren KI- Technologien, bei denen der Netzwerkentwurfsprozess wiederholt und das entworfene Netzwerk für jeden Fall von Grund auf neu trainiert werden musste. Ihre Gesamtkosten steigen linear mit zunehmender Anzahl von Einsatzszenarien, was zu einem übermäßigen Energieverbrauch und CO2- Ausstoß führt.
Kostensenkung und die Verringerung der Emissionen
Wenn das OFA-Netzwerk verwendet wird, besteht kaum Bedarf an einer zusätzlichen Umschulung von Teilnetzen. Diese Effizienz senkt die Kosten, verringert die CO2-Emissionen und verbessert die Nachhaltigkeit. Assistenzprofessor Song Han vom MIT-Institut für Elektrotechnik und Informatik war der leitende Forscher des Projekts. „Wir haben den Fußabdruck mit diesen neuen Methoden um Größenordnungen reduziert“, betont er.
Chuang Gan, Mitautor des MIT- Forschungspapiers fügt hinzu: „Das Modell ist wirklich kompakt. Ich freue mich sehr, dass OFA die Grenzen des effizienten Deep Learning auf Edge-Geräten weiter verschieben kann. “
Kompakt zu sein bedeutet, dass KI Fortschritte in Richtung Miniaturisierung machen kann. Das könnte Vorteile für die nächste Generation bei umweltfreundlichen Betrieben bedeuten, die die Umweltbelastung verbessern.
Via Inhabitat
