Künstliche Intelligenz (KI) wird für viele Menschen auf der ganzen Welt zum Teil des täglichen Lebens. Auf individueller Ebene nutzen Menschen zunehmend KI-Modelle für Suchanfragen. Während Google immer noch den Suchmarkt dominiert, stellt ChatGPT die größte Bedrohung für seine Dominanz dar.
Auf geschäftlicher Ebene bleibt keine Branche außen vor: Von der Landwirtschaft bis zum Gesundheitswesen, vom Finanzwesen bis zur Unterhaltung integrieren Organisationen auf der ganzen Welt KI in ihre täglichen Abläufe.
Es wird erwartet, dass die weltweite Nachfrage nach und der Einsatz von KI in den kommenden Jahren exponentiell zunehmen wird. Daher reagieren Technologieunternehmen auf diese Entwicklung mit dem Bau riesiger Rechenzentren. Doch dieses Wachstum hat seinen Preis: Energieverbrauch, wirtschaftliche Kosten und Auswirkungen auf die Umwelt. Herkömmliche Computer können mit dem wachsenden Rechen- und Energiebedarf einfach nicht Schritt halten. Um die KI-Revolution aufrechtzuerhalten, müssen wir die Physik des modernen Computing überdenken.
Energiefragen
Auch ohne Berücksichtigung von KI befindet sich die elektronische Datenverarbeitung an einem kritischen Punkt. Das Mooresche Gesetz versagt, die Dennard-Skalierung ist zusammengebrochen, und das Ergebnis ist die Verbreitung von „dunklem Silizium“, den Teilen von Transistoren auf einem Chip, die stromlos oder im Leerlauf bleiben müssen, um eine Überhitzung zu vermeiden.
Ein großes KI-Modell zu trainieren ist keine leichte Aufgabe. Große Sprachmodelle (LLMs) werden auf riesigen Datenmengen trainiert und verfügen über Billionen von Parametern. Sie prognostizieren, messen, passen an und wiederholen den Prozess milliardenfach. Schätzungen zufolge wird sich die zum Training von KI-Modellen erforderliche Rechenleistung alle sechs Monate verdoppeln.
Das Verarbeiten und Verschieben solch großer Datenmengen erfordert enorme Parallelität und Leistung. Beim herkömmlichen Rechnen erfordert eine höhere Leistung Systeme mit höherer Dichte. Höhere Dichte bedeutet mehr Widerstand und mehr Widerstand bedeutet mehr Wärme. Dies zwingt Rechenzentren dazu, viel Energie von der Rechenleistung auf die Kühlung zu verlagern, wobei bis zu 40 % des gesamten Energieverbrauchs des Rechenzentrums dazu verwendet werden, Serverausfälle zu verhindern.
Die Infrastruktur, die KI unterstützt, hat bereits Probleme, und es ist klar, dass herkömmliche Computer die zukünftige Entwicklung nicht mehr unterstützen können.
Wirtschaftsfragen
Rechenzentrumsbetreiber stehen vor einem finanziellen Rätsel: Entweder wird die Rechendichte auf das beschränkt, was ihre derzeitigen Kühlanlagen verarbeiten können, was ihre Geschäftsfähigkeit beeinträchtigt, oder sie überschreiten thermische Grenzen, was zu einer beschleunigten Alterung von Hardware und Komponenten führt, was zu höheren Betriebskosten und Abfall führt.
Darüber hinaus sind auch die Kosten für den Bau neuer Rechenzentren sehr hoch - McKinsey prognostiziert, dass bis 2030 Investitionen in Höhe von 5,2 Billionen US-Dollar erforderlich sein werden. Wenn Rechenzentren weiterhin auf traditionelle Datenverarbeitung angewiesen sind, stellen Investitionen in ineffiziente Infrastruktur ein enormes finanzielles Risiko dar. Auch normale Verbraucher sind von der schlechten wirtschaftlichen Lage betroffen; Da KI einen beispiellosen Druck auf das Netz ausübt und der Strombedarf von Rechenzentren steigt, steigen die Strompreise. Diese Kosten werden in Form stark steigender Stromrechnungen an die umliegenden Haushalte weitergegeben.
