NFT, KI und Co: Was uns der Fortschritt kostet
Auf welche Größe beläuft sich der CO2-Fußabdruck von KI, Blockchains und Smart-Home-Anwendungen?
KI, Blockchains, Smart Home, Automobilität – lässt sich der entstehende Energieverbrauch überhaupt so einfach berechnen? Gibt es eine genaue Summe? Nein! Wir haben trotzdem Zahlen recherchiert, die ein wenig Aufschluss geben.Ethereum stieg allerdings im August 2022 vom rechenintensiven Proof-of-Work- auf das Proof-of-Stake-Verfahren um und verbraucht nach eigenen Angaben nun ganze 99,95 Prozent weniger Energie.
Zuletzt ließ Ethereum im September seinen Verbrauch schätzen. Das in Deutschland ansässige Crypto Carbon Ratings Institute (CCRI) schätzt, dass das Netzwerk nun nur noch 2600 Megawattstunden (~2.6 Gigawattstunden) verbraucht was einer jährlichen Emission von 0.9 Kilotonnen CO2 entspricht.
Wie gesagt, genaue Schätzungen sind kaum möglich, und die eigenen Angaben der Anbieter mit Vorsicht zu genießen. Hier noch ein Vergleich aus der Studie von Deloitte Canada: Solana 11,05, Polygon 0,79 und Flow 0,18 Megawattstunden im Jahr.
KI, maschinelles Lernen und Big Data – Intelligente Umweltverschmutzung?
Von KI-Anwendungen profitiert die Menschheit bereits enorm – etwa in der medizinischen Diagnostik, aber auch im Klimaschutz und dabei Energieversorgung effizienter zu machen. Für das Training eines KI-Modells benötigt man neben Zeit, Geld und qualitativ hochwertigen Daten aber eine Menge Energie.
Je mehr Parameter ein Modell besitzt, desto energieintensiver sind die Berechnungen – das kann man zumindest festhalten, aber auch die unterschiedlichen Modelle verbrauchen unterschiedlich viel Strom.
Tausende Petaflop-Tage
Das Programm zur Verarbeitung natürlicher Sprache GPT-3 von OpenAI ist beispielsweise ein sogenanntes Autoregressive-Transformer-Language-Modell. 2020 bestand es aus 175 Milliarden Parametern, das Vorgängermodell GPT-2 hatte bei seiner Markteinführung ein Jahr zuvor nur 1,5 Milliarden Parameter.
Während GPT-2 einige Dutzend Petaflop-Tage zum Trainieren brauchte, erforderte GPT-3 mehrere Tausend – eine enorme Menge an Rechen- und Energieaufwand. Die Maßeinheit Flops beziehungsweise Floating Point Operations per Second beschreibt die Verarbeitungsgeschwindigkeit von Computern, ein Petaflop entspricht einer Billiarde Gleitkommaoperationen pro Sekunde.
Lange Erklärung für insgesamt 936 Megawattstunden Strom respektive 400 Megatonnen CO2, die nur das Training, nicht der Betrieb der KI kostet.
Grüne Hoffnung IoT – Smart Homes und autonome Fahrzeuge
Um beim Thema Smart Home die Zusatzkosten zu kalkulieren, muss man neben der neu zu beschaffenden Hardware den Stromverbrauch der Geräte im Stand-by-Modus messen. Tatsächlich weichen diese je nach Hersteller – beispielsweise smarter Lautsprecher – oft sehr voneinander ab.
Ein moderner Apple HomePod mini verbraucht auf Stand-by gestellt nur 0,6 Watt, im Jahr 5,42 Kilowattstunden, also knapp 2,3 Kilogramm CO2. Ein alter Amazon Echo verbraucht im Jahr rund fünfmal so viel Strom und verursacht damit über 10 Kilogramm Treibhausgas.
Nutzer:innen eines kompletten Smart Homes kommen so auf 250 bis 500 Kilowattstunden im Jahr für den Stand-by-Betrieb; in CO2 sind das circa 100 bis 200 Kilogramm. Natürlich kann das auf anderer Ebene wieder Energie sparen, etwa beim Heizen oder Beleuchten.
Auto tankt Internet
Ebenfalls erhoffen sich viele Menschen von autonomen Fahrzeugen eine grüne Verkehrswende, doch einer aktuellen Fraunhofer-Studie zufolge kann sich diese Hoffnung schnell umkehren.
Ein kritischer Faktor ist der Datenaustausch. Bei Testfahrzeugen lag das Aufkommen zwischen 1,4 und 19 Terabyte pro Stunde. Sobald davon mehr als 0,8 TB/h übertragen würden, wäre der Effizienzgewinn gegenüber konventionellen Fahrzeugen aufgebraucht.
Quellen
• https://carbon-ratings.com/dl/eth-report-2022
• https://indices.carbon-ratings.com
• The Energy Footprint of Blockchain Consensus Mechanisms Beyond Proof-of-Work (2022)
• Carbon Foodprint of NFTs (2022)
• Ethereum Energieverbrauch (2022)
• Doing AI without breaking the bank yours or the planets (2021)
• Open AI AI and Compute (2018)
• Meet M6 — 10 Trillion Parameters at 1% GPT-3’s Energy Cost (2022)
• AI is harming our planet (2022)
• AI Power Consumption exploding (2022)
• Estimation of energy consumption in machine learning (2019)
• Energy and Policy Considerations for Deep Learning in NLP (2019)
• Sustainable AI: Environmental Implications, Challenges and Opportunities (2022)
• Smart Home – Energieverbrauch und Einsparpotenzial der intelligenten Geräte (2019)
• Wie klimaschädlich sind Netflix & Co.? (2021)
• Energiebedarf der Digitalisierung (2022)
• Calculating the Carbon Footprint of Streaming Media: Beyond the Myth of Efficiency
Storytelling für nachhaltiges Design ++ Designhochschulen im Wandel ++ Green Web: Konzepte und Tipps ++ Boomende Kreativszene aus Afrika ++ Umweltfreundliche Printproduktion ++ ENGLISH SPECIAL Yuri Suzuki ++ Circular Experience Design ++ Revival als Variable Font: Neue Television
