Page - 44 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

44 A Technologie tigen Spezialhardware, die neben hoher Leistung auch eine sehr niedrige Leistungs- aufnahme aufweist. Erste Entwicklungen zeigen sich etwa im Bereich der Mobiltele- fone, wo KI-Koprozessoren verwendet werden, um beispielsweise die Qualität der damit aufgenommen Fotos und/oder deren inhaltliche Auswertung zu verbessern. Enorme Potenziale für die Zukunft lassen sich in aktuellen Forschungsergebnissen zu neuromorphen Prozessoren erkennen. IBM zum Beispiel zeigt bereits die zweite Generation seines Demonstrations-KI-Prozessors TrueNorth, welcher in Hardware eine Million Neuronen mit 256 Millionen Synapsen implementiert (Merolla et al. 2014). Dieser Prozessor ist in der Lage, typische Aufgaben der Bildauswertung mit hoher Genauigkeit und Geschwindigkeit durchzuführen, benötigt dafür aber im Ver- gleich zum kommerziellen Stand der Technik Größenordnungen weniger elektrische Energie (25 bis 275 Milliwatt) (Esser et al. 2016). Die Hardware ist dabei deswegen so effizient, weil sie in Grenzen das KNN bereits in ihrer Schaltung widerspiegelt. Einzelne Rechenkerne bilden die Neuronen, die unter- einander vernetzt sind (Synapsen), wobei jeder dieser „neurosynaptischen“ Rechen- kerne seinen eigenen Speicher hat. Hier zeigt sich in besonderem Maße die Abkehr von klassischen Architekturen, bei denen Rechenwerke und Speicher klar getrennt sind. Bei Berechnungen können jedoch alle Kerne mehr oder minder parallel arbeiten und blockieren sich nicht gegenseitig bei der Abfrage von Gewichtungsinformatio- nen, die bei klassischen Architekturen in einem gemeinsamen zentralen Speicher liegen würden. Auch arbeiten die einzelnen Kerne nicht nach einem festen Takt, sondern nur, wenn sie durch relevante Aktivität anderer Rechenkerne angeregt wer- den, was die Effizienz erheblich verbessert und der Arbeitsweise des Gehirns ähnelt. Perfekt ist diese Technik allerdings nicht. So kann der TrueNorth-Chip ein künstliches neuronales Netzwerk nicht trainieren, sondern ist dabei auf klassische Hardware angewiesen (Honey 2018). Auch können wegen der deutlich abweichenden Hard- ware nicht alle Softwarewerkzeuge benutzt werden, welche sich in der Zwischenzeit etabliert haben. Nichtsdestotrotz sind erste Ergebnisse zu neuromorpher Hardware vielversprechend. Bevor es aber zu einer Verdrängung der zurzeit dominierenden KI- Hardware auf Basis von Grafikprozessoren und zum Teil ASICs kommt, müssen sicherlich noch einige Jahre Entwicklungsarbeit investiert werden. Unerwartete Effekte, wie zum Beispiel die aktuelle Knappheit und der erhebliche Preisanstieg bei Grafikprozessoren durch den Boom von Kryptowährungen wie Bitcoin und Ethereum können die Geschwindigkeit der Entwicklung jedoch durchaus beeinflussen. Betrachtet man die aktuellen Marktteilnehmer und die sich abzeichnenden Entwick- lungen im Bereich der Hardware für KI-Anwendungen, so wird deutlich, dass Know- how und Gewinne sich gegenwärtig in den USA konzentrieren und zusätzliche Akteure in China sichtbar werden. Kommerzielle deutsche Angebote finden sich gegenwärtig nicht. Dies ist eigentlich verwunderlich, denn in Deutschland sind mit der Automobilindustrie und dem Maschinen- und Anlagenbau vielversprechende KI-