Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
oecd12. April 2022 · Q005806

Reducing the carbon emissions of AI

oecd.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Ein Forschungsteam von Google und Berkeley beschreibt vier Ansatzpunkte, um die betrieblichen Emissionen von ML zu senken: effizientere Modelle und Hardware, bessere Rechenzentren und Standorte mit sauberer Energie. Für konkrete Beispiele nennt es erhebliche Einsparungen, darunter 747-mal geringere Emissionen über vier Jahre, weist aber nicht nach, dass solche Werte für alle Anwendungen gelten. Die Autoren kritisieren zudem frühere Schätzungen als teils stark überhöht; diese Kritik wird im Beitrag nicht unabhängig überprüft.

Mittel

Der Beitrag untersucht die betrieblichen CO₂-Emissionen des maschinellen Lernens. Ein Forschungsteam von Google und der University of California, Berkeley, argumentiert, dass Prognosen zum steigenden Energiebedarf technologische Verbesserungen oft zu wenig berücksichtigen. Es benennt vier Einflussfaktoren („4Ms“): Modell, Hardware, Rechenzentrumseffizienz und Standort.

Anhand von Beispielen berichten die Autoren, dass sich bei gleichbleibender oder besserer KI-Qualität Energieverbrauch und Emissionen deutlich senken ließen. Für einen Vergleich über vier Jahre nennen sie 83-mal weniger Energie und 747-mal geringere Emissionen; für GLaM geben sie eine 14-fache Emissionsminderung an. Sie empfehlen, effizientere Modelle zu entwickeln und ihre Energiebilanz offenzulegen, sparsamere Hardware zu fördern, Rechenzentrumsdaten transparent zu machen und Training an Standorten mit sauberer Energie zu bevorzugen.

Zugleich räumen sie ein, dass Standort- und Mobilitätsbeschränkungen die Nutzung CO₂-freier Energie erschweren. Nach Einschätzung des Teams hätten manche bisherige Schätzungen die Emissionen um Faktoren von 100 bis 100.000 überschätzt. Der Beitrag belegt diese Kritik nicht unabhängig; seine Reduktionswerte stammen aus konkreten Beispielen und sind nicht automatisch auf alle ML-Aufgaben übertragbar.

Ausführlich lesen

Der Beitrag behandelt den Energieverbrauch und die betrieblichen CO₂-Emissionen des maschinellen Lernens (ML). Anlass sind Sorgen, dass immer größere Modelle den Energiebedarf und die Emissionen stark steigen lassen könnten. Die Autoren, ein Forschungsteam von Google und der University of California, Berkeley, berichten von einer einjährigen Untersuchung, in die auch das Training großer Modelle wie GPT-3 einbezogen wurde. Sie vertreten die Auffassung, dass solche Prognosen die technischen Verbesserungen oft nicht ausreichend berücksichtigen.

Als Stellschrauben nennen sie die „4Ms“: das Modell, die Rechenhardware, die Effizienz des Rechenzentrums und dessen geografischen Standort. Ihre Beispiele sollen zeigen, dass Fortschritte in diesen Bereichen den Energiebedarf und die Emissionen senken können, ohne die Modellqualität zu verschlechtern. Für ein Beispiel über vier Jahre geben sie eine 83-fache Verringerung des Energieverbrauchs und 747-fach geringere CO₂-Emissionen an. In der Aufschlüsselung schreiben sie die Verbesserungen unter anderem einem effizienteren Modell, neuer Hardware, einem effizienteren Rechenzentrum und einem Standort mit überwiegend CO₂-freier Energie zu. Für GLaM nennen sie eine 14-fache Emissionsminderung bei höherer KI-Qualität. Außerdem behaupten sie, ML habe in den drei vorangegangenen Jahren weniger als 15 Prozent des gesamten Energieverbrauchs von Google ausgemacht, obwohl der Großteil der Rechenoperationen für ML eingesetzt worden sei.

Daraus leiten die Autoren Empfehlungen für Politik und Unternehmen ab: effizientere Modelle entwickeln und deren Energieverbrauch sowie CO₂-Bilanz direkt dokumentieren; leistungsfähigere und sparsamere ML-Hardware fördern; Rechenzentrumsbetreiber dazu bewegen, Effizienz und Energiequellen nach Standort offenzulegen; und ML-Training möglichst an Standorten mit sauberer Energie durchführen. Der Beitrag nennt für Cloud-Rechenzentren eine gegenüber durchschnittlichen lokalen Rechenzentren um 30 Prozent höhere Energieeffizienz und führt einzelne Standorte an, die Ende 2021 laut Google Cloud zu etwa 90 Prozent CO₂-freie Energie genutzt hätten. Einschränkungen bei Standortwahl und Mobilität könnten den Zugang zu sauberer Energie jedoch begrenzen.

Die Autoren warnen, dass Hochrechnungen auf Basis heutiger Daten Innovationen entlang der 4Ms auslassen können. Nach ihrer Einschätzung beruhten manche frühere Emissionsschätzungen auf fehlerhaften Berechnungen oder Missverständnissen und hätten die tatsächlichen Auswirkungen um Faktoren von 100 bis 100.000 überschätzt. Diese Bewertung ist eine Aussage des Forschungsteams; der Beitrag präsentiert keine unabhängige Prüfung dieser Schätzungen. Insgesamt plädiert er für bessere Datenerfassung und effizientere Modelle, Hardware und Rechenzentren sowie den Einsatz erneuerbarer Energie. Die genannten Reduktionswerte beziehen sich auf konkrete Beispiele und belegen nicht, dass dieselben Einsparungen bei allen ML-Aufgaben erreichbar sind.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Bewertungen stützen sich auf den Berichtstext. Die Zusammenfassungen sind weitgehend treu, lassen aber einige Kernzahlen aus. Die Einordnung der Sicherheitsfragen beruht darauf, dass der Bericht sich mit Energie und Emissionen befasst, nicht mit Sicherheit.

Im Bericht, aber nicht in der Zusammenfassung

  • Google hält ML laut Bericht seit drei Jahren unter 15 % des Gesamtenergieverbrauchs
  • ML-optimierte Hardware rechnet laut Bericht etwa 50-mal schneller bei etwa 2–3-fachem Stromverbrauch
  • Cloud-Rechenzentren sind laut Bericht etwa 30 % effizienter als durchschnittliche lokale Rechenzentren
  • Die Kostenschätzungen für ML-Training sind laut Bericht von Millionen über Milliarden bis zu Billionen Dollar eskaliert

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen? Luna: Stufe 4 · 38 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 55 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-T1-T08 Wenn ein Sicherheitsprojekt mit KI-Hilfe zugleich die allgemeine Fähigkeit des Modells oder die für sein Training genutzte Rechenleistung steigert: Wie hält man beide Wirkungen fest, und wie entscheidet man, ob der daraus entstehende Fähigkeitszuwachs eine neue Sicherheitsprüfung braucht, bevor die Arbeit weitergeht? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 70 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 29 %Hintergrund, keine Belege
    • JEV 26 %nur am Rande erwähnt
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 63 %einzelne zitierbare Belege
    • JEV 38 %beantwortet teilweise oder widerspricht
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

Agenten und vernetzte Systeme
  1. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 67 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

Modelle teilen und schützen
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 59 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

Beteiligung und Gemeinwohl
  1. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 28 %einzelne zitierbare Belege
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 61 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 65 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →