The Environmental Cost of LLMs in AIED: Reporting and Practices
Dieses Papier hebt den Mangel an standardisierter Berichterstattung über die verborgenen Rechen- und Umweltkosten von Large Language Models im Bereich der Künstlichen Intelligenz in der Bildung (AIED) hervor und schlägt ein Open-Source-Framework vor, das Softwarewerkzeuge und Berechnungsformeln umfasst, um diese Auswirkungen systematisch zu messen und transparent zu berichten.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich die Welt der Künstlichen Intelligenz in der Bildung (AIED) als eine geschäftige, hochtechnologische Schule vor. Lange Zeit waren alle begeistert von den neuen „intelligenten Tutoren“ (Large Language Models oder LLMs), die Aufsätze schreiben, Arbeiten bewerten und mit Schülern chatten können. Die Schule war so sehr darauf konzentriert, wie gut diese Tutoren unterrichten, dass sie völlig vergessen hat, auf die Rechnung für den Strom und das Wasser zu schauen, die zum Betrieb dieser Tools benötigt werden.
Dieses Paper ist wie eine Gruppe besorgter Lehrer und Ingenieure, die in diese Schule kommen und sagen: „Hey, wir müssen anfangen, den Zähler abzulesen.“
Hier ist eine Aufschlüsselung dessen, was sie gefunden haben und was sie vorschlagen, unter Verwendung einfacher Analogien:
1. Das Problem der „versteckten Rechnung“
Die Forscher haben sich 396 aktuelle Arbeiten der AIED 2025 Konferenz angesehen. Es ist, als würde man die Zeugnisse von 396 verschiedenen Schulprojekten prüfen.
- Was sie fanden: Fast alle (257 von 396) nutzen diese intelligenten KI-Tutoren.
- Die Lücke: Nur eine winzige Handvoll erwähnte, wie viel Energie diese Werkzeuge verbrauchen. Noch weniger sprachen über den ökologischen „Rauch“ (Kohlenstoffemissionen), den sie erzeugen.
- Die Analogie: Stellen Sie sich vor, jeder Schüler in der Schule würde aufgefordert, einen riesigen Roboter zu bauen, um beim Lernen zu helfen. Sie würden alle einen Bericht darüber schreiben, wie cool der Roboter ist, aber fast niemand würde erwähnen, dass der Roboter täglich 500 Pfund Kohle frisst. Das Paper argumentiert, dass wir anfangen müssen, diesen Kohleverbrauch auf dem Zeugnis aufzuführen.
2. Das aktuelle Chaos: Kein Standardmaßstab
Im Moment machen es alle unterschiedlich, wenn ein Forscher doch einmal die Kosten erwähnt.
- Einige sagen: „Es hat 2 Stunden gedauert.“
- Andere sagen: „Wir haben einen spezifischen Computer verwendet.“
- Einige sagen einfach nur: „Es ist schlecht für den Planeten“, ohne Zahlen zu nennen.
- Die Analogie: Es ist, als würde jeder die Länge seines Schreibtisches in unterschiedlichen Einheiten messen – einige nutzen Zoll, andere „Handspannen“ und andere „Pizzastücke“. Man kann sie nicht vergleichen. Das Paper sagt, wir brauchen ein einziges, standardisiertes Lineal, damit wir tatsächlich vergleichen können, wer effizienter ist.
3. Die Lösung: Ein neuer „Energie-Rechner“
Die Autoren schlagen ein Toolkit vor, um dies zu beheben, das sie TerraFlops nennen (denken Sie an einen „grünen Taschenrechner“).
Für lokale Computer (Das Home-Office):
Wenn Sie eine KI auf Ihrem eigenen Laptop laufen lassen, schlägt das Paper die Verwendung eines Tools namens CodeCarbon vor.- Die Analogie: Dies ist wie eine intelligente Steckdose, die Ihnen genau sagt, wie viel Strom Ihre Kaffeemaschine verbraucht. Das Paper stellt fest, dass dieses Tool den Rechnungsbetrag manchmal unterschätzt, weil es vergisst, die Energie zu zählen, die für den Lüfter des Computers oder den Monitorbildschirm benötigt wird. Um dies zu beheben, schlagen sie einen „PUE-äquivalenten“ Faktor vor. Denken Sie an dies als einen „Abfall-Multiplikator“. Wenn Ihr Computer nur mit 10 % Kapazität arbeitet, aber die gesamte Maschine vor sich hin summt, multiplizieren Sie die Energiekosten, um den verschwendeten Leerlaufstrom zu berücksichtigen.
Für Cloud-Computer (Die großen Rechenzentren):
Viele Forscher nutzen große Server (wie AWS oder Google) anstatt ihrer eigenen Laptops.Die Analogie: Da man keine „intelligente Steckdose“ in eine Serverfarm in einem anderen Land stecken kann, schlagen die Autoren eine theoretische Schätzung vor. Sie haben eine Formel erstellt, die darauf basiert, wie viele Wörter (Tokens) die KI liit oder schreibt.
Das „Ratespiel“: Wenn Sie eine geheime, proprietäre KI verwenden (wie ein superintelligentes Modell eines großen Tech-Unternehmens) und nicht wissen, wie groß sie ist, schlägt das Paper eine „Faustregel“ vor. Sie nehmen an, dass große Modelle etwa so groß sind wie bekannte Open-Source-Riesen (wie 100 Milliarden „Gehirnzellen“ oder Parameter). Es ist nicht perfekt, aber es gibt Ihnen eine konsistente Möglichkeit zu sagen: „Diese Aufgabe hat etwa die Menge X an Energie gekostet“, damit Sie sie mit anderen Aufgaben vergleichen können.
4. Das neue Zeugnis: „Kohlenstoff pro Genauigkeit“
Das Paper schlägt vor, dass Forscher bei der Veröffentlichung ihrer Arbeit nicht nur sagen sollten: „Unsere KI erreichte 90 % Genauigkeit.“ Sie sollten auch sagen: „Unsere KI erreichte 90 % Genauigkeit, aber sie hat 5 Kilogramm CO2 gekostet, um dorthin zu gelangen.“
Sie schlagen einige neue Metriken vor:
- Korrigierte Kohlenstoffintensität: Die gesamte Verschmutzung, angepasst an die Effizienz, mit der der Computer genutzt wurde.
- Kohlenstoff pro Genauigkeit: Wie viel Verschmutzung war nötig, um einen Punkt Verbesserung zu erzielen?
- Nachhaltigkeits-Score (1-10): Eine einfache Note, wie ein Zeugnis, die Verschmutzung und Leistung kombiniert. Ein Score von 10 bedeutet „Super effizient“, und ein 1 bedeutet „Sehr verschwenderisch“.
5. Der Aufruf zum Handeln
Die Autoren beschweren sich nicht nur; sie verteilen die Werkzeuge. Sie haben ihre Software Open-Source zur Verfügung gestellt (frei für jeden nutzbar) und bitten die AIED-Community, diese Standards zu übernehmen.
- Das Ziel: Sie wollen, dass zukünftige Konferenzen diese „Energieberichte“ verlangen, genau wie sie von Autoren verlangen, dass sie anonym bleiben.
- Die Vision: Wenn jeder anfängt, die „versteckte Rechnung“ zu melden, kann die Community beginnen, klügere Entscheidungen zu treffen. Vielleicht stellen wir fest, dass eine etwas weniger genaue KI es wert ist, verwendet zu werden, weil sie massiv Energie spart, oder wir finden bessere Wege, die vorhandenen Modelle zu betreiben.
Kurz gesagt: Das Paper sagt: „Wir lieben die neuen KI-Tutoren, aber wir können nicht länger ignorieren, dass sie Strom kosten. Lassen Sie uns das messen, berichten und unsere Bildung-KI grüner machen.“
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.