Zwei Studenten entwickeln Software, um CO2-Emissionen durch KI zu bekämpfen

Experten stimmen darin überein, dass der aktuelle Weg der KI-Entwicklung dazu führen wird, dass sie zu einem der größten Beiträger von CO2 wird, trotz ihrer Verwendung, um genau dieses Problem zu bekämpfen. Dies hat dazu geführt, dass verschiedene Teile der Branche beginnen, sich auf die Frage zu konzentrieren, wie man die Situation verbessern kann, wobei eine der jüngsten Entwicklungen von zwei Studenten der Universität Kopenhagen stammt.

Fortgeschrittene KI-Methoden wie Deep Learning entwickeln sich mit atemberaubender Geschwindigkeit, aber dies geht mit einem enormen Energieverbrauch einher. Wenn dies weiter zunimmt, werden KI-Technologien und -Methoden, insbesondere Deep Learning, wahrscheinlich zu einem bedeutenden Beitrag zur Klimaveränderung werden. Dies ist jedoch nur der Fall, wenn keine Maßnahmen ergriffen werden, um den aktuellen Weg zu ändern.

Von 2012 bis 2018 ist die Rechenleistung, die für Deep Learning erforderlich ist, um 300.000 % gestiegen. Eines der größten Probleme der Branche ist, dass der Energieverbrauch und die Kohlenstoffbilanz aufgrund der Entwicklung von Algorithmen selten gemessen werden. Gleichzeitig zeigen viele Studien dieses Problem auf und fordern Maßnahmen.

Carbontracker

Um dieses Problem anzugehen, haben Lasse F. Wolff Anthony und Benjamin Kanding von der Universität Kopenhagen, Abteilung für Informatik, zusammen mit Assistant Professor Raghavendra Selvan, ein neues Softwareprogramm namens Carbontracker entwickelt. Dieses Programm kann genau berechnen und vorhersagen, wie viel Energieverbrauch und CO2-Emissionen durch die Schulung von Deep-Learning-Modellen entstehen.

“Die Entwicklungen in diesem Bereich verlaufen unglaublich schnell und Deep-Learning-Modelle werden ständig größer und komplexer”, sagte Lasse F. Wolff Anthony. “Im Moment gibt es exponentielles Wachstum. Und das bedeutet einen zunehmenden Energieverbrauch, über den die meisten Menschen nicht nachdenken.”

Deep-Learning-Modelle werden immer größer und komplexer und müssen immer komplexere Probleme lösen, was einen deutlichen Anstieg des Energieverbrauchs erfordert.

“Wenn die Datensätze immer größer werden, werden die Probleme, die die Algorithmen lösen müssen, immer komplexer”, sagt Benjamin Kanding.

Das Open-Source-Programm Carbontracker kann hier gefunden werden.

GPT-3

Ein Beispiel dafür ist das fortschrittliche Sprachmodell GPT-3. Es ist eines der größten und komplexesten Deep-Learning-Modelle, die bisher entwickelt wurden, aber es hat auch einen hohen Preis. GPT-3 benötigt die gleiche Menge an Energie, die von 126 dänischen Haushalten in einem Jahr verbraucht wird, und das nur für eine Schulungssitzung. Die Menge an CO2, die freigesetzt wird, entspricht 700.000 Kilometern Fahrt.

Laut Lasse F. Wolff Anthony “wird es in wenigen Jahren wahrscheinlich mehrere Modelle geben, die viele Male größer sind.”

“Wenn die Trend weitergeht, könnte die künstliche Intelligenz zu einem bedeutenden Beitrag zur Klimaveränderung werden. Es geht nicht darum, die technologische Entwicklung zu bremsen. Diese Entwicklungen bieten fantastische Möglichkeiten, um unsere Umwelt zu helfen. Es geht darum, sich des Problems bewusst zu werden und zu überlegen: Wie können wir es verbessern?”, sagt Benjamin Kanding.

Carbontracker verfolgt die Menge an CO2, die zur Energieerzeugung in den Bereichen verwendet wird, in denen die Deep-Learning-Schulung stattfindet, und macht es möglich, die CO2-Emissionen nach der Umrechnung des Energieverbrauchs vorherzusagen.

Laut den Studenten sollten Deep-Learning-Anwender auf die Art der Hardware und Algorithmen achten, die verwendet werden, und wann die Modellschulung stattfindet, da es Bereiche mit größerer grüner Energieversorgung gibt.

“Es ist möglich, den Klimaeinfluss erheblich zu reduzieren. Zum Beispiel ist es relevant, wenn man sich entscheidet, sein Modell in Estland oder Schweden zu trainieren, wo der Kohlenstoffausstoß einer Modellschulung um mehr als 60 Mal aufgrund der grüneren Energieversorgung reduziert werden kann. Algorithmen variieren auch stark in ihrer Energieeffizienz. Einige erfordern weniger Rechenleistung und damit weniger Energie, um ähnliche Ergebnisse zu erzielen. Wenn man diese Art von Parametern anpassen kann, kann sich viel ändern”, sagt Lasse F. Wolff Anthony.