Wie wirkt sich KI auf die Umwelt aus?
KI wirkt sich während ihres gesamten Lebenszyklus auf den Strom-, Kohlenstoff-, Wasser- und Materialverbrauch aus. Erfahren Sie, wo die Auswirkungen auftreten und wie Sie diese beurteilen können.
KI beeinflusst die Umwelt über die Computer, Rechenzentren und Lieferketten, die sie zum Funktionieren bringen. Trainings- und Laufmodelle verbrauchen Strom. Beim Kühlen kann Wasser verbraucht werden. Die Herstellung von Chips und der Bau von Anlagen erfordern Materialien, Wasser und Energie. Die dabei entstehenden CO2-Emissionen hängen stark davon ab, wie der Strom erzeugt wird.
KI kann auch Umweltschäden reduzieren – zum Beispiel durch die Vorhersage erneuerbarer Energien oder das Erkennen von Methanlecks – aber diese Vorteile sind spezifische Ergebnisse und kein Freifahrtschein für jede KI-Anwendung. Die Größe des Footprints ändert sich dramatisch mit dem Modell, der Aufgabe, der Antwortlänge, der Hardware, dem Standort und der Anzahl der Benutzer. Jede Antwort, die „KI“ einen festen Umweltaufwand zuordnet, lässt einen wichtigen Kontext außer Acht.
Die Wirkung beginnt bei der Hardware
Bevor ein Modell trainiert wird, müssen seine Prozessoren erstellt werden. Die Halbleiterfertigung ist ein energie- und wasserintensiver Industrieprozess, der hochreines Wasser, Chemikalien und komplexe globale Lieferketten erfordert. Server benötigen außerdem Arbeitsspeicher, Speicher, Netzwerk- und Stromversorgungsgeräte. Bei Gebäuden kommen Beton, Stahl und Kühlsysteme hinzu.
Diese verkörperten Auswirkungen sind real, aber schwer per Eingabeaufforderung auszudrücken. Ein Prozessor kann mehrere Modelle trainieren und über Jahre hinweg viele andere Workloads bedienen. Die Division des Produktionsstandorts durch eine angenommene Anzahl von Antworten erfordert unsichere Entscheidungen hinsichtlich der Nutzung und Lebensdauer.
Aus diesem Grund beziehen sich die meisten veröffentlichten Zahlen „pro Abfrage“ auf den Betriebsstrom und nicht auf den gesamten Lebenszyklus. Eine solche Zahl kann immer noch nützlich sein, wenn die Grenze explizit ist. Es wird irreführend, wenn es als Gesamtwirkung dargestellt wird. Eine fundierte Bewertung trennt Herstellung und Konstruktion von der Energie, die beim Training oder Dienst eines Modells verbraucht wird.
Training und Inferenz sind unterschiedliche Aufgaben
Beim Training wird ein Modell anhand großer Datensätze und vieler wiederholter Berechnungen angepasst. Es kann Beschleunigercluster wochen- oder monatelang belegen. Die Schlussfolgerung erfolgt nach dem Training, wenn jemand das Modell auffordert, etwas zu klassifizieren, vorherzusagen oder zu generieren.
Schulungen sind konzentrierter und leichter zu bemerken, aber beliebte Dienste können im Laufe ihrer Betriebsdauer weitaus mehr Rückschlüsse ziehen. Es gibt keine feste Regel, welche größer ist: Das Gleichgewicht hängt von den Trainingsläufen, der Modelllebensdauer, dem täglichen Verkehr und der pro Anfrage geleisteten Arbeit ab.
Auch generative Aufgaben unterscheiden sich. Das Verfassen eines kurzen Satzes, das Analysieren eines langen Dokuments und das Erstellen eines Videos sind nicht vergleichbar. Die Studie Leistungshungrige Verarbeitung maß 1,000 Schlussfolgerungen für repräsentative Aufgaben und stellte fest, dass generative Allzwecksysteme deutlich energieintensiver sind als aufgabenspezifische Alternativen. Es bietet keinen universellen Tarif, aber es unterstützt eine praktische Lektion: Verwenden Sie spezielle oder kleinere Systeme, wenn diese die Aufgabe erfüllen können.
Rechenzentren verwandeln Berechnungen in lokale Nachfrage
Server beziehen Strom und geben ihn fast vollständig als Wärme ab. Rechenzentren müssen diese Wärme ableiten und gleichzeitig eine zuverlässige Stromversorgung, Vernetzung und Speicherung gewährleisten. Kühlung, Stromumwandlung und andere unterstützende Geräte verursachen einen Mehraufwand, der über die Prozessoren selbst hinausgeht.
Die Schätzungen der IEA Alle Rechenzentren verbrauchten im Jahr 415 etwa 2024 TWh, was etwa 1.5% des weltweiten Stroms entspricht. Sein Basisszenario steigt im Jahr 945 auf etwa 2030 TWh, wobei beschleunigte Server, die hauptsächlich mit KI verbunden sind, für fast die Hälfte des Nettowachstums verantwortlich sind. In diesen Summen sind auch Nicht-KI-Arbeitslasten enthalten, sie dürfen daher nicht in „KI-Strom“ umbenannt werden.
Globale Aktien können lokale Belastungen verbergen. Anlagencluster, in denen Land, Netzwerke und Netzanschlüsse verfügbar sind. Ein neuer Campus mit hoher Dichte kann sich erheblich auf die Energieplanung einer Region auswirken, auch wenn Rechenzentren nach wie vor einen bescheidenen Anteil am weltweiten Bedarf ausmachen. Unser Überblick über Auswirkungen auf KI-Rechenzentren betrachtet diesen lokalen Kontext.
Strom erzeugt Kohlenstoff, aber nicht in einem bestimmten Ausmaß
Der betriebliche CO2-Fußabdruck ist Energie multipliziert mit der Emissionsintensität seines Stroms. Diese Intensität variiert je nach Land, Region und Stunde. Sauberere Gitter reduzieren es; fossillastige Netze erhöhen es.
Die Beschaffung erneuerbarer Energien verkompliziert das Bild. Ein Unternehmen kann Verträge abschließen, die eine saubere Stromerzeugung vorsehen, oder Zertifikate kaufen, die seinem Jahresverbrauch entsprechen. Das kann wertvoll sein, ist aber etwas anderes als der Nachweis, dass ein Server zu jedem Zeitpunkt mit kohlenstofffreiem Strom versorgt wurde. Sowohl standortbasierte als auch marktbasierte Berichterstattung können legitim sein, wenn sie eindeutig gekennzeichnet sind.
Die IEA geht davon aus, dass erneuerbare Energien in ihrem Basisszenario bis 2030 fast die Hälfte des Wachstums der Stromversorgung von Rechenzentren ausmachen werden. Außerdem geht man davon aus, dass Erdgas und Kohle in diesem Zeitraum zusammen mehr als 40% des zusätzlichen Angebots decken werden. Diese gemischte Sichtweise ist der Grund, warum „KI läuft auf erneuerbaren Energien“ und „KI läuft auf fossilen Brennstoffen“ jeweils ein echtes Fragment auswählen kann, während das System fehlt.
Der Wasserverbrauch hat zwei Schichten
Rechenzentren verbrauchen möglicherweise direkt Wasser, wenn Kühlsysteme es verdampfen, um Wärme abzugeben. Sie können auch einen indirekten Wasser-Fußabdruck haben, da einige Kraftwerke bei der Stromerzeugung Wasser verbrauchen. Eine Anlage mit Trockenkühlung kann den Verbrauch vor Ort senken und gleichzeitig mehr Strom verbrauchen, was eher zu einem Kompromiss als zu einer kostenlosen Reduzierung führt.
Berkeley Labs Bericht eines US-Rechenzentrums Modelle von Kühlungsdesigns, Elektrizität und Zukunftsszenarien. Die Ergebnisse variieren je nach Einrichtungstyp und zeigen, warum ein nationaler Durchschnitt einen bestimmten Standort nicht beschreiben kann.
Auch das Wetter spielt eine Rolle. An einem heißen Tag kann die Kühlung mehr Wasser verbrauchen, während sich der Strommix stündlich ändert. Aufgrund der Wasserknappheit ist ein Liter in einem trockenen Becken folgenreicher als ein Liter in einer wasserreichen Region. Die Frage „Wie nutzt KI Wasser?“ Daher sind Standort und Timing erforderlich, nicht nur ein globales Volumen.
Die Vorteile von KI für die Umwelt bedürfen einer kontrafaktischen Aussage
KI wird bei der Wettervorhersage, der Vorhersage des Strombedarfs, der Integration erneuerbarer Energien, industriellen Steuerungen und der Leckerkennung eingesetzt. Die IEA-Kataloge Wie diese Anwendungen Energiesysteme verbessern könnten. Hinzu kommen Kosten: Sensoren, Netzwerke, Modelle und Verhaltensänderungen.
Um zu entscheiden, ob eine Anwendung hilft, vergleichen Sie sie mit dem, was sonst passieren würde. Messen Sie die vermiedene Energie, Emissionen oder Abfälle, subtrahieren Sie den Fußabdruck des Systems und überwachen Sie die Ergebnisse nach der Bereitstellung. Zählen Sie eine Labormöglichkeit nicht als erzielte Einsparung.
Rebound-Effekte verdienen Beachtung. Effizienz kann eine Aktivität billiger machen und mehr davon fördern. Eine Optimierung, die den Energieverbrauch pro Job senkt, kann dennoch mit einem höheren Gesamtverbrauch einhergehen. Das macht Effizienz nicht sinnlos; Dies bedeutet, dass die Auswirkungen pro Einheit und insgesamt zusammen gemeldet werden sollten. Lesen ob KI gut für die Umwelt sein kann als Beweisfrage, nicht als Etikett.
So reduzieren Sie die Auswirkungen Ihrer Nutzung
Verwenden Sie das Tool mit dem geringsten Rechenaufwand, das die Aufgabe zuverlässig löst. Ein Rechner, ein Suchergebnis oder eine lokale Regel kann ein allgemeines Modell übertreffen. Bevorzugen Sie für KI-Arbeiten ein kleines, leistungsfähiges Modell. Behalten Sie den Fokus auf Dokumente und Gesprächsverlauf; Vermeiden Sie unnötige Regeneration; und behalten Sie sich Bilder, Videos und lange Begründungen für Fälle vor, die dies rechtfertigen.
Fragen Sie Anbieter nach Grenzen und Unsicherheit. Beinhaltet eine Zahl nur Beschleunigerstrom, das gesamte Rechenzentrum, Wasser, integrierte Hardware oder Schulungen? Wird es gemessen, modelliert oder gemittelt? Unser Methodik sagt Treechat Bei den Einnahmen pro Nachricht handelt es sich um modellbasierte Betriebsschätzungen. Es handelt sich nicht um direkte Messungen oder Aussagen über den gesamten Lebenszyklus.
Die Umweltwirkung von KI ist letztlich eine Systemfrage. Individuelle Entscheidungen beeinflussen die Nachfrage, während die Anbieter die Modellarchitektur, die Hardware-Auslastung, den Standort der Einrichtung und die Offenlegung bestimmen. Die Politik bestimmt die Stromversorgung, die Wassergenehmigung und die Berichterstattung. Bessere Entscheidungen erfordern alle drei Ebenen – und die Weigerung, unvollständige Zahlen in Gewissheit umzuwandeln.