Der Energieverbrauch von KI: Mythos und Realität

Durch die zunehmende Integration von KI in die moderne Gesellschaft steigen zunehmend auch die Bedenken hinsichtlich ihres Energieverbrauchs und eine breite Debatte darüber ist entbrannt. So warnt beispielsweise Greenpeace, dass der wachsende Energiebedarf der KI die Bemühungen zur Bekämpfung des Klimawandels behindern könnte.¹ Ähnlich äußerte sich die Forschungsabteilung von Goldman Sachs und hob die ökologischen Auswirkungen des KI-Energieverbrauchs hervor.² Doch eine genauere Betrachtung offenbart eine nuanciertere Beziehung zwischen der Energieeffizienz der KI und der Dekarbonisierung. In diesem Beitrag untersuchen wir die Komplexität des Energieverbrauchs der KI, räumen mit gängigen Mythen auf und stellen Fortschritte bei der Energieeffizienz vor.

Der unstillbare Energiehunger der KI

KI wird oft für ihren erheblichen Energieverbrauch kritisiert, insbesondere durch die Rechenzentren, die ihre Arbeitsprozesse unterstützen. Ende letzten Jahres berichtete die MIT Sloan Management Review, dass eine einzige ChatGPT-Anfrage 100-mal mehr CO₂-Emissionen verursacht als eine typische Google-Suche.³ Laut der Internationalen Energieagentur IEA soll die weltweite Energienachfrage von Rechenzentren, Kryptowährungen und KI bis 2026 insgesamt doppelt so hoch sein.⁴ Eine Prognose der University of Pennsylvania sieht vor, dass Rechentechnik bis 2030 acht bis 21% des weltweiten Energieverbrauchs ausmachen könnte, wobei ein Drittel davon auf Rechenzentren entfallen soll.⁵

Das U.S. Department of Homeland Security hat ein KI-Korps ins Leben gerufen, um die Nutzung von KI innerhalb der Bundesregierung zu untersuchen,⁶ während das Energieministerium die Energieanforderungen von Rechenzentren prüft.⁷ Klimaschützer haben drastischere Maßnahmen vorgeschlagen, wie z. B. CO₂-Steuern, um den Energieverbrauch der KI zu senken und die Treibhausgasemissionen zu verringern.⁸

Anwendungen von KI in der realen Welt

Trotz solcher alarmierenden Prognosen legen aktuelle Daten nahe, dass der Energieverbrauch der KI möglicherweise weniger gravierend ist. Guy Berger vom Burning Glass Institute weist beispielsweise darauf hin, dass KI-Anwendungen noch nicht weit verbreitet sind.⁹ Finale Doshi-Velez, Professorin an der Harvard University, merkt in einem kürzlich veröffentlichten Bericht an, dass KI zwar bedeutende Fortschritte in spezifischen Aufgaben gemacht hat, aber ihre breite Anwendung aufgrund fehlender ethischer und regulatorischer Rahmenbedingungen noch begrenzt ist.¹⁰ Selbst das Weltwirtschaftsforum hebt die Erkenntnisse der Stanford University hervor, die zeigen, dass trotz erheblicher Investitionen in KI praktische Anwendungen noch hinterherhinken.¹¹

Zum Beispiel nutzen nur 2,5% der US-amerikanischen Unternehmen KI für Marketingautomatisierung und nur 1,9% für virtuelle Agenten.¹² Darüber hinaus werden große Sprachmodelle derzeit nur von 1% der Unternehmen eingesetzt.¹³

Schätzungen zum Energieverbrauch der KI basieren zudem oft auf Projektionen, anstatt auf konkreten Daten, was zu erheblicher Unsicherheit führen kann. Beispielsweise prognostiziert Goldman Sachs einen Anstieg der KI-bedingten Energienachfrage im Vereinigten Königreich um 500% in den nächsten zehn Jahren,¹⁴ während erwartet wird, dass US-amerikanische Rechenzentren bis 2030 8% des landesweiten Stromverbrauchs ausmachen, verglichen mit 3% im Jahr 2022.¹⁵ Berichte der Boston Consulting Group und Rystad Energy sagen voraus, dass der Energieverbrauch von Rechenzentren bis 2030 auf 307 Terawattstunden (TWh) ansteigen wird.¹⁶ 

Vergleiche mit der Vergangenheit 

Um diese Situation in einen historischen Kontext zu setzen: Frühere technologische Prognosen haben sich oft nicht wie erwartet entwickelt. In den frühen 2000er Jahren gab es weitverbreitete Bedenken hinsichtlich des Energieverbrauchs des Internets. Analysten sagten einen exponentiellen Anstieg des Energiebedarfs des Internets voraus, der zu einem untragbaren Energieverbrauch führen würde.¹⁷ Ein Beispiel ist eine Studie aus den späten 1990er Jahren, die schätzte, dass das Internet bis 2005 8% des Stroms der USA verbrauchen könnte.¹⁸​ Doch diese Prognosen überschätzten den tatsächlichen Energieverbrauch, da technologische Fortschritte bei der Energieeffizienz die prognostizierte Nachfrage deutlich verringerten.^{19, 20}

Diese historischen Beispiele zeigen, wie spekulativ Projektionen oft sind und wie stark sie revidiert werden können. Daher sollten aktuelle Schätzungen zum Energieverbrauch der KI mit Vorsicht und einem Verständnis für ihre Unsicherheiten betrachtet werden.

Die Realität von Effizienzgewinnen

Doch damit ist die Geschichte nicht zu Ende: Bereits heute werden erhebliche Effizienzgewinne erzielt. Die Energieintensität von Rechenzentren (Energieverbrauch pro Berechnung) hat seit 2010 jährlich um 20% abgenommen.²¹ Nvidia, der weltweit führende GPU-Entwickler, hat mit seinem neuen Blackwell-Chip einen Prozessor entwickelt, der fünfundzwanzigmal weniger Energie verbraucht als sein Vorgänger.²² Zudem wurden erhebliche Fortschritte beim Design und Management von Rechenzentren erzielt. Beispielsweise erreichen große Rechenzentren heute deutlich bessere Power Usage Effectiveness (PUE)-Kennzahlen.²³

Um dies in den richtigen Kontext zu setzen: Der durchschnittliche PUE (Power Usage Effectiveness) von Rechenzentren lag 2007 bei etwa 2,0, was bedeutet, dass von zwei verbrauchten Energieeinheiten nur eine Einheit für das Rechnen und der Rest für Kühlung und allgemeine Betriebskosten verwendet wurde.²⁴ Heute berichten Branchenführer wie Google und Amazon Web Services von PUE-Werten von 1,2 oder darunter an einigen Standorten. Ein PUE-Wert von 1,2 bedeutet, dass von 1,2 verbrauchten Energieeinheiten eine Einheit für das Rechnen und nur 0,2 Einheiten für Kühlung und andere Nebenkosten verwendet werden.²⁵

Basierend auf unseren Recherchen prognostizieren wir mehrere Strategien, die voraussichtlich die Energieeffizienz von Rechenzentren weiter verbessern werden. Dazu zählen:

1. Virtualisierung und Konsolidierung: Optimierung der Servernutzung durch die Konsolidierung physischer Maschinen.
2. Effiziente Kühlsysteme: Einsatz fortschrittlicher Kühltechniken, um den Energieverbrauch zu senken.
3. Energieeffiziente Hardware: Priorisierung des Einsatzes energieeffizienter Server und Netzwerkausrüstung.
4. Power-Management-Software: Anpassung des Energieverbrauchs basierend auf der Nachfrage, um Energie zu sparen.
5. Optimierte Rechenzentrums-Layouts: Entwurf von Layouts zur Minimierung von Energieverschwendung und zur Optimierung des Luftstroms.

Vergleich des Energieverbrauchs

Interessanterweise könnten Elektrofahrzeuge bald den Energieverbrauch von KI übertreffen oder zumindest erreichen. Das Princeton REPEAT-Modell schätzt den US-amerikanischen Strombedarf für Elektrofahrzeuge bis 2030 auf 391 Terawattstunden (TWh), was mit den 320 bis 390 TWh vergleichbar ist, die für KI-Rechenzentren erwartet werden.²⁶ Trotz dieses ähnlichen Energiebedarfs werden Elektrofahrzeuge (im Gegensatz zu KI) weitgehend gefördert, da sie eine wichtige Rolle bei der Reduzierung der Emissionen im Verkehrssektor spielen. Dies unterstreicht die unterschiedliche Wahrnehmung und das Verständnis neuer Technologien.

Wie der Energiebedarf der Zukunft gedeckt werden kann

Um den Energiebedarf der KI zu decken, müssen Technologieunternehmen vielfältige Energiequellen erkunden. Microsoft hat sich mit Constellation Energy zusammengeschlossen,²⁷ um seine Rechenzentren mit Atomstrom zu versorgen, während Google mit Fervo Energy in die Nutzung von Geothermie investiert.²⁸ Amazon Web Services hat kürzlich den Atomkraftwerk-Campus Cumulus von Talen Energy erworben,²⁹ und Meta unterstützt bereits 100% seiner Rechenzentren mit erneuerbaren Energien. Dies macht Meta zu einem der größten Abnehmer erneuerbarer Energien weltweit, mit Rechenzentren, die auf hohe Effizienz, Wassersanierung und LEED-Gold-Zertifizierung ausgelegt sind.³⁰ Auch Wasserkraft wird in Betracht gezogen, um den steigenden Strombedarf der Rechenzentren zu decken.

Innovation statt Angst

Statt den Energieverbrauch der KI zu fürchten, sollte der Fokus auf proaktive Lösungen gelegt werden. Durch die Verbesserung der Energieeffizienz und die Diversifizierung der sauberen Energiequellen können wir die Vorteile der KI mit ihrem Energiebedarf in Einklang bringen. Die Diskussion muss sich von der Sorge hin zur Innovation verlagern, um sicherzustellen, dass die KI zu einer nachhaltigen und energieintensiven Zukunft beiträgt.