Energie- und Ressourceneffizienz

Ziel der KI-Verordnung ist es, die Einführung menschenbezogener und vertrauenswürdiger künstlicher Intelligenz (KI) zu fördern. Gleichzeitig sollen die in der Charta der Europäischen Union verankerten Grundrechte geschützt werden, zu denen auch der Umweltschutz gehört.

Bereits heute werden für die Herstellung von Computerchips, den Ausbau und Betrieb von Rechenzentren sowie für das Training, die Speicherung und die tägliche Nutzung von KI-Modellen und -Systemen in zunehmend größeren Mengen Strom, Wasser und andere Ressourcen verbraucht. Die Internationale Energieagentur (IEA) schätzt, dass Rechenzentren im Jahr 2024 bis zu 1,5 Prozent des weltweiten Stromverbrauchs ausmachten und prognostiziert eine Verdopplung bis 2030.

Anforderungen an KI-Modelle und an Hochrisiko-KI-Systeme

Für KI-Modelle mit allgemeinem Verwendungszweck, die sog. „General Purpose AI“ (GPAI), muss gemäß Artikel 53 eine technische Dokumentation erstellt und aktualisiert werden. Diese enthält auch Informationen über den Energieverbrauch des Modells. Wenn der Energieverbrauch nicht bekannt ist, kann der angegebene Energieverbrauch auf Informationen über die verwendeten Rechenressourcen beruhen.

Der vom EU KI-Gremium veröffentlichte Code of Practice (CoP) für GPAI stellt im Transparenzkapitel ein Musterdokumentationsformular bereit, in dem Modell-Anbieter auch den Energieverbrauch des Modells festhalten können. Weitere Informationen zum CoP finden sich hier: Bundesnetzagentur - Modelle

Zur Ressourcen- und Energieeffizienz von KI-Modellen und KI-Systemen erteilt die EU-Kommission Normungsaufträge nach Artikel 40 Absatz 2 der KI-Verordnung. Hierin geht es z. B. um die Verringerung des Energie- und sonstigen Ressourcenverbrauchs von Hochrisiko-KI-Systemen während des gesamten Lebenszyklus. Erfasst ist auch die energieeffiziente Entwicklung von KI-Modellen mit allgemeinem Verwendungszweck.

Die Standards, die aus dem oben genannten Normungsauftrag hervorgehen, liegen derzeit noch nicht vor. Eine Konkretisierung der Anforderungen zur Dokumentation der Ressourcen- und Energieeffizienz von KI steht daher noch aus.

Verhaltenskodizes

Das Büro für Künstliche Intelligenz und die Mitgliedsstaaten fördern und erleichtern die Aufstellung von Verhaltenskodizes für die freiwillige Anwendung bestimmter Anforderungen gemäß Artikel 95 Absatz 2b der KI-Verordnung. Diese beinhalten auch die Bewertung und Minimierung der Auswirkungen von KI-Systemen auf die ökologische Nachhaltigkeit. Dazu gehören energieeffizientes Programmieren und Techniken, um KI effizient zu gestalten, zu trainieren und zu nutzen. Die Verhaltenskodizes sollen klare Ziele und wesentliche Indikatoren zur Messung der Erfüllung dieser Ziele umfassen. Verhaltenskodizes können von einzelnen Anbietern oder Anwendern von KI-Systemen oder von Organisationen, die diese vertreten, entwickelt werden.

Weiterführende Informationen

Green AI-Guidelines: Die Leitlinien umfassen konkrete Maßnahmen und Werkzeuge, um KI‑Systeme in den Bereichen Management, Beschaffung und Betrieb möglichst ökologisch nachhaltig zu gestalten und einzusetzen. Beispielsweise sind Hinweise auf eine grüne und effiziente Softwareentwicklung oder auf die Auswahl geeigneter Hardware und Rechenzentren enthalten. Sie wurden vom Green-AI Hub Mittelstand des Bundesumweltministeriums (BMUKN) gemeinsam mit dem KI-Bundesverband und weiteren Akteuren aus Umwelt, Green-IT und KI entwickelt.

SustAIn: Das vom BMUKN geförderte Projektkonsortium (AlgorithmWatch, Institut für ökologische Wirtschaftsforschung, Distributed Artificial Intelligence Labor der TU Berlin) hat Checklisten mit Kriterien für die soziale, ökologische und ökonomische nachhaltige Gestaltung von KI‑Systemen über ihren gesamten Lebenszyklus erstellt.

SustainML: Das von der EU geförderte Konsortium aus Unternehmen und Wissenschaft (IBM, Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI), Inria, Universität von Kopenhagen, UPMEM, und Technische Universität Kaiserslautern) widmet sich der Entwicklung eines nachhaltigen, interaktiven Rahmens für maschinelles Lernen. Der Ansatz umfasst insbesondere ressourcenbewusste KI-Optimierungsmethoden, die Entwicklung digitaler Assistenten, die den CO₂-Fußabdruck für KI-Entwickler transparent machen, sowie die Einrichtung von Katalogen und Bibliotheken zur energieoptimierten Parametrisierung von Modellen für maschinelles Lernen.