So wollen Forscher den Energiebedarf von KI senken

Der steigende Energiebedarf künstlicher Intelligenz zählt zu den größten Herausforderungen der digitalen Transformation. Klar, dass auch die Forschung hierzulande derzeit mit Eifer dabei ist, den wachsenden Energiehunger nicht einfach nur zu stillen, sondern mittels intelligenter Methoden, den – um im Sprachbild zu bleiben – Magen der großen Sprachmodelle zu verkleinern. Dieser Herausforderung haben sich zwei umfangreiche Forschungsprojekte angenommen, eines feierte im Sommer seinen Abschluss, das andere geht nun an den Start.

KI effizienter machen

Weltweit wächst die Zahl der Rechenzentren, während gleichzeitig der Energiebedarf leistungsfähiger KI-Systeme steigt. Insbesondere große Sprachmodelle und komplexe neuronale Netze benötigen erhebliche Rechenkapazitäten für Training und Betrieb. Das vom Bundesforschungsministeriums geförderte Projekt ESCADE (Energy-Efficient Large-Scale Artificial Intelligence for Sustainable Data Centers) des DFKI und der Universität des Saarlandes hat in den vergangenen drei Jahren untersucht, wie sich dieser Ressourcenbedarf senken lässt.

Im Mittelpunkt stand dabei die Entwicklung kleinerer und spezialisierter KI-Modelle. Statt auf vollständige Modelle mit Milliarden oder gar Billionen Parametern zurückzugreifen, extrahierten die Forschenden gezielt relevantes Wissen aus großen Basismodellen und überführten es in deutlich kompaktere sogenannte Schülermodelle. „Wir erzielen gute Ergebnisse damit, die KI-Modelle zu komprimieren, sie also kleiner und effizienter zu gestalten. In unseren Testläufen konnten wir zeigen, dass die Schülermodelle vergleichbare Leistung bringen, aber mit bis zu 89 Prozent weniger Energie auskommen“, erklärt die Wissenschaftlerin Sabine Janzen aus dem Team von DFKI-Professor und Projektleiter Wolfgang Maaß.

Die Forschenden sehen darin nicht nur einen Beitrag zur Nachhaltigkeit. Kleinere Modelle könnten auch den Zugang zu leistungsfähiger KI für mittelständische und kleinere Unternehmen erleichtern, die bislang oftmals nicht über die notwendige Infrastruktur für große Modelle verfügen.

Rechenzentren brauchen bis 2030 doppelt so viel Strom

Der Boom um künstliche Intelligenz lässt weltweit den Stromhunger steigen. Die Internationale Energieagentur warnt, dass Rechenzentren bis 2030 mehr Energie verbrauchen könnten als ganz Japan.

Weniger Energie, teilweise höhere Genauigkeit

Neben der Modellkompression setzte das Konsortium auf Verfahren der sogenannten neuronalen Architektursuche. Dabei werden geeignete Netzwerkstrukturen automatisiert identifiziert und optimiert, anstatt sie ausschließlich manuell zu entwickeln. Laut den Projektverantwortlichen konnten die so entwickelten Bildverarbeitungsmodelle um bis zu 90 Prozent verkleinert werden. Gleichzeitig sank der Energieverbrauch um rund 40 Prozent. Bemerkenswert sei dabei, dass die Genauigkeit der Modelle nicht gelitten habe. „Wir konnten mit diesem Ansatz die Genauigkeit des Modells sogar verbessern“, so Janzen.

Die automatisierte Suche nach geeigneten Netzwerkarchitekturen soll dabei helfen, leistungsfähige Modelle mit geringerem Ressourceneinsatz zu entwickeln und deren wirtschaftlichen Einsatz zu erleichtern.

Praxistest in der Stahlindustrie

Wie die Methoden außerhalb des Labors funktionieren, zeigte ein Anwendungsfall gemeinsam mit der SHS – Stahl-Holding-Saar. Dort entwickelten die Projektpartner ein KI-System zur automatisierten Schrottsortierung.

Anhand von Kameraaufnahmen soll das System unterschiedliche Stahlschrottarten erkennen und klassifizieren. Nach Angaben des Konsortiums konnte das ursprünglich sehr große Bildanalysemodell durch Wissensdestillation und automatisierte Netzwerkoptimierung erheblich verkleinert werden. Das Ergebnis seien kompaktere Modelle mit geringerem Energiebedarf, die in Teilen sogar bessere Ergebnisse liefern als die Ausgangsversion.

Neben den KI-Algorithmen analysierte ESCADE auch die Energieeffizienz von Rechenzentren. Dafür entstand ein Werkzeug, das den Energieverbrauch und die Betriebskosten von KI-Modellen prognostizieren kann. Ziel ist es, Unternehmen bei der Planung rechenintensiver Anwendungen zu unterstützen und ineffiziente Abläufe frühzeitig sichtbar zu machen. „Dieses Tool macht es etwa möglich, Abläufe, die große Rechenleistungen erfordern, dann einzuplanen, wenn der Strompreis günstig ist“, erläutert die Doktorandin Hannah Stein.

Darüber hinaus untersuchte das Konsortium neuromorphe Prozessoren, die sich an der Arbeitsweise biologischer Nervensysteme orientieren. Erste Tests deuteten laut Projektteam darauf hin, dass solche Chips bereits heute bis zu sechsmal effizienter arbeiten könnten als klassische Architekturen.

QC-Train setzt auf Quantencomputing

Während ESCADE konkrete Ansätze zur Senkung des Energieverbrauchs bestehender KI-Systeme geliefert hat, richtet sich der Blick nun auf die nächste technologische Entwicklungsstufe. Das im Juli 2026 gestartete Projekt QC-Train (Quantum Computing Enhanced Training) soll prüfen, wie sich Quantencomputing für das Training großer KI-Modelle nutzen lässt. Beteiligt sind die Infoteam Software AG, das Fraunhofer-Institut für Integrierte Schaltungen IIS sowie die OptWare GmbH. Als assoziierte Partner wirken DATEV und Schaeffler mit. Das Vorhaben wird über das Verbundforschungsprogramm Digitalisierung (BayVFP) des Freistaats Bayern gefördert und ist auf drei Jahre angelegt.

Ausgangspunkt ist die Beobachtung, dass der wachsende Einsatz großer Sprachmodelle und spezialisierter KI-Netze den Bedarf an Rechenleistung, Speicher und Energie kontinuierlich erhöht. Gleichzeitig rücken regulatorische Anforderungen stärker in den Fokus. So fordert der AI Act der EU mehr Transparenz beim Energieverbrauch von KI-Systemen und unterstützt die Entwicklung entsprechender Effizienzstandards.

Ist der AI Act eine Innovationsbremse für die Autoindustrie?

Eine neue EU-Verordnung soll einen sicheren Rahmen für den Umgang mit künstlicher Intelligenz schaffen. Wir haben Rechtsexperten gefragt, ob der wichtigste Tech-Trend der Autoindustrie durch den AI Act nun zum zähen Bürokratieakt wird.

QC-Train verfolgt deshalb den Ansatz, besonders rechenintensive mathematische Operationen künftig auf Quantenprozessoren auszulagern. „Dabei sollen die ressourcenintensivsten mathematischen Operationen von derzeit noch verwendeter traditioneller Hardware auf Quantenprozessoren verlagert werden“, erläutert Daniel Scherer, Leiter der Forschungsgruppe Quantum Compilation am Fraunhofer IIS. Das Projektteam will verschiedene Trainingsverfahren für den Einsatz auf Quantencomputern entwickeln, deren Skalierbarkeit untersuchen und bewerten, in welchen Szenarien bereits heutige Quantensysteme wirtschaftliche und ökologische Vorteile bieten können. Ziel ist es, quantenunterstützte Trainingsansätze so weit voranzubringen, dass sie künftig einen messbaren Beitrag zu einer leistungsfähigeren und zugleich ressourcenschonenderen KI leisten.

Mit ESCADE liegen nun erste konkrete Ergebnisse für energieeffiziente KI-Systeme vor. QC-Train soll darauf aufbauen und untersuchen, ob Quantencomputing künftig den nächsten Effizienzsprung in der Entwicklung großer KI-Modelle ermöglichen kann.