Ein Forscherteam der Tufts University hat eine neuro-symbolische KI entwickelt die den Energiebedarf beim Training um bis zu 99 Prozent reduzieren kann. Statt 36 Stunden benötigte sie im Rahmen eines Tests nur 34 Minuten.
Der Hunger nach Energie wächst durch künstliche Intelligenz rasant an. Allein in den USA verbrauchten KI-Systeme und Rechenzentren im Jahr 2024 etwa 415 Terawattstunden Strom. Das ist mehr als der gesamte Stromverbrauch Großbritanniens. Datenzentren und KI-Systeme beanspruchen damit einen Anteil von mehr als zehn Prozent der gesamten nationalen Energieerzeugung.
Laut Prognosen der Internationalen Energieagentur wird sich dieser Wert bis zum Jahr 2030 voraussichtlich verdoppeln. Deshalb suchen Forscher nach Wegen, wie Systeme leistungsfähiger werden, ohne die Stromkosten explodieren zu lassen. Ein neuer technischer Ansatz der Tufts University verspricht hier eine deutliche Abhilfe.
Du willst nicht abgehängt werden, wenn es um KI, Green Tech und die Tech-Themen von Morgen geht? Über 12.000 Vordenker bekommen jeden Tag die wichtigsten News direkt in die Inbox und sichern sich ihren Vorsprung.
Nur für kurze Zeit: Anmelden und mit etwas Glück 50€ Amazon-Guthaben gewinnen!
Mit deiner Anmeldung bestätigst du unsere Datenschutzerklärung. Beim Gewinnspiel gelten die AGB.
Was macht neuro-symbolische KI anders als ChatGPT?
Hinter der Entwicklung steht die Arbeit von Matthias Scheutz und seinem Team an der Tufts University School of Engineering. Die Wissenschaftler nutzen die sogenannte neuro-symbolische KI. Hierbei verbinden sie klassische neuronale Netze mit festen logischen Regeln, ähnlich wie Menschen Probleme in Schritten und Kategorien lösen.
Die Forschung konzentriert sich vor allem auf Roboter, die direkt mit Menschen interagieren. Die Forscher nutzen sogenannte Visual-Language-Action-Modelle (VLA), welche herkömmliche Sprachmodelle wie ChatGPT oder Gemini um Sicht und Bewegung erweitern. Durch die Anwendung allgemeiner Regeln verstehen diese Systeme Konzepte wie die Form oder den Schwerpunkt eines Objekts wesentlich besser.
So schlägt der neue Ansatz klassische KI
Matthias Scheutz, Professor für angewandte Technologie, dazu: „Ähnlich wie ein LLM stützen sich VLA-Modelle auf statistische Ergebnisse aus großen Trainingsdatensätzen mit ähnlichen Szenarien, was jedoch zu Fehlern führen kann. Ein neurosymbolisches VLA kann Regeln anwenden, die den Umfang des Ausprobierens während des Lernprozesses begrenzen und so viel schneller zu einer Lösung gelangen. Es erledigt die Aufgabe nicht nur wesentlich schneller, sondern auch der Zeitaufwand für das Training des Systems wird erheblich reduziert.“
In Experimenten mit dem Turm-von-Hanoi-Puzzle erreichte das System von Scheutz eine Erfolgsquote von 95 Prozent. Herkömmliche Modelle kamen bei derselben Aufgabe lediglich auf 34 Prozent. Sogar bei völlig unbekannten Aufgaben glänzte die neue Technik mit 78 Prozent Erfolg, während herkömmliche KI-Systeme jeden Versuch abbrachen.
Der hybride Ansatz verbessert die Planung spürbar und macht sie insgesamt zuverlässiger. Zudem reduziert die neuro-symbolische Methode das notwendige Ausprobieren während der Lernphase erheblich. Die Experimente lieferten messbare Erfolge beim zeitlichen Aufwand für das notwendige Lernen.
Während Standardmodelle über anderthalb Tage für das Training brauchten, war das neue System nach nur 34 Minuten bereit. Die benötigte Zeit für den Lernprozess sinkt somit ganz erheblich. Eine deutliche Effizienzsteigerung betrifft dabei sowohl die Rechenzeit als auch den direkten Stromverbrauch.
Ein Prozent Energie: Die Einsparungen im Detail
Ebenso deutlich fiel die Ersparnis beim tatsächlichen Stromverbrauch der Technologie aus. Das Training beanspruchte nur ein Prozent der Energie konventioneller Modelle. Im laufenden Betrieb verbrauchte die Technik von Matthias Scheutz lediglich fünf Prozent der Energie.
Aktuelle KI-Zusammenfassungen in Suchmaschinen verbrauchen oft 100-mal mehr Energie als einfache Trefferlisten. Genau hier setzt die Lösung aus Tufts an, um solche rechenintensiven Aufgaben durch Regelbasierung nachhaltig zu gestalten. Für viele alltägliche Aufgaben steht der bisherige massive Energieeinsatz in keinem Verhältnis zum Nutzen.
Heutige Modelle bieten laut den Forschern kein langfristig tragfähiges Fundament für die Zukunft. Timothy Duggan, Pierrick Lorang, Hong Lu und Matthias Scheutz veröffentlichten ihre Ergebnisse im Februar 2026 auf arXiv. Ihr Konzept dient als notwendige Alternative zu bisherigen ressourcenintensiven Modellen.
Warum Rechenzentren jetzt neu kalkulieren müssen
Ein nachhaltiger Betrieb großer Rechenzentren rückt mit solchen Innovationen wieder in greifbare Nähe. Die neuro-symbolische Methode bietet eine effiziente Grundlage für künftige Entwicklungen. Die Ergebnisse zwingen Unternehmen dazu, den Energiebedarf künftiger Datenzentren völlig neu zu kalkulieren.
Das Forschungspapier ist bislang zwar noch nicht durch das sogenannte Peer-Review-Verfahren gelaufen – sprich: Es wurde noch nicht von unabhängigen Wissenschaftlern überprüft. Die Ergebnisse erscheinen zwar beeindruckend, aber es ist wichtig, sie einzuordnen.
Die Tests liefen bisher etwa mit einem vergleichsweise einfachen Puzzle, nicht mit großen Sprachmodellen wie ChatGPT oder Google Gemini. Ob sich die Einsparungen von 99 Prozent auch auf Modelle mit Milliarden Parametern übertragen lassen, muss sich erst zeigen. Trotzdem liefert der Ansatz einen vielversprechenden Denkanstoß – gerade weil er zeigt, dass nicht jedes KI-Problem mit roher Rechenpower gelöst werden muss.
Auch interessant:
