KI-Modelle verbrauchen enorme Mengen an Energie – sowohl beim Training als auch im laufenden Betrieb. Weltweit summiert sich der Energiebedarf für KI-Infrastruktur bereits auf hunderte Terawattstunden pro Jahr. Mit dem weiteren Ausbau von Rechenzentren und dem wachsenden Einsatz von KI in der Industrie dürfte dieser Bedarf weiter stark ansteigen. Das berichtet die Hannover Messe unter Verweis auf Forschungsarbeiten des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI).
Ein Forschungskonsortium unter Leitung von Professor Wolfgang Maaß hat sich zum Ziel gesetzt, KI-Systeme grundlegend effizienter zu gestalten. Zentraler Ansatz ist die Modellkomprimierung: Durch gezielte Reduktion der Modellgröße sollen KI-Systeme bei vergleichbarer Leistungsfähigkeit bis zu 89 Prozent weniger Energie benötigen. Für industrielle Anwendungen, bei denen KI-Inferenz häufig direkt auf Steuerungsebene oder an der Maschine stattfindet, ist dieser Ansatz besonders relevant.
Ergänzend untersucht das Konsortium die neuronale Architektursuche (Neural Architecture Search, NAS). Dabei werden KI-gestützte Methoden eingesetzt, um Modellarchitekturen automatisiert auf minimalen Ressourcenverbrauch hin zu optimieren – ohne manuelle Eingriffe durch Entwickler. Verbrauchsprognosen sollen darüber hinaus helfen, den Energiebedarf von KI-Workloads vorherzusagen und Lastspitzen in der IT-Infrastruktur gezielt zu vermeiden.
Als weiterer Baustein gelten neuromorphe Chips. Diese Prozessorarchitekturen orientieren sich am Aufbau biologischer neuronaler Netze und versprechen einen deutlich geringeren Energieverbrauch gegenüber konventionellen GPU-basierten Systemen. Für Edge-KI in der Produktion – etwa in Bildverarbeitungssystemen, Sensordatenauswertung oder Predictive-Maintenance-Anwendungen – könnten solche Chips mittelfristig eine Alternative darstellen.
Der Hintergrund des Forschungsvorhabens ist industriepolitisch relevant: Neue Rechenzentren beanspruchen großflächige Standorte, binden erhebliche Kühlwassermengen und erfordern zusätzliche Energiekapazitäten – teils aus fossilen Quellen. Für Unternehmen, die KI in der Fertigung einsetzen oder ausbauen wollen, entstehen damit nicht nur Kostenfragen, sondern auch Nachhaltigkeits- und Compliance-Anforderungen, etwa im Kontext von Scope-3-Emissionen und ESG-Berichtspflichten.
Die Forschungsergebnisse des DFKI-Konsortiums adressieren damit einen Engpass, der für die breite Industrialisierung von KI zunehmend kritisch wird: Effizienz nicht nur in der Anwendung, sondern im Betrieb der Modelle selbst. Wann und in welcher Form die entwickelten Methoden in Produktlösungen einfließen, ist der Quelle nicht zu entnehmen.
Quelle: Hannover Messe News – https://www.hannovermesse.de/de/news/news-fachartikel/ki-auf-diaet
