Neuronale Netzwerke: Unbegrenzter Energiehunger bei begrenztem Erfolg

Künstliche Intelligenz und neuronale Netzwerke sind Computersysteme, deren Funktionsweise vom menschlichen Gehirn inspiriert ist. Diese Systeme sollen so trainiert werden können, dass sie komplexe Aufgaben besser lösen als Menschen.

So finden sie unter anderem in sozialen Medien und Verkaufsplattformen Anwendung, in denen die Nutzer gezielt mit Inhalten oder Produkten angesprochen werden, die ihren individuellen Vorlieben entsprechen. Andernorts werden neuronale Netze auch im Gesundheitswesen eingesetzt, um beispielsweise schnell und überaus zielsicher Tumore auf CT-Scans zu erkennen.

Dennoch plädiert ein dänischer Forscher in seiner neuen Studie, die Technologie nicht unnötig auszunutzen. Der Grund ist der Energiehunger der Systeme. Denn bereits das Training eines einzelnen neuronalen Netzwerks könnte die gesamte weltweite Energieerzeugung verschlingen – ohne jemals Perfektion zu erreichen.

Einsatzgebiet für neuronale Netzwerke sorgfältig auswählen

„Das Problem ist, dass eine unendliche Menge an Energie für das Training der neuronalen Netze verwendet werden kann, nur um Werbung auf uns auszurichten. Das Netz würde nie aufhören, zu trainieren und sich zu verbessern. Es ist wie ein schwarzes Loch, das jede Energie verschlingt, die man ihm zuführt, und das ist keineswegs nachhaltig“, erklärt Prof. Mikkel Abrahamsen von der Universität Kopenhagen.

Daher sollte die Technologie mit Bedacht eingesetzt und vor jedem Einsatz sorgfältig geprüft werden. In vielen Einsatzgebieten reichten oftmals einfachere, energieeffizientere Lösungen bereits aus. Prof. Abrahamsen führt aus:

„Es ist wichtig, dass wir uns überlegen, wo wir neuronale Netze einsetzen, um den größten Nutzen für die Menschheit zu erzielen. Manche werden den Einsatz neuronaler Netze für die Erkennung von Tumoren auf medizinischen Bildern erheblich wichtiger finden, als uns gezielt mit Werbung und Produkten in sozialen Medien anzusprechen. In manchen Fällen könnte man auch mit weniger ressourcenintensiven Techniken auskommen.“

Neuronale Netze werden trainiert, indem man sie mit Daten wie beispielsweise den CT-Scans von Tumoren füttert. Anhand der eingespeisten Daten kann ein neuronales Netz lernen, die Tumore auch auf den CT-Scans anderer Patienten zu erkennen.

Endloses Training ohne Perfektion zu erreichen

Im Prinzip kann ein solches Training unbegrenzt fortgesetzt werden. In ihrer neuen Studie zeigen die Forscher, dass dies ein Fass ohne Boden ist, denn der Prozess gleicht dem Lösen hochkomplexer Gleichungen mit vielen Unbekannten.

„Die besten Algorithmen von heute können nur mit bis zu acht Unbekannten umgehen. Neuronale Netze können dagegen so eingerichtet werden, dass sie mehrere Milliarden Parameter berücksichtigen. Daher kann es sein, dass beim Training eines Netzes nie eine optimale Lösung gefunden wird, selbst wenn der gesamte Energievorrat der Welt verbraucht würde“, erklärt Prof. Abrahamsen.

Außerdem können neuronale Netzwerke die ihnen zur Verfügung gestellte Energie immer schlechter nutzen, so der Forscher. „Wenn wir neuronale Netze trainieren, werden die Dinge immer langsamer. Sie können zum Beispiel nach einem Tag 80 Prozent Genauigkeit erreichen. Es kann aber einen ganzen weiteren Monat benötigen, um 85 Prozent zu erreichen. Man bekommt also immer weniger Ergebnis für die Energie, die man für das Training aufwendet, und erreicht nie Perfektion“.

Vielen Menschen ist nicht klar, dass Netzwerke unbegrenzt trainiert werden können. Aus diesem Grund plädiert Abrahamsen dafür, dass mehr auf den großen Energiebedarf geachtet und die Technik entsprechend nachhaltiger verwendet werden müsse.

„Wir können uns gar nicht vorstellen, welchen Beitrag wir zu diesem enormen Energieverbrauch leisten, wenn wir uns bei Facebook oder Twitter einloggen. Gleichzeitig machen wir uns große Gedanken über die Auswirkungen beispielsweise von Interkontinentalflügen oder dem Kauf von Kleidung“, so Prof. Abrahamsen abschließend. „Wir sollten uns bewusst machen, wie sehr diese Technologie unser Klima belastet.“

Dieser Artikel erschien zuerst in der Epoch Times Wochenzeitung, Ausgabe Nr. 37, vom 26. März 2022.

---