Eine Herausforderung der KI-Entwicklung ist, dass das Training neuronaler Netze viel Rechenleistung benötigt. Googles Antwort auf das Problem: KI.
Künstliche Intelligenz kann ein effektives und auch effizientes Werkzeug sein, um spezialisierte Aufgaben zu lösen. Aber der Weg zu dieser Effizienz ist meist weit. Zunächst wird beim KI-Training Rechenleistung, und damit Energie, mit vollen Händen ausgegeben.
Beispielsweise musste OpenAIs in der Branche gefeierte Spiele-KI "Five" über zehn Monate hinweg 45.000 Jahre menschliche Spielzeit simulieren, um Menschen besiegen zu können, die im Vergleich nur wenige Jahre trainiert hatten.
Eine Studie von OpenAI zeigt, dass der Bedarf nach Rechenleistung zusammen mit der Leistung der Systeme wächst. Und laut Googles Software-Ingenieur Cliff Young fordert die Branche "immer gigantischere Maschinen". Nach einer Studie der Universität Massachusetts kann das Training eines KI-Sprachmodells einen fünfmal größeren CO2-Fußabdruck verursachen als ein Auto in seiner gesamten Lebensspanne - inklusive Benzin.
KI soll beim Chipdesign helfen
Eine Reihe Unternehmen befasst sich daher mit der Effizienz des KI-Trainings: Wenn zum Beispiel die Hardware optimiert ist auf Berechnungen des maschinellen Lernens, wird Künstliche Intelligenz schneller, mächtiger - oder umweltfreundlicher.
Jeff Dean, ein leitender Programmierer in Googles KI-Abteilung Brain, hofft, dass Künstliche Intelligenz dabei helfen wird, diese effizientere Hardware zu entwickeln: Eine KI soll die Leiterbahnen auf den Chips optimal platzieren - ein Job, für den menschliche Experten laut Dean Wochen benötigen.
"Ein maschinelles Lernmodell kann das Spiel der Chipplatzierung lernen und das ziemlich effektiv. Wir können Ergebnisse erzielen, die auf Augenhöhe mit menschlichen Experten sind oder sogar besser", sagt Dean zu Wired.
Generalisierende KI ist effizienter
Dean glaubt, dass bei für KI-Berechnungen optimierten Computersystemen noch viel Luft nach oben ist.
Bessere Hardware ist aber nicht der einzige Lösungsansatz: "Wir wollen Systeme bauen, die Know-how aus einer Aufgabe auf die nächste übertragen können. Aufgaben mit viel weniger Daten und Rechenleistung zu lösen, ist interessant und wichtig."
Und dann existiert noch die Utopie, dass KI-Training vielleicht ein Energieverschwender bleibt, dafür aber Lösungen für andere, schwerwiegendere Klimaprobleme entwickeln kann.
"Maschinelles Lernen könnte beispielsweise helfen, die Effizienz im Transportwesen zu verbessern oder die Klimamodellierung zu präzisieren, da herkömmliche Modelle sehr rechenintensiv sind und so die räumliche Auflösung einschränken", sagt Dean.
Quelle: Wired
