KI Update: Hardware für KI
KI-Modelle werden mit unfassbaren Mengen an Daten trainiert und das braucht Rechenpower. Neue KI-Prozessoren solle diese in die großen Rechenzentren bringen.
Schon lange entscheidet Künstliche Intelligenz, welche Suchergebnisse angezeigt werden, filtert Spam aus dem Mail-Posteingang, schlägt Inhalte auf verschiedenen Plattformen vor oder unterstützt bei der Bildauswertung. Die große KI-Welle, die sich für die meisten Menschen fast wie aus dem Nichts in den letzten Monaten über uns auftürmt, wurde jedoch durch generative KI ausgelöst – also durch Bildgeneratoren wie Midjourney oder Chatbots wie ChatGPT, die in natürlicher Sprache Texte verfassen können. Dafür wurden die KI-Modelle mit unfassbaren Mengen an Daten trainiert und das braucht Rechenpower. Also warum kommt der Hype gerade jetzt?
Empfohlener redaktioneller Inhalt
Mit Ihrer Zustimmmung wird hier ein externer Podcast (Podigee GmbH) geladen.
Ich bin damit einverstanden, dass mir externe Inhalte angezeigt werden. Damit können personenbezogene Daten an Drittplattformen (Podigee GmbH) übermittelt werden. Mehr dazu in unserer Datenschutzerklärung.
Form follows function heißt es schon bei Bauhaus. Der aktuelle Hype um generative KI ist letztendlich auch nur möglich, weil die Hardware endlich gut genug ist, um die Ideen der Entwicklerinnen und Entwickler umzusetzen, erklärt Christof Windeck von der c't. Denn Bei KI-Hardware geht es nicht immer um Beschleunigung, sondern oft eher um Ermöglichung, weil etwa ein Mikrocontroller sonst nicht schnell genug wäre.
Ebenso gibt es die superstarken KI-Beschleuniger für Rechenzentren. Hier ist Nvidia bislang der unangefochtene Platzhirsch. "Seit 2017 reden die eigentlich nur noch von KI, wenn es um irgendwas professionelles geht", betont Carsten Spille. Die größte Herausforderung für alle, die in dem Milliardengeschäft um KI-Prozessoren mitmischen wollen, ist die rasante Entwicklung der KI-Anwendungen und der damit verbundenen Aufgaben. KI-Training müsste laufend schneller und zugleich effizienter vonstattengehen.
Neben den richtigen Chips brauchen Rechenzentren noch etwas: Platz. Sehr viel Platz. "Die meisten neuen Anwendungen, die heute trainiert werden, laufen in den sogenannten Hyperscale-Rechenzentren von Microsoft Azure, Amazon und Google", so Christoph Windeck. Das sind unvorstellbar riesige Anlagen. "Microsoft hat im Moment bei Dublin das Problem, dass die Flächen so groß sind, dass die LKW nicht schnell genug vorfahren können, um diese Rechenzentren zu bestücken!" Dass Microsoft in Irland baut, liegt auch am Wetter, denn dort müssen die Anlagen nicht so stark gekühlt werden, wie in wärmeren Ländern. Rechenzentren betreiben auch eigene Kraftwerke, um sich von der allgemeinen Strompreisentwicklung unabhängiger zu machen.
Ob die KI-Entwicklung in Zukunft noch schneller voranschreiten wird, weil die Rechenzentren die nötigen Kapazitäten bereitstellen können, oder ob die Rechenzentren quasi der Entwicklung neuer KI-Modelle hinterher hasten... Das ist wohl das klassische "Henne-Ei-Problem", das wir auch in unserem Deep-Dive nicht klären können. Sicher ist, dass es von beidem sehr viel mehr geben wird.
Mehr zum Thema "KI-Beschleunigern aufs Bit geschaut" findet sich auch im Prozessor-Podcast Bit-Rauschen der c't und alle zwei Wochen im aktuellen Magazin. (igr)
