Die Entwicklung von Künstlicher Intelligenz (KI) und insbesondere von großen Sprachmodellen (Large Language Models, LLMs) gilt als eine der bahnbrechendsten Technologien der Gegenwart. Traditionell sind zur Schaffung solcher Modelle riesige Rechenzentren mit Tausenden von spezialisierten GPUs nötig, die enorme Mengen an Energie und Ressourcen verbrauchen. Doch eine neue Bewegung von Startups bringt frischen Wind in die Branche, indem sie fortschrittliche KI-Modelle ohne den Einsatz zentralisierter Rechenzentren entwickeln. Diese verteilte Trainingsmethodik könnte die Art und Weise, wie KI in Zukunft entsteht, deutlich verändern und den Zugang zu leistungsfähigen Modellen demokratisieren. Der Kern dieser Innovation liegt in der sogenannten verteilten KI-Entwicklung, bei der Rechenleistung über ein Netzwerk von verschiedenen, oft geografisch weit auseinanderliegenden Computern gebündelt wird. So entsteht ein virtueller Verbund, der gemeinsam an der Schulung eines großen Modells arbeitet.
Anstatt in einer einzigen Infrastruktur alle Aufgaben zu bündeln, werden sie auf viele kleinere Einheiten aufgeteilt, die über das Internet kommunizieren. Diese Methode wurde kürzlich von Startups wie Flower AI und Vana als Erfolgsmodell vorgestellt. Gemeinsam entwickelten sie das Modell „Collective-1“ mit etwa 7 Milliarden Parametern. Während dies im Vergleich zu den Spitzenreitern der Branche einen eher kleinen Wert darstellt, zeigt es eindrucksvoll, wie auch ohne traditionelle Rechenzentren leistungsfähige KI-Modelle trainiert werden können. Das verteilte Training von KI-Modellen hat mehrere entscheidende Vorteile. Zunächst ermöglicht es eine wesentlich flexiblere Nutzung von Ressourcen. Anstatt Milliarden in den Aufbau eigener Rechenzentren investieren zu müssen, können kleinere Unternehmen, Forschungseinrichtungen oder sogar Einzelpersonen ungenutzte Rechenleistung gemeinsam nutzen. Dies reduziert die Einstiegshürden und fördert eine breitere Basis an Innovationen.
Zudem bietet die Dezentralisierung die Möglichkeit, privatere und diversere Datenquellen in das Training einzubringen, beispielsweise persönliche Nachrichten von Plattformen wie X (ehemals Twitter), Reddit oder Telegram. Vana setzt genau hier an und entwickelt Software, die es Nutzerinnen und Nutzern erlaubt, ihre eigenen Daten kontrolliert und mit Bedingungen versehen zum Training beizusteuern. Dadurch wird nicht nur die Palette an Trainingsdaten erweitert, sondern auch die Datensouveränität der Nutzer gestärkt. Einer der großen Kritikerpunkte herkömmlicher KI-Entwicklung ist der enorme Energieverbrauch und die Umweltbelastung der Rechenzentren. Verteilte Trainingsansätze können hier zwar nicht von vornherein garantieren, dass Energie effizienter genutzt wird, aber sie eröffnen neue Möglichkeiten, Rechenkapazitäten zu demokratisieren, die eventuell ohnehin verfügbar sind, wie etwa in Bürogebäuden, Universitäten oder privaten Haushalten.
Durch die Integration verschiedenster Hardware und Infrastrukturen könnten so Ressourcen viel zielgerichteter zum Einsatz kommen, ohne dass neue Großanlagen errichtet werden müssen. Die technische Herausforderung bei verteiltem Training liegt in der Koordination und Kommunikation der einzelnen Einheiten. Sie müssen synchronisiert werden, um Daten und Zwischenergebnisse auszutauschen, damit das Modell stetig verbessert wird. Hier setzt die von Forschern in Großbritannien und China entwickelte Software „Photon“ an. Sie optimiert den Prozess der Datenrepräsentation und den Informationsaustausch während des Trainings, wodurch die Effizienz steigt und sich das System flexibel an neue Rechnerressourcen anpassen lässt. Obwohl die Trainingsgeschwindigkeit noch langsamer ist als bei klassischen Rechenzentren, punktet der Ansatz mit Flexibilität und Skalierbarkeit, was ihn besonders für kleinere Akteure attraktiv macht.
Aus Sicht der Industrie könnte der verteilte Ansatz die derzeitige Dominanz großer Technologiekonzerne nachhaltig erschüttern. Bislang verfügen nur wenige Unternehmen und Nationen über die notwendigen Ressourcen, um die aktuell leistungsfähigsten KI-Modelle zu entwickeln. Die Konzentration der Rechenleistung in wenigen Datenzentrumskomplexen führt zu hohem Wettbewerbsvorteil und eine Art Monopolstellung. Doch durch verteilte Trainingsverfahren könnten auch kleine Unternehmen, akademische Einrichtungen oder Länder mit weniger ausgeprägter Infrastruktur zu ernstzunehmenden Mitspielern im KI-Rennen werden. Das erhöht nicht nur die Innovationsdynamik, sondern kann auch geopolitisch Auswirkungen haben, indem Abhängigkeiten reduziert werden. Fachleute für KI-Governance sehen in den neuen Ansätzen sowohl Chancen als auch Herausforderungen. Einerseits könnte die Verbreitung verteilten Trainings die Kontrolle über leistungsstarke KI-Modelle dezentralisieren und mehr Vielfalt ins Spiel bringen.
Andererseits besteht weiterhin Unsicherheit, ob diese Verfahren den derzeitigen Stand der Technik in puncto Leistungsfähigkeit langfristig einholen können oder ob sie eher als ergänzende „Fast-Follower“-Strategie taugen. Auch Fragen des Datenschutzes und der regulatorischen Überwachung werden in einer Szene mit dezentralen Datenquellen komplexer. Ein besonders interessantes Thema ist der Umgang mit sensiblen oder privaten Daten in der KI-Ausbildung. Gerade im Gesundheitswesen oder Finanzbereich gibt es enorme Datenschutzbedenken, die derzeit die Nutzung großer Mengen solcher Daten für Trainingszwecke erschweren. Das verteilte Training könnte hier eine praktische Lösung bieten, indem die Daten lokal bleiben, aber die Rechenleistung dennoch koordiniert wird. Das minimiert das Risiko von Datenlecks und kann dazu beitragen, den verantwortungsvollen Umgang mit Nutzerdaten besser zu gewährleisten. Die Zukunft der KI-Entwicklung könnte also wesentlich heterogener und inklusiver werden.
Neue technologische Entwicklungen zeigen, dass es möglich ist, auch ohne riesige zentrale Rechenzentren leistungsstarke KI-Modelle zu trainieren. Diese Entwicklung eröffnet Chancen für eine größere Breite von Innovatoren und könnte den Wettbewerb im globalen KI-Markt antreiben. Dabei wird es wichtig sein, sowohl technische als auch ethische Herausforderungen proaktiv zu adressieren, um den größtmöglichen Nutzen für Gesellschaft, Wirtschaft und Wissenschaft zu erzielen. Nicht zuletzt fordert das neue Paradigma die Wissenschaft und Wirtschaft dazu auf, ihren Umgang mit Daten, Infrastruktur und Kooperation grundlegend zu überdenken. Der Übergang von zentralisierten zu verteilten Systemen ist nicht nur eine technische, sondern auch eine gesellschaftliche Aufgabe. Wer es schafft, diese Potenziale zu heben, könnte die KI-Landschaft der Zukunft maßgeblich mitgestalten.
Flower AI, Vana und ihre Partner zeigen eindrucksvoll, dass innovative Ideen, kluge Kooperationen und der Wille zur Veränderung auch in einem von großen Giganten dominierten Feld Erfolg haben können. Die nächsten Jahre werden spannend sein, wenn verteiltes KI-Training seine Versprechen in der Praxis unter Beweis stellt und neue Anwendungen, Optionen und Märkte erschließt.
