Die Auswirkungen von KI auf die Umwelt, anschaulich erklärt

Die Auswirkungen von KI auf die Umwelt stammen aus vier miteinander verbundenen Quellen: Strom, der für Berechnungen verwendet wird, Kohlenstoff und Wasser, das mit diesem Strom verbunden ist, Wasser, das direkt zur Kühlung verwendet wird, sowie die Materialien und die Herstellung hinter Chips und Rechenzentren. Die Gesamtsumme hängt davon ab, was die KI macht, wie groß das Modell ist, wie effizient die Hardware genutzt wird und wo sie läuft.

Es gibt keinen vertrauenswürdigen universellen Fußabdruck für eine KI-Abfrage. Eine kurze Antwort eines kleinen Modells stellt eine andere Arbeitsbelastung dar als die Recherche eines Grenzmodells oder ein generiertes Video. Bei den meisten Persönlichkeiten des öffentlichen Lebens handelt es sich um Schätzungen mit unterschiedlichen Grenzen. Die sinnvolle Frage lautet daher nicht: „Wie lautet die Zahl der KI?“ sondern „Welche Auswirkungen, für welches System, auf welche Weise gemessen oder modelliert?“

Beginnen Sie mit dem Zeichnen der Grenze

Eine Umweltnummer macht erst dann Sinn, wenn man sich entschieden hat, was sie beinhaltet. Eine enge Schlussfolgerungsschätzung könnte die Beschleunigerelektrizität abdecken, während eine Antwort generiert wird. Eine breitere Betriebsschätzung fügt Speicher, Netzwerk, Kühlung und Stromumwandlung hinzu. Eine Lebenszyklusschätzung kann auch Schulung, Chipherstellung, Bau und Entsorgung aufteilen.

Keine ist automatisch falsch. Jeder beantwortet eine andere Frage. Probleme beginnen, wenn eine schmale Zahl als vollständiger Fußabdruck beschrieben oder mit einer breiten Zahl verglichen wird.

Treechat’s Methodikschätzt beispielsweise die Betriebsenergie anhand des gewählten Modells und der Token-Anzahl und fügt dann den Overhead des Rechenzentrums und einen durchschnittlichen Netz-Kohlenstofffaktor hinzu. Es handelt sich nicht um einen Leistungsmesser und es wird nicht beansprucht, die Herstellung zu erfassen. Diese Einschränkung gehört neben das Ergebnis und versteckt sich nicht im Kleingedruckten.

Aus Berechnung wird Strom und Wärme

Modelle führen mathematische Operationen auf Prozessoren aus. Beim Training werden sie wiederholt, während die Modellgewichte angepasst werden. Inferenz verwendet die trainierten Gewichte, um eine Antwort zu generieren. Beide verbrauchen Strom, und fast die gesamte Energie wird letztendlich in Wärme umgewandelt, die abgeführt werden muss.

Der Aufgabentyp ist wichtig. Luccioni, Jernite und Strubell haben die Energie bei Arbeitslasten des maschinellen Lernens gemessen und festgestellt Generative Modelle für allgemeine Zwecke verbrauchten wesentlich mehr Energie als aufgabenspezifische Modelle für vergleichbare Aufgaben in ihrem Benchmark. Die genauen Ergebnisse beziehen sich auf die getestete Hardware, Datensätze und Modelle, die Richtung ist jedoch aufschlussreich.

Bei der Textgenerierung spielen Token, Kontext und Ausgabelänge eine Rolle. Die Bild- und Videoerzeugung erfordert normalerweise unterschiedliche, aufwändigere Berechnungen. Effizientes Batching und neuere Beschleuniger können den Energieverbrauch pro Ergebnis reduzieren, während leicht genutzte Server und wiederholte Generationen ihn erhöhen können.

Die Gesamtzahlen der Rechenzentren zeigen die Größenordnung, nicht eine einzige Antwort

Die IEA-Berichte dass Rechenzentren im Jahr 415 etwa 2024 TWh verbrauchten, etwa 1.5% des weltweiten Stroms. Sein Basisszenario prognostiziert etwa 945 TWh im Jahr 2030. KI ist der Haupttreiber dieses Anstiegs, aber die Gesamtsummen umfassen Cloud-Speicher, Streaming, Unternehmenssoftware und andere Nicht-KI-Dienste.

Diese Unterscheidung verhindert zwei häufige Fehler. Die Bezeichnung „KI-Nutzung“ insgesamt übertreibt den aktuellen Anteil der KI. Wenn man nur einen winzigen Durchschnitt pro Eingabeaufforderung betrachtet, kann dies die Infrastruktur unterschätzen, die für schnell wachsende Arbeitslasten aufgebaut wird.

Prognosen sind ebenfalls bedingt. Die IEA modelliert unterschiedliche Pfade, da Nachfrage, Hardwareeffizienz und Netzbeschränkungen ungewiss sind. Prognosen sollten die Planung leiten und nicht als unvermeidliche Tatsachen wiederholt werden. Für eine direktere Beurteilung siehe Ist KI schädlich für die Umwelt?.

Kohlenstoff folgt der Energieversorgung

Der gleiche Rechenaufwand kann an unterschiedlichen Orten und zu verschiedenen Zeiten zu unterschiedlichen Betriebsemissionen führen. Die Entstehung von Fossilien erhöht die Kohlenstoffintensität; Eine kohlenstoffarme Erzeugung senkt ihn. Die Effizienz des Rechenzentrums beeinflusst, wie viel unterstützender Strom rund um die Chips benötigt wird.

Das Basisszenario der IEA geht davon aus, dass erneuerbare Energien bis 2030 fast die Hälfte des zusätzlichen Stroms für Rechenzentren liefern werden, Erdgas und Kohle zusammen jedoch mehr als 40% liefern. Sein Modell geht davon aus, dass die strombedingten Emissionen von Rechenzentren im Jahr 320 etwa 2030 Millionen Tonnen CO2 erreichen, bevor sie leicht zurückgehen. Dabei handelt es sich um eine Rechenzentrumsschätzung, nicht um eine reine KI-Inventur.

Mit der jährlichen Abstimmung erneuerbarer Energien können sauberere Kapazitäten finanziert und marktbasierte Emissionen reduziert werden. Es beschreibt nicht unbedingt das physische Raster zum Zeitpunkt der Ausführung einer Anforderung. Eine bessere Offenlegung stellt sowohl den vertraglichen Anspruch als auch die lokale, zeitkritische Realität dar.

Wasser kann direkt oder indirekt sein

Durch Verdunstungskühlung kann Wasser aus stromtechnischer Sicht effizient genutzt werden, da die Verdunstung Wärme abführt. Das verbrauchte Wasser wird nicht sofort in dasselbe Einzugsgebiet zurückgeführt. Trockene oder geschlossene Systeme können den Verbrauch vor Ort erheblich reduzieren, manchmal auf Kosten zusätzlicher Energie oder Ausrüstung.

Die Stromerzeugung erhöht den indirekten Wasserverbrauch. Das bedeutet, dass „kein Wasser zur Kühlung“ nicht zwangsläufig einen Null-Wasser-Dienst bedeutet. Umgekehrt kann ein Netz mit hohem Anteil an erneuerbaren Energien je nach den beteiligten Technologien sowohl den indirekten Wasserverbrauch als auch den CO2-Ausstoß senken.

Die Wasserschätzungen pro Abfrage unterscheiden sich um Größenordnungen, da Forscher und Betreiber unterschiedliche Dienste, Orte und Grenzen modellieren. Die Aussage, dass es sich um eine Flasche pro Nachricht handelt, wird von der ursprünglichen Studie, die dem beliebten Vergleich zugrunde liegt, nicht gestützt. Unser AI-Leitfaden zur Wassernutzung trennt diese Zahlen und erklärt, was jede einzelne sagen kann – und was nicht.

Materialien machen den Fußabdruck langlebiger

Beschleuniger, Server und Gebäude tragen verkörperte Auswirkungen aus Bergbau, Raffination, Fertigung und Transport. Halbleiterfabriken benötigen Wasser und Chemikalien; Rechenzentren benötigen Beton, Stahl, Batterien und Notstromaggregate. Ein schneller Hardware-Austausch kann diese Auswirkungen verstärken, selbst wenn jeder neue Chip effizienter im Betrieb ist.

Sie werden selten in Schätzungen für Verbraucherabfragen einbezogen, da die Zuordnung schwierig ist. Wie viel von der Grundfläche einer Fabrik gehört einem Prozessor? Wie sollte dieser Prozessor auf Trainingsläufe und Milliarden von Schlussfolgerungen aufgeteilt werden? Von welcher Lebensdauer und Nutzung ist auszugehen?

Diese unbeantworteten Fragen rechtfertigen nicht, die Hardware zu ignorieren. Sie rechtfertigen eine gesonderte Berichterstattung und eine Verbesserung der Lieferantenoffenlegung. Eine abgerundete Betriebsquittung kann bei alltäglichen Entscheidungen hilfreich sein; Beschaffung und Politik benötigen ebenfalls Lebenszyklusnachweise.

Verwandeln Sie die Erklärung in bessere Entscheidungen

Für Benutzer ist die Verhältnismäßigkeit der stärkste praktische Hebel. Verwenden Sie die Suche, einen Taschenrechner oder vorhandene Software, wenn diese ausreichen. Wählen Sie für Routinearbeiten ein kleineres oder spezielles Modell. Beschränken Sie irrelevanten Kontext, fragen Sie nach der benötigten Länge und vermeiden Sie Stapel von Einwegausgaben.

Messen Sie für Unternehmen das Arbeitslastvolumen sowie die Effizienz pro Nutzung. Fragen Sie Anbieter nach Modellauswahl, Anlagenenergie, Wasserstress, Hardware-Lebensdauer und der Bilanzierung hinter den Angaben zu erneuerbaren Energien. Bewerten Sie die beanspruchten Vorteile anhand einer tatsächlichen Ausgangslage. Unser Leitfaden dazu, was KI mit der Umwelt macht deckt die Richtung auf Systemebene ab; Der Leitfaden zur generativen KI konzentriert sich auf die ressourcenintensivsten Verbraucheranwendungen.

Treechat Leitet gewöhnliche Fragen an kleinere Modelle weiter und bezeichnet das Ergebnis als Schätzung. Jedes zahlende Mitglied finanziert außerdem jeden Monat einen neu gepflanzten Baum, die Pflanzung gilt jedoch nicht als Beweis dafür, dass die Berechnung keine Auswirkungen hatte. Reduzierung, transparente Schätzung und ein separater Klimabeitrag lösen verschiedene Teile des Problems.