Graphics Processing Units (GPU) haben jahrelang genau eine Aufgabe übernommen: 3D-Spiele spielbar machen. Seitdem die Künstliche Intelligenz kontinuierlich mehr Rechenpower benötigt, wird aus den ehemaligen Spielebeschleunigern eine essentielle KI-Komponente. Und das hat diverse Gründe.
Erste, meist einfach gestrickte KI-Anwendungen wie Apple Fotos, setzen zwar auch auf KI-Algorithmen, kommen aber mit der Rechenleistung der verbauten Prozessoren locker klar. Zumal die aktuelle M4-Generation mit speziellen KI-Funktionen ausgestattet ist. Seit aber KI-Applikationen wie ChatGPT die Rechner dieser Welt erklimmen, reicht die schlichte Rechenleistung herkömmlicher Prozessoren nicht mehr aus.
Spezial-GPUs beschleunigen KI-Anwendungen
Das ist der Moment, in dem spezielle GPUs in Spiel kommen. Denn die beherrschen KI-Disziplinen wie Machine Learning und Deep Learning auf ganz besondere Weise. Gerade beim Deep Learning – also den selbstständigen Lernen von KI-gesteuerten Funktionen – ist ein Maximum an Rechenleistung unabdingbar. Denn Deep Learning-Algorithmen verarbeiten in kürzester Zeit großen Datenmengen. Dazu gehören zunehmend unstrukturierte Daten wie Video- und Audiodaten, die komplexer sind als strukturierte Daten, die beispielsweise in Datenbanken abgelegt werden.
Genau hierfür eignen sich GPUs ganz besonders, und das aus zweierlei Gründen. Zum einen beherrschen Grafikprozessoren das parallele Verarbeiten von Daten deutlich besser als herkömmliche Prozessoren, da sie genau hierfür entwickelt wurden. Wobei Hochleistungs-CPUs mit 20 und mehr Prozessorkernen das parallele Rechnen ebenfalls gut beherrschen. Was allerdings mit einem größeren Aufwand verknüpft ist, sieht man sich das Optimieren von Anwendungen genauer an.
So erledigen vor allem GPUs, die in Hochleistungsrechenzentren zum Einsatz kommen, bestimmte Aufgaben wie das Kodieren von Mediastreams deutlich schneller als herkömmliche GPUs. Zudem beherrschen diese Komponenten bestimmte Rechenoperationen wie die Matrixenmultiplikation deutlich besser als Standard-GPUs.
GPUs erfordern sehr viel elektrische Energie
Allerdings erfordert die Datenverarbeitung mit GPU-Rechenmaschinen deutlich mehr elektrische Energie, was in Zeiten einer Klimakrise eine echte Herausforderung darstellt. Doch hierfür gibt es Ansätze wie Embedded KI und der Einsatz von Small Language Modellen (im Gegensatz zu ihren großen Brüdern und Schwestern, den Large Language Modellen).