A Picture is Worth a Thousand Tokens: How Vision Language Models Cut AI Energy Costs While Improving Accuracy

Stellen Sie sich vor, Sie versuchen, einem superintelligenten Roboter beizubringen, einen platten Reifen an einem Auto zu erkennen, indem Sie ihm eine lange Liste von Zahlen zeigen. Der Roboter ist ein „Large Language Model“ (LLM), eine Art von künstlicher Intelligenz, die normalerweise Wörter und Sätze liest. Aber hier ist der Haken: Wenn man ihm Rohzahlen füttert, muss er jede einzelne Ziffer so lesen, als wäre sie ein separates Wort. Eine Liste von 381 Zahlen kann sich in 50.000 winzige „Token“ verwandeln (die Basiseinheiten, die der Roboter versteht). Es ist, als würde man versuchen, einen wunderschönen Sonnenuntergang zu beschreiben, indem man den Farbcode jedes einzelnen Pixels nacheinander vorliest. Dieser Prozess ist unglaublich langsam, verbraucht eine enorme Menge an Elektrizität und verwirrt den Roboter oft, weil die Zahlen keine klare Geschichte erzählen.

Stellen Sie sich stattdessen vor, anstatt die Liste zu lesen, zeigen Sie dem Roboter einfach ein Bild der Daten – einen einfachen Liniengraphen. Plötzlich sieht der Roboter das ganze Bild auf einmal. Er kann eine Spitze oder einen Einbruch sofort erkennen, genau wie ein Mensch es tun würde. Das ist die Kraft von „Vision-Language Models“ (VLMs). Dies sind KI-Systeme, die Bilder „sehen“ und Text gleichzeitig „lesen“ können. Die große Frage, die Wissenschaftler stellen, la ist: Ist es die zusätzliche Mühe wert, Zahlen in Bilder umzuwandeln? Spart das Zeigen eines Graphen Energie und macht es die KI intelligenter, oder ist es nur ein ausgeklügelter Trick? Dieses Paper untersucht diese Frage, speziell im Hinblick auf die Überwachung komplexer Systeme wie Mobilfunknetze, bei denen Energiekosten und Geschwindigkeit entscheidend sind.

---

Das Bild ist mehr als tausend Worte (und viel Energie wert)

In der Welt der Telekommunikationsnetze geht ständig etwas schief. Ein Funkmast fällt plötzlich aus oder die Datengeschwindigkeiten brechen ein. Um diese Probleme zu erfassen, überwachen Ingenieure „KPIs“ (Key Performance Indicators) – im Grunde eine Menge Zahlen, die verfolgen, wie es dem Netzwerk geht. Traditionell speisen sie diese Zahlen in KI-Modelle ein, um die Fehlerquellen zu finden. Aber wie die Autoren dieser Arbeit entdeckten, ist das Füttern von Rohzahlen an eine standardmäßige, textbasierte KI so, als würde man versuchen, aus einem Feuerwehrschlauch zu trinken: Es ist chaotisch, verschwenderisch und manchmal unmöglich.

Das Problem: Die „Token“-Explosion
Wenn eine Standard-KI eine Liste von Zahlen liest, bricht sie diese in winzige Stücke, sogenannte „Token“, auf. Die Autoren fanden heraus, dass ein moderates Zeitfenster von Daten aus nur 8 verschiedenen Netzwerkmetriken zu einer Explosion von 46.101 bis 59.803 Token führen kann. Das ist eine riesige Menge an Daten, die die KI verarbeiten muss. Da der Energieverbrauch einer KI direkt mit der Anzahl der Token skaliert, die sie lesen muss, ist diese Methode unglaublich teuer. Es ist, als würde man einen Lieferwagen bezahlen, um ein einzelnes Sandkorn zu transporten, weil man darauf besteht, dieses Sandkorn in eine Million separater Schachteln einzupacken.

Darüber hinaus wird die Liste der Zahlen bei 24 verschiedenen Metriken so lang, dass sie die Speicherlimits der meisten aktuellen KI-Modelle sprengt. Es passt einfach nicht alles gleichzeitig in das Gehirn des Roboters, was Ingenieure dazu zwingt, die Daten abzuschneiden und potenziell das Problem zu übersehen.

Die Lösung: Zahlen in Kunst verwandeln
Die Autoren versuchten einen anderen Ansatz: Sie hörten auf, der KI die Rohzahlen zu füttern, und begannen, ihr Bilder zu zeigen. Sie nahmen dieselben Daten und verwandelten sie in 2D-Liniengrafiken (visuelle Plots). Anstatt 50.000 Token zu lesen, musste die KI nur wenige tausend „visuelle Token“ verarbeiten, die das Bild repräsentieren.

Die Ergebnisse waren überraschend gut. Durch den Wechsel zu Bildern erreichte das Team eine massive Reduktion der Datenmenge, die die KI verarbeiten musste:

• Es wurden 3,6- bis 10,4-mal weniger Token benötigt, abhängig vom verwendeten KI-Modell.
• Dies übersetzte sich in einen 1,8- bis 2,5-mal geringeren Energieverbrauch pro Prüfung.

Um dies in Perspektive zu setzen: Für ein Telekommunikationsnetz, das 200 Funkzellen alle 15 Minuten überwacht, spart dieser Wechsel etwa 7,2 Megajoule (MJ) Energie pro Tag. Das ist etwa die Menge an Elektrizität, die ein durchschnittlicher US-Haushalt an einem Tag verbraucht – gespart allein durch die Änderung der Art und Weise, wie die Daten dem Computer gezeigt werden.

Es geht nicht nur um Stromsparen; es geht darum, klüger zu sein
Hier ist der überraschendste Teil: Das Sparen von Energie bedeutete nicht, dass die KI dümmer wurde. Im Gegenteil, sie wurde besser.

• Als die KI die Bilder betrachtete, war sie bei der Erkennung von Netzwerkproblemen 220,7 % präziser als beim Lesen des Textes.
• Sie übertraf ältere, spezialisierte mathematische Werkzeuge (wie LSTM und ARIMA) um über 144 %.
• In öffentlichen Tests wurde ein Modell (Pixtral-12B) bei der Verwendung von Bildern statt Text um das 20,6-fache effizienter bei der Fehlersuche.

Warum passiert das? Die Autoren vermuten, dass die KI bei einer Liste von Zahlen die gesamte Arbeit leisten muss, um die Punkte miteinander zu verbinden. Aber wenn es ein Bild ist, ist die „Form“ des Problems (wie ein plötzlicher Anstieg oder ein langsamer Abfall) direkt vor ihr da. Die KI kann das Muster sofort erkennen, genau wie man einen platten Reifen an einem Auto sieht, ohne den Luftdruck in jedem einzelnen Zoll des Gummis messen zu müssen.

Das Kleingedruckte: Wie sie getestet haben
Die Forscher haben nicht nur geraten; sie haben alles sorgfältig gemessen. Sie testeten drei verschiedene Arten von fortgeschrittenen KI-Modellen (Llama-3.2-90B, Qwen2.5-VL-72B und Pixtral-12B) mit echten Daten aus einem Live-4G/5G-Netzwerk sowie öffentlichen Cloud-Daten. Sie verwendeten spezielle Werkzeuge, um exakt zu messen, wie viel Strom die Computerchips für jede einzelne Frage verbrauchten, die die KI beantwortete.

Sie testeten auch, ob das Verkleinern der Bilder (niedrigere Auflösung) noch mehr Energie sparen würde. Sie fanden heraus, dass sie die Bilder auf 75 DPI (Dots per Inch) verkleinern konnten und immer noch die gleiche Genauigkeit erreichten, was zusätzlich 24 % Energie einsparte. Dies ist eine großartige Nachricht für das „Edge Computing“, wo die KI auf kleineren, weniger leistungsstarken Computern direkt neben den Funkmasten läuft, da diese Maschinen strengen Grenzen hinsichtlich Hitze und Stromverbrauch unterliegen.

Das Fazit
Dieses Paper beweist, dass für bestimmte Arten von Daten – insbesondere Datenströme über die Zeit – die Umwandlung in Bilder ein Game-Changer ist. Es ist nicht nur ein cooler visueller Trick; es ist eine praktische technische Lösung. Durch den Einsatz von Vision-Language-Modellen können wir KI-Systeme schaffen, die schneller sind, deutlich weniger Strom verbrauchen und tatsächlich besser darin sind, Fehler zu finden, als die textbasierten Systeme, die wir seit Jahren verwenden.

Für die Zukunft der Technologie, insbesondere an Orten wie Funkmasten, wo Energie kostbar und der Platz begrenzt ist, deutet dies darauf hin, dass der beste Weg, mit einem Computer zu kommunizieren, vielleicht gar nicht mit Wörtern oder Zahlen ist, sondern mit einem einfachen, klaren Bild.