greenai.guide

Startseite › Wie kann ich …? › Wie baue ich grüne KI in einen Hochschulkurs ein?

Wie kann ich …?

Wie baue ich grüne KI in einen Hochschulkurs ein?

Aktualisiert · 1 Min. Lesezeit

Kurz gesagt

Ergänzen Sie einen kurzen, praktischen Strang statt eines ganz neuen Kurses: Erklären Sie, wohin die Energie von KI geht, lassen Sie Studierende die Energie ihres eigenen Codes oder ihrer Modellläufe messen, und verlangen Sie, dass sie Rechenaufwand und Energie neben der Genauigkeit angeben. In technischen Kursen lehren Sie effiziente Methoden wie kleinere Modelle, Quantisierung und Wiederverwendung; in anderen liegt der Fokus auf sinnvoller Nutzung und dem Bewerten von Aussagen.

Schritte

  1. Ergänzen Sie eine kurze Einheit dazu, woher der Energie-, Wasser- und Hardware-Fußabdruck von KI kommt.
  2. Lassen Sie Studierende die Energie für mindestens einen Lauf in einer Studienarbeit mit einem Werkzeug wie CodeCarbon messen.
  3. Verlangen Sie, dass in technischen Aufgaben Rechenaufwand und Energie neben der Genauigkeit angegeben werden.
  4. Lehren Sie effiziente Methoden wie kleine Modelle, Quantisierung und die Wiederverwendung vortrainierter Modelle.
  5. Nehmen Sie eine Übung auf, in der eine veröffentlichte Aussage zum Energieverbrauch von KI geprüft wird.

Ein kurzer praktischer Strang in bestehenden Kursen erreicht mehr Studierende als ein neues Wahlfach. Fast alle Studierenden nutzen inzwischen KI: Laut der Umfrage 2026 des Higher Education Policy Institute gaben 95 % der Bachelorstudierenden im Vereinigten Königreich an, sie zu nutzen.

Was könnte der Strang umfassen?

  • Grundlagen zum Fußabdruck. Training gegenüber Inferenz, warum Bilder und lange Eingaben mehr kosten und warum veröffentlichte Zahlen voneinander abweichen.
  • Etwas messen. Lassen Sie Studierende einen Trainings- oder Inferenzlauf mit CodeCarbon ausführen und das Ergebnis mit Hardware, Laufzeit und Standort angeben.
  • Berichten wie in der Forschung. Verlangen Sie Rechenaufwand und Energie neben der Genauigkeit, einschließlich der Läufe zur Abstimmung; siehe Energie in der Forschung angeben.
  • Effiziente Methoden für technische Kurse: kleinere und aufgabenspezifische Modelle, Quantisierung, Destillation und Wiederverwendung vortrainierter Modelle.
  • Aussagen bewerten für jeden Kurs: Wer hat gemessen, bezogen worauf, und was wurde weggelassen?

Welche Rahmenwerke helfen?

Der KI-Kompetenzrahmen der UNESCO für Lernende umfasst ökologisch nachhaltige KI. Für Forschungsgruppen und Fachbereiche bieten die GREENER-Prinzipien von Lannelongue und Kollegen einen Rahmen für Governance, Abschätzung und Lehre in nachhaltiger rechnergestützter Wissenschaft.

Was den größten Unterschied macht

Energie zum Teil der Bewertung zu machen. Sobald ein Bewertungsschema neben der Genauigkeit auch die Genauigkeit pro Kilowattstunde belohnt, beginnen Studierende, darauf hin zu entwerfen.

Häufige Fehler

  • Es als einmalige Ethikvorlesung ohne praktische Aufgabe behandeln.
  • Studierende bestrafen, die KI nutzen, statt ihnen beizubringen, sie gut zu nutzen.
  • Veraltete Zahlen pro Anfrage verwenden.

Lesen Sie KI-Kompetenz an Hochschulen und stöbern Sie in den Kursen nach Material zur Wiederverwendung.

Quellen

  1. Student generative AI survey 2026, Higher Education Policy Institute (HEPI) (2026)
  2. AI competency framework for students, UNESCO (2024)
  3. CodeCarbon, CodeCarbon (2026)
  4. GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)

Machen Sie mit

Helfen Sie, die Umweltwirkung von KI zu senken

Erhalten Sie neue Leitfäden, Förderausschreibungen und Verzeichniseinträge etwa einmal im Monat per E-Mail. Oder tragen Sie Ihr Produkt, Ihren Kurs, Ihre PhD-Stelle oder Ihre Forschung in die Verzeichnisse ein.

Kein Tracking. Abmeldung mit einem Klick. Weitere Möglichkeiten mitzumachen · Datenschutz