Frohes neues Jahr 2025 an alle!

Es ist Zeit, ein neues Jahr zu beginnen. Wetten wir, dass das Jahr 2025 voller digitaler Abenteuer und modernster Technologien sein wird! Wie im Video unten unter Einsatz modernster Technologien wünsche ich allen ein frohes neues Jahr 2025, geprägt von einer gewissen Verantwortung…

Tatsächlich haben Informationstechnologien ihre Schattenseiten: sie verschmutzen die Produktion, verschwenden Abfall und verursachen manchmal einen unverhältnismäßigen Energieverbrauch. Es liegt daher in der Verantwortung jedes Einzelnen, es sinnvoll zu nutzen und nachzudenken, bevor schlecht formulierte oder nutzlose Anfragen gestellt werden …

Frohes neues Jahr an alle!

Energie und KI: Was sagt ChatGPT o1 Pro zum „Optimal Reasoning“?

Nachfolgend finden Sie das Ergebnis einer Abfrage im Pro-Modus von ChatGPT o1 Pro, Version „Optimales Denken“. Die Links, mit denen Sie die nebenstehenden Informationen überprüfen können, wurden ebenfalls von derselben Version von ChatGPT angefordert.

Energieverbrauch, eine große Herausforderung für KI

Der Energieverbrauch von Systemen der künstlichen Intelligenz (KI) ist ein zunehmend diskutiertes Thema. Die Rechenzentren, in denen die Modelle gehostet und betrieben werden, sind 24 Stunden am Tag in Betrieb und benötigen erhebliche Stromressourcen für die Stromversorgung und Kühlung der Server. Wir gehen daher davon aus, dass Infrastrukturen, die KI unterstützen, erheblich zum digitalen CO2-Fußabdruck beitragen. Die Schätzungen variieren, aber es ist klar, dass jede auf einer KI wie ChatGPT durchgeführte Anfrage, jede Bildgenerierung über ein neuronales Netzwerk oder sogar jede Online-Suchanfrage Energiekosten verursacht. Um Größenordnungen anzugeben, verwenden wir im Allgemeinen Kilowattstunden (kWh) oder Wattstunden (Wh), was den Vergleich der Auswirkungen verschiedener Technologien erleichtert.

Vergleichen Sie eine ChatGPT-Abfrage mit einer Google-Abfrage

Eine Standard-Google-Suche wird oft mit einem Verbrauch von etwa 0,3 Wh* oder 0,0003 kWh angegeben. Dieser Wert umfasst Serverbetrieb, Datenübertragung und geschätzte Netzwerkkosten. Im Vergleich dazu kann eine Anfrage an ChatGPT, die ein umfangreiches Sprachmodell mobilisiert (das mehrere Milliarden Parameter transformiert), zwischen 3 und 15 Wh pro Anfrage oder 0,003 bis 0,015 kWh erfordern. Die Bandbreite ist groß, da sie von der Komplexität der Frage und der Länge der Antwort abhängt. Daher kann die Interaktion mit einem großen Sprachmodell bis zu mehrere Dutzend Mal mehr Energie erfordern als eine einfache Websuche, obwohl die genauen Zahlen je nach Serveroptimierung und Netzwerklast variieren.

*1 Wh (Wattstunde) entspricht der Energie, die ein Gerät mit einer Leistung von 1 Watt für 1 Stunde verbraucht.

AnfBildheader vom Typ DALL-E

Die Generierung von Bildern aus KI-Modellen wie DALL-E oder Stable Diffusion ist noch teurer, da sie eine intensive Grafikverarbeitung erfordert: Jedes Pixel muss vom neuronalen Netzwerk „vorgestellt“ werden. Für eine qualitativ hochwertige Bildwiedergabe können wir einen Verbrauch zwischen 15 und 50 Wh bzw. 0,015 bis 0,05 kWh pro generiertem Bild schätzen. Auch hier hängt der Bereich vom erforderlichen Detaillierungsgrad, der Größe des Bildes sowie der Leistungsfähigkeit der für die Inferenz verwendeten Hardware (spezielle Grafikkarten, optimierte Server usw.) ab.

Ein HD-Video von 10 streamen Sekunden von Sora

Im Hinblick auf die Ausstrahlung (Streaming) eines 10-sekündigen HD-Videos wie dem von „Sora“ müssen wir schließlich die Produktion oder anfängliche Kodierung des Videos von seiner einfachen Online-Wiedergabe unterscheiden. Für die Wiedergabe liegen die Schätzungen bei etwa 0,2 bis 0,5 Wh (0,0002 bis 0,0005 kWh) pro Benutzer, unter Berücksichtigung von Wiedergabe, Netzwerkinfrastruktur und Servern. Andererseits wäre die Generierung eines solchen Videos durch ein „Text-to-Video“-KI-System aufgrund der Komplexität der Verarbeitung bewegter Bilder deutlich anspruchsvoller und dürfte zwischen 30 und 100 Wh (0,03 bis 0,1 kWh) liegen. In jedem Fall sind diese Zahlen als Größenordnungen zu verstehen: Sie verdeutlichen, in welchem ​​Ausmaß KI Energie verbrauchen kann, und laden zum Nachdenken über die Optimierung von Algorithmen und Infrastrukturen ein, um den CO2-Fußabdruck der digitalen Technologie einzudämmen.

Und hier sind die vom selben ChatGPT o1 Pro vorgeschlagenen Quellen, „Optimale Argumentation“, immer in Kursivschrift:

Hier finden Sie einige Referenzen und Quellen zur Veranschaulichung der in den einzelnen Absätzen genannten Größenordnungen. Die angegebenen Zahlenwerte können je nach Studien, Hypothesen und Entwicklungen in der Ausstattung oder Infrastruktur variieren:

Absatz 1: Energieverbrauch, eine große Herausforderung für KI

1. Das Shift-Projekt (2019)„Lean ICT – Auf dem Weg zur digitalen Nüchternheit“:
   • Bericht über die Umweltauswirkungen der Informationstechnologie, einschließlich KI und Rechenzentren.
   • Online verfügbar: theshiftproject.org
2. Koomey, JG (2011)«Wachstum des Stromverbrauchs von Rechenzentren 2005 bis 2010»:
   • Universitätsstudie zur Analyse des Stromverbrauchs von Rechenzentren über mehrere Jahre.
   • Online verfügbar: Analyticspress.org
3. Internationale Energieagentur (IEA)aufeinanderfolgende Berichte über die Digitaler Konsum:
   • Die IEA bietet regelmäßig Berichte und Statistiken zum Energieverbrauch an, auch zu denen von Rechenzentren.
   • Siehe zum Beispiel: iea.org

Absatz 2: Vergleichen Sie eine ChatGPT-Anfrage mit einer Google-Anfrage

1. Google — Daten zur Energieeffizienz von Rechenzentren:
   • Google kommuniziert regelmäßig über die Verbesserung seiner Infrastruktur und die Reduzierung des CO2-Fußabdrucks seiner Dienste.
   • Siehe: nachhaltigkeit.google
2. Berners-Lee, M. (2010)„Wie schlimm sind Bananen?: Der CO2-Fußabdruck von allem“:
   • Arbeit, die den durchschnittlichen Energieverbrauch einer Google-Suche und anderer digitaler Aktivitäten angibt.
3. OpenAI-Referenzen oder Blog-Techniken:
   • Obwohl es nicht immer eine offizielle Veröffentlichung gibt, die den Verbrauch pro Anfrage genau quantifiziert, deuten mehrere Blogartikel und Experteninterviews auf eine Spanne für ChatGPT oder ähnliche GPT-Modelle hin.
   • Beispiele:
     • openai.com/blog/
     • „GPT-3.5- und GPT-4-Energieverbrauch“ (inoffizielle Fachartikel, Konferenzen usw.)

Absatz 3: Bildabfrage vom Typ DALL-E

1. OpenAI — Dokumentation und Ankündigungen rund um DALL-E:
   • In einigen Blogbeiträgen wird auf die Komplexität der Bildgenerierung und die erforderlichen Ressourcen eingegangen.
   • Sehen: openai.com/dall-e-2
2. Stabilitäts-KI (stabile Diffusion):
   • In technischen Diskussionen in Foren (GitHub, Reddit) wird der Verbrauch von GPUs (Berechnung, Inferenz) zur Generierung von Bildern diskutiert.
   • Beispiele: github.com/CompVis/stable-diffusion
3. Branchenberichte/GPU-Benchmarks:
   • Einige Hersteller (NVIDIA, AMD) veröffentlichen Verbrauchs- oder Effizienzdaten für verschiedene Arten von KI-Workloads.
   • Beispiele: nvidia.com/en-us/data-center/

Absatz 4: Streamen eines 10-sekündigen HD-Videos von Sora

1. IEA (2020)„Rechenzentren und Datenübertragungsnetze“:
   • Der Bericht enthält Schätzungen zum Energieverbrauch beim Video-Streaming und bei der Datenübertragung.
   • Online verfügbar: iea.org
2. Das Shift-Projekt (2019)„Lean ICT – Auf dem Weg zur digitalen Nüchternheit“:
   • Beinhaltet auch Verbrauchsschätzungen für Video-Streaming und OTT-Dienste.
3. Artikel oder Studien speziell zum Thema Streaming:
   • Verschiedene wissenschaftliche Publikationen oder White Papers (z. B. Cisco, Sandvine) bieten Schätzungen zum Energieverbrauch für die Verbreitung audiovisueller Inhalte in Abhängigkeit von der Qualität (SD, HD, 4K usw.).
   • Beispiele:

Aufgefallen: Die genauen Werte ändern sich schnell je nach Optimierung der Infrastrukturen (Netzwerk, Kühlung des Rechenzentrums, GPU-Effizienz usw.). Die in den vorstehenden Absätzen angegebenen Zahlen sollten daher als Größenordnungen betrachtet werden, die aus verschiedenen Berichten und Studien stammen.