Umweltfußabdruck großer Sprachmodelle

Die unaufhaltsame Verfolgung von Innovationen im Bereich der künstlichen Intelligenz (KI) hat zur Entwicklung immer ausgefeilterer großer Sprachmodelle (LLMs) geführt. Während diese Modelle in verschiedenen Bereichen beeindruckende Fähigkeiten demonstrieren, sind die mit ihrem Training und Einsatz verbundenen Umweltfolgen weitgehend im Verborgenen geblieben. Unternehmen, die KI-Modelle entwickeln, geben bereitwillig Leistungsdaten zu Benchmarks weiter, vermeiden aber tendenziell die Umweltauswirkungen. Jüngste Forschungsergebnisse werfen ein Licht auf die oft übersehenen Energie-, Wasser- und Kohlenstoffkosten, die mit diesen leistungsstarken KI-Tools verbunden sind.

Ein neuer Benchmark zur Bewertung der Umweltauswirkungen

Auf der Suche nach einer Quantifizierung der Umweltauswirkungen von KI hat ein Team von Forschern der University of Rhode Island, des Providence College und der Universität Tunis einen infrastrukturabhängigen Benchmark für KI-Inferenz eingeführt. Diese Forschung, die auf dem Preprint-Server arXiv der Cornell University verfügbar ist, bietet eine genauere Bewertung der ökologischen Auswirkungen von KI. Der Benchmark kombiniert öffentliche API-Latenzdaten mit Informationen über die zugrunde liegenden GPUs und regionalen Stromnetzstrukturen, um den ökologischen Fußabdruck pro Prompt für 30 Mainstream-KI-Modelle zu berechnen. Dieser umfassende Ansatz berücksichtigt den Energieverbrauch, den Wasserverbrauch und die Kohlenstoffemissionen, was in einem “Ökoeffizienz”-Score gipfelt.

Abdeltawab Hendawi, Assistenzprofessor an der University of Rhode Island, erklärt die Motivation hinter der Studie: "Wir begannen, über den Vergleich dieser Modelle in Bezug auf Umweltressourcen, Wasser, Energie und Kohlenstoff-Fußabdruck nachzudenken." Die Ergebnisse zeigen erhebliche Unterschiede in den Umweltauswirkungen verschiedener KI-Modelle.

Unterschiede im Energieverbrauch: OpenAI, DeepSeek und Anthropic

Die Studie hebt erhebliche Unterschiede im Energieverbrauch zwischen führenden KI-Modellen hervor. Das o3-Modell von OpenAI und das primäre Reasoning-Modell von DeepSeek verbrauchen mehr als 33 Wattstunden (Wh) für eine einzige längere Antwort. Dies steht in krassem Gegensatz zu OpenAIs kleinerem GPT-4.1 nano, das über 70-mal weniger Energie benötigt. Anthropic’s Claude-3.7 Sonnet erweist sich als das ökoeffizienteste Modell in der Studie.

Die Forscher betonen die entscheidende Rolle der Hardware bei der Bestimmung der Umweltauswirkungen von KI-Modellen. Beispielsweise verbraucht das GPT-4o mini, das ältere A100-GPUs verwendet, mehr Energie pro Abfrage als das größere GPT-4o, das auf fortschrittlicheren H100-Chips läuft. Dies unterstreicht die Bedeutung des Einsatzes modernster Hardware zur Minimierung des ökologischen Fußabdrucks von KI.

Der Umweltzoll der Abfragelänge

Die Studie zeigt eine direkte Korrelation zwischen Abfragelänge und Umweltauswirkungen. Längere Abfragen führen zwangsläufig zu einem höheren Ressourcenverbrauch. Selbst scheinbar unbedeutende, kurze Prompts tragen zur gesamten Umweltbelastung bei. Ein einziger kurzer GPT-4o-Prompt verbraucht etwa 0,43 Wh Energie. Forscher schätzen, dass bei den von OpenAI prognostizierten 700 Millionen GPT-4o-Aufrufen pro Tag der gesamte jährliche Energieverbrauch zwischen 392 und 463 Gigawattstunden (GWh) liegen könnte. Um dies ins rechte Licht zu rücken: Das ist genug Energie, um jährlich zwischen 35.000 amerikanischen Haushalten zu versorgen.

Die kumulative Auswirkung der KI-Einführung

Die Studie betont, dass die Einführung von KI durch einzelne Benutzer schnell zu erheblichen Umweltkosten führen kann. Nidhal Jegham, eine Forscherin an der University of Rhode Island und Hauptautorin der Studie, erklärt, dass "die jährliche Nutzung von ChatGPT-4o so viel Wasser verbraucht wie der Trinkwasserbedarf von jährlich 1,2 Millionen Menschen." Jegham warnt davor, dass die Umweltauswirkungen einer einzelnen Nachricht oder eines einzelnen Prompts zwar geringfügig erscheinen, "aber sobald man sie hochskaliert, insbesondere wie stark sich KI über verschiedene Indizes hinweg ausbreitet, wird sie wirklich zu einem wachsenden Problem".

Vertiefung der Umweltwirkungsmetriken

Um die Implikationen der Studienergebnisse vollständig zu verstehen, ist eine detailliertere Untersuchung der Umweltmetriken, die zur Bewertung der KI-Modelle verwendet werden, unerlässlich. Die folgenden Abschnitte bieten eine Aufschlüsselung der wichtigsten Metriken:

Energieverbrauch

Der Energieverbrauch ist ein grundlegendes Maß für die elektrische Leistung, die zum Betrieb von KI-Modellen erforderlich ist. Die Studie quantifiziert den Energieverbrauch in Wattstunden (Wh) pro Abfrage und ermöglicht so einen direkten Vergleich der Energieeffizienz verschiedener Modelle. Die Minimierung des Energieverbrauchs ist entscheidend für die Reduzierung des Kohlenstoff-Fußabdrucks und der gesamten Umweltauswirkungen von KI.

Faktoren, die den Energieverbrauch beeinflussen:

• Modellgröße und Komplexität: Größere und komplexere Modelle benötigen in der Regel mehr Energie für den Betrieb als kleinere, einfachere Modelle.
• Hardware-Effizienz: Die GPUs und andere Hardwarekomponenten, die zum Ausführen von KI-Modellen verwendet werden, spielen eine wichtige Rolle beim Energieverbrauch. Fortschrittlichere und energieeffizientere Hardware kann den Energie-Fußabdruck von KI erheblich reduzieren.
• Abfragelänge und Komplexität: Längere und komplexere Abfragen erfordern in der Regel mehr Rechenressourcen und verbrauchen daher mehr Energie.
• Optimierungstechniken: Verschiedene Optimierungstechniken, wie z. B. Modellkompression und Quantisierung, können den Energieverbrauch von KI-Modellen reduzieren, ohne die Genauigkeit zu beeinträchtigen.

Wasserverbrauch

Der Wasserverbrauch ist ein oft übersehener Aspekt der Umweltauswirkungen von KI. Rechenzentren, in denen sich die Server befinden, auf denen KI-Modelle laufen, benötigen erhebliche Mengen an Wasser zur Kühlung. Die Studie schätzt den Wasserverbrauch auf der Grundlage des Energieverbrauchs der Rechenzentren und der Wasserintensität der regionalen Stromnetze, die diese Rechenzentren mit Strom versorgen.

Faktoren, die den Wasserverbrauch beeinflussen:

• Kühlanforderungen: Rechenzentren erzeugen erhebliche Wärme und benötigen Kühlsysteme, um optimale Betriebstemperaturen aufrechtzuerhalten. Wasser wird oft als Kühlmittel verwendet, entweder direkt oder indirekt durch Kühltürme.
• Wasserintensität des Stromnetzes: Die Wasserintensität des Stromnetzes bezieht sich auf die Wassermenge, die zur Erzeugung einer Einheit Strom benötigt wird. Stromnetze, die stark auf thermoelektrische Kraftwerke angewiesen sind, die Wasser zur Kühlung verwenden, haben eine höhere Wasserintensität.
• Standort des Rechenzentrums: Rechenzentren, die sich in trockenen Regionen oder Regionen mit Wasserknappheit befinden, können die Umweltauswirkungen von KI verschärfen.

Kohlenstoffemissionen

Kohlenstoffemissionen sind ein Haupttreiber des Klimawandels. Die Studie berechnet die Kohlenstoffemissionen auf der Grundlage des Energieverbrauchs der KI-Modelle und der Kohlenstoffintensität der regionalen Stromnetze. Die Kohlenstoffintensität bezieht sich auf die Menge an Kohlendioxid, die pro erzeugter Strommenge freigesetzt wird.

Faktoren, die die Kohlenstoffemissionen beeinflussen:

• Energiequelle: Die Art der Energie, die zur Versorgung von Rechenzentren verwendet wird, hat erhebliche Auswirkungen auf die Kohlenstoffemissionen. Erneuerbare Energiequellen wie Solar- und Windkraft haben eine viel geringere Kohlenstoffintensität als fossile Brennstoffe wie Kohle und Erdgas.
• Kohlenstoffintensität des Stromnetzes: Die Kohlenstoffintensität des Stromnetzes variiert je nach der Mischung der Energiequellen, die zur Stromerzeugung verwendet werden. Regionen mit einem höheren Anteil an erneuerbaren Energiequellen haben eine geringere Kohlenstoffintensität.
• Energieeffizienz: Die Reduzierung des Energieverbrauchs ist der effektivste Weg, um die Kohlenstoffemissionen zu senken.

Implikationen und Empfehlungen

Die Studienergebnisse haben erhebliche Implikationen für KI-Entwickler, politische Entscheidungsträger und Endbenutzer. Die Umweltauswirkungen von KI sind nicht unerheblich und müssen sorgfältig berücksichtigt werden, da die KI-Technologie immer weiter voranschreitet und sich verbreitet.

Empfehlungen für KI-Entwickler:

• Priorisieren Sie die Energieeffizienz: KI-Entwickler sollten die Energieeffizienz bei der Entwicklung und dem Training von KI-Modellen priorisieren. Dazu gehört die Verwendung kleinerer Modelle, die Optimierung von Code und die Nutzung effizienter Hardware.
• Erkunden Sie erneuerbare Energiequellen: KI-Unternehmen sollten Möglichkeiten erkunden, ihre Rechenzentren mit erneuerbaren Energiequellen zu betreiben. Dies kann den Kohlenstoff-Fußabdruck von KI erheblich reduzieren.
• Investieren Sie in Wassersparmaßnahmen: Rechenzentren sollten in Wasserspartechnologien investieren, um den Wasserverbrauch zu minimieren. Dazu gehört die Verwendung von geschlossenen Kühlsystemen und die Nutzung von Regenwasser.
• Transparenz und Berichterstattung: KI-Unternehmen sollten transparent über die Umweltauswirkungen ihrer Modelle sein und wichtige Metriken wie Energieverbrauch, Wasserverbrauch und Kohlenstoffemissionen melden.

Empfehlungen für politische Entscheidungsträger:

• Fördern Sie grüne KI: Politische Entscheidungsträger sollten die Entwicklung und den Einsatz grüner KI-Technologien durch Steuergutschriften, Subventionen und andere Anreize fördern.
• Regulieren Sie den Energieverbrauch von Rechenzentren: Politische Entscheidungsträger sollten den Energieverbrauch von Rechenzentren regulieren, um sicherzustellen, dass Rechenzentren so effizient wie möglich arbeiten.
• Fördern Sie die Einführung erneuerbarer Energien: Politische Entscheidungsträger sollten die Einführung erneuerbarer Energiequellen fördern, um die Kohlenstoffintensität der Stromnetze zu verringern.
• Unterstützen Sie Forschung und Entwicklung: Politische Entscheidungsträger sollten Forschung und Entwicklung neuer Technologien unterstützen, die die Umweltauswirkungen von KI reduzieren können.

Empfehlungen für Endbenutzer:

• Achten Sie auf die KI-Nutzung: Endbenutzer sollten auf ihre KI-Nutzung achten und unnötige oder triviale Abfragen vermeiden.
• Wählen Sie umweltfreundliche KI-Modelle: Wenn möglich, sollten Endbenutzer KI-Modelle wählen, von denen bekannt ist, dass sie energieeffizienter sind.
• Unterstützen Sie nachhaltige KI-Praktiken: Endbenutzer können nachhaltige KI-Praktiken unterstützen, indem sie KI-Produkte und -Dienstleistungen von Unternehmen wählen, die sich der Umweltverantwortung verpflichtet fühlen.

Zukünftige Forschungsrichtungen

Die Studie unterstreicht die Notwendigkeit weiterer Forschung zu den Umweltauswirkungen von KI. Zukünftige Forschung sollte sich auf die folgenden Bereiche konzentrieren:

• Lebenszyklusanalyse: Durchführung einer umfassenden Lebenszyklusanalyse von KI-Modellen, von der Entwicklung bis zur Entsorgung, um alle potenziellen Umweltauswirkungen zu identifizieren.
• Auswirkungen des Trainings: Untersuchung der Umweltauswirkungen des Trainings von KI-Modellen, die deutlich höher sein können als die Auswirkungen der Inferenz.
• Auswirkungen von KI auf andere Sektoren: Untersuchung der Auswirkungen von KI auf andere Sektoren der Wirtschaft, wie z. B. Transport und Fertigung, um die gesamten Umweltfolgen der KI-Einführung zu verstehen.
• Entwicklung neuer Metriken: Entwicklung neuer Metriken zur Bewertung der Umweltauswirkungen von KI, wie z. B. Metriken, die den Energie- und Materialgehalt der KI-Hardware berücksichtigen.

Schlussfolgerung

Die Umweltauswirkungen von LLMs sind ein komplexes und vielschichtiges Thema, das sorgfältig geprüft werden muss. Die Ergebnisse dieser Studie liefern wertvolle Einblicke in die Energie-, Wasser- und Kohlenstoffkosten, die mit gängigen KI-Tools verbunden sind. Durch das Verständnis