Die meisten Diskussionen über die Zukunft der künstlichen Intelligenz konzentrieren sich auf denselben Engpass: Energie. Das Training eines großen Sprachmodells verbraucht tagelang genug Strom für eine kleine Stadt. Das Ausführen von Inferenzen im Maßstab ist nicht viel anders. Mittlerweile verarbeitet das menschliche Gehirn komplexe Sprach-, Seh- und Entscheidungsmuster und verbraucht dabei etwa 20 Watt – weniger als eine Glühbirne. Diese Diskrepanz ist keine akademische Neugier; ist das wichtigste technische Problem, mit dem die Hardware-Industrie konfrontiert ist.
Neuromorphic Computing ist eine der ernsthaftesten Möglichkeiten, dieses Problem anzugehen. Nicht, weil es die GPUs ersetzen wird, auf denen aktuelle Modelle laufen, sondern weil es eine andere Kategorie von Problemen löst, mit einer Effizienz, die die von Neumann-Architektur – die seit den 1940er Jahren praktisch jeden Computer beherrscht – nicht erreichen kann.
Was unterscheidet das Gehirn von einer GPU?
Eine GPU arbeitet dicht und synchron: Alle Kerne arbeiten parallel, der Takt pulsiert kontinuierlich, Energie wird verbraucht, unabhängig davon, ob nützliche Berechnungen stattfinden oder nicht. Das eignet sich hervorragend für die lineare Batch-Algebra – und das ist genau das, was tiefe neuronale Netze während des Trainings tun.
Das Gehirn funktioniert völlig anders. Neuronen feuern als Reaktion auf Ereignisse, nicht auf Taktzyklen. Meistens sind die meisten Neuronen still. Wenn ein Reiz eintrifft, wird nur die relevante Teilmenge aktiviert – spärlich, asynchron und mit einem Energieverbrauch proportional zur geleisteten Arbeit, nicht zur verstrichenen Zeit.
Neuromorphe Chips versuchen, diese Architektur in Silizium nachzubilden. Intel Loihi 2 beispielsweise implementiert künstliche Neuronen und Synapsen, die sich ähnlich verhalten: ereignisbasiertes Auslösen, lokale Speicherverarbeitung und -berechnung im selben Element, Energieverbrauch nur bei Aktivität. IBM TrueNorth folgte einem ähnlichen Prinzip, wobei 4096 neuromorphe Kerne mit einigen Milliwatt betrieben wurden. Es handelt sich nicht um schnelle Chips im herkömmlichen Sinne; Es handelt sich um effiziente Chips, die bei CPUs und GPUs einfach nicht der Fall sind.
Wo diese Technologie heute Sinn macht
In der realen Welt übertreffen neuromorphe Chips jetzt die GPU bei Problemen mit der kontinuierlichen Kantenerkennung, mit geringer Latenz und minimalem Stromverbrauch.
Denken Sie an industrielle Sensoren, die Anomalien in Datenströmen in Echtzeit erkennen müssen, ohne alles in die Cloud zu senden. Oder IoT-Geräte, die mit einer kleinen Batterie monatelang Audio- oder Vibrationsmuster erkennen müssen. Oder in Drohnen eingebettete Bildverarbeitungssysteme, die innerhalb von Millisekunden reagieren müssen, ohne dass ein Stromkabel in der Nähe ist. In diesen Szenarien ist die Energieeffizienz die Variable, die die Lebensfähigkeit bestimmt – und neuromorphe Architekturen gewinnen mit einem Vorsprung, der mit jeder Chipgeneration besser wird.
Was diese Chips derzeit nicht gut können, ist das Trainieren großer Modelle oder das Ausführen dichter Sprachinferenzen. Hierfür ist weiterhin die GPU zuständig. Die Kategorie ist ergänzend und kein Ersatz.
DNA-Computing und die biologische Grenze
Über Silizium hinaus gibt es eine noch radikalere Grenze: die Verwendung biologischer Moleküle als Rechensubstrat. DNA-Computing ist keine Metapher – es ist buchstäbliches Rechnen mit DNA-Strängen, bei dem Daten in Basensequenzen kodiert werden und molekulare Reaktionen logische Operationen ausführen.
Die Motivation ist eine absurde Speicherdichte: Ein Gramm DNA kann theoretisch Exabytes an Daten speichern. Und Haltbarkeit: Intakte DNA wurde aus Zehntausende Jahre alten Proben gewonnen. Microsoft und andere haben bereits die funktionale Speicherung und den Abruf von Daten in synthetischer DNA demonstriert. Es ist noch kein Produkt, aber es ist bereits ein fortgeschrittenes Labor.
Auch die analoge Datenverarbeitung auf der Basis molekularer Schaltkreise und Memristoren – Komponenten, die Speicher und Verarbeitung in demselben physikalischen Element vereinen – schreitet rasant voran. Das Muster, das sich abzeichnet, ist, dass die starre Trennung zwischen dem Speicherort und dem Verarbeitungsort von Daten, die die gesamte konventionelle Architektur bestimmt, auf der physischen Ebene in Frage gestellt wird.
Wie eine Führungskraft das sehen sollte
Der einfachste strategische Fehler, den man hier machen kann, besteht darin, neuromorphes Computing als eine Forschungskuriosität zu behandeln, die erst in zehn Jahren von Bedeutung sein wird. Der Horizont der betrieblichen Relevanz ist kürzer als es scheint – insbesondere für Unternehmen mit Präsenz in den Bereichen Edge, Fertigung, Logistik, Gesundheitswesen oder jedem anderen Bereich, in dem eingebettete Sensoren und Geräte lokale Entscheidungen treffen.
Es geht nicht darum, jetzt Neuromorphics einzuführen. Die Aufgabe besteht darin, zu verstehen, wann sich die Gleichung für Ihren Anwendungsfall ändert. Wenn Sie für Cloud-Inferenz bezahlen, um Daten zu verarbeiten, die ein Sensor lokal mit einem speziellen Chip analysieren könnte, ist die Diskussion über Energieeffizienz und Latenz bereits relevant. Wenn Sie ein Produkt für Märkte entwickeln, in denen Energieverbrauch und Konnektivitätskosten echte Einschränkungen darstellen – und in Brasilien ist dies ein großer Teil des Industrie- und Agrarmarktes –, gerät diese Technologie früher ins Blickfeld, als Sie denken.
Was Führungskräfte heute tun müssen, ist, einen Informationskanal über den Sektor aufrechtzuerhalten, ohne die Produktionsbudgets dafür zu gefährden. Bleiben Sie auf dem Laufenden, was Intel, IBM und Startups wie BrainChip und Innatera auf den Markt bringen. Beauftragen Sie einen internen Ingenieur oder Forscher, der den Bereich überwacht. Wenn der Wendepunkt erreicht ist – und das wird der Fall sein, denn die Physik begünstigt die Effizienz –, möchten Sie einen Lernzyklus voraus sein und nicht bei Null anfangen.
Lesen Sie auch
- Inferenz-Chips und ASIC: wenn spezialisiert besser ist als generisch
- Energieeffiziente KI: Kleiner und günstiger schlägt größer
- Spezialisierte Chips und das Ende der generischen CPU-Ära
- KI-PCs und NPU: Was ändert sich, wenn das Gerät KI-Beschleuniger erhält
- Wie man ein Geschäftsszenario für KI in Industriebetrieben erstellt
- KI-Energie und Souveränität: Was Regierungen jetzt planen müssen