Im Rahmen meiner Maturarbeit schreibe ich ein Curriculum zum Unterrichten von Machine-Learning-Konzepten auf gymnasialer Ebene. In meiner Begleitarbeit widme ich mich zudem einem Ausblick in die Zukunft der KI-Forschung mit besonderem Fokus auf nachhaltigere Wege, diese fortzusetzen. Energieeffizienz ist ein essenzieller Aspekt, der stark in Betracht gezogen werden muss, wenn man in diesem Masse mit der KI-Forschung fortfahren will. Der Teilbereich des Natural Language Processing, der sich mit der Analyse und Wiedergabe von Sprache durch Künstliche Intelligenzen befasst, verbraucht enorme Mengen an Strom für das Trainieren von Large Language Models, wie ChatGPT. Beispielsweise hat das 3.0 Model von OpenAI zum Trainieren des neuronalen Netzwerkes geschätzte 1,287 GWh verbraucht. Dies entspricht etwa dem Stromverbrauch von 100’000 durchschnittlichen US-Haushalten pro Monat. Längerfristig muss man demnach die Architektur von neuronalen Netzwerken der Umwelt zuliebe drastisch überdenken.

Ich möchte jetzt auf einen modernen, neuromorphischen Ansatz zu sprechen kommen: auf menschlichen Neuronen basiertes Bio-Computing – die interdisziplinäre Königsdisziplin zwischen der Elektrotechnik und dem Bio-Engineering. Das Schweizer Start-Up Final Spark hat in den letzten Monaten, was nach Science-Fiction klingt, tatsächlich realisiert: einen biologischen Prozessor auf Basis von 16 kleinen Hirn-Organoiden. Diese sind im Labor gezüchtete Hirnmassen, die durch menschliche Stammzellen entstehen konnten und durch ein Medium von essenziellen Nährstoffen kultiviert werden. Somit kann man mit Hilfe von Elektroden die Aktivität der Neuronen nutzen, um Berechnungen zu vollbringen.

Dieser Prozess ist deshalb effizient, weil das menschliche Hirn auf sehr einfachen linearen Berechnungen mithilfe von binären Zahlenwerten basiert, dabei jedoch bis auf 10^14 Input-Parameter pro Sekunde zugreifen kann. Im Vergleich dazu besitzt ChatGPT-3 nur etwa 50’000 Inputs in der ersten sogenannten Embedding-Layer, verwendet jedoch komplexe, multidimensionale Matrizenmultiplikationen und Differenzial-Rechnungen. Im Vergleich zeigt sich, dass ein Hirn zum Teil Millionen mal effizienter funktionieren kann und die Architektur von künstlichen neuronalen Netzwerken und von biologischen Neuronenverknüpfungen im Hirn grundlegend unterschiedliche Ansätze aufzeigen. Stanford-Professor Kwabena Boahen, einer der bekanntesten Figuren im Bio-Engineering, zieht folgenden Schluss: „Neuronale Netzwerke heute sind einem Gehirn etwa so ähnlich wie ein Flugzeug einem Vogel.“

Wie sich zeigt, wird sich in Zukunft noch viel im Bereich der KI-Forschung tun. Neue, kreative Ansätze sind gefragt und auch weiterhin soll man auf die Nachhaltigkeit achten. Persönlich denke ich, soll man offener werden, was Bio-Computation angeht, auch wenn die Verwendung von Hirn-Organoiden nach einem schlechten Matrix-Abklatsch klingt…