KI trifft Effizienz: Neuer Chip reduziert den Energieverbrauch von LLMs um 50%

Der anhaltende Boom der künstlichen Intelligenz (KI) führt zu einem Anstieg von Rechenzentren, was eine enorme Nachfrage nach Strom zur Versorgung und Kühlung der darin befindlichen Server erzeugt.

Obwohl es weltweit über 8.000 Rechenzentren gibt, von denen die meisten in den USA liegen, wird diese Zahl in den kommenden Jahren deutlich steigen.

Laut Schätzung der Boston Consulting Group wird die Nachfrage nach Rechenzentren bis 2030 jedes Jahr um 15 % bis 20 % steigen. Das Unternehmen erwartet, dass sie dann 16 % des gesamten US‑Stromverbrauchs ausmachen, gegenüber lediglich 2,5 % vor der Veröffentlichung von OpenAIs ChatGPT im Jahr 2022.

Unterdessen erwartet der Sonderbericht zu Energie und KI der Internationalen Energieagentur (IEA), die in diesem Jahr veröffentlicht wurde, dass die Stromnachfrage von Rechenzentren weltweit bis zum Ende dieses Jahrzehnts mindestens auf etwa 945 TWh verdoppelt wird. Das entspricht fast dem heutigen Verbrauch Japans.

Die in Paris ansässige autonome zwischenstaatliche Organisation berichtet, dass KI der größte Treiber dieses Anstiegs sei, wobei die Stromnachfrage von KI‑optimierten Rechenzentren bis 2030 voraussichtlich mehr als vervierfacht wird.

In den USA wird der Stromverbrauch von Rechenzentren bereits etwa die Hälfte des Wachstums der Stromnachfrage zwischen jetzt und 2030 ausmachen. Durch den KI‑Einsatz wird die US‑Wirtschaft laut Bericht zu diesem Zeitpunkt mehr Strom für die Datenverarbeitung verbrauchen als für die Herstellung aller energieintensiven Güter zusammen.

Dieser unstillbare Energiehunger stellt ein enormes Problem für die Weiterentwicklung und Verbreitung von KI dar. Die positive Seite ist jedoch die wachsende Zahl von Forschern und Unternehmen, die daran arbeiten, den Stromverbrauch von KI zu senken und sie energieeffizienter zu machen.

Interessant an diesen Bemühungen ist, dass viele von ihnen KI einsetzen, um ihre eigenen Energieprobleme zu lösen.

Erst diesen Monat hat ein Forscherteam einen neuen Chip demonstriert, der KI nutzt, um den Energie‑Fußabdruck großer Sprachmodelle (LLMs) um 50 % zu reduzieren – ein bedeutender Fortschritt, um LLMs kostengünstiger und nachhaltiger zu betreiben.

Neuer Chip nutzt KI, um den Energieverbrauch von LLMs zu reduzieren

Forscher der College of Engineering der Oregon State University entwickelten den neuen effizienten KI‑Chip, um das massive Stromverbrauchsproblem von LLM‑KI‑Anwendungen wie OpenAIs GPT‑4 und Googles Gemini zu lösen.

A type of machine learning (ML) model, a large language model (LLM) is pre‑trained on vast amounts of data to perform natural language processing (NLP) tasks like text generation, summarization, simplification, text reasoning, language translation, and more.

Die heute beliebtesten und am weitesten verbreiteten Chatbots umfassen OpenAIs GPT‑4o, o3 und o1, Gemini und Gemma von Google, Llama von Meta, R1 und V3 von DeepSeek, Claude von Anthropic, Nova von Amazon (AMZN ), Phi von Microsoft (MSFT ) und Grok von xAI.

In den letzten Jahren haben LLMs das KI‑Feld grundlegend verändert, indem sie Maschinen ermöglichen, menschliche Texte mit höherer Genauigkeit zu verstehen und zu erzeugen. Diese Entwicklung hat jedoch zu einer exponentiellen Vergrößerung ihrer Größe geführt.

Die Größe eines LLMs, gemessen an der Anzahl seiner Parameter, ist der Hauptfaktor für seinen Energieverbrauch. Das bedeutet, je größer das Modell, desto mehr Rechenleistung wird für Training und Inferenz benötigt.

Zum Beispiel hatte ChatGPT‑1 knapp 120 Millionen Parameter, die bei GPT‑3 auf 175 Milliarden anstiegen und bei GPT‑4 etwa 1,8 Billionen Parameter erreichen.

Dieser enorme Anstieg in Größe und Leistungsfähigkeit von LLMs bedeutet, dass ihr Energieverbrauch ebenfalls in nie dagewesenem Ausmaß steigt. Neben der Modellgröße beeinflussen Faktoren wie die Art der Hardware zum Training, die Dauer des Trainings, die Infrastruktur (z. B. Rechenzentren), Datenverarbeitung, Modelloptimierung und Algorithmuseffizienz den Energieverbrauch von LLMs.

Daher der neue Chip der OSU‑Forscher. Laut Tejasvi Anand, außerordentlicher Professor für Elektrotechnik an der OSU, der zudem das Mixed Signal Circuits and Systems Lab an der Universität leitet:

„Das Problem ist, dass die Energie, die zum Übertragen eines einzelnen Bits benötigt wird, nicht im gleichen Tempo reduziert wird, in dem die Datenratenanforderungen steigen. Das führt dazu, dass Rechenzentren so viel Strom verbrauchen.“

Um dieses Problem zu lösen, entwickelte das Team einen neuen Chip, der nur die Hälfte der Energie herkömmlicher Designs verbraucht.

Anand und Doktorand Ramin Javad stellten diese neue Technologie auf der IEEE Custom Integrated Circuits (CIC) Conference vor, die letzten Monat in Boston stattfand. Die Konferenz, die Foren, Panels, Ausstellungen und Vorträge bietet, widmet sich der Entwicklung von ICs, die als Bausteine moderner elektronischer Systeme fungieren und Funktionalität sowie Rechenleistung in einem kompakten und effizienten Paket bereitstellen.

Die neueste Technologie wurde mit Unterstützung des Center for Ubiquitous Connectivity (CUbiC), der Semiconductor Research Corporation (SRC) und der Defense Advanced Research Projects Agency (DARPA) entwickelt. Javadi erhielt zudem den Best Student Paper Award auf der Konferenz.

Für den neuen Chip nutzten die Forscher tatsächlich KI‑Prinzipien, die, so Javadi, den Stromverbrauch für Signalverarbeitung reduzieren.

Wie er erklärte, senden und empfangen LLMs viele Daten über Drahtverbindungen, also kupferbasierte Kommunikationsleitungen in Rechenzentren. Dieser gesamte Prozess erfordert erhebliche Energie, sodass eine mögliche „Lösung darin besteht, effizientere Drahtkommunikations‑Chips zu entwickeln.“

Javadi fügte hinzu, dass bei hohen Geschwindigkeiten die Daten am Empfängerende tatsächlich beschädigt werden und daher bereinigt werden müssen. Zu diesem Zweck verwenden die meisten bestehenden Drahtkommunikationssysteme einen Equalizer, der viel Energie verbraucht.

„Wir nutzen diese KI‑Prinzipien on‑chip, um die Daten intelligenter und effizienter wiederherzustellen, indem wir den on‑chip Klassifikator trainieren, Fehler zu erkennen und zu korrigieren.“

– Javadi

Obwohl es ein großer Fortschritt ist, handelt es sich dabei nur um die erste Version des Chips. Die nächste Iteration ist bereits in Arbeit, um die Energieeffizienz weiter zu verbessern.

Insgesamt zeigt diese laufende Forschung ein großes Potenzial mit weitreichenden Auswirkungen auf die Zukunft der KI‑Infrastruktur und den Betrieb von Rechenzentren. Natürlich erfordert dies jedoch die erfolgreiche Implementierung der Technologie in großem Maßstab, was nie einfach ist.

Klicken Sie hier, um zu erfahren, wie KI das Mikrochip‑Engineering revolutioniert.

Den Energiehunger der KI mit Durchbrüchen auf allen Ebenen zähmen

Diese neueste Chip‑Entwicklung ist nur eines von vielen Forschungsprojekten, die das Energieverbrauchsproblem der KI angehen. Werfen wir also einen kurzen Blick auf die innovativen Ansätze, die Forscher entwickelt haben.

Licht für KI‑Energieeffizienz nutzen 

Früher in diesem Jahr entwickelten Wissenschaftler der USST einen¹ mikroskopischen KI‑Chip, kleiner als ein Staubkorn oder ein Salzkorn, der Licht nutzt, um Daten von Glasfaserkabeln zu verarbeiten. Das verspricht schnellere Berechnungen bei geringerem Energieverbrauch.

Der Chip manipuliert Licht, um Berechnungen sofort durchzuführen, anstatt Lichtsignale wie herkömmliche Computer zu interpretieren. Dafür verwendet er ein „all‑optisches diffraktives Deep Neural Network“, eine Technologie, die strukturierte, 3D‑gedruckte Schichten von Bauteilen nutzt, die übereinander gestapelt sind. Trotz des Durchbruchs müssen Herausforderungen wie aufgaben­spezifisches Design, Empfindlichkeit gegenüber Unvollkommenheiten und die Schwierigkeit der Massenproduktion überwunden werden, damit er „beispiellose Funktionalitäten“ in der endoskopischen Bildgebung, dem Quantencomputing und Rechenzentren erreichen kann.

Einige Monate zuvor nutzten MIT‑Wissenschaftler ebenfalls Licht, um die Schlüsseloperationen eines neuronalen Netzwerks auf einem Chip auszuführen, wodurch ultraschnelle KI‑Berechnungen (in einem halben Nanosekunden) mit 92 % Genauigkeit und enormer Energieeffizienz ermöglicht wurden.

„Diese Arbeit zeigt, dass Computing – im Kern die Zuordnung von Eingaben zu Ausgaben – auf neue Architekturen aus linearer und nichtlinearer Physik übertragen werden kann, die ein grundlegend anderes Skalierungsgesetz von Berechnung im Verhältnis zum erforderlichen Aufwand ermöglichen.“

– Seniorautor Dirk Englund

Die Wissenschaftler entwickelten den photonischen Chip², der aus miteinander verbundenen Modulen besteht, die ein optisches neuronales Netzwerk bilden. Bemerkenswert ist, dass die Nutzung kommerzieller Foundry‑Prozesse für die Fertigung bedeutet, dass er skaliert und in Elektronik integriert werden kann. Außerdem überwanden die Wissenschaftler die Herausforderung der Nichtlinearität in der Optik, indem sie nichtlineare optische Funktions­einheiten (NOFUs) entwarfen, die Elektronik und Optik kombinieren.

Klicken Sie hier, um mehr über die neue, vom Gehirn inspirierte KI zu erfahren, die in Echtzeit mit extrem geringem Stromverbrauch lernt.

Ein Software‑Tool für KI‑Training & ein Kühlsystem für Rechenzentren

Die Forscher der University of Michigan richteten sich hingegen auf die beim KI‑Training entstehende Energieverschwendung, insbesondere wenn sie ungleichmäßig auf GPUs verteilt wird, was für die Verarbeitung riesiger Datensätze notwendig ist.

Daher entwickelten sie ein Software‑Tool namens Perseus, das Teilaufgaben identifiziert, die am längsten dauern, und anschließend die Geschwindigkeit der Prozessoren, die nicht auf diesem „kritischen Pfad“ liegen, reduziert, um allen Prozessoren zu ermöglichen, ihre Aufgaben gleichzeitig zu erledigen und unnötigen Stromverbrauch zu vermeiden.

Dieses Open‑Source‑Tool ist als Teil von Zeus verfügbar, einem Werkzeug zur Messung und Optimierung des KI‑Energieverbrauchs.

Unterdessen wandten sich Forscher der University of Missouri der Entwicklung eines nächsten‑Generation‑Kühlsystems zu, um Rechenzentren energieeffizienter zu machen. Sie fertigen zudem ein Kühlsystem, das sich leicht in Server‑Racks anschließen und trennen lässt.

„Kühlung und Chip‑Herstellung gehen Hand in Hand. Ohne angemessene Kühlung überhitzen Komponenten und versagen. Energieeffiziente Rechenzentren werden der Schlüssel zur Zukunft des KI‑Computings sein.“

– Chanwoo Park, Professor für Maschinenbau und Luft‑ und Raumfahrttechnik am Mizzou College of Engineering

Mit Unterstützung von 1,5 Millionen $ aus der DOE‑Initiative COOLERCHIPS entwickelte das Team ein zweiphasiges Kühlsystem, das Wärme von Server‑Chips durch Phasenwechsel ableitet. Es kann passiv ohne Energieverbrauch betrieben werden, wenn weniger Kühlung nötig ist, und selbst im aktiven Modus verbraucht das System nur sehr wenig Energie.

CRAM‑Hardware könnte den KI‑Energieverbrauch um das 1000‑fache reduzieren

Letzten Sommer entwickelten Ingenieure der University of Minnesota Twin Cities ein fortschrittliches Hardware‑Gerät³, das den KI‑Energieverbrauch um etwa das 1000‑fache senken könnte.

Dieses neue Modell heißt Computational Random‑Access Memory (CRAM). Hier verlässt Daten nie den Speicher; sie werden vollständig innerhalb des Speicherarrays verarbeitet, wodurch energieintensive und langsame Datenübertragungen entfallen.

Zwei Jahrzehnte in der Entwicklung, ist diese Studie Teil der Bemühungen des Teams, auf der patentierten Forschung des Hauptautors Jian‑Ping Wang zu Magnetic Tunnel Junctions (MTJs) aufzubauen. Diese nanostrukturierten Bauteile werden zur Verbesserung von Sensoren, Festplatten und anderen mikroelektronischen Systemen wie Magnetic Random Access Memory (MRAM) eingesetzt.

„Als extrem energieeffizientes, digital basiertes In‑Memory‑Computing‑Substrat ist CRAM sehr flexibel, da Berechnungen an jeder Stelle im Speicherarray durchgeführt werden können“, bemerkte Mitautorin Ulya Karpuzcu, außerordentliche Professorin im Department of Electrical and Computer Engineering. Zudem kann es neu konfiguriert werden, um den Leistungsanforderungen verschiedener Algorithmen optimal zu entsprechen.

Vom Gehirn inspirierte KI: Stromverbrauch reduzieren, indem menschliche Effizienz nachgeahmt wird

Wie wir gesehen haben, untersuchen Forscher verschiedene Aspekte der KI, um ihre Energieprobleme zu bewältigen. Interessanterweise lassen sie sich dabei auch vom menschlichen Gehirn inspirieren. Das ist logisch, schließlich ist KI die Simulation menschlicher Intelligenzprozesse durch Maschinen, obwohl sie bei menschlichem Denken und Schließen noch weit entfernt ist, weil ihre Fähigkeit zur Generalisierung über Variationen „deutlich schwächer ist als die menschliche Kognition.“

Die vom Gehirn inspirierte Forschung zur Energieeinsparung umfasst die Arbeit von außerordentlichem Professor Chang Xu im Sydney AI Centre der Universität, der feststellte, dass LLMs, die die Ressourcen selbst bei einfachen Aufgaben voll auslasten, nicht der richtige Ansatz seien. Er erklärte:

„Wenn man an ein gesundes menschliches Gehirn denkt – es feuert nicht alle Neuronen gleichzeitig an und nutzt nicht die gesamte Gehirnleistung auf einmal. Es arbeitet mit unglaublicher Energieeffizienz, nur 20 Watt, obwohl es etwa 100 Milliarden Neuronen besitzt, die es selektiv aus verschiedenen Gehirnhälften nutzt, um unterschiedliche Aufgaben oder Denkprozesse auszuführen.“

Daher entwickeln sie Algorithmen, die überflüssige Berechnungen umgehen und nicht automatisch in den Hochleistungsmodus schalten.

In anderen Fällen ließ sich die Forschung von der Neuromodulation des Gehirns inspirieren und entwickelte einen Algorithmus namens „Stashing System“, um den Energieverbrauch um 37 % zu senken, ohne Genauigkeitsverluste, die Selbstreparaturfunktion von Gehirnzellen, genannt Astrozyten für Hardware‑Geräte, und nutzte neuromorphe (vom Gehirn inspirierte) Rechenformen (Memristoren), um in mehreren Teilgruppen neuronaler Netze zusammenzuarbeiten.”

In in KI investieren

Ein globales Halbleiterunternehmen, AMD (AMD ) ist bekannt für seine Hochleistungs‑Computing-, Grafik‑ und Visualisierungstechnologien. Während es in direkter Konkurrenz zu KI‑Liebling NVIDIA (NVDA ) steht, gewinnt es schnell an Boden im Markt für Rechenzentren und KI‑Beschleuniger. Die MI300‑Serie richtet sich speziell an generative KI‑Workloads und HPC‑Anwendungen.

Seine führende Präsenz im CPU‑Bereich für Rechenzentren, starker F&E‑Fokus, Umsatzwachstum, Kundenbasis und Übernahmen machen AMD zu einem starken Akteur im Sektor.

Advanced Micro Devices (AMD )

Im Jahr 2022 schloss AMD einen Rekord‑Deal in der Chip‑Industrie im Wert von 50 Milliarden $ mit der Übernahme von Xilinx ab, um zum führenden Anbieter für Hochleistungs‑ und adaptive Computing zu werden. Zuletzt hat das Unternehmen die Übernahme von ZT Systems abgeschlossen, um die 2028 erwartete 500‑Milliarden‑$‑Chance im Bereich KI‑Beschleuniger für Rechenzentren zu nutzen.

Die Marktperformance von AMD erholt sich dieses Jahr nach Turbulenzen durch Zölle. Zum Zeitpunkt dieses Schreibens werden AMD‑Aktien bei 120 $ gehandelt, ein Rückgang von 6,9 % im Jahresverlauf, jedoch nur etwa 47 % unter dem Höchststand vom März 2024. Damit beträgt die Marktkapitalisierung 182,34 Milliarden $, bei einem EPS (TTM) von 1,36 und einem KGV (TTM) von 82,44.

Bezüglich der Finanzen meldete AMD für das 1. Quartal 2025 einen Jahreszuwachs von 36 % beim Umsatz auf 7,4 Milliarden $, was CEO Dr. Lisa Su als „einen herausragenden Start“ ins Jahr bezeichnete, „trotz des dynamischen makroökonomischen und regulatorischen Umfelds.“ Dieses Wachstum wurde, so fügte sie hinzu, durch „die wachsende Dynamik im Rechenzentrum und KI“ angetrieben.

In diesem Zeitraum betrug das operative Ergebnis von AMD 806 Millionen $, der Nettogewinn 709 Millionen $ und das verwässerte Ergebnis je Aktie 0,44 $. Für das 2. Quartal 2025 wird ein Umsatz von etwa 7,4 Milliarden $ prognostiziert.

Einige wichtige Entwicklungen des Unternehmens umfassen die Erweiterung strategischer Partnerschaften mit Meta Platforms, Inc. (META ) (Llama), Alphabet Inc. (GOOG ) (GOOGL ) (Gemma), Oracle Corporation (ORCL ), Core42, Dell Technologies (DELL ) und weitere. AMD hat zusammen mit Nokia, Cisco Systems, Inc. (CSCO ) und Jio ebenfalls eine neue Open Telecom AI Platform angekündigt, um KI‑gesteuerte Lösungen zur Steigerung von Effizienz, Sicherheit und Leistungsfähigkeit anzubieten.

Diese Woche haben AMD und Nvidia eine Partnerschaft mit Humain, einer KI‑fokussierten Tochtergesellschaft des Public Investment Fund von Saudi‑Arabien, geschlossen, um Halbleiter für ein groß angelegtes Rechenzentrumsprojekt zu liefern, das voraussichtlich eine Kapazität von 500 MW haben wird.

Klicken Sie hier für eine Liste der führenden Nicht‑Silizium‑Computing‑Unternehmen.

Neueste Trends und Entwicklungen von Advanced Micro Devices (AMD)

Fazit

In den letzten Jahren hat die KI‑Manie ein explosives Wachstum erlebt, und das aus gutem Grund. Diese Technologie hat schließlich das große Potenzial, ein breites Spektrum an Branchen zu transformieren, von Gesundheitswesen, Fertigung und Materialwissenschaften bis hin zu Finanzen, Unterhaltung, Bildung, Einzelhandel und Cybersicherheit.

Allerdings haben technologische Fortschritte, die zunehmende Verbreitung und die daraus resultierende Expansion dieser LLMs zu einem erheblichen Energiebedarf geführt, der zu Treibhausgasemissionen (THG) und Klimawandel beiträgt, die Wirtschaftskosten erhöht und die Nachhaltigkeit der Technologie beeinträchtigt.

Dies stellt eine große Herausforderung für KI dar. Wenn wir ihr volles Potenzial in Bezug auf geringere Kosten, höhere Produktivität und verbesserte Entscheidungsfindung im großen Maßstab realisieren wollen, müssen die Modelle Kosteneffizienz und Nachhaltigkeit erreichen.

Das Positive ist jedoch, dass Forscher weltweit bereits intensiv daran arbeiten, KI energieeffizient zu machen, wie der KI‑gestützte Chip von Oregon State zeigt, der eine starke Möglichkeit bietet, Innovation mit Nachhaltigkeit in Einklang zu bringen.

Natürlich müssen die vorgeschlagenen Technologien ihr größtes Hindernis – die Skalierbarkeit – überwinden, um reale Auswirkungen zu erzielen. Dennoch ist eines klar: Eine umweltfreundlichere KI‑Zukunft ist machbar und kommt!

Klicken Sie hier, um alles über Investitionen in künstliche Intelligenz zu erfahren.

Studien zitiert:

1. Yu, H., Huang, Z., Lamon, S., Wu, J., Zhao, Z., Lin, D., Zhao, H., Zhang, J., Lu, C., Liu, H., Zhang, X., & Zhang, C. (2025). All-optischer Bildtransport durch eine Multimode‑Faser mittels eines miniaturisierten diffraktiven neuronalen Netzwerks auf der distalen Facette. Nature Photonics, 19, 486–493. https://doi.org/10.1038/s41566-025-01621-4
2. Bandyopadhyay, S., Sludds, A., Krastanov, S., Youssry, A., Zhang, L., Lian, C., Yu, S., Desiatov, B., Burek, M. J., Lukin, M. D., & Lončar, M. (2024). Einchip‑Photonik‑Deep‑Neural‑Network mit ausschließlich vorwärtsgerichtetem Training. Nature Photonics, 18, 1335–1343. https://doi.org/10.1038/s41566-024-01567-z
3. Lv, Y., Zink, B. R., Bloom, R. P., Roy, A., Vaddi, K., Shang, L., & Manipatruni, S. (2024). Experimenteller Nachweis von auf magnetischen Tunneljunctions basierendem Computational Random‑Access Memory. npj Unconventional Computing, 1, 3. https://doi.org/10.1038/s44335-024-00003-3