Generative Verschmutzung? ChatGPT-4 vs. DeepSeek

ChatGPT-4: Ein leistungsstärkeres Modell mit größerer Umweltbelastung

Mit steigender Leistungsfähigkeit von KI-Modellen wächst auch ihr ökologischer Fußabdruck – ein Trend, den ChatGPT-4 auf besorgniserregende Weise verkörpert. Während sein Vorgängermodell noch 175 Milliarden Parameter umfasste, kommt ChatGPT-4 auf beeindruckende 1,8 Billionen Parameter – was zu einem 20-fachen Anstieg des Energieverbrauchs führt. In einem hypothetischen Szenario, bei dem ein Unternehmen monatlich 1 Million E-Mails beantwortet, errechnete Greenly, dass ChatGPT-4 über ein Jahr hinweg 7138 t CO₂e verursachen würde – verteilt auf die Trainingsphase und den Geschäftsbetrieb. Das entspricht etwa 4300 Hin- und Rückflügen zwischen Paris und New York.

Doch der CO₂-Ausstoß wächst weiter, wenn man den laufenden täglichen Betrieb berücksichtigt. Eine einzige textbasierte Anfrage verbraucht laut einer Studie der Carnegie Mellon University und Hugging Face so viel Energie wie das Aufladen eines Smartphones auf 16 %. Im gleichen Szenario würden sich daraus jährlich 514 t CO₂e ergeben. Dabei ist dieser Fußabdruck noch vergleichsweise niedrig – denn Werkzeuge zur Bildgenerierung wie DALL·E, die oft für kreative Aufgaben genutzt werden, stoßen 60-mal mehr CO₂e aus als reine Textgenerierung.

DeepSeek: Eine umweltfreundlichere KI-Alternative?

Das chinesische DeepSeek verspricht vergleichbare Leistung wie westliche Modelle – bei deutlich geringerem Energieverbrauch, dank seiner sogenannten Mixture-of-Experts-Architektur (MoE), die pro Anfrage nur die jeweils benötigten Teilmodelle aktiviert. Dadurch benötigte DeepSeek nur ein Zehntel der GPU-Stunden im Vergleich zum Training von Metas Llama 3.1 – trotz dessen Einsatz neuerer Chips. DeepSeek setzte lediglich 2.000 NVIDIA H800-Chips ein, während ChatGPT-4 mit 25.000 und Metas Llama 3.1 mit 16.000 GPUs trainiert wurden. Der CO₂-Fußabdruck von DeepSeek wird zusätzlich durch die energieeffizienteren H800-Chips gesenkt, die weniger Strom verbrauchen als die von ChatGPT genutzten Alternativen.

Zwar kann eine effizientere Nutzung von Rechenressourcen den Gesamtfußabdruck verringern – etwa durch geringeren Servereinsatz und weniger Wasserverbrauch – doch solche Vorteile könnten nur von kurzer Dauer sein. Die rasche Verbreitung generativer KI könnte Effizienzgewinne durch exponentiell steigende Nutzung schnell wieder zunichtemachen.

KI nachhaltiger gestalten

Angesichts wachsender Umweltbedenken gibt es verschiedene Ansätze, um KI nachhaltiger zu gestalten – zum Beispiel durch den Einsatz energieeffizienter Chips (wie Googles Tensor-Einheiten), regulatorische Standards oder die Nutzung von Rechenzentren mit erneuerbaren Energien. So hätte etwa das Training von ChatGPT in Frankreich anstelle der USA bis zu dreimal weniger Emissionen verursacht – dank des französischen Strommixes mit höherem Anteil an erneuerbaren Energien.

Für Alexis Normand, CEO und Mitgründer von Greenly, hat „das Aufkommen von DeepSeek das Thema Energieeffizienz ins Zentrum des Wettstreits zwischen KI-Modellen gerückt. Doch es bleibt abzuwarten, ob andere Akteure diesem Beispiel folgen – oder weiterhin rohe Rechenleistung auf Kosten der Umwelt priorisieren.“

KI in sozialen Trends – mit hohem Ressourcenverbrauch

Die zunehmende Rolle generativer KI in sozialen Netzwerken – etwa durch den „Starter-Pack“-Trend auf LinkedIn oder die Verwandlung von Bildern im Stil der Studio-Ghibli-Filme – unterstreicht den wachsenden Einfluss der Technologie im Alltag. Zwar geht es dabei oft um Selbstausdruck oder kreative Darstellung, doch steigt dadurch auch der Energie- und Wasserverbrauch erheblich – insbesondere, da die Bildgenerierung deutlich ressourcenintensiver ist als Text. Der „Starter-Pack“-Trend allein hat bereits über 700 Millionen Bilder hervorgebracht. Die Erzeugung eines solchen Bildes benötigt im Schnitt 3,5 Liter Wasser und so viel Energie wie das vollständige Aufladen eines Smartphones.

Über die Studie
Die Analyse von Greenly basiert auf einem Vergleich der durch Training und Nutzung von KI-Modellen verursachten CO₂-Emissionen, bezogen auf ein Szenario mit automatisierten Antworten auf 1 Million E-Mails pro Monat über ein Jahr. Für ChatGPT-4 wurde der Verbrauch mit einer Basis von 25.000 NVIDIA A100 GPUs berechnet, die über 100 Tage mit 30 % Auslastung in Rechenzentren in den USA betrieben wurden. Die Schätzung für DeepSeek basiert auf den Angaben des Unternehmens, das achtmal weniger GPUs als die Konkurrenz eingesetzt haben will.