Hardware für Künstliche
Intelligenz
Grundlagen und Anwendungen
Übersicht der Unterrichtsstunde
• 1. Grundlagen der KI-Hardware
• 2. Anwendungen und Trends
• 3. Reflexion und Diskussion
• Ziel: Inhalte aktiv und schülerzentriert
erschließen.
Warum Hardware wichtig ist
• • KI-Anwendungen erfordern spezialisierte
Hardware.
• • Wichtige Aufgaben: Matrixmultiplikationen,
parallele Berechnungen.
• Hardware ermöglicht effizientes und
skalierbares Training sowie Inferenz.
CPU – Allzweckprozessor
• • Hauptprozessor in Computern und Servern.
• • Vorteile:
• - Vielseitig und leistungsstark.
• - Optimiert für komplexe, sequenzielle
Aufgaben.
• • Nachteile:
• - Begrenzte Parallelisierung.
• - Geringe Effizienz für KI-Aufgaben.
GPU – Spezialist für paralleles
Rechnen
• • Ursprünglich für Grafikberechnungen
entwickelt.
• • Vorteile:
• - Tausende Rechenkerne (Shader).
• - Ideal für Matrixoperationen und parallele
Aufgaben.
• • Beispiel: Nvidia Tensor Core GPUs.
ASIC – Maßgeschneiderte
Hardware
• • Application-Specific Integrated Circuit.
• • Vorteile:
• - Hoch optimiert für spezifische Aufgaben.
• - Energieeffizient und leistungsstark.
• • Beispiel: Google TPU für Deep Learning.
Neuromorphe Hardware
• • Nachbildung neuronaler Netzwerke in
Hardware.
• • Vorteile:
• - Sehr energieeffizient.
• - Hohe Parallelisierung.
• • Beispiel: IBM TrueNorth.
Anwendungen der Hardware
• • CPU: Standard-PCs, Server.
• • GPU: Deep Learning in der Cloud.
• • ASIC: KI-Spezialanwendungen (z. B. Google
TPU).
• • Neuromorphe Hardware: Mobile KI,
Energieeffizienz.
Trends und Zukunft
• • Mobile KI-Anwendungen benötigen
spezialisierte Hardware.
• • Neuromorphe Hardware zeigt großes
Potenzial.
• • Herausforderungen:
• - Energieverbrauch.
• - Hardwareverfügbarkeit.
Abschluss und Diskussion
• • Diskussion:
• - Welche Hardware wird in 10 Jahren
dominieren?
• • Hausaufgabe:
• - Recherchieren Sie aktuelle KI-Hardware in
Smartphones oder Cloud-Anwendungen.
