KI News: Kurz und klar.

Ein neues Verfahren namens Supervised Contrastive Parallel Learning (SCPL) verspricht, die Trainingsgeschwindigkeit großer neuronaler Netzwerke drastisch zu erhöhen. Durch die Entkopplung des klassischen Backpropagation-Algorithmus werden lange Gradientendurchläufe in mehrere kurze, gleichzeitig berechnbare Schritte zerlegt. Das Ergebnis ist ein deutlich verbessertes Modellparallelism, das die Rechenleistung effizienter nutzt und die Durchsatzrate des Trainings erheblich steigert.

Edge-Lernen verspricht, Intelligenz direkt auf den Geräten zu trainieren, die Daten erzeugen. Dadurch sinken Datenschutzrisiken und Kommunikationslatenz, doch die hohen Rechen- und Energieanforderungen behindern die Nutzung auf batteriebetriebenen Mobilgeräten mit engen thermischen und Speichergrenzen.

Der Autor hat drei leicht zu installierende Energiemonitoren getestet, um die größten Stromfresser in seinem Haushalt zu identifizieren.

Bei vielen großen Unternehmen ist die nützlichste KI-Anwendung derzeit nicht das Schreiben von E‑Mails oder das Beantworten von Fragen. Bei PepsiCo wird Künstliche Intelligenz in Bereichen eingesetzt, in denen Fehler teuer sind und Änderungen schwer rückgängig zu machen sind – etwa bei der Gestaltung von Fabriklayouts, der Optimierung von Produktionslinien und der Steuerung physischer Abläufe.

Ein neues Paradigma für Sensorik, das die Intelligenz von Sensoren auf den gesamten Datenerfassungsprozess ausweitet, verspricht revolutionäre Energieeinsparungen. Anstatt deterministisch zu entscheiden, ob ein Sample erfasst werden soll, nutzt das System eine probabilistische Logik, die das Risiko von Informationsverlust minimiert.

Ein neues Forschungsprojekt zeigt, wie intelligente Steuerungen von Haushalts-Warmwasserbereitern die Energieeffizienz deutlich steigern können. Anstatt das Gerät kontinuierlich zu betreiben, wird gezielt ein Zieltemperaturwert zu einer vorgegebenen Zeit erreicht, während der Energieverbrauch minimiert wird.

Ein intelligenter Thermostat kann Ihre Heiz- und Stromkosten deutlich reduzieren. Durch die präzise Steuerung der Raumtemperatur wird Energie nur dort verbraucht, wo sie wirklich benötigt wird.

Microsoft hat am Montag einen neuen, intern entwickelten KI-Beschleuniger namens Maia 200 vorgestellt. Der Chip ist für Inferenzaufgaben optimiert und soll die Leistung von Nvidias Blackwell-GPUs erreichen, jedoch mit zwei Dritteln des Stromverbrauchs.

Das ehemalige Krypto-Mining-Unternehmen, das sich nun zu einem Anbieter von KI‑Infrastruktur entwickelt hat, hat die Eröffnung eines 430‑MW‑Rechenzentrums in den südlichen USA angekündigt. Trotz öffentlicher Kritik an früheren Projekten bleibt der genaue Standort bis jetzt geheim. Das Unternehmen betont, dass es sich um ein hochmodernes, energieeffizientes Facility handelt, das für einen geheimen Kunden gebaut wird. Die Bauarbeiten haben bereits begonnen, doch die Details zur Lage werden erst zu einem späteren Zeitpunkt bekannt gegeben. Die Initiative soll die wachsende Nachfrage nach KI‑Computing unterstützen und gleichzeitig neue Standards in Sachen Nachhaltigkeit und Datensicherheit setzen.

Die Energieeffizienz hat sich zu einem entscheidenden Faktor im Design moderner Recheninfrastrukturen entwickelt. Durch die Integration von Leistungssteuerung und Sensorik in CPU‑Architekturen können Betriebssysteme nun aktiv den Energieverbrauch und die Performance in Echtzeit überwachen und anpassen.

SiFive, bekannt als führender Entwickler von RISC‑V‑Prozessoren, hat jüngst seine Unterstützung für Nvidias proprietäre NVLink Fusion Interconnect‑Technologie erklärt. Diese Entscheidung folgt auf die wachsende Zahl von Halbleiterfirmen, die sich ebenfalls für NVLink entscheiden, und stellt die Zukunft von UALink, einer alternativen Interconnect‑Plattform, in Frage.

Mit der rasanten Verbreitung von Machine‑Learning‑Modellen wächst auch der Energieverbrauch, der nicht nur Kosten, sondern auch ökologische Folgen mit sich bringt. Ein neues arXiv‑Veröffentlichung beleuchtet dieses Problem und stellt ein innovatives Werkzeug vor, das die Energieeffizienz von Modellen systematisch verbessert.

In der heutigen KI-Welt ist die Energieeffizienz bei der Inferenz ein entscheidender Faktor, denn der laufende Betrieb kann den CO₂-Fußabdruck des Trainings übersteigen. Ein neues, bio‑inspiriertes Konzept verbindet die Energie­landschaften von Protein‑Faltung mit den Kosten­landschaften von Inferenzaufgaben und steuert die Ausführung über einen abklingenden, geschlossenen Schleifen­schwellenwert. Ein Aufruf wird nur dann angenommen, wenn das erwartete Nutzen‑zu‑Energie‑Verhältnis vorteilhaft ist – hohe Zuverlässigkeit bei geringem Energieaufwand und geringer Auslastung. Dadurch wird die Operation gezielt auf das erste akzeptable lokale Minimum ausgerichtet, anstatt teure globale Minima zu verfolgen.

Die neueste Veröffentlichung auf arXiv präsentiert M2RU, eine Mixed‑Signal‑Architektur, die das Minion Recurrent Unit (MRU) für effiziente zeitliche Verarbeitung mit On‑Chip‑Lernen kombiniert. Durch die Integration von gewichteten Bit‑Streaming‑Techniken können mehrbitige digitale Eingaben direkt in Crossbars verarbeitet werden, ohne dass eine hochauflösende Analog‑Digital‑Umwandlung erforderlich ist.

Das US-Energieministerium (DOE) hat neue Kooperationsvereinbarungen mit führenden Cloud-, Chip- und KI-Unternehmen geschlossen, um die im Trump-Administration gestartete Genesis-Mission voranzutreiben.

Angesichts schwankender Energiepreise und dem Wunsch nach sauberer und effizienter Wärmeversorgung entscheiden sich immer mehr Hausbesitzer für moderne Heiz- und Kühlsysteme, die langfristige Stabilität bieten.

Die Next Generation Mobile Networks (NGMN)-Allianz warnt, dass die derzeitigen, fragmentierten Messstandards die Betreiber in die Irre führen und sie daran hindern, ihren Energieverbrauch genau zu erfassen. Ohne ein gemeinsames Messsystem bleibt die Energieeffizienz im Mobilfunknetz unsicher.

Ein neues Forschungsprojekt aus dem Bereich der Energieeffizienz präsentiert ein innovatives Deep‑Learning‑Modell, das den Betriebsstress von Wärmepumpen mit einer Genauigkeit von 78 % erkennt. Das Modell, genannt PG‑DNN, kombiniert physikbasierte Merkmalsauswahl mit einer tiefen neuronalen Architektur, um die komplexen thermodynamischen Wechselwirkungen in modernen Gebäuden zu erfassen.

Transformer‑basierte Multi‑Modal‑Systeme bieten enorme Möglichkeiten, sind aber häufig durch die dichte Selbst‑Aufmerksamkeit in ihrer Rechen- und Energieeffizienz eingeschränkt. Diese Begrenzung erschwert die Skalierbarkeit in ressourcenbeschränkten Umgebungen.

Der weltweite Boom der Künstlichen Intelligenz treibt eine rasante Neubau‑Welle von Rechenzentren an. In den USA, insbesondere in Georgia, sowie in Großbritannien, etwa in Essex, werden neue Projekte in Rekordtempo errichtet. Doch die Geschwindigkeit des Aufbaus stößt auf wachsenden Widerstand in den betroffenen Gemeinden.

Ford hat beschlossen, die Produktion in stillgelegten Werken neu auszurichten, um große Batterien herzustellen. Dieser Schritt folgt auf die schleppende Entwicklung des Elektrofahrzeugmarktes, der die Erwartungen nicht erfüllt hat.

Die experimentelle Phase der generativen KI geht zu Ende. Im Jahr 2026 stehen echte autonome Systeme im Fokus, die nicht mehr nur Informationen zusammenfassen, sondern aktiv handeln.

Rechenzentren bilden das Rückgrat der modernen digitalen Infrastruktur und müssen ständig an steigende Rechenanforderungen angepasst werden. Traditionelle Designansätze, die menschliche Expertise mit spezialisierten Simulationswerkzeugen kombinieren, stoßen bei wachsender Systemkomplexität an ihre Grenzen.

Die neuesten Transformer‑Modelle haben die Verarbeitung natürlicher Sprache und Bilddaten revolutioniert. Doch je nach Eingabesequenz verändern sich die Engpässe im Rechenfluss, was eine dynamische, mehrstufige Sparsity‑Strategie erfordert. Bisher konzentrierten sich die meisten sparsamen Ansätze auf einzelne Stufen und führten bei Mehrstufigkeit zu erheblichen Stromkosten.