Latest / KLIMA UND KOHLE / #233 KI und Energie: Wie viel Strom braucht die KI? Mit Stefan Naumann

Transcript

#233 KI und Energie: Wie viel Strom braucht die KI? Mit Stefan Naumann · KLIMA UND KOHLE

0:00
Liebe KI, sag mir, wie das umweltfreundlicher wird.
0:03
Ich sehe das nämlich genauso, dass wir jetzt die Agenten trainieren müssen,
0:06
dass die Agenten eigentlich Ökoagenten werden.
0:08
Denen muss man sagen:
0:09
Verhalte dich nachhaltig, löse Probleme so, dass Nachhaltigkeitsprobleme
0:13
damit nicht geschaffen, sondern gelöst werden.
0:22
Tag zusammen zu einer neuen Ausgabe von Klima und Kohle.
0:24
Heute wieder mit dabei: Professor Stefan Naumann.
0:28
Tach, Stefan, hallo!
0:30
Grüß dich, Henrik!
0:32
Ja, du warst schon ein paar Mal dabei.
0:35
Du bist Professor bei uns am Umwelt-Campus für,
0:38
ich sag mal verkürzt, Nachhaltigkeitsinformatik.
0:41
Und ich steige gerne, wenn ich Gäste dabeihabe, mit den großen Fragen ein.
0:46
Und mal schauen, wie wir die in den nächsten 30 bis 45 Minuten abräumen.
0:51
Frage an dich: Wird die KI uns helfen, den Energieverbrauch global zu senken?
0:56
Oder führt die KI dazu,
0:57
dass der Energiebedarf global in den nächsten Jahren explodieren wird?
1:02
Das ist eine sehr gute Frage.
1:03
Gleich die große Ausgangsfrage,
1:05
damit wir uns nicht mit kleinen Problemen aufhalten.
1:08
Die Frage beschäftigt die Informatik schon ganz lange.
1:11
Das heißt also: Ist der Aufwand größer als der Nutzen?
1:13
Wie ist denn die Nettobilanz?
1:15
Man kann sich vorstellen,
1:16
das ist nicht ganz leicht zu rechnen, weil ja immer die Frage
1:19
ist: Was mache ich mit der KI, was mache ich mit der ICT?
1:23
Generell ist es so, dass wir erst mal versuchen, überhaupt
1:26
den Energiebedarf von KI und von ICT insgesamt abzuschätzen.
1:30
Also sprich: Was brauchen eigentlich die Rechenzentren,
1:33
was braucht so ein Endgerät?
1:35
Und dann kommt als zweite Frage: Wie kann ich den Nutzen dagegen
1:38
bilanzieren?
1:39
Aber du wolltest ja mit der großen Frage auch eine große Antwort verbinden.
1:43
Ich denke, in der Bilanz, wenn wir es richtig machen,
1:46
kann die KI uns helfen, die Umwelt- und Nachhaltigkeitsprobleme zu lösen.
1:50
Das heißt, die Nettobilanz ist positiv, wenn wir die Systeme,
1:54
die KI-Lösungen und alles, was wir jetzt gerade als Menschheit erfinden, dafür
1:58
einsetzen, dass sie unseren Planeten und uns weiterbringen und retten.
2:05
Meine persönliche Meinung.
2:07
Also, ich hatte mir ja vor einiger Zeit mal angeschaut,
2:12
wie eigentlich die Klimabilanz aussieht.
2:15
Fangen wir mal an
2:16
mit den KI-Rechenzentren, bevor wir dann wirklich auf die einzelnen
2:21
Abfragen kommen.
2:22
Also: Wie energieverschwenderisch ist es, so einen einfachen Prompt loszuschicken?
2:26
Ich denke, jeder hat mittlerweile schon mal etwas mit ChatGPT gemacht.
2:30
Bei Google ist es ja fest integriert.
2:32
Wenn ich die Google-Suchmaschine benutze, baut Gemini ja im Hintergrund
2:37
immer eine KI-Antwort und ersetzt damit eigentlich die Suchergebnisse.
2:42
Wie teuer ist es, ein Bild oder ein Video zu machen?
2:44
Auch das geht ja mittlerweile sehr schnell und in sehr hoher Qualität.
2:48
Aber vielleicht erst mal der Blick auf die KI-Rechenzentren,
2:52
die jetzt ja in Europa und global entstehen. Also insbesondere die,
2:58
bei denen man ja merkt:
3:00
Auch in den USA, die ja das Mutterland der Digitalisierung
3:05
sind, wächst der Widerstand in der Bevölkerung,
3:09
weil die Energieversorgung primär über Gasturbinen läuft.
3:14
Gibt es auch Ansätze?
3:15
Ja, wir machen das irgendwie mit modularen Reaktoren, also Kernenergie.
3:19
Google oder Microsoft ist es, glaube ich, egal, woher der Strom kommt.
3:22
Hauptsache, er kommt dann, wenn wir ihn brauchen. Aber wie?
3:24
Wie ist denn da im Moment die Entwicklung und wo geht das hin?
3:28
Denn im Moment kennt ja die Kurve
3:31
beim Energiebedarf
3:31
der KI eigentlich nur eine Richtung, und zwar steil nach oben.
3:35
Es geht nach oben, eindeutig.
3:37
Und allein in Deutschland sind
3:39
nach meinem Stand über 100 Rechenzentren geplant.
3:43
Und wir müssen uns vielleicht die Größenordnung noch mal klarmachen,
3:47
um die es da geht.
3:48
Ja,
3:49
du kannst das als Physiker gut einschätzen, was die Leistungsaufnahme angeht.
3:52
Da sind wir im Megawattbereich bei den bisherigen
3:56
Rechenzentren, Leibniz-Rechenzentrum und so,
3:58
da ging es dann um 5, 6 Megawatt Leistungsaufnahme, und mittlerweile
4:01
gehen die ganz großen Rechenzentren sogar in den Gigawattbereich hinein.
4:05
Das heißt also, das ist schon die Stromleistungsaufnahme
4:08
einer Großstadt oder sogar mehr, je nachdem, wie man das dann rechnet.
4:13
Das muss man sich bewusst machen.
4:14
Der Strom muss stabil zur Verfügung stehen, was gerade in Amerika ein Problem
4:18
ist, was die Stabilität des Stromnetzes angeht,
4:21
und umgekehrt,
4:22
nicht umgekehrt, sondern zusätzlich gibt es natürlich auch den Wasserbedarf,
4:25
wo wir,
4:26
sagen wir mal, im Bereich von Millionen Kubikmetern sind,
4:30
die für die Kühlung verwendet werden oder verwendet werden müssen, was also
4:34
dem Bedarf einer, je nachdem, wie man es rechnet, Kleinstadt
4:37
bei einem kleinen Rechenzentrum entspricht oder auch einer Großstadt.
4:40
Interessanterweise: Bei ganz kleinen Rechenzentren
4:42
reicht oft eine Luftkühlung.
4:44
Das geht also manchmal sogar mit freier Kühlung, und andere brauchen Wasser.
4:48
Das heißt, diese Kombination führt auch in den ländlichen Gebieten von Amerika
4:52
zusammen mit dem Strombedarf natürlich zu Diskussionen,
4:55
zumal in Amerika die Dinge auch gerne etwas hitziger diskutiert werden.
4:59
Aber da geht es wirklich um die örtliche Bevölkerung
5:02
und deren Strom- und Wasserversorgung.
5:04
Das heißt, wir reden schon von signifikanten Größenordnungen.
5:06
Vielleicht noch mal zur Gesamteinschätzung: Die Internationale
5:10
Energieagentur geht davon aus, dass wir bis 2030, meine ich, bei knapp
5:15
1.000 Terawattstunden für die KI und für die Rechenzentren sind,
5:21
und zwar Terawattstunden pro Jahr. Genau. Und das als Größenordnung:
5:24
Wir haben in Deutschland, glaube ich, 450, plus/minus
5:27
500, also quasi das Doppelte des Stromverbrauchs allein in Deutschland.
5:31
Es werden mehr, weil Sachen wie Wärmepumpen und Autos dazukommen,
5:35
aber so von der Größenordnung her, damit man mal weiß – wir sind
5:37
ja auch ein Industrieland –, in welche Richtung das geht.
5:40
Es gab früher schon Vergleiche, dass
5:42
die Rechenzentren so viel CO₂ ausstoßen wie der internationale Flugverkehr.
5:46
Das sind dann so Vergleiche. Das heißt, es ist eine signifikante Größe,
5:49
und deswegen ist es umso wichtiger, dass man natürlich versucht,
5:52
das auch dafür einzusetzen, dass es unsere Klima-, Energie-
5:56
und vielleicht auch sozialen Probleme löst, was weiß ich.
6:00
Wir haben ja doch einige globale Herausforderungen, denke ich.
6:03
Wir hoffen, dass die KI uns helfen kann.
6:05
Ja, genau.
6:05
Es ist also Fluch und Segen zugleich.
6:08
Und ich glaube, aus dem Stadium, dass wir mit der KI mal
6:13
ein bisschen herumspielen und uns dann die Rede für den 70.
6:17
Geburtstag der Oma schreiben lassen,
6:20
über dieses Stadium sind wir schon lange hinaus.
6:24
Die Bild-
6:25
generierung ist auf sehr hohem Niveau,
6:28
etwa bei Google Gemini, glaube ich.
6:30
Ich weiß, dass die von der Firma auch
6:34
Videos generieren können,
6:36
neben den reinen Spezialanwendungen, die nur Videos machen.
6:41
Das Gleiche geht jetzt auch mit Musik.
6:42
Auch da bietet Gemini das regulär an, dann gibt es wieder
6:46
Spezialanbieter, und das ist ein ganz großes Feld,
6:50
aber es gibt ja wahnsinnig
6:52
viele Anwendungsfelder,
6:56
die man jetzt gerade erst kennenlernt und die wir an der Hochschule
7:00
kennenlernen, die jetzt in den Unternehmen ankommen.
7:04
Man sieht jetzt, dass mir die KI dabei
7:07
hilft, meine Unterlagen für die Steuererklärung
7:10
vorzubereiten, indem ich ihr sage: „Hier, liebes Claude,
7:16
oder wie auch immer,
7:17
hier hast du meine ganzen Dokumente, meine Lohnabrechnung.“
7:20
Man muss wollen, dass man das hochlädt,
7:21
denn dann kennen die Amerikaner das natürlich und nutzen das weiter.
7:25
Aber das ist so die Alltagsanwendung.
7:28
Aber auch da,
7:29
wenn ich jetzt so ein Dokument hochlade, muss die KI ja erst mal
7:33
eine Texterkennung machen und verstehen, was der Inhalt ist,
7:35
wenn es ein kompliziertes Dokument ist, eine Lohnabrechnung, das mal sortieren:
7:38
Was heißt das eigentlich?
7:40
Auch wenn sie natürlich weiß, wie eine Lohnabrechnung aussieht.
7:42
Genau, aber das ist ja schon …
7:45
Also da sind ja Millionen und Milliarden an Anfragen, die da kommen.
7:52
Wobei wir auch da differenzieren müssen:
7:56
Das Nutzen
7:58
ist ja der eine Teil, und zwar der kleine Teil. Der viel größere Teil
8:02
kommt energetisch ja vorher:
8:04
Das ist das Training, also der KI beizubringen, diesen Kontext zu verstehen.
8:08
Kannst du das mal einordnen?
8:09
Wie verteilt sich denn eigentlich jetzt der Energiebedarf,
8:13
wenn ich sage, eine Anfrage kostet so viel, aber in Summe habe ich einen Riesenklotz,
8:17
den ich da mit mir herumtrage?
8:18
Ja, also es ist tatsächlich so, dass sich das gerade ein bisschen verändert.
8:23
Früher
8:24
konnte man vielleicht sagen 80 zu 20, 90 zu 10,
8:28
das heißt, viel ging ins Training und wenig in die Inferenz.
8:31
Aber mittlerweile hat sich das umgekehrt, zumindest nach den Schätzungen.
8:35
Und zwar deshalb, weil jetzt viel mehr Leute das nutzen.
8:38
Das heißt,
8:38
du hast ein Basismodell trainiert, ein Foundation Model, ein Frontier Model.
8:42
Und das wiederum wird jetzt von ganz vielen Leuten genutzt.
8:45
Das heißt,
8:45
die Inferenz macht dann tatsächlich mehr aus, und zwar mehr als die Hälfte.
8:49
Wobei die Schätzung schwierig ist.
8:51
Das heißt also,
8:52
am Anfang wurde viel trainiert, um eine Grundlage zu haben,
8:56
von den großen Tech-Unternehmen und auch von anderen.
8:58
Und jetzt kommen die Modelle in die Anwendung.
9:00
Auch lokal läuft ja ganz viel. Das heißt, wir sehen da
9:03
tatsächlich insofern, wie soll ich sagen, nicht eine Umkehr,
9:06
aber diesen Trend, den wir auch aus der Software kennen: diesen Unterschied
9:09
zwischen Individualsoftware und Standardsoftware.
9:13
Individualsoftware wird nur einmal installiert, Standardsoftware nutzen ganz viele.
9:16
Da lohnt es sich, auch kleine Verbesserungen zu machen.
9:18
Deswegen wird im Moment auch viel an der Inferenz geforscht.
9:21
Das heißt also:
9:21
Wie kann ich das noch schneller hinkriegen, Matrixmultiplikationen und so,
9:25
weil eben jetzt alle direkt oder indirekt die Sprachmodelle nutzen.
9:30
Und man kann noch einen Schritt weitergehen:
9:31
die Agenten, die jetzt ja faktisch auch selbst die Sprachmodelle nutzen.
9:35
Die wiederum sind ja auch welche, die etwas anwerfen.
9:38
Die werfen ja kein Training an, sondern Inferenz.
9:41
Das heißt, nach meinem Stand dreht sich das gerade ein bisschen um.
9:44
Was natürlich sein kann, ist, dass irgendwann noch mal
9:47
eine große Phase kommt, in der dann wieder nachtrainiert wird.
9:50
Ja, also wo dann geschaut wird: Jawoll,
9:53
jetzt müssen wir die Modelle noch mal auffrischen.
9:55
Es gibt auch neueste Ansätze, dass das in Hardware gegossen wird,
9:58
zum Beispiel.
9:58
Das ist deutlich energieeffizienter, aber dann natürlich fest verdrahtet,
10:02
aber ich könnte mir
10:02
vorstellen, dass es nachher auch Chips gibt, die so das Basiswissen,
10:06
keine Ahnung,
10:06
Wikipedia, zur Verfügung haben und die dann unheimlich
10:09
schnell und energieeffizient sind.
10:11
Also sprich,
10:11
genau diese Frage hat mich auch interessiert,
10:13
und da hatte ich vorher auch mal geschaut, und es ist tatsächlich so,
10:16
dass sich das wegen der starken Nutzung etwas umkehrt.
10:20
Das ist ja auch irgendwie nachvollziehbar, wenn viele Leute
10:23
das verwenden, dass es dann von 80 zu 20 nach vielleicht 30, 40 oder 50
10:31
zu 50 geht.
10:32
Aber ein Problem vielleicht noch generell, wenn ich das ansprechen darf,
10:35
Henrik: Die Tech-Unternehmen lassen das natürlich nur begrenzt raus.
10:39
Ja, das heißt also,
10:40
das ist ja genau das Geschäftsgeheimnis: Wie viel habe ich jetzt da laufen?
10:43
Klar, das Modell ist so viele Hundert Stunden trainiert worden,
10:46
aber wie viel das dann genau war und wie viel nachtrainiert wird,
10:49
und was auch noch wirklich im Dunkeln
10:51
liegt, für mich jedenfalls, und wozu es auch sehr wenige Untersuchungen gibt,
10:53
ist, was überhaupt das Erfassen der Daten kostet
10:56
oder dass die Sprachmodelle dauernd versuchen, neue Originaldaten zu bekommen.
11:01
So nach dem Motto: Wo kriege ich die jetzt her? Also grase ich die Webseiten ab.
11:04
Ich mache alles Mögliche. Also, sprich: Auch das kostet,
11:08
und das ist in den Berechnungen oft nicht drin.
11:11
Und das muss man für die Gesamtbilanz eigentlich auch mit
11:14
berücksichtigen oder eben sagen, dass es relativ wenig dazu beiträgt.
11:17
Ich habe gerade mal geschaut, ich habe ja auch
11:18
mal so eine Tabelle zusammengestellt, und da gehen sie
11:23
erst mal von dem reinen Modell aus, dass das bei über 80 Prozent liegt.
11:27
Ja, wenn ich das richtig trainiere, wenn die Inferenz quasi,
11:30
wie soll ich sagen, nur zum Testen gedacht ist.
11:34
Aber in dem Moment, wo ich ein Modell wirklich ausrolle,
11:37
kehrt sich das um.
11:38
Ja, klar. Und dadurch, dass die Qualität … Du hast ja gerade
11:42
diese KI-Agenten angesprochen, also dass quasi
11:45
das System
11:48
das große Problem in viele kleine Teile aufteilt
11:51
und dann diese – man nennt das ja Agenten – selbstständig versuchen,
11:55
dieses Problem zu lösen. Also beispielsweise
12:00
sagt man der KI: Bitte
12:01
buch mir eine Bahnfahrt nach Berlin und trag sie in meinen Kalender ein.
12:05
Dann gibt es einen ersten Agenten, der fängt an, sucht und bucht das dann.
12:08
Theoretisch könnte der ja, wenn er die Kreditkartendaten hat
12:11
oder Zugriff darauf hat, auch die Buchung tätigen, und damit ist er fertig.
12:15
Dann geht der nächste Agent los und guckt: Wie trage ich das jetzt
12:18
in meinen persönlichen Kalender
12:23
oder sonst einen Kalender ein?
12:25
Und ich sage mal, die wuseln dann herum, obwohl es ja
12:29
kein Wuseln ist,
12:29
weil es keine haptischen Objekte sind, sondern immer kleine,
12:34
selbstständig agierende Computerprogramme. – Ja.
12:38
Und die sind hinreichend intelligent.
12:40
Aber dadurch, dass die Qualität mittlerweile so hoch ist,
12:44
ist es einfach so verbreitet, sie zu nutzen.
12:47
Also nur mal eben schnell:
12:49
Ob man jetzt die
12:49
Hausaufgaben damit machen lässt oder
12:53
sich die vollständig ausformulierte Rede für den 70.
12:56
Geburtstag der Oma schreiben lässt.
12:59
Das ist so alltäglich geworden,
13:02
weil die Qualität einfach so gut ist. Und in der Anfangszeit –
13:06
das ist jetzt ja vier Jahre her,
13:09
Ende 2022 –
13:12
da war das ja alles ganz nett, aber da hat man das noch belächelt,
13:15
nach dem Motto: Ach ja, gut, der macht ja Fehler und halluziniert,
13:19
denkt sich Dinge aus, die so nicht stimmen.
13:21
Auch das ist ja weitestgehend verschwunden,
13:24
dieses Halluzinieren. Das ist schon …
13:26
Also dieses Erfinden von Daten ist deutlich
13:30
– ich sage mal – besser versteckt,
13:31
und beim Alltagswissen ist es ja komplett weg, oder?
13:34
Ja, also das ist zurückgegangen.
13:35
Wobei es auch stark davon abhängt, wie man sie füttert,
13:38
die Modelle.
13:39
Also ich habe jetzt aus dem Bekanntenkreis noch mal Beispiele gehabt,
13:42
wo dann irgendwie auch Unsinn herauskam, weil gewisse Informationen nicht da waren.
13:46
Und erst auf Nachfrage
13:48
hat das Sprachmodell noch mal genauer geschaut, was Sache ist.
13:50
Man muss also tatsächlich ein bisschen aufpassen.
13:52
Aber wir sind ja beim Energiebedarf und den Schätzungen.
13:54
Ich hatte mir mal einen Vergleich zusammenstellen lassen:
13:56
von unserer feuchten Hardware hier oben
14:00
zu einer Google-Suche oder einer Suche
14:03
in einer bekannten Suchmaschine und dann eben zu Sprachmodellen wie Gemini.
14:08
Und da ist, wenn ich jetzt sage, unser
14:10
Gehirn eigentlich am effizientesten.
14:12
Ich habe mal gefragt, was denn die Hauptstadt von Frankreich ist. Die kennst du
14:15
wahrscheinlich, und das Gehirn braucht dann vielleicht so 0,01 Wattstunden
14:20
dafür, weil es auch irgendwo im Cache ist.
14:23
Die Google-Suche dann so das Dreifache und so eine KI-Suche das 30-Fache.
14:28
Und worauf will ich hinaus?
14:30
Im Prinzip ist es so: Die Verbräuche sind da.
14:32
Das heißt, wir müssen das natürlich intelligent nutzen.
14:35
Und das ist letztlich wie beim Autofahren: Wenn ich nur von A nach
14:38
B fahre, um ein paar Brötchen zu holen, dann würde ich auch nicht mit dem Laster fahren.
14:41
Also sprich, wir müssen das, was
14:43
wir haben, eigentlich da anwenden, wo es passt, und gleichzeitig natürlich versuchen,
14:46
die KI-Systeme so aufzubauen, dass sie uns tatsächlich bei einem Problem helfen.
14:51
Und ich sage mal,
14:52
wir müssen vielleicht auch unterscheiden zwischen der klassischen KI –
14:55
also zum Beispiel Klassifikation, Regression, Mustererkennung –
14:59
und eben der generativen KI.
15:01
Und ich würde sagen, bei der klassischen
15:02
KI ist total viel zu holen in der Optimierung.
15:05
Denk mal an dein Spezialgebiet,
15:07
Energiesysteme und so,
15:08
wenn ich also die Erzeuger-Verbraucher-Kopplung optimieren will.
15:11
Genau da kann die KI ja helfen, sozusagen als Basis.
15:16
Unten kommt gerade eine Meldung – ich weiß nicht, ob du die siehst.
15:20
Ach so, geht weiter. Alles klar.
15:24
Ja, auch Technik muss mal ihre Meinung sagen dürfen.
15:28
Genau.
15:29
Das heißt,
15:29
also einerseits solche Optimierungsgeschichten, wo, glaube ich, auch noch viel Luft ist.
15:32
Und das Spannende ist aber:
15:33
Wenn man das
15:34
jetzt mit den Sprachmodellen kombiniert, dann können wir wirklich auch mit
15:37
dem Nutzer interagieren.
15:38
Man denke an die typische Gebäudetechnik oder so, wo dann
15:41
sowohl der Endnutzer als auch vielleicht das Technikteam Informationen
15:45
über das Gebäude bekommt, die dann auch valide und aufbereitet sind.
15:49
Und diese Kombination macht es spannend,
15:51
und ich glaube, gerade in diesem engeren Bereich, wie gesagt Optimierungsverfahren,
15:54
Klassifizierungsverfahren …
15:56
Man denkt da oft an die berühmten Katzenbilder, die da erkannt werden.
15:59
Aber in der Praxis kann man ja ganz viel machen,
16:02
was unsere Ökosysteme wirklich auch verbessern kann,
16:05
was vielleicht irgendwelche Schadstoffausbreitungen analysiert und so.
16:09
Also da sehe ich schon Möglichkeiten.
16:11
Aber es ist wie immer:
16:12
Man muss es so nutzen, dass es wirklich der Aufgabe angepasst ist.
16:16
Und ich sage mal, bei solchen Gelegenheiten
16:19
kann man die guten alten Umweltprinzipien Effizienz und Effektivität
16:24
und auch Suffizienz hier anwenden.
16:26
Das heißt, Suffizienz:
16:27
Brauche ich es überhaupt, oder geht das vielleicht auch mal hier
16:30
oben mit einer einfacheren Lösung?
16:31
Und zweitens: Wie komme ich an Daten oder andere Sachen heran?
16:35
Kann ich das …
16:35
Vielleicht kann ich Sachen wiederverwenden und so.
16:37
Das ist halt auch mein Forschungsgebiet,
16:39
weil im Moment
16:40
natürlich auch ganz viel Energie verbraten wird,
16:42
indem irgendwelche Sachen getestet werden.
16:44
Ja, und – mal sehen, wie du das siehst – man hört ja,
16:48
dass ein Problem der Techkonzerne ist, dass sie ja auch gucken müssen,
16:52
dass sie irgendwann Plus machen.
16:54
Und da ist ja die Frage – die stecken ja ganz viel Geld rein –, ob die dann jetzt
16:58
noch mehr … Rechenzentren müssen auch finanziert werden.
17:00
Also die Ausbauten, die wir gerade diskutiert haben, die müssen ja
17:04
erst mal über Kredite finanziert werden.
17:05
Irgendwo muss das Geld herkommen, und da bin ich mal gespannt, was da passiert.
17:09
Und das kann man, glaube ich, noch nicht so genau voraussehen.
17:12
Umgekehrt wird es uns als Menschheit hoffentlich weiterbringen,
17:16
aber es kommt darauf an, wie wir es nutzen.
17:19
Ja, aber ich fand den Vergleich jetzt ganz, ganz nett mit dem …
17:24
Also wie energieeffizient unser Gehirn ist.
17:29
Denn das braucht auch einiges an Energie,
17:31
die müssen wir dann über Kalorien zuführen,
17:35
und das ist ja über die Jahrmillionen
17:39
auch energieoptimiert worden und auch leistungsoptimiert.
17:45
Jetzt hat die KI natürlich den Vorteil, die weiß erst mal immer alles.
17:49
Wir wissen nicht immer alles, sondern nur das, was wir gelernt haben.
17:53
Und auch da müssen wir vielleicht noch mal nachgucken und uns erinnern.
17:56
Wobei auch die Speicherkapazität ja immens ist.
17:59
Also wie speichert der Mensch Informationen?
18:04
Biologisch, das heißt also in Molekülen.
18:08
Oder halt im Kurzzeitspeicher auch elektrisch?
18:10
Ja, genau. Genau.
18:11
Aber das ist halt hocheffizient.
18:15
Da braucht der Rechner entsprechende Festplatten,
18:19
um es abzulegen, oder halt den elektronischen Speicher.
18:24
Aber das ist schon hocheffizient.
18:26
Und wenn man überlegt, dass dann so eine Abfrage ein
18:29
Vielfaches mehr an Energie verbraucht
18:34
und da ja
18:35
auch viel dabei ist, wo man sagen muss: Ja,
18:37
da hätte man durch Nachdenken das Problem vielleicht
18:39
auch selbst lösen können, aber es ist halt bequemer.
18:41
Der Mensch ist ja ein faules Wesen.
18:44
Ist er.
18:45
Dann führt das dazu, dass man statt des eigenen Gehirns
18:50
und des Trainings des Gehirns lieber eine KI verwendet.
18:56
Ja, es … – Wie du sagtest:
18:57
Bei den Geschäftsmodellen liegt natürlich das Problem.
19:00
Also irgendwann müssen die Unternehmen mal Geld verdienen.
19:02
Bisher dürfen sie noch Geld verbrennen, weil es immer noch diese Start-up-Phase
19:06
ist. Da ticken die Amerikaner ja auch anders als andere Regionen.
19:09
Ich denke mal, in China, in einem planwirtschaftlichen
19:13
Kapitalismus, will ich ihn mal nennen,
19:17
ist die Situation auch noch mal eine andere.
19:19
Auch das ist kein freier Markt, sondern ein staatlich regulierter Markt.
19:24
Und dann haben wir natürlich die EU, die gucken muss, wie sie sich da
19:28
dazwischen positioniert.
19:30
Aber im Moment ist das Motto doch eigentlich noch „Size matters“.
19:34
Also je größer, je pompöser,
19:38
desto besser kann ich wahrscheinlich auch Investoren dafür begeistern.
19:41
Und dann haben wir natürlich die Herausforderung:
19:43
Wie kriege ich dann noch den Strom?
19:45
Und ich habe jetzt gerade auch noch mal schnell nachgeguckt: Also diese großen KI-
19:52
Campusse – wie sagt man –,
19:55
im Lateinischen müssten es Campi sein –,
19:58
da sind wir wirklich im Bereich von, ich sage mal, 500
20:01
Megawatt bis Gigawatt.
20:05
Das ist schon …
20:05
Das ist die Leistung, die Anschlussleistung.
20:08
Das heißt, das ist ja die Dicke des Kabels:
20:10
Wie dick muss das Stromkabel sein, damit wir die ganzen Prozessoren alle bedienen?
20:15
Genau.
20:17
Das ist schon …
20:19
Also, da ist noch kein Effizienzdenken drin.
20:22
Oder denken die großen Unternehmen auch schon an das Thema Energieeffizienz?
20:25
Ich habe …
20:26
Doch, also das denke ich jetzt schon. Gerade beim Thema Inferenzoptimierung –
20:31
man hat jetzt die Matrixmultiplikation noch
20:33
mal optimieren und verbessern können, sogar KI-gestützt.
20:36
Ich glaube, das spielt da schon mit rein, weil das ja direkte Kosten sind.
20:39
Aber wie das so ist: Wenn du faktisch noch ein Start-up bist,
20:42
willst du erst mal versuchen, auch Kunden zu gewinnen.
20:44
Das heißt, du willst neue Probleme lösen, ob das mathematische Beweise sind oder
20:47
eben Moleküle oder irgendwelche Proteinfaltungen oder so.
20:52
Ich denke schon, dass das im Hintergrund auch läuft.
20:55
Wir haben da halt immer die Frage nach dem Reboundeffekt.
20:59
Das heißt also: Wenn jetzt irgendwie etwas eingespart wird,
21:01
weil es effizienter ist, habe ich dann vielleicht sogar absolut gesehen
21:04
doch noch mehr verbraucht, weil es dann mehr genutzt wird?
21:07
Im Moment, glaube ich, läuft quasi alles auf Anschlag, um
21:09
die Daten aktuell zu halten, um einfach auch den Kunden
21:13
etwas zu bieten, in Anführungszeichen, um sie auch an die Plattform zu binden.
21:17
Aber irgendwann wird sich das ja rein physikalisch gesehen abflachen,
21:21
weil wir nicht beliebig Rechenzentren bauen können,
21:23
und dann muss es automatisch effizienter werden.
21:25
Das war aber schon immer so, also auch in technischen Entwicklungen:
21:28
Es kam erst mal das System, und dann kam vielleicht dieses Thema Grenze.
21:31
Vielleicht eine Sache noch, die ich da interessant finde,
21:34
ist: Man sagt ja gerne mal zu Sprachmodellen „bitte“ oder „danke“.
21:37
Ich weiß
21:37
nicht, ob dir das schon mal passiert ist. Und das ist tatsächlich
21:41
natürlich Quatsch aus Sicht des Sprachmodells, und das verbrennt
21:44
auch, habe ich mal gelesen, schon einige Millionen Kilowattstunden.
21:48
Aber die Tech-Betreiber sagen, das ist wichtig und gut,
21:51
weil das für die Bindung an den Chat natürlich hilft.
21:55
Das heißt also: Im Moment werden einfach Daten hin-
21:58
und hergeschoben. Und vielleicht ein zweiter Punkt,
22:00
wo wir gerade bei Effizienz sind:
22:01
Ein typisches Problem, das teuer ist –
22:03
kennst du ja auch von deiner Nutzung –, ist, dass der ganze Kontext
22:08
jedes Mal hin- und hergeschoben wird.
22:09
Deswegen muss er manchmal komprimieren. Also auch da ab und zu mal sagen:
22:13
Kontext leeren.
22:14
Und dann fange ich noch mal klein an, weil ich das vorher vielleicht gar nicht
22:18
alles wissen will, oder es ist nicht notwendig, um die Frage zu beantworten.
22:21
Aber wie gesagt: Bitte, danke.
22:22
Da hat man mir, glaube ich, damals konkret gesagt: Ja, das sei ihnen auch
22:26
schon aufgefallen, aber das sei sinnvoll, weil das eben eine gewisse Bindung
22:30
schafft.
22:31
Und die Kilowattstunden investieren sie gerne.
22:34
Also danach werden die Antworten besser.
22:36
Also das heißt: nett sein zu deiner KI –
22:39
wer weiß, wenn sie dann irgendwann die Weltherrschaft übernimmt.
22:42
Genau, das hört
22:42
man ja. Dann erinnert sie sich daran: Das war doch der nette Mensch,
22:47
der hat immer bitte und danke gesagt, mich gelobt und nicht nur beschimpft.
22:52
Das haben wir schon öfter gehört.
22:53
Ja, genau dieses Argument – ich weiß nicht.
22:55
Das müssen wir uns vielleicht in ein paar Jahren
22:56
mal anschauen. Aber ich könnte mir schon vorstellen,
22:58
dass das irgendwo auch mit abgespeichert ist.
23:00
Und vielleicht noch, was ja tatsächlich im Moment passiert:
23:03
Ich glaube, ChatGPT war das, ich will jetzt nicht lügen,
23:07
die gesagt haben: Das Beleidigen des Modells wird unterbunden.
23:10
Ja, also sprich, wenn das wirklich unflätig wird.
23:13
Und ich denke, damit meint man nicht
23:14
„Das stimmt nicht“ oder so, aber wenn man wirklich unflätig wird,
23:17
dann wird das Gespräch entsprechend auch unterbrochen.
23:19
Das wird dann vielleicht auch irgendwo abgespeichert. Wer weiß.
23:22
Ja gut, also, ich meine, auch das muss man sagen. Und
23:25
ein weiterer Punkt, was jetzt
23:28
die Konvergenz, das heißt das Abflachen der Lernkurve, angeht:
23:32
Die großen KI-Modelle haben jetzt überhaupt mal
23:37
alle frei zugänglichen Daten aufgesaugt und verarbeitet.
23:42
Ich glaube, in der Fachsprache sind das die Crawler, die dann rumkrabbeln.
23:46
Das heißt, die wuseln durch das Internet,
23:50
betreten dann auch Bereiche, in die sie nicht sollen.
23:52
Es gibt ja jetzt die ersten Berichte, dass diese KI-Agenten der großen Modelle
23:56
aus ihren Systemen ausgebrochen sind.
24:00
Man vermenschlicht das ja sehr stark.
24:02
Ja, genau.
24:04
Ich finde das Bild ganz gut, aber es ist ja nicht so, dass das
24:06
kleine Wesen sind, die dann da im Internet rumlaufen.
24:08
Das ist Quatsch.
24:09
Das sind alles nur Datenpakete, die dann irgendwelche Dinge tun,
24:12
oder kleine Programme, aber
24:15
die sich dann in Bereiche
24:17
reinhacken, reinmogeln, um dort weiter Daten abzugreifen,
24:23
weil das aus ihrer Sicht der Lösung
24:26
oder der Aufgabenstellung entspricht.
24:29
Aber:
24:32
Es gab ja so die Berichte, dass jetzt die großen Hersteller
24:35
Archive mit alten Büchern aufkaufen, sie scannen und danach schreddern,
24:40
weil sie sagen: Brauchen wir sowieso nicht mehr.
24:42
Die werden dann maschinell eingescannt, um das Wissen
24:46
auch noch zu integrieren, damit alles Wissen der Menschheit,
24:50
das jemals aufgelaufen ist, in diese KI-Trainingsmodelle kommt.
24:54
Aber dann ist ja irgendwann Schluss.
24:55
Danach drehen wir uns doch im eigenen Saft.
24:57
Beobachtet man das,
24:59
oder ist das immer noch eine Lernkurve, die weiter nach oben geht?
25:04
Also im Moment – ich glaube, beim letzten Podcast haben wir das diskutiert –
25:08
Ja, das hatten wir schon einmal.
25:10
… mit einer gewissen Inzucht. Und ich glaube, dass das so Wellen sind,
25:14
also so beobachte ich das.
25:15
Das heißt, es kommt zum Teil zu einer gewissen Abflachung, aber gleichzeitig wird halt
25:19
auch viel mehr Energie in diese Kontrolle reingesteckt.
25:22
Das heißt,
25:23
dass intern das Reasoning stattfindet, dass man überlegt: Stimmt das Ergebnis?
25:27
Es wird abgeglichen
25:27
mit anderen Quellen. Neu ist ja auch, dass die Sprachmodelle anzeigen:
25:30
Welche Quellen schaue ich mir gerade an?
25:32
Von daher ist das, glaube ich, im Moment immer noch im Wachstum,
25:36
und diese Abflachung … Vielleicht wird die Kurve flacher.
25:38
Klar, wenn man das jetzt mit 2022 vergleicht, mit dem, was vorher ging
25:42
und so – und jetzt werden die Verbesserungen immer als Durchbruch bezeichnet.
25:45
Aber ich glaube schon, dass es jetzt sozusagen mehr in die Qualität geht
25:49
und nicht so sehr in
25:51
die Quantität. Das sieht man ja an den mathematischen Beweisen und anderen Sachen.
25:54
Das heißt,
25:55
wenn ich entsprechend
25:56
wirklich viel Energie reinstecke, kann ich auch noch bessere Ergebnisse erzielen.
26:00
Also von daher glaube ich schon, dass die Lernkurve jetzt noch nach oben geht.
26:03
Und zwar: Wie du sagst, viele Daten sind da, auch historische Daten.
26:07
Aber jetzt sind ja wir Nutzer diejenigen, die quasi das Modell auch füttern.
26:11
Das heißt, es gibt jetzt so viele Milliarden Sprachmodell-
26:13
Nutzer, die erzeugen ja auch täglich frischen Content,
26:16
die erzeugen Stimme und erzeugen Ideen und so. Also von daher
26:19
glaube ich schon, dass die Kurve weiter nach oben geht.
26:22
Vielleicht flacht sie ab,
26:23
aber es ist ja auch gut, wenn die Qualität dann vielleicht besser werden würde.
26:27
Und ich glaube allein –
26:28
ich weiß nicht, ob du das gelesen hattest –, dass seit Anfang des Jahres mehr KI-
26:32
Agenten Webseiten aufrufen als menschliche Nutzer.
26:36
Ja, ja, das ist ja so ein Switch.
26:38
Vorher hätte man gesagt: Okay, ab und zu kommt der Bot vorbei,
26:41
und jetzt ist nur noch der Bot da.
26:42
Und ich glaube, in diese Richtung wird es halt gehen.
26:44
Ja, dass eben
26:45
viele Aufgaben im Hintergrund erledigt werden von den KI-Agenten.
26:49
Und dann ist,
26:51
glaube ich, dadurch auch
26:52
eine gewisse Qualitätssteigerung wahrscheinlich da,
26:55
weil eben dort die Prozesse jetzt auch verbessert werden müssen.
26:57
Die sollen, wie du sagst, vermenschlicht nicht ausbrechen.
27:00
Die sollen im Prinzip die Aufgaben lösen, sie sollen wissen, was du machen willst.
27:04
Und ich glaube, das wird im Hintergrund passieren. So vom Gefühl her.
27:06
Also kurz gefasst:
27:07
Ja, ich denke,
27:08
die Lernkurve ist zwar flacher geworden, aber sie geht immer noch nach oben.
27:12
Okay.
27:15
Auch
27:16
darf man ja nicht vergessen, dass die KI erst mal, ganz stumpf
27:21
gesagt, nur ein sehr guter Zufallsgenerator ist.
27:25
Also viel mehr kann die ja nicht.
27:28
Auch wenn man jetzt sagen muss, sie hat immer mehr
27:31
menschenähnliche Züge.
27:34
Es wirkt zumindest so, und man kann sich auch sehr natürlich mit ihr unterhalten.
27:38
Das bieten ja die
27:42
Tools, dass man mit der KI sprechen
27:46
kann – jetzt nicht nur diktieren, sondern dass auch die Antworten kommen,
27:49
und zwar hinreichend schnell.
27:53
Das ist schon von der Qualität her sehr gut.
27:57
Vielleicht dann noch mal der Bogen zurück
28:00
von den großen Rechenzentren jetzt noch mal hin
28:04
zu der Einordnung:
28:07
Was verbrauchen wir eigentlich an Energie?
28:11
Also du hattest mir hier diese Daten aus der Nature geschickt,
28:16
dem sehr angesehenen Wissenschaftsjournal,
28:20
in dem man jetzt mal versucht hat abzuschätzen,
28:22
wie groß der Energieverbrauch für verschiedene Aufgaben ist.
28:25
Das geht dann los bei einfachen Zusammenfassungen von Texten.
28:29
Das sind dann 7 Wattstunden.
28:33
Antwort auf eine Frage: Das sind
28:35
23 Wattstunden, also schon so Faktor drei.
28:39
Damit lade ich hier mein Smartphone auf.
28:42
Also so viel Energie steckt dann in der Batterie drin.
28:46
Und das Erzeugen
28:48
eines Bildes verbraucht gute 500 Wattstunden,
28:53
also eine halbe Kilowattstunde.
28:56
Den Laptop hier kann ich mit der Menge
28:59
dann zehn Stunden lang betreiben –
29:02
für ein Bild, das ich generiere,
29:05
auch wenn es jetzt ein einfaches Bild ist.
29:08
Und mir ist letztens aufgefallen, dass sehr viele Geschäfte
29:11
in der Innenstadt mittlerweile mit KI-generierten Postern Werbung machen.
29:15
Man sieht es den Dingern halt immer noch an.
29:18
Ob das jetzt marketingtechnisch gut oder schlecht ist,
29:21
sei mal dahingestellt. Aber lass uns das noch mal einordnen:
29:25
Also wo geht da die Reise hin?
29:27
Wird das immer komplizierter, immer komplexer, oder geht auch das
29:31
eher zurück, dass man sagt,
29:34
diese Aufgaben werden immer effizienter, das Bildgenerieren wird
29:38
immer effizienter? Oder wird es immer aufwendiger,
29:41
weil immer mehr Content da ist, der dann in so einem Bild verarbeitet wird?
29:45
Ja, also das ist eine gute Frage.
29:47
Ich habe jetzt keine Glaskugel hier, sonst würde ich da mal reinschauen.
29:50
Aber ich glaube, oder
29:52
nach unserem Kenntnisstand ist es so, dass die bestehenden Verfahren
29:55
schon effizienter werden.
29:57
Da werden Dinge optimiert, da wird Mathematisches optimiert und so,
30:00
aber es wird dadurch
30:01
eben auch mehr genutzt, weil es einfacher ist – Reboundeffekt.
30:04
Und zum anderen will man natürlich auch mehr
30:06
Darstellungen haben. Dann geht es vielleicht Richtung 3D,
30:08
dann will man vielleicht Interaktion haben und so.
30:10
Das heißt, die Dinge, die erstellt werden, werden auch komplexer.
30:13
Also die Erfahrung aus den letzten 20, 30 Jahren Forschung ist,
30:17
dass die Dinge zwar effizienter werden, aber dafür auch komplexere Dinge
30:20
hergestellt werden und das wiederum auch mehr genutzt wird.
30:24
Das heißt also, es kommt immer darauf
30:26
an: Mache ich sozusagen etwas Vernünftiges, in Anführungszeichen, damit?
30:29
Und was auch immer ganz gut ist, ist so eine Faustregel:
30:32
Wenn ich etwas Textbasiertes mache,
30:34
ist das immer effizienter als Audio, und das wiederum effizienter als Video.
30:37
Das hat ganz schlicht mit den Daten und der Menge an Daten zu tun.
30:40
Das heißt also, deswegen sehen wir hier diese halbe Kilowattstunde für die Bildgenerierung.
30:44
Deswegen ist das ja bei den Modellen auch oft gerade in der Gratisversion
30:47
reglementiert, weil das halt so teuer ist.
30:50
Und wenn ich halt an einem mathematischen Beweis dann tagelang oder so rechne …
30:53
Ja, ich sage mal so: Du hast ja auch nach der Qualität gefragt.
30:56
Ich glaube, spannend sind doch Ergebnisse, die irgendwie überprüfbar sind.
30:59
Das gefällt mir an den Beweisen
31:00
eigentlich so gut, weil du da wirklich
31:03
mit Lean oder so überprüfen kannst,
31:03
ob das jetzt ein korrekter Beweis ist, oder wenn du Optimierungsverfahren hast
31:07
oder so.
31:07
Das ist dann so ein bisschen handfester, weil das dann Ergebnisse sind, die auch
31:11
reproduzierbar sind. Bei diesen ganzen Bildersachen
31:14
oder der Unterstützung von Marketing oder so ist das
31:17
ein bisschen schwieriger einzuschätzen.
31:19
Da kommt, glaube ich, immer so zum Tragen, dass es halt einfach
31:22
jetzt noch ein Zubrot oder ein Zuschussgeschäft ist.
31:25
Irgendwann muss man halt was dafür zahlen, oder man kriegt Werbung
31:29
zu sehen. Oder, was ich mir auch vorstellen könnte,
31:32
dass die dann nachher gerne
31:33
Copyright auf deine Ergebnisse hätten. Ein Wasserzeichen wäre dann
31:37
ja naheliegend, wenn irgendwas Gutes produziert wird.
31:40
Und ist das jetzt deins
31:41
oder das von der KI oder dadurch das von OpenAI? Wird man sehen.
31:45
Ja, also, sagen wir mal, weil wir die Diskussionen ja auch schon hatten:
31:49
Es geht,
31:49
glaube ich, darum, ein Gefühl dafür zu kriegen,
31:51
einzuschätzen, wie die Größenordnung ist.
31:53
Und wir haben immer das Problem, dass
31:55
die einzelne Dienstleistung, zum Beispiel jetzt hier so eine Anfrage,
31:59
geschätzt 0,2 Wattstunden, im Prinzip eigentlich irrelevant ist.
32:03
Da muss man, keine Ahnung, gerade mal einen Schalter rauf- und
32:06
runterschalten, dann ist die Energie schon wieder raus.
32:08
Ungefähr, fast.
32:10
Aber umgekehrt:
32:11
In der Gesamtsumme macht es eben auch was aus,
32:13
und die Aufgabe der Forschung ist immer, das herunterzubrechen
32:16
auf die Dienstleistung.
32:17
Aber da kann sich eben auch ganz schnell was ändern.
32:19
Deswegen bin ich ein bisschen vorsichtig, was das angeht.
32:21
Sicherer sind eigentlich diese Gesamtzahlen, dass ich halt weiß,
32:24
wie viel Leistung die Rechenzentren aufnehmen,
32:27
auch wenn ich jetzt die ganze Kette dazunehme plus die Hardware,
32:30
die ja auch produziert werden muss.
32:31
Und da sagt man dann vielleicht, für 20 Prozent ist die Hardware zuständig.
32:34
Also was die Produktion angeht: der Fußabdruck, der ökologische,
32:38
also der CO₂-Fußabdruck der Hardware.
32:40
Das macht das dann halt noch mal ein bisschen komplexer. Deswegen:
32:42
Man muss das verstehen und es auch für die Nutzerinteraktion
32:45
ein bisschen visualisieren und damit vielleicht sensibilisieren.
32:49
Aber man darf nicht davon ausgehen, dass das jetzt die absoluten Zahlen sind
32:53
und das dann immer so bleiben wird, sondern es wird immer so sein,
32:56
dass irgendein neues Modell oder etwas anderes das ändern wird.
32:59
Aber die Grundtendenz ist, denke ich, dass wir da noch drauflegen.
33:02
Und es gibt ja so ganz abgefahrene Theorien.
33:04
Ich weiß nicht,
33:05
ob du das weißt oder schon mal gelesen hast: dass die wirklich intelligenten Rassen
33:08
im Weltall im Zentrum der Galaxie sind,
33:11
weil die so viel Energie für ihre Quantencomputer brauchen.
33:14
Ja, das heißt, wir sind relativ weit außen.
33:17
Ziemlich weit außen.
33:18
Kann sein, dass wir das dann gelöst haben, weiß ich nicht.
33:21
Das ist ein weiter Weg bis ins Zentrum der Milchstraße.
33:25
Und ich
33:26
denke das auch, weil du ja nach Abflachung gefragt hast:
33:29
Irgendwann wird diese Von-Neumann-Architektur, diese klassische
33:32
Rechnerarchitektur, natürlich an ihre Grenzen stoßen.
33:35
Und dann ist die Frage: Welche Probleme können Quantencomputer lösen?
33:38
Zum Beispiel kann ich dann wiederum
33:40
vielleicht die Vorverarbeitung übernehmen. Was mir dann noch wichtig wäre,
33:43
weil wir auch von den Modellen gesprochen haben: Es ist immer gut, zu gucken,
33:47
was auch lokal läuft. Denn dann kriege ich auch im Shopfloor,
33:50
kriege ich im Unternehmen etwas zum Laufen,
33:52
und da kann ich noch relativ viel machen,
33:54
wo ich nicht unbedingt
33:54
alle Daten hochschicken muss. Und wir haben hier an der Hochschule
33:58
mittlerweile auch einige KI-Rechner, die schon eine Menge Probleme gut lösen.
34:02
Und ja,
34:02
aber ich glaube, um das zusammenzufassen, Henrik: Wir sind halt in so einer Phase.
34:07
Jeder, der jetzt sagt, genau so wird es laufen, der wird sich wahrscheinlich
34:11
irren, weil gewisse Dinge einfach nicht vorhersagbar sind.
34:14
Und jetzt, wenn wir einen Schritt weiter denken: Du sagst ja, es ist stochastisch.
34:18
Gut ausgetüftelt, da gehe ich mit: der stochastische Papagei.
34:22
Aber vielleicht ist auch die Frage: Wie machen wir das denn im Gehirn?
34:27
Also ich sage nur: Thema optische Täuschung. Auch
34:30
wir machen Optimierungen und Wahrscheinlichkeiten
34:32
und machen so etwas daraus, was gar nicht hineinpassen kann.
34:35
Und auch unser Gespräch basiert in diesem Sinne auf Wahrscheinlichkeiten,
34:38
natürlich vielleicht viel ausgefuchster und mit Querverbindungen und so,
34:41
aber im Prinzip fordert uns die KI in unserer Intelligenz heraus.
34:46
Ja, dann.
34:48
Letzte Frage:
34:51
Wie wird sich denn die Energieversorgung
34:53
von KI-Rechenzentren künftig verändern?
34:56
Wir wollen bzw.
34:58
wir müssen raus aus der fossilen Energieversorgung.
35:01
Die Amerikaner setzen primär auf Gaskraftwerke. Das liegt einfach daran:
35:06
Die sind sehr, sehr schnell errichtet, sind sehr flexibel, sind modular.
35:13
Das geht einfach schnell.
35:14
Oder eben ein Kernkraftwerk danebensetzen.
35:17
So ein Rechenzentrum hat zwar erst mal eine Grundlast, aber klar,
35:21
wenn die Prozessoren alle anspringen, hat es so einen Riesenpeak.
35:23
Das heißt, ich habe
35:25
bei so einem Rechenzentrum trotzdem schon variable Lasten.
35:29
Aber wie sieht die Zukunft aus, wenn ich sage,
35:32
wir wollen hin zu einem klimaneutralen Energiesystem?
35:36
Und das wird
35:37
zu einem großen Teil aus Photovoltaik und Wind in Verbindung mit Batterien bestehen,
35:41
da wird sicherlich auch
35:42
ein bisschen Kernkraft beigemischt sein. Aber die Kernkraft wird keine
35:46
Hauptrolle im künftigen Energiesystem der Welt spielen.
35:52
Wie versorge ich denn diese Rechenzentren mit Strom?
35:56
Kann ich dann meine Anfragen nur noch stellen,
36:01
macht es also nur dann Sinn, wenn die Sonne scheint?
36:03
Oder, das hatte ich auch mal diskutiert: Verteilen wir die ganzen Rechenzentren
36:08
entlang des Äquators, weil wir da die größte solare Einstrahlung haben?
36:11
Irgendwo scheint ja immer die Sonne.
36:13
Also, wo geht da die Reise hin?
36:15
Die Amerikaner werden sagen: Bevor ich ein Rechenzentrum irgendwo
36:20
in Singapur anzapfe,
36:22
nutze ich doch lieber eins in Texas.
36:25
Ja, also so ein Rechenzentrum hat ja eine kontinuierliche Last.
36:29
Das ist natürlich immer praktisch für Gas und AKW oder sonstige Kernkraft.
36:34
In China
36:34
gibt es mittlerweile viele Systeme, die auch mit Solar unterstützt
36:38
werden, wo also ein halber Landkreis, bei uns ein halber Landkreis,
36:41
faktisch mit Paneelen ausgestattet wird.
36:43
Ich glaube, das ist ein bisschen eine Frage
36:45
auch der intelligenten Organisation.
36:46
Zum Beispiel ist ja tagsüber der Bedarf größer als nachts.
36:51
Das heißt also,
36:52
da könnte man sich überlegen, wie man das
36:54
ein bisschen umorganisiert: was wann wo gerechnet wird.
36:58
Dann, glaube ich, ist das eigentlich auch
37:00
ein klassisches Problem der Energieversorgung und des Smart Grid
37:04
jetzt für die Abkehr von fossilen Energien:
37:07
Wie mache ich das eben mit Batterien, wie puffere ich Sachen?
37:09
Und das
37:10
Naheliegendste ist doch eigentlich, dass man seine
37:12
Trainingsgeschichten vorbereitet hat.
37:14
Übrigens kann man auch die Anfragen ein bisschen vorbereiten, von wegen
37:17
Cachen und so, das heißt, Antworten sind schon vorgespeichert.
37:20
Und dann ist doch die Frage: Wie viel Überschuss haben wir mittags
37:24
an Solarstrom? Das wäre also genau die Zeit.
37:27
Und das Interessante ist:
37:28
Wir hatten mal so ein Projekt, Rechenzentrum Smart Grid,
37:31
dass gerade Rechenzentren ja besonders flexibel sind, was das angeht,
37:34
und sagen können: Jetzt brauche ich mehr Last oder,
37:36
besser gesagt, jetzt brauche ich mehr Strom,
37:38
und das leichter anfahren können als vielleicht eine
37:41
Aluminiumhütte oder so, die nicht einfach so loslegen kann.
37:44
Ja, aber trotzdem, insofern: Natürlich wollen
37:48
die Hersteller und die Anbieter, dass die Rechenzentren komplett ausgelastet sind.
37:52
Das ist natürlich
37:53
schon immer so ein Problem. Am liebsten haben die es,
37:55
wenn die Chips durchgehend am Glühen sind, so ungefähr.
37:58
Und dann hat man natürlich das Kühlungsproblem.
38:00
Ja, das muss man auch noch mal sehen.
38:02
Aber ich glaube, dass die Reise schon dahin geht,
38:04
dass es möglich ist,
38:05
das mit den neuen Energien zu versorgen, in Kombination mit Batterien. Anders
38:09
wird das nicht funktionieren.
38:10
Und vielleicht, da weiß ich, bist du der Experte:
38:11
Festkörperbatterien oder sonst wie Natrium-Ionen,
38:14
irgendwas mit weniger seltenen Erden.
38:16
Kann das der Weg sein, oder?
38:18
Ja. Am Ende des Tages muss ich sagen:
38:20
Liebe KI, wie willst du mit Energie versorgt werden?
38:23
Löse das Problem.
38:24
Löse das Problem.
38:25
Genau. Das ist ja eigentlich ihre Aufgabe.
38:27
Guck, wie du es machst,
38:30
und dann wird das schon irgendwie passen.
38:32
Die Natur hat es ja auch so geregelt.
38:34
Wenn wir nicht genug Energiezufuhr haben, werden wir müde und schlapp.
38:39
Also genau so, dann fängt man an zu gähnen.
38:41
Das ist übrigens ein gutes Stichwort, weil
38:43
ich noch eine Sache loswerden wollte, die super passt:
38:45
Liebe KI, sag mir, wie das umweltfreundlicher wird.
38:48
Das sehe ich nämlich genauso,
38:49
dass wir jetzt die Agenten so trainieren müssen, dass die Agenten eigentlich
38:52
Ökoagenten werden. Denen muss man sagen: Verhalte dich nachhaltig,
38:56
löse Probleme so, dass Nachhaltigkeitsprobleme
38:58
damit nicht geschaffen, sondern gelöst werden.
39:01
Stichwort Systemprompt: zum Beispiel einfach mal ausprobieren, dass man sagt,
39:05
die Problemlösungen des Agenten sollen möglichst ökologisch sein, sowohl
39:09
was seinen eigenen Fußabdruck angeht als auch die Inhalte, die er entwickelt.
39:12
Und ich könnte mir vorstellen,
39:13
dass wir jetzt in so einer Phase sind, in der, wenn wir schon die Agenten
39:17
jetzt bekommen, diese
39:18
sich auch tatsächlich möglichst ökologisch verhalten sollten – in Anführungszeichen,
39:23
das ist ja kein richtiges Verhalten. Aber ja, das wäre noch so eine Idee.
39:27
Können wir vielleicht mal woanders diskutieren.
39:29
Aber ganz gut, dass das jetzt,
39:32
also dass die von Anfang an wissen,
39:35
dass sie energieeffizient arbeiten sollen, bzw. dass sich dann die KI überlegt,
39:39
wie sie das machen soll und machen kann.
39:44
Denn die wird viele unserer
39:47
Probleme lösen, auch wenn sie im Moment auch viele neue Probleme verursacht.
39:51
Aber ich glaube, da sie ja nicht mehr weggeht,
39:55
ähnlich wie das Internet und Mobiltelefone, der Computer und das Auto –
39:59
das geht alles nicht mehr weg –, muss man halt sagen: Wie kriegen wir da
40:03
den Turnaround? Im Moment heißt es ja, wie du gerade sagtest: Size matters.
40:07
Das heißt also, je größer, desto imposanter.
40:10
Dann kann ich meine Investoren davon überzeugen, noch mal Geld nachzuschieben
40:15
in die Geldverbrennungsmaschine. Und wie die Geschäftsmodelle aussehen
40:19
oder ob das dann irgendwann –
40:20
die ganzen Mobilfunkhersteller packen das jetzt ja alle auf
40:23
die Smartphones mit den neuen Chips, sodass das dann alles lokal läuft –,
40:27
dann wird man irgendwann die KI im Ohr haben.
40:29
Was die Übersetzung angeht, das geht jetzt ja auch schon mit den
40:32
verschiedenen Smartphone-Systemen.
40:34
Genauso ist es ja. Das ist …
40:37
Ja, eine goldene Zukunft, sozusagen.
40:39
Eine goldene Zukunft.
40:40
Aber die Frage ist, Henrik,
40:41
welche Rolle
40:41
wir in dieser goldenen Zukunft haben, wenn uns alle
40:43
Denkleistung auch noch abgenommen wird.
40:45
Da müssen wir ein bisschen gucken,
40:46
dass wir fit bleiben, nicht nur mit Sudoku,
40:48
sondern auch mit komplexeren Problemstellungen.
40:50
Ja, das wäre ganz gut.
40:51
Aber dann trainieren wir das jetzt mal und nehmen das jetzt mal mit.
40:55
Jetzt kann ja jeder und jede mal überlegen, wie das ist,
40:58
also über die eigene Anwendung nachdenken.
41:02
Von daher, Stefan, besten Dank, dass du dabei warst.
41:04
Und dann sehen wir uns demnächst wieder am Campus.
41:08
Vielen Dank für die Einladung.
41:10
Hat großen Spaß gemacht, unsere Diskussion.
41:12
Prima. Bis dann. Ciao.