Prof. Herbrich schilderte auch seinen eigenen Einstieg in die Informatik, der mit seinem ersten Computer, dem ZX81 begann. Er beschrieb die Entwicklung in der Forschung zur Künstlichen Intelligenz, die über die Jahrzehnte etwa aufgrund fehlender Mittel phasenweise auch pausierte. Heute ist der Begriff der Künstlichen Intelligenz in aller Munde – und der Zusammenhang von KI und Energie wird immer wichtiger. Prof. Herbrich beobachtet dabei einen Wandel in der KI-Forschung. Der Fokus, der bisher auf die Vorhersagegenauigkeit als alleiniges Erfolgskriterium gerichtet war, verändert sich und wird breiter. Heute geht es auch um die Menge an Daten, die Rechenleistung und vor allem um Energie als Begrenzungsfaktor für zukünftige KI-Algorithmen. Dies beeinflusse das Feld des Machine Learnings auf gleich dreifache Weise.
Auf der Systemebene müssten Technologie und Hardware gefunden werden, die eine Balance zwischen Vorhersagegenauigkeit und Energieverbrauch erreichen. Auf der Methodenebene stelle sich die Frage, wie man den Lernprozess von Algorithmen effizienter gestalten könne. Zuletzt komme es auf der theoretischen Ebene darauf an, die physikalischen Auffassungen von Energie mit den Auffassungen von Information und Lernen in einer gemeinsamen Theorie zu vereinen.
Zum Abschluss seiner Antrittsvorlesung skizzierte Prof. Herbrich einige aus seiner Sicht entscheidende Hürden – um Fortschritte für mehr energieeffiziente Künstliche Intelligenz zu erreichen. Dazu gehöre unter anderem die Entwicklung eines Systems, das eine aktualisierte Version des Turing Tests besteht, die den Energieverbrauch mitberücksichtigt.
