Neue KI-Methode senkt Energieverbrauch um das 100-fache und steigert Genauigkeit

Eine intelligentere Denkweise

Während künstliche Intelligenz immer größere Anteile des weltweiten Stromverbrauchs verschlingt, hat ein Team der Tufts University einen grundlegend anderen Ansatz vorgestellt, der den Energieverbrauch von KI um das bis zu 100-fache senken könnte – und gleichzeitig die Systeme genauer macht. Die Forschung unter der Leitung von Professor Matthias Scheutz, die im Februar 2026 auf arXiv veröffentlicht wurde, soll im Mai auf der International Conference on Robotics and Automation in Wien vorgestellt werden.

Der Durchbruch basiert auf neuro-symbolischer KI, einer Hybridmethode, die konventionelle neuronale Netze mit menschenähnlichem symbolischem Denken kombiniert. Anstatt rein durch rohe Gewalt und Mustererkennung anhand von Millionen von Beispielen zu lernen, wendet das System logische Regeln, abstrakte Konzepte wie Form und Gleichgewicht sowie strukturierte, schrittweise Planung an – ähnlich wie Menschen Probleme lösen.

Dramatische Ergebnisse

Die Forscher testeten ihr System am Turm von Hanoi, einem klassischen Benchmark für Problemlösungen, der eine sorgfältige sequentielle Planung erfordert. Die Ergebnisse waren bemerkenswert:

• Das neuro-symbolische System erreichte eine Erfolgsquote von 95 %, verglichen mit nur 34 % für ein Standard-Vision-Language-Action (VLA)-Modell.
• Bei einer komplexeren, zuvor unbekannten Variante erzielte es 78 % – während das konventionelle Modell 0 % erreichte.
• Das Training dauerte nur 34 Minuten, gegenüber über 36 Stunden für den Standardansatz.
• Der Energieverbrauch während des Trainings sank auf etwa 1 % des konventionellen Modells, wobei der operative Energieverbrauch auf etwa 5 % sank.

"Ein neuro-symbolisches VLA kann Regeln anwenden, die das Ausprobieren während des Lernens einschränken und viel schneller zu Lösungen gelangen", sagte Scheutz.

Warum es jetzt wichtig ist

Der Zeitpunkt könnte kaum dringlicher sein. Laut der Internationalen Energieagentur verbrauchten KI-Systeme und Rechenzentren in den Vereinigten Staaten im Jahr 2024 rund 415 Terawattstunden Strom – mehr als 10 % der gesamten nationalen Produktion – und diese Zahl wird sich bis 2030 voraussichtlich verdoppeln.

Die Unternehmenswelt wetteifert bereits um die Sicherung der Stromversorgung. Im Januar 2026 vereinbarte der Energieriese Vistra Corp die Übernahme der Flotte von Erdgaskraftwerken von Cogentrix Energy für rund 4 Milliarden US-Dollar und fügte 5,5 Gigawatt Erzeugungskapazität in Neuengland, Texas und dem Netz von New Jersey bis Chicago hinzu. Der Deal, der 2,3 Milliarden US-Dollar in bar und 5 Millionen Aktien von Vistra umfasst, unterstreicht, wie der unstillbare Appetit der KI auf Strom den Energiesektor umgestaltet.

KI erreicht die Apotheke

Inzwischen dringt KI in Bereiche vor, die einst ausschließlich menschlichen Fachkräften vorbehalten waren. Utah wurde der erste US-Bundesstaat, der einem KI-System die autonome Erneuerung von medizinischen Rezepten erlaubte und eine einjährige Pilotprogramm-Partnerschaft mit der Gesundheitsplattform Doctronic einging. Das System bearbeitet 30-, 60- oder 90-Tage-Nachfüllungen für 190 häufig verschriebene Medikamente zu einem Preis von 4 US-Dollar pro Erneuerung – kein Arztbesuch erforderlich.

Sicherheitsvorkehrungen sind eingebaut: Schmerzmittel, Injektionen und ADHS-Medikamente sind ausgeschlossen, und die ersten 250 Rezepte in jeder Medikamentenklasse erfordern eine Überprüfung durch einen menschlichen Arzt, bevor die KI unabhängig arbeitet. Mehrere andere Bundesstaaten, darunter Texas und Arizona, führen Gespräche, um dem Beispiel Utahs zu folgen.

Effizienz als Weg nach vorn

Zusammengenommen zeichnen diese Entwicklungen das Bild einer Branche am Scheideweg. Die Fähigkeiten der KI expandieren weiter in den Bereichen Gesundheitswesen, Robotik und Entscheidungsfindung – aber auch ihr ökologischer Fußabdruck. Durchbrüche wie der neuro-symbolische Ansatz von Tufts deuten darauf hin, dass rohe Rechenleistung möglicherweise nicht der einzige Weg nach vorn ist. Intelligentere Architekturen, die eher denken als einfach nur rechnen, könnten der Schlüssel sein, um KI in großem Maßstab nachhaltig zu machen.