"Asynchrone" Next-Gen-KI braucht nur Bruchteil der Energie von heute

Forscher präsentieren mit den Asynchronous Neural Turing Networks eine völlig neue KI-Architektur. Das System orientiert sich am menschlichen Gehirn und verarbeitet Daten asynchron ohne zentralen Taktgeber. So sinkt der Stromverbrauch enorm.

Neues KI-Modell spart viel Energie

Forscher der University of Massachusetts Amherst haben eine neue Architektur für künstliche Intelligenz namens Asynchronous Neural Turing Networks vorgestellt. Das Team um Hava Siegelmann zielt vor allem darauf ab, den hohen Stromverbrauch aktueller KI-Systeme zu senken. Die neue Methode orientiert sich an der Arbeitsweise des biologischen Gehirns und setzt auf eine asynchrone Datenverarbeitung. So soll das System lernen bzw. seinen Job machen, und zwar ohne unnötig Ressourcen zu verschwenden.

Gängige Modelle wie ChatGPT oder Claude basieren auf synchronisierten neuronalen Netzwerken. Dabei werden alle künstlichen Neuronen gleichzeitig über einen globalen Taktgeber aktualisiert, unabhängig von der konkreten Aufgabe. Das erfordert große Rechenzentren und verbraucht oft Millionen Watt an Leistung. Im Gegensatz dazu benötigt das menschliche Gehirn für komplexe Aufgaben etwa 20 Watt, da nur die gerade benötigten Neuronen selektiv aktiv werden.

Asynchrone Netze als Lösung

Wie es in einer in Nature Communications veröffentlichten Studie heißt, vereint die neue Architektur die Energieeffizienz asynchroner Berechnungen mit der Leistungsfähigkeit moderner Deep-Learning-Verfahren. Bisherige Versuche mit asynchronen Netzwerken scheiterten oft an mangelnden Trainingsmethoden. Sie waren kaum mit gängigen Lernalgorithmen kompatibel, was zu einer geringeren Anpassungsfähigkeit führte.

Die Entwickler haben neue Designprinzipien entworfen, um sicherzustellen, dass Informationen bei asynchronen Updates erhalten bleiben. Die Architektur verzichtet auf eine zentrale Uhr zur Koordination. Stattdessen aktualisieren sich die neuronalen Einheiten unabhängig voneinander als Reaktion auf relevante Reize. Das ermöglicht den Einsatz bewährter gradientenbasierter Trainingsmethoden, die für den Erfolg aktueller KI-Modelle verantwortlich sind.

Durch das gezielte Ansprechen einzelner Knotenpunkte ergeben sich verschiedene Eigenschaften für den praktischen Einsatz der Architektur. Der Energiebedarf sinkt theoretisch um ein Vielfaches gegenüber herkömmlichen Systemen. Zudem unterstützt das Modell kontinuierliches Lernen in Echtzeit ohne starre Trainingsphasen. Die praktische Skalierbarkeit auf Billionen von Parametern muss in realen Umgebungen allerdings erst noch bewiesen werden.

Für Hardware mit begrenzter Stromversorgung bietet die Architektur Vorteile. Autonome Fahrzeuge, Roboter oder Geräte im Bereich Edge-Computing könnten durch den geringeren Energiebedarf ausdauernder arbeiten. Die Wissenschaftler planen, die Energieeffizienz weiter zu optimieren und die Fähigkeiten für das kontinuierliche Lernen auszubauen, um eine nachhaltigere Alternative zu aktuellen Systemen zu schaffen.

Glaubt ihr, dass asynchrone KI-Modelle den hohen Stromverbrauch der Branche bald lösen werden? Teilt eure Gedanken und Einschätzungen zu dieser Entwicklung gerne mit uns in den Kommentaren!

Download Gemini Desktop - Google Gemini als Windows-App
Siehe auch: