Edge AI: Innovation trifft auf Herausforderungswirbel in der Welt der Künstlichen Intelligenz
Der technologische Fortschritt hat wieder einmal eine spannende Wende genommen, diesmal mit der breiten Adaption von generativer Künstlicher Intelligenz (KI). Zwei Jahre nach dem Erscheinen von ChatGPT hat sich das Landschaftsbild der KI rasant entwickelt und zahlreiche Investitionen angeregt. Besonders das Rennen um leistungsstarke Cloud-basierte Dienste, die auf riesigen Dateninfrastrukturen laufen, ist in vollem Gange. Schätzungen zufolge planen führende Technologieunternehmen, im kommenden Jahr etwa 160 Milliarden Dollar in Kapazitäten für GPUs und verwandte Infrastrukturen zu investieren. Experten prognostizieren sogar, dass globale Investitionen in Rechenzentren in den nächsten Jahren auf 2 Billionen Dollar ansteigen könnten. Diese Enthusiasmuswelle wirft jedoch die Frage auf, ob die erzielten Einnahmen mit den enormen Entwicklungskosten Schritt halten können. Parallel dazu tritt Edge AI als innovative Trendwende in Erscheinung, ermöglicht durch die Fortschritte der Smartphone- und PC-Technologien. Diese Methode sieht vor, Algorithmen direkt auf persönlichen Geräten, wie Smartphones und Computern, laufen zu lassen, anstatt auf zentralisierte Server zurückzugreifen. Diese Entwicklung verspricht nicht nur Echtzeitreaktionen ohne abhängige Internetverbindung, sondern auch eine gesteigerte Privatsphäre der Nutzerdaten. Prognosen sehen vor, dass bis 2027 fast 50% der Smartphones über generative KI-Fähigkeiten verfügen werden. Die größte Herausforderung hierbei: die aktuelle Hardwareleistung steht noch nicht im Gleichschritt mit den Anforderungen großer KI-Modelle. Die großen Chiphersteller sind indes nicht untätig und setzen auf die Entwicklung leistungsstärkerer Prozessoren, ohne dabei auf Miniaturisierungen angewiesen zu sein. Für Investoren könnten sich dadurch erhebliche Wachstumschancen im Bereich der Verbraucherelektronik ergeben, da der Bedarf an Upgrade-fähigen Geräten steigt. Der Fokus auf kleinere, spezifische KI-Modelle passt in diese Zeitentwicklung, da sie weniger Trainingsdaten erfordern und in bestimmten Anwendungen größeren Modellen überlegen sein können.