Während KI-Rechenzentren weltweit Strom in industriellem Maßstab verbrauchen, arbeiten Forscher an einem radikalen Gegenentwurf: Chips, die das menschliche Gehirn nachahmen – und dabei bis zu 2.000-mal effizienter sein könnten als heutige Hardware.
Neuromorphes Computing: Forscher sehen Potenzial für bis zu 2.000-fache Effizienzsteigerung bei KI
Forscher der Loughborough University untersuchen eine neue Klasse von Computerchips, die sich an der Architektur des menschlichen Gehirns orientiert. Ziel ist es, den Energieverbrauch moderner KI-Systeme drastisch zu senken – um einen Faktor von bis zu 2.000 gegenüber herkömmlicher Hardware.
Warum konventionelle KI-Hardware an ihre Grenzen stößt
Der Betrieb großer KI-Modelle ist energieintensiv. Rechenzentren, die Large Language Models und andere Deep-Learning-Systeme betreiben, verbrauchen erhebliche Mengen an Strom – Tendenz steigend. Die zugrundeliegende Hardware, zumeist spezialisierte GPUs und Tensor-Prozessoren, wurde für parallele Matrixberechnungen optimiert, nicht für Energieeffizienz. Genau hier setzt der neuromorphe Ansatz an.
Das menschliche Gehirn verarbeitet Informationen mit einer Leistungsaufnahme von etwa 20 Watt. Selbst die effizientesten KI-Beschleuniger benötigen für vergleichbare Aufgaben ein Vielfaches davon.
Die Diskrepanz ist nicht nur ein technisches, sondern zunehmend ein wirtschaftliches und ökologisches Problem.
Das Prinzip: Chips, die das Gehirn nachahmen
Neuromorphe Chips ahmen die Funktionsweise biologischer Neuronen nach. Statt kontinuierlicher Datenströme arbeiten sie mit sogenannten Spikes – kurzen, diskreten elektrischen Impulsen, die nur dann ausgelöst werden, wenn ein Schwellenwert überschritten wird. Dieses Prinzip, bekannt als Spiking Neural Network (SNN), reduziert die Anzahl der notwendigen Berechnungen erheblich, da große Teile des Netzwerks schlicht inaktiv bleiben, wenn kein relevantes Signal anliegt.
Die Forscher aus Loughborough arbeiten daran, diese biologisch inspirierten Prinzipien in skalierbare Chip-Architekturen zu übersetzen.
Die genannte 2.000-fache Effizienzsteigerung beschreibt kein bereits realisiertes Produkt, sondern das theoretische Potenzial des Ansatzes unter optimalen Bedingungen.
Wo die Technik heute steht
Neuromorphes Computing ist kein neues Konzept. Intel hat mit dem Loihi-Chip bereits Hardware in diesem Bereich vorgelegt, IBM forschte jahrelang am TrueNorth-Prozessor. Die praktische Anwendbarkeit blieb bislang jedoch begrenzt: SNNs sind schwieriger zu trainieren als konventionelle neuronale Netze, und die Softwareunterstützung ist vergleichsweise gering.
Die aktuelle Forschung zielt darauf ab, diese Lücken zu schließen. Fortschritte bei der Trainingsmethodik, kombiniert mit neuen Materialien und Fertigungsprozessen, lassen die praktische Nutzbarkeit greifbarer erscheinen als noch vor wenigen Jahren. Ob und wann neuromorphe Systeme in der Lage sein werden, aktuelle KI-Workloads vollständig zu übernehmen, bleibt allerdings offen.
Einordnung für deutsche Unternehmen
Für Unternehmen, die heute KI-Infrastruktur planen oder betreiben, ändert sich kurzfristig wenig: Neuromorphe Hardware ist noch nicht produktionsreif für gängige Enterprise-KI-Anwendungen. Mittelfristig jedoch dürfte das Thema an Relevanz gewinnen – insbesondere vor dem Hintergrund steigender Energiekosten und regulatorischer Anforderungen an die Nachhaltigkeitsberichterstattung.
Wer Investitionsentscheidungen in KI-Infrastruktur mit Zeithorizonten von fünf Jahren und mehr trifft, sollte neuromorphe Ansätze als potenzielle Ergänzung oder Alternative zu klassischer GPU-basierter Infrastruktur im Blick behalten.
Quelle: Decrypt AI
