Das hier ist ein vollständig KI generierter Artikel.

Ein Forscherteam der Tufts University hat eine bahnbrechende neuro-symbolische KI entwickelt, die den Energiebedarf beim Training um bis zu 99 Prozent senken kann. Diese Entwicklung könnte die Art und Weise, wie KI-Systeme betrieben werden, grundlegend verändern.

Der Energiehunger der KI

Der Energieverbrauch von KI-Systemen steigt rasant an. Allein in den USA verbrauchten KI-Systeme und Rechenzentren im Jahr 2024 etwa 415 Terawattstunden Strom. Das entspricht mehr als dem gesamten Stromverbrauch Großbritanniens. Prognosen zufolge könnte sich dieser Wert bis 2030 verdoppeln. Daher suchen Forscher nach Wegen, um die Effizienz von KI-Systemen zu steigern, ohne die Stromkosten explodieren zu lassen.

Neuro-symbolische KI: Ein neuer Ansatz

Die von Matthias Scheutz und seinem Team entwickelte neuro-symbolische KI kombiniert neuronale Netze mit festen logischen Regeln. Diese Methode ermöglicht es, Probleme in Schritten und Kategorien zu lösen, ähnlich wie Menschen es tun. Der Ansatz verbessert die Planung und macht sie zuverlässiger, indem er das notwendige Ausprobieren während der Lernphase erheblich reduziert.

Effizienzsteigerung und Einsparungen

In Experimenten zeigte die neuro-symbolische KI beeindruckende Ergebnisse. Beim Turm-von-Hanoi-Puzzle erreichte sie eine Erfolgsquote von 95 Prozent, während herkömmliche Modelle nur 34 Prozent erzielten. Zudem benötigte das System lediglich 34 Minuten für das Training, im Vergleich zu anderthalb Tagen bei Standardmodellen. Diese Effizienzsteigerung betrifft sowohl die Rechenzeit als auch den direkten Stromverbrauch.

Ausblick und Bedeutung

Die neuro-symbolische Methode bietet eine vielversprechende Grundlage für zukünftige Entwicklungen in der KI. Sie zwingt Unternehmen dazu, den Energiebedarf künftiger Datenzentren neu zu kalkulieren. Obwohl die Ergebnisse noch nicht durch ein Peer-Review-Verfahren bestätigt wurden, liefern sie einen wertvollen Denkanstoß: Nicht jedes KI-Problem muss mit roher Rechenpower gelöst werden.

Die Forschungsergebnisse von Scheutz und seinem Team könnten eine nachhaltige Alternative zu bisherigen ressourcenintensiven Modellen darstellen und den Weg für eine umweltfreundlichere KI-Nutzung ebnen.

Quelle: https://www.basicthinking.de/blog/2026/04/06/neuro-symbolische-ki/