KI zwischen Klima­wandel und Klimaschutz

Um das Spannungs­ver­hältnis zwischen Klima­wandel und KI besser zu verstehen, müssen wir uns zunächst anschauen, was eigentlich hinter einer KI steckt – neben Program­miercode und Mathe­matik. Betrachten wir dafür ein konkretes Beispiel: Wir wollen uns von einem KI-Bot Infor­ma­tionen darüber einholen, was wir im Alltag gegen den Klima­wandel tun können. Zunächst benötigen wir dafür ein Gerät, durch das wir auf den KI-Bot zugreifen können. Dann geben wir einen passenden Prompt in den Bot ein. Zum Beispiel: „Welche drei Dinge kann ich in meinem Alltag gegen den Klima­wandel tun?“ Diese Anfrage wird nun über verschiedene Netze an den Server des KI-Bots geschickt, wo das dahin­ter­ste­hende KI-Modell die Anfrage bearbeitet, eine Antwort generiert und diese an den Bot zurücksendet.

Das Generieren der Antwort benötigt jede Menge Energie und natür­liche Ressourcen. Das beginnt mit dem Gerät, das wir nutzen, um auf den Bot zuzugreifen und beinhaltet die Infra­struktur, über welche die Anfrage an den Server des KI-Bots gesendet wird. Nicht zuletzt müssen die Server, auf denen der KI-Bot und das Modell gehostet werden, mit einge­rechnet werden. Server nehmen eine zentrale Rolle dabei ein: Hier werden nicht nur das KI-Modell, sondern auch die Daten, welche für das Training des Modells benötigt werden, gespei­chert. Zudem stellen Server die Rechen­ka­pa­zi­täten für die Lernphase des KI-Modells (Training) bezie­hungs­weise das Anwenden des Modells auf neue Anfragen (Inferenz) bereit.

Energie­ver­brauch, Emissionen und Wasser­ver­brauch großer Sprachmodelle

Um unsere Frage zur Bekämpfung des Klima­wandels zu beant­worten, brauchen wir ein großes Sprach­modell, das diese Aufgabe – das Beant­worten von Fragen in Textform – erlernt hat. Solche Modelle stehen momentan im Fokus der öffent­lichen Aufmerk­samkeit, bilden aber nur einen kleinen Teil möglicher KI-Modelle und Anwen­dungen ab. Beispiele großer Sprach­mo­delle sind die GPT-Modelle, Claude, Gemini oder BLOOM.

Für das Training unseres Modells wurden zunächst große Mengen an Daten (hier: Texte) gesammelt und für das Training aufbe­reitet. Beim Lernen verlässt sich das Modell auf Wahrschein­lich­keiten. Genauer gesagt: Es versteht nicht den konkreten Inhalt der Texte, sondern lernt die Wörter mitein­ander zu assozi­ieren. Ein Beispiel: Dem Satzanfang „Um etwas gegen den Klima­wandel zu tun, kann ich…“ folgt häufiger „... mit dem Fahrrad zur Arbeit fahren.“ als zum Beispiel „... eine Fernreise machen.“ Wird ein KI-Modell also mit vielen Texten zur Bekämpfung des Klima­wandels trainiert, erkennt es genau solche Zusam­men­hänge aus diesen Texten, und kann diese auf Abfrage auch wieder­geben. Hierbei können aller­dings Fehler passieren. Die Generierung von falschen Infor­ma­tionen durch große Sprach­mo­delle („Hallu­zi­nieren“) ist dabei eine besonders proble­ma­tische Eigenschaft.

Wie sieht es mit dem Strom­ver­brauch und den Emissionen hinter Training und Inferenz von solchen KI-Modellen aus? Laut einer Studie aus dem Jahr 2023 verbrauchte das Training des KI-Modells BLOOM 433 MWh. Zum Vergleich: Im Jahr 2024 lag der Netto-Strom­ver­brauch aller deutschen Haushalte bei 133 TWh, oder etwa 1,591 MWh pro Person (Bevöl­kerung 2024). Damit verbrauchte das Training von BLOOM in etwa so viel Energie wie etwa 272 Personen in Deutschland im Jahr 2024. Die mit dem Training von BLOOM verbun­denen Emissionen wurden auf ca. 25 Tonnen CO₂-Äquiva­lente geschätzt.

Dieselbe Studie schätzt den Verbrauch von BLOOM pro Anfrage auf etwa 0,004 kWh (914 kWh bei 230.768 Anfragen). Der Verbrauch pro Anfrage ist also um 8 Größen­ord­nungen kleiner als der des Trainings – oder anders ausge­drückt: etwa hundert Millionen Mal geringer. Aber: Je mehr Menschen das Modell nutzen, desto höher ist der Verbrauch. Bei beliebten Modellen wie ChatGPT, liegt die Anzahl an Anfragen bei ca. 18 Milli­arden pro Woche und ist damit ein wesent­licher Treiber der Verbräuche.

Aber was ist eigentlich BLOOM und was macht dieses Sprach­modell besonders? BLOOM entstand aus einer Initiative von über 1.000 Wissenschaftler*innen, ein trans­pa­rentes, offenes („open source“) und multi­l­in­guales Modell zu schaffen. Deshalb wissen wir auch recht genau, wie hoch die Verbräuche und Emissionen von BLOOM sind – im Gegensatz zu nicht öffent­lichen Modellen wie zum Beispiel GPT‑3, bei denen wir uns auf Schätzung verlassen müssen. Bei der Berechnung der Emissionen aus dem Strom­ver­brauch spielen zudem räumliche und zeitliche Faktoren eine Rolle. Denn diese Emissionen sind vom genutzten Strommix abhängig, welcher wiederum nach Server­standort und Tages- bzw. Jahreszeit variiert.[1]

Hinzu kommt der Verbrauch von Wasser, der bei der Kühlung von Servern sowie auch bei der Strom­erzeugung für die Server selbst anfällt. Eine Anfrage an GPT‑3 in den USA verbraucht beispiels­weise im Durch­schnitt ca. 17 ml, in Irland dagegen ca. 7 ml. Auch hier spielen wieder räumliche, aber auch zeitliche Faktoren eine Rolle. So ist die Außen­tem­pe­ratur ein wichtiger Einfluss­faktor auf die Kühlung: in wärmeren Gebieten, im Sommer und am Tag (wenn die Sonne scheint), müssen die Server stärker gekühlt werden.

Der Zeitpunkt der Trainings- und Anwen­dungs­phase, aber auch der Server­standort sind für die Verbräuche bzw. Reduktion von Emissionen und Wasser­ver­bräuchen daher entscheidend. Zwar kann tagsüber mehr Solar­strom und damit Strom mit weniger Emissionen erzeugt werden, gleich­zeitig machen höhere Außen­tem­pe­ra­turen es nötig, die Server stärker zu kühlen – was wiederum den Wasser­ver­brauch erhöht. Ebenso kann der Wasser­ver­brauch steigen, wenn Server durch emissi­onsarme Wasser­kraft betrieben werden. Die optimale Zeit für die Nutzung und der optimale Standort von Servern müssen also immer im Spannungsfeld der verschie­denen Verbräuche betrachtet werden.

KI-Anwen­dungen für den Klimaschutz

Wie sieht es mit dem positiven Einfluss von KI-Anwen­dungen auf die Umwelt aus? Wir bleiben zunächst bei Sprach­mo­dellen wie beispiels­weise GPT‑3. Poten­tiell können solche Modelle einen indirekten positiven Beitrag leisten, indem sie beispiels­weise die „Umwelt­bildung“ unter­stützen – also zum Beispiel die Frage „Welche drei Dinge kann ich in meinem Alltag gegen den Klima­wandel tun?“ korrekt beant­worten. Ein weiteres Beispiel sind Sprach­bar­rieren, die sich durch die Nutzung von KI-Modellen verkleinern können und so neue Gruppen an Debatten zum Klima­wandel teilhaben lassen können. Eine genaue Abschätzung der positiven Folgen solcher Modelle ist aller­dings schwer und Gegen­stand aktueller Forschung.

Einfacher sieht die Abschätzung von den konkreten positiven Folgen von KI-Anwen­dungen auf die Umwelt schon bei kleineren, auf spezielle Anwen­dungen zugeschnit­tenen Modellen aus. So kann KI die Kontrolle von indus­tri­ellen Kühlsys­temen optimieren, was einen direkten positiven Einfluss auf Ressourcen- und Energie­ver­bräuche hat. Auch kann ein KI-gestütztes Monitoring von Torfland­schaften einen weiteren positiven Beitrag zum Erhalt der Umwelt leisten: Da Torfland­schaften enorme Mengen an CO₂ speichern, ist ihr Schutz für die Bekämpfung des Klima­wandels essen­tiell. Ein weiteres Beispiel ist der Einsatz von KI im Bereich des Trans­port­wesens, genauer gesagt in der Model­lierung der Bedarfe und der Planungen von Infra­struktur. Solche Model­lie­rungen können einen direkten Einfluss darauf haben, wie lang Trans­portwege sind und welche Verkehrs­mittel gewählt werden. Dies ist wiederum direkt an Emissionen geknüpft. So führen längere Wege prinzi­piell zu höheren Emissionen und ist beispiels­weise das Verkehrs­mittel „Flugzeug“ mit höheren Emissionen verbunden als das Verkehrs­mittel „Zug“. Solche KI-Modelle sind meist deutlich kleiner als die großen Sprach­mo­delle und haben daher einen gerin­geren Verbrauch an Ressourcen – was sie im Spannungsfeld KI und Klima­wandel besonders attraktiv macht.

Gesamt­bilanz: Es ist schwierig

Eine Gesamt­bi­lan­zierung zum Einfluss einer KI-Anwendung auf die Umwelt zu erstellen, ist aller­dings schwierig. Zunächst stellt der Mangel an Daten und Standards besonders bei den Verbräuchen proprie­tärer KI-Modelle wie GPT‑3 eine große Heraus­for­derung dar. Ohne diese Daten können nur Schät­zungen der Verbräuche vorge­nommen werden, und ohne Standards sind Daten, selbst wenn diese veröf­fent­licht werden, schwer vergleichbar. Daran knüpft die nächste Heraus­for­derung an: Die Verbräuche von KI zu ermitteln ist oft sehr komplex: Große KI-Modelle sind in verschiedene digitale Anwen­dungen einge­bettet und benötigen eine Vielzahl an digitaler Infra­struktur. Dazu kommt die Herstellung der Hardware. All diese Komple­xi­täten müssen für eine Gesamt­bi­lan­zierung mitge­dacht werden. Außerdem: Selbst eine insgesamt positive Bilanz für eine KI-Anwendung kann am Ende wieder zu höheren Verbräuchen führen. Das sogenannte Jevons-Paradox bzw. der Rebound-Effekt besagt, dass durch Effizienz generierte Einspa­rungen durch eine häufigere Nutzung desselben Systems zu insgesamt steigenden Verbräuchen führen können (siehe Quelle 1 und Quelle 2).

Um diesen Heraus­for­de­rungen zu begegnen, braucht es daher nicht nur weitere Forschung zum Thema KI und Umwelt. Auch die Gesetz­gebung ist hier gefragt: Es braucht verpflich­tende Trans­pa­renz­vor­gaben zum Reporting von Umwelt­daten großer KI-Unter­nehmen und konkrete Zielvor­gaben. Auch muss es Instru­mente geben, Verstöße gegen diese Vorgaben nicht nur zu melden, sondern Unter­nehmen auch zur Verant­wortung zu ziehen.

Solche Regelungen zu verstärkter Trans­parenz und Rechen­schafts­pflichten sind dabei nicht nur Fragen der Umwelt­ge­rech­tigkeit. Denn unter den Folgen des Klima­wandels leidet oft am stärksten, wer sowieso schon zu einer benach­tei­ligten Gruppe zählt. Daher gilt: Lösungs­ideen zum Klima­wandel sind komplex und müssen immer auch zusammen mit Fragen der sozialen Gerech­tigkeit verhandelt werden.

[1] Diese Quelle, aus der auch die Zahlen zu BLOOM stammen, gibt beispiels­weise folgende Emissi­ons­fak­toren an: BLOOM mit 57 g CO2-Äquiva­len­t/kWh und GPT‑3 mit 429 g CO2-Äquiva­len­t/kWh).