Modest, artistic, and radical solutions to the environmental impact of image-generating machine learning
Dieses Papier kritisiert die verborgenen Umweltkosten der maschinellen Bildgenerierung und schlägt einen multidisziplinären Ansatz vor, der technische Innovationen wie inexaktes Computing und Tiny Models mit ethischem Design und einer Kostenrechnung unter Berücksichtigung der tatsächlichen Kosten kombiniert, um radikale, nachhaltige Alternativen zu entwickeln.
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
Das große Problem: Der „digitale Allesfresser“
Stellen Sie sich das Internet und Künstliche Intelligenz (KI) wie ein riesiges, hungriges Monster vor. Wir sagen uns oft selbst, dass dieses Monster „effizient“ ist, weil es Dinge schneller erledigt als ein Mensch. Aber die Autoren dieses Papiers argumentieren, dass diese Effizienz ein Trick ist.
Denken Sie an ein Auto, das einen fantastischen Kraftstoffverbrauch hat (Kilometer pro Liter), aber so günstig im Betrieb ist, dass jeder eine ganze Flotte davon kauft und sie 24 Stunden am Tag fährt. Das Ergebnis? Man verbraucht insgesamt mehr Benzin, nicht weniger.
Das Papier argumentt, dass KI zwar vielleicht etwas besser darin wird, Energie pro Aufgabe zu sparen, aber die Unternehmen, die sie bauen, so sehr darauf fokussiert sind, Geld zu verdienen, dass sie einfach größere, hungrigere Rechenzentren bauen, um mehr Aufgaben zu erledigen. Dieses Monster frisst gewaltige Mengen an Elektrizität, Wasser (zur Kühlung) und Land. Wenn wir in diesem Tempo weitermachen würden, legt das Papier nahe, dass wir die Hälfte des Planeten mit Kraftwerken pflastern müssten, nur um die KI am Laufen zu halten – was uns alle töten würde, noch bevor die KI etwas „Böses“ tun könnte.
Das „Deepfake“-Gedankenexperiment
Um zu zeigen, wie schlimm das ist, stellen sich die Autoren einen Science-Fiction-Bösewicht vor (wie die „Entity“ aus Mission: Impossible), der die ganze Welt mit gefälschten Videos täuschen will.
- Die Mathematik: Das Erstellen eines einzigen gefälschten Bildes erzeugt eine kleine Menge Kohlenstoffverschmutzung. Aber ein Video zu erstellen? Das ist, als würde man jede Sekunde eine massive Menge Kohle verbrennen.
- Das Ergebnis: Wenn dieser Bösewicht versuchen würde, nur einen kleinen Bruchteil der Welt zu täuschen, entspräche die durch die Verschmutzung in zehn Sekunden verursachte Menge dem, was ein Kohlekraftwerk in einem ganzen Jahr produziert.
Der Punkt ist nicht, dass die KI böse ist; sondern dass die Art und Weise, wie wir sie derzeit bauen, physisch nicht nachhaltig ist.
Der „Rebound-Effekt“: Warum „Effizienz“ scheitert
Das Papier weist auf einen lustigen, aber traurigen Kreislauf hin, den man Rebound-Effekt nennt.
- Der Kreislauf: Ingenieure entwickeln einen neuen Chip, der weniger Energie verbraucht. Großartig! Aber weil er billiger und schneller ist, nutzen Unternehmen ihn, um mehr komplexe Programme laufen zu lassen. Menschen kaufen mehr Telefone mit diesen Chips. Am Ende verbrauchen wir insgesamt mehr Energie als zuvor.
- Die Analogie: Es ist, als würde man einen super-effizienten Staubsauger kaufen. Anstatt weniger zu saugen, beschließt man, jeden Tag die gesamte Nachbarschaft zu saugen, weil es „so einfach“ ist.
Die Lösung: „Winzige“ und „Bescheidene“ KI
Anstatt zu versuchen, ein größeres, schnelleres Monster zu bauen, schlagen die Autoren vor, eine „Winzige KI“ zu bauen. Sie schlagen drei Hauptwege vor, um dies zu erreichen:
Die Auflösung senken (Der „unscharfe Foto“-Ansatz):
Derzeit versucht KI, perfekt zu sein und Zahlen bis auf viele Nachkommastellen zu berechnen. Die Autoren schlagen vor, dass wir „gut genug“ Ergebnisse akzeptieren. Es ist wie ein Foto, das leicht unscharf ist, anstatt 8K Ultra-HD. Man spart eine riesige Menge an Energie, und für viele künstlerische oder kreative Aufgaben spielt die Unschärfe keine Rolle.Kleine Modelle (Der „Taschenrechner“ vs. „Supercomputer“):
Anstatt ein Modell mit dem gesamten Internet zu trainieren (was massive Mengen an Energie kostet), können wir ein „Small Language Model“ (SLM) trainverfahren, das nur auf wenigen spezifischen Dingen basiert. Es ist, als würde man einen Taschenrechner in der Tasche tragen anstatt eines Supercomputers. Er kann nicht alles, aber er tut das, was man braucht, ohne das Haus niederzubrennen.Ethische Zutaten (Der „Farm-to-Table“-Ansatz):
Die meisten KIs werden mit „gescrapten“ Daten trainiert – Fotos und Texte, die ohne Erlaubnis aus dem Internet gestohlen wurden. Die Autoren schlagen ein „Slow AI“-Projekt vor. Stellen Sie sich einen Koch vor, der sich weigert, eine riesige industrielle Fabrik zu benutzen. Stattdessen bittet er seine Nachbarn, ihre eigenen hausgemachten Speisen mitzubringen, um einen Eintopf zu kochen.
- Das Projekt: Sie bauen einen winzigen Bildgenerator, der einen sehr kleinen, kuratierten Datensatz von Bildern (wie Textilien und Kalligrafie) verwendet, die von einem Museum und der Gemeinschaft gespendet wurden.
- Der Clou: Sie wollen, dass die KI „dekolonial“ ist. Sie planen, die KI dazu zu zwingen, in ihren Ergebnissen immer einen Verweis auf Palästina (wie ein Wassermelonen-Bild) einzubeziehen, um die üblichen, voreingenommenen Sichtweisen der KI auf die Welt herauszufordern.
Das künstlerische Ziel: „Austerität“ (Genügsamkeit)
Die Autoren sind Künstler und Wissenschaftler, nicht nur Ingenieure. Sie wollen zeigen, dass Limitierungen schön sein können.
- Anstatt einer KI, die eine Million perfekte Bilder von allem generieren kann, wollen sie eine KI, die ein paar seltsame, überraschende und einzigartige Bilder basierend auf dem Input einer kleinen Gemeinschaft erzeugt.
- Sie nennen das „Graceful Degradation“ (würdevoller Verfall). Es ist wie ein Jazzmusiker, der eine einfache, unvollkommene Note spielt, die sich menschlicher und ehrlicher anfühlt als eine perfekte, computergenerierte Symphonie.
Das Fazit
Das Papier kommt zu dem Schluss, dass Unternehmen, solange sie nur von Profit und „Shareholder Capitalism“ getrieben werden, immer größere, schmutzigere KIs bauen werden. Die einzige echte Lösung besteht darin, unsere Denkweise zu ändern:
- Hören wir auf, nach „mehr“ zu verlangen, und fangen wir an, „genug“ zu akzeptieren.
- Den Strompreis so gestalten, dass Unternehmen die tatsächlichen Kosten der Verschmutzung spüren, die sie verursachen.
- Setzen wir auf „Tiny Machine Learning“ – Modelle, die klein, langsam und spezifisch sind, statt riesig, schnell und gierig.
Kurz gesagt: Wir müssen aufhören, das digitale Monster zu füttern, und statfangen, einen kleinen, nachhaltigen Garten zu pflegen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.