Warum die AI-Autokraten herausgefordert werden müssen, um besser zu werden

Wenn wir aus dem Zeitalter der KI etwas gelernt haben, dann ist es, dass die Branche mit erheblichen Leistungsproblemen kämpft. Diese Probleme sind sowohl buchstäblich – wie die Suche nach Möglichkeiten, um die enormen Energieanforderungen zu erfüllen, die KI-Rechenzentren erfordern – als auch übertragen – wie die Konzentration von KI-Reichtum in wenigen Händen aufgrund von engen kommerziellen Interessen anstelle von umfassenderen gesellschaftlichen Vorteilen.

Das KI-Leistungsparadoxon: Hohe Kosten, konzentrierte Kontrolle

Damit KI erfolgreich sein und der Menschheit zugutekommen kann, muss es allgegenwärtig werden. Um allgegenwärtig zu werden, muss es sowohl wirtschaftlich als auch umweltverträglich sein. Das ist nicht der Weg, den wir derzeit einschlagen. Der obsessive Kampf um größere und schnellere KI-Systeme wird mehr von kurzfristigen Leistungsgewinnen und Marktdominanz als von dem, was für eine nachhaltige und erschwingliche KI am besten ist, angetrieben.
Der Wettlauf, um immer leistungsfähigere KI-Systeme zu bauen, beschleunigt sich, aber er hat einen hohen Umweltkosten. Moderne KI-Chips wie Nvidias H100 (bis zu 700 Watt) verbrauchen bereits erhebliche Mengen an Energie. Diese Tendenz wird voraussichtlich anhalten, da Brancheninsider vorhersagen, dass Nvidias nächste Blackwell-Architektur den Energieverbrauch pro Chip möglicherweise auf über 1.200 Watt bringen könnte, was den Energieverbrauch von KI in die Höhe treiben wird. Da Branchenführer damit rechnen, dass Millionen dieser Chips in Rechenzentren weltweit eingesetzt werden, sind die Energieanforderungen von KI auf dem Weg, in die Höhe zu schießen.

Die Umweltkosten des KI-Wettlaufs

Lassen Sie uns das in einen alltäglichen Kontext setzen. Der Strom, der Ihr ganzes Haus betreibt, könnte alle Ihre Geräte gleichzeitig mit voller Leistung betreiben – nicht, dass jemand das tun würde. Stellen Sie sich nun vor, ein einzelnes 120-kW-Nvidia -Regal, das genauso viel Leistung benötigt – insbesondere, wenn es in großen Rechenzentren möglicherweise Hunderte oder Tausende davon gibt! Nun entsprechen 1.200 Watt 1,2 kW. Wir sprechen also über ein mittelgroßes Viertel. Ein einzelnes 120-kW-Nvidia (NVDA ) -Regal – im Wesentlichen 100 dieser stromhungrigen Chips – benötigt genug Strom, um etwa 100 Haushalte zu versorgen.
Diese Entwicklung ist besorgniserregend, angesichts der Energieengpässe, mit denen viele Gemeinden konfrontiert sind. Rechenzentrums-Experten prognostizieren, dass die Vereinigten Staaten in den nächsten fünf bis sieben Jahren 18 bis 30 Gigawatt neue Kapazität benötigen werden, was Unternehmen dazu bringt, nach Wegen zu suchen, um mit diesem Anstieg umzugehen. Währenddessen setzt meine Branche einfach weiterhin mehr stromhungrige generative KI-Anwendungen ein, die weit über das hinausgehen, was für die Anwendung oder was für die meisten Unternehmen theoretisch notwendig oder wünschenswert für den Planeten ist.

Ausgeglichene Sicherheit und Zugänglichkeit: Hybrid-Rechenzentrums-Lösungen

Diese KI-Autokratie und “Wettlauf”, die auf rohe Leistung und Geschwindigkeit fixiert sind, ignorieren die praktischen Bedürfnisse realer Rechenzentren – nämlich die Art von erschwinglichen Lösungen, die die Marktschranken für die 75 Prozent der US-Organisationen senken, die KI noch nicht angenommen haben. Und lassen Sie uns ehrlich sein, wenn mehr KI-Regulierungen in Bezug auf Datenschutz, Sicherheit und Umweltschutz in Kraft treten, werden mehr Organisationen eine hybride Rechenzentrums-Approach verlangen, um ihre wertvollsten, privaten und sensiblen Daten in hoch geschützten Bereichen vor Ort zu schützen, fernab von KI- und Cyberangriffen. Ob es sich um Gesundheitsdaten, Finanzdaten, nationale Verteidigungsgeheimnisse oder Wahlintegrität handelt, die Zukunft des Unternehmens-KI erfordert eine Balance zwischen Sicherheit vor Ort und Cloud-Agilität.
Dies ist eine erhebliche systemische Herausforderung und eine, die Hyper-Kollaboration anstelle von Hyper-Konkurrenz erfordert. Mit einem überwältigenden Fokus auf GPUs und andere KI-Beschleuniger-Chips mit roher Leistung, Geschwindigkeit und Leistungsmerkmalen verpassen wir die ausreichende Berücksichtigung der erschwinglichen und nachhaltigen Infrastruktur, die für die Annahme von KI-Fähigkeiten durch Regierungen und Unternehmen erforderlich ist. Es ist, als ob man ein Raumschiff ohne Startplatz oder ein Lamborghini auf einer Landstraße baut.

Demokratisierung von KI: Branchen-Kollaboration

Es ist ermutigend, dass Regierungen beginnen, Regulierungen in Betracht zu ziehen – um sicherzustellen, dass KI allen zugutekommt, nicht nur den Elite. Unsere Branche benötigt jedoch mehr als staatliche Regeln.

Beispielsweise nutzt das Vereinigte Königreich KI, um die Fähigkeiten der Strafverfolgung zu verbessern, indem es den Datenaustausch zwischen Strafverfolgungsbehörden zur Verbesserung der KI-getriebenen Kriminalitätsvorhersage und -prävention erhöht. Sie konzentrieren sich auf Transparenz, Rechenschaftspflicht und Fairness bei der Nutzung von KI für die Strafverfolgung, um das Vertrauen der Öffentlichkeit und die Einhaltung der Menschenrechte zu gewährleisten – mit Tools wie Gesichtserkennung und prädiktiver Polizei, um die Kriminalitätsbekämpfung und -verwaltung zu unterstützen.

In hoch regulierten Branchen wie Biotechnologie und Gesundheitswesen umfassen bemerkenswerte Kollaborationen Johnson & Johnson (JNJ ) MedTech und Nvidia, die zusammenarbeiten, um KI für chirurgische Eingriffe zu verbessern. Ihre Kollaboration zielt darauf ab, Echtzeit-KI-getriebene Analyse- und Entscheidungsfähigkeiten im Operationssaal zu entwickeln. Diese Partnerschaft nutzt Nvidias KI-Plattformen, um die skalierbare, sichere und effiziente Bereitstellung von KI-Anwendungen in Gesundheitseinrichtungen zu ermöglichen.

Währenddessen hat Merck in Deutschland strategische Allianzen mit Exscientia und BenevolentAI gebildet, um die KI-getriebene Arzneimittelentwicklung voranzutreiben. Sie nutzen KI, um die Entwicklung neuer Arzneimittelkandidaten, insbesondere in der Onkologie, Neurologie und Immunologie, zu beschleunigen. Das Ziel ist es, die Erfolgsrate und Geschwindigkeit der Arzneimittelentwicklung durch die leistungsstarken Design- und Entdeckungsfähigkeiten von KI zu verbessern.

Der erste Schritt besteht darin, die Kosten für die Implementierung von KI für Unternehmen jenseits von BigPharma und BigTech, insbesondere in der KI-Schlussfolgerungsphase – wenn Unternehmen ein trainiertes KI-Modell wie ChatGPT, Llama 3 oder Claude in einem realen Rechenzentrum täglich installieren und ausführen – zu senken. Jüngste Schätzungen deuten darauf hin, dass die Kosten für die Entwicklung der größten dieser Next-Generation-Systeme etwa 1 Milliarde US-Dollar betragen könnten, wobei die Kosten für die Schlussfolgerung möglicherweise 8-10 Mal höher sind.

Die steigenden Kosten für die Implementierung von KI in der täglichen Produktion halten viele Unternehmen davon ab, KI vollständig zu adoptieren – die “Habenichtse”. Eine kürzlich durchgeführte Umfrage ergab, dass nur ein von vier Unternehmen in den letzten 12 Monaten erfolgreich KI-Initiativen gestartet haben und dass 42 Prozent der Unternehmen noch keine signifikanten Vorteile von generativen KI-Initiativen gesehen haben.

Um KI wirklich zu demokratisieren und allgegenwärtig zu machen – d. h. eine weit verbreitete Unternehmensadoption – muss unsere KI-Branche ihren Fokus ändern. Anstatt um die größten und schnellsten Modelle und KI-Chips zu wetteifern, benötigen wir mehr kooperative Bemühungen, um die Erschwinglichkeit zu verbessern, den Energieverbrauch zu reduzieren und den KI-Markt zu öffnen, um sein volles und positives Potenzial breiter zu teilen. Eine systemische Änderung würde alle Boote heben, indem sie KI für alle lukrativer macht, mit enormen Verbrauchervorteilen.

Es gibt vielversprechende Anzeichen dafür, dass die Senkung der KI-Kosten machbar ist – die finanzielle Hürde senken, um große nationale und globale KI-Initiativen zu stärken. Mein Unternehmen, NeuReality, arbeitet mit Qualcomm (QCOM ) zusammen, um bis zu 90-prozentige Kostensenkung und 15-mal bessere Energieeffizienz für verschiedene KI-Anwendungen in Text, Sprache, Ton und Bildern – die grundlegenden Bausteine von KI – zu erreichen. Sie wissen, dass diese KI-Modelle unter Branchen-Schlagwörtern wie Computer-Vision, Konversations-KI, Spracherkennung, natürliche Sprachverarbeitung, generative KI und große Sprachmodelle stehen. Durch die Zusammenarbeit mit mehr Software- und Dienstleistungsanbietern können wir KI in der Praxis anpassen, um die Leistung zu steigern und die Kosten zu senken.

Tatsächlich haben wir es geschafft, die Kosten und den Energieverbrauch pro KI-Abfrage im Vergleich zu herkömmlicher CPU-zentrierter Infrastruktur, auf der alle KI-Beschleuniger-Chips, einschließlich Nvidias GPUs, heute basieren, zu senken. Unser NR1-S KI-Schlussfolgerungsgerät begann im Sommer mit Qualcomm Cloud AI 100 Ultra-Beschleunigern und NR1-NAPUs zu verschiffen. Das Ergebnis ist eine alternative NeuReality-Architektur, die den herkömmlichen CPU in KI-Rechenzentren ersetzt – das größte Flaschenhals in der KI-Datenverarbeitung heute. Diese evolutionäre Änderung ist tiefgreifend und notwendig.

Jenseits der Hype: Aufbau einer wirtschaftlich und nachhaltigen KI-Zukunft

Lassen Sie uns über die KI-Hype hinausgehen und ernsthaft daran arbeiten, unsere systemischen Herausforderungen anzugehen. Die harte Arbeit liegt vor uns, auf Systemebene, und erfordert, dass unsere gesamte KI-Branche miteinander und nicht gegeneinander arbeitet. Indem wir uns auf Erschwinglichkeit, Nachhaltigkeit und Zugänglichkeit konzentrieren, können wir eine KI-Branche und eine breitere Kundenbasis schaffen, die der Gesellschaft auf größere Weise zugutekommt. Das bedeutet, nachhaltige Infrastruktur-Optionen ohne KI-Reichtum in den Händen weniger, bekannt als die Big 7, anzubieten.

Die Zukunft von KI hängt von unseren kollektiven Bemühungen heute ab. Indem wir Energieeffizienz und Zugänglichkeit priorisieren, können wir eine Zukunft vermeiden, die von stromhungriger KI-Infrastruktur und einer KI-Oligarchie dominiert wird, die auf rohe Leistung auf Kosten des umfassenden Nutzens fixiert ist.

Indem wir dies tun, schaffen wir einen leistungsstarken KI-Investitions- und Rentabilitätszyklus, der von weit verbreiteter Innovation angetrieben wird.

Wer ist dabei?