Jedes Mal, wenn jemand einem Large Language Model eine Frage stellt, einen Verbindungsvorschlag auf einer sozialen Plattform annimmt oder einer Umleitungsempfehlung einer Navigations-App folgt, wird Energie in einem Ausmaß verbraucht, das die meisten Menschen nie in Betracht ziehen. Die Hardware, die diese Interaktionen betreibt, befindet sich in riesigen Rechenzentren und verbraucht rund um die Uhr Strom. Um zu verstehen, warum das so ist – und warum ein scheinbar unbedeutender Laborbefund das ändern könnte –, muss man zu den Grundlagen zurückkehren: wie KI-Hardware tatsächlich funktioniert und wie weit sie noch von dem Organ entfernt ist, das sie zu imitieren versucht.
Das Energieproblem, das sich hinter jeder KI-Interaktion verbirgt
Die Prozessoren, die moderne KI antreiben, sind GPUs, und jede einzelne kann bis zu 1.000 Watt verbrauchen. Diese Zahl stellt eine einzelne GPU auf eine Stufe mit einem Staubsauger, einer Spülmaschine oder einem Herd. Der Unterschied besteht darin, dass GPUs in Rechenzentren nicht abschalten. Sie laufen kontinuierlich, verarbeiten Billionen von Operationen pro Sekunde, und Rechenzentren enthalten Tausende davon, die parallel betrieben werden.
Zum Vergleich: Ein modernes Smartphone verbraucht weniger als 1 Watt.
Das ist nicht einfach eine Frage des Ausmaßes. Es spiegelt eine tiefere architektonische Diskrepanz wider. GPUs sind darauf ausgelegt, Software auszuführen, die künstliche neuronale Netze simuliert, und diese Simulation erfordert das Bewegen enormer Datenmengen durch Milliarden von Transistoren. Der Prozess ist von Natur aus verschwenderisch, weil die Hardware nie dafür konzipiert wurde, so zu denken, wie ein Gehirn denkt. Sie wurde entwickelt, um binäre Logik schnell auszuführen, und die Simulation neuronaler Netze wird darüber geschichtet.
Das menschliche Gehirn hingegen ist bei vergleichbaren Aufgaben etwa eine Million Mal energieeffizienter als aktuelle KI-Hardware. Diese Lücke ist kein geringfügiger ingenieurtechnischer Mangel. Sie ist ein Signal, dass der gesamte rechnerische Ansatz möglicherweise neu überdacht werden muss.
Was das Gehirn leistet, was Transistoren nicht können
Biologische Neuronen arbeiten nach einem spezifischen Mechanismus. Wenn die Spannung im Zellkörper eines Neurons ausreichend ansteigt, um einen Schwellenwert zu überschreiten, löst dies einen sich selbst ausbreitenden Impuls aus, der als Aktionspotenzial bezeichnet wird und sich entlang eines langen Fortsatzes, dem Axon, fortpflanzt. Am Ende des Axons befindet sich eine Synapse, eine elektrochemische Verbindungsstelle, die mit den verzweigten Fortsätzen des nächsten Neurons verbunden ist, den sogenannten Dendriten. Wenn genug dieser Impulse innerhalb eines bestimmten Zeitfensters eintreffen, feuert das empfangende Neuron sein eigenes Aktionspotenzial. Das System ist ereignisgesteuert, sparsam und außerordentlich effizient.
Künstliche neuronale Netze übernehmen die konzeptionelle Logik dieses Prozesses, setzen sie jedoch durch Software um, die auf Transistoren läuft. Die Kluft zwischen dem biologischen Original und der elektronischen Annäherung ist enorm und zeigt sich direkt im Energieverbrauch.
Neuromorphes Engineering ist das Fachgebiet, das versucht, diese Kluft zu schließen. Das Ziel ist es, elektronische Komponenten zu bauen, die sich auf Hardware-Ebene wie Neuronen und Synapsen verhalten – und sie nicht in Software zu simulieren. Fortschritte wurden erzielt, aber der vorherrschende Ansatz hat eine ernsthafte Einschränkung: Die Implementierung eines einzelnen künstlichen Neurons oder einer Synapse erfordert die Verschaltung von Dutzenden, manchmal sogar Hunderten von Standard-Transistoren. Das beansprucht erhebliche Chipfläche, verursacht Verzögerungen, wenn Signale sequenziell verarbeitet werden müssen, und macht die Skalierung auf Systeme, die mit modernsten GPUs konkurrieren könnten, äußerst schwierig.
Einige Forschungsarbeiten haben völlig neue experimentelle Bauelemente untersucht, doch diese haben noch nicht die Zuverlässigkeit erreicht, die für große Systeme erforderlich ist. Das Fachgebiet schien zwischen zwei unvollkommenen Optionen feststeckend zu sein.
Ein einzelner Transistor, der sich wie eine Gehirnzelle verhält
Hier ist, was die meisten Berichte über KI-Hardware übersehen: Die Lösung war möglicherweise die ganze Zeit vorhanden – in einer der gewöhnlichsten Komponenten der Elektronik.
Forscher entdeckten, dass ein Standard-CMOS-Transistor, der grundlegende Baustein nahezu aller digitalen Logik, sich von sich aus wie ein Neuron oder eine Synapse verhalten kann – ohne mit Dutzenden anderer Komponenten kombiniert werden zu müssen. Die Entdeckung war zufällig. Sie entstand durch die Beobachtung dessen, was passiert, wenn ein normalerweise vernachlässigter Teil des Transistors – der Bulk-Anschluss – nicht einfach geerdet, sondern stattdessen über einen Widerstand verbunden wird.
Beim Standardbetrieb erzeugt eine steigende Spannung am Drain einen Strom, der gleichmäßig ansteigt und auf demselben Weg abfällt. Wenn jedoch dem Bulk-Anschluss ein Widerstand hinzugefügt wird, geschieht etwas anderes. Elektron-Loch-Paare, die normalerweise abgeführt würden, beginnen sich anzusammeln. Sobald die Bulk-Spannung einen bestimmten Punkt erreicht, aktiviert sich ein verborgener Bipolartransistor, der im MOSFET eingebettet ist, was dazu führt, dass der Strom plötzlich ansteigt. Der Strom bleibt dann erhöht, bis die Drain-Spannung unter einen separaten Schwellenwert fällt. Die Aktivierungs- und Relaxationspunkte unterscheiden sich voneinander – eine Eigenschaft, die als Hysterese bezeichnet wird –, was bedeutet, dass Strom nur für einen definierten Zeitraum fließt, bevor das Bauelement in den Ruhezustand zurückkehrt.
Dieses Verhalten entspricht weitgehend dem, was ein künstliches Neuron benötigt: einen plötzlichen, nichtlinearen Spike, wenn ein Spannungsschwellenwert überschritten wird, gefolgt von einer automatischen Relaxation. Eine verwandte Konfiguration erzeugt die einstellbare, stabile Leitfähigkeit, die eine künstliche Synapse erfordert. Jedes Verhalten – Neuron und Synapse – wird mit einem einzigen Bauelement erreicht.
Warum das über das Labor hinaus von Bedeutung ist
Die Implikationen reichen weit über das Hardware-Engineering hinaus. Der Energiefußabdruck von KI ist bereits ein erhebliches Problem, und er wächst, je größer die Modelle werden und je weiter sie verbreitet werden. Eine Computerarchitektur, die sich der Effizienz des Gehirns annähert, anstatt sechs Größenordnungen davon entfernt zu bleiben, würde die wirtschaftlichen und ökologischen Rahmenbedingungen der KI-Infrastruktur auf eine Weise verändern, die kaum zu überschätzen ist.
Es gibt auch eine Skalierungsfrage. Aktuelle neuromorphe Ansätze sind durch die Fläche und Komplexität begrenzt, die erforderlich sind, um jedes Neuron und jede Synapse aus vielen Transistoren aufzubauen. Eine Einzelbauelement-Implementierung beseitigt diese Einschränkung und eröffnet einen Weg zu Systemen, die groß genug sind, um echte Konkurrenz zu GPU-basierter Hardware darzustellen.
Das ist es, was die zufällige Natur der Entdeckung bemerkenswert macht. Die Komponente war weder exotisch noch neu erfunden. Es war ein gewöhnlicher Transistor, der in einem Betriebsbereich arbeitete, der schlicht nicht sorgfältig untersucht worden war. Die Erkenntnis lag nicht im Material, sondern in der Beobachtung.
Kurz zusammengefasst
Ein Standard-Transistor, der lange Zeit in einem bestimmten Betriebsmodus übersehen wurde, kann sich von sich aus wie ein biologisches Neuron oder eine Synapse verhalten – ohne die komplexen Mehrfachtransistorschaltungen, die die neuromorphe Computertechnik bisher eingeschränkt haben. Aktuelle KI-Hardware verbraucht bis zu 1.000 Watt pro GPU und ist bei vergleichbaren Aufgaben etwa eine Million Mal weniger energieeffizient als das menschliche Gehirn. Diese Entdeckung schließt diese Lücke nicht sofort, weist aber auf eine Hardware-Architektur hin, die KI weit weniger energieintensiv – und weit skalierbarer – machen könnte als alles, was bisher gebaut wurde.
Basierend auf Berichten von IEEE Spectrum AI.