De impact van AI op het milieu helder uitgelegd

De impact van AI op het milieu is afkomstig van vier met elkaar verbonden bronnen: elektriciteit die wordt gebruikt voor berekeningen, koolstof en water dat met die elektriciteit gepaard gaat, water dat rechtstreeks voor koeling wordt gebruikt, en de materialen en productie achter chips en datacenters. Het totaal hangt af van wat de AI doet, hoe groot het model is, hoe efficiënt hardware wordt gebruikt en waar het draait.

Er bestaat geen betrouwbare universele voetafdruk voor een AI-query. Een korte reactie van een klein model is een andere werklast dan grensverleggend modelonderzoek of gegenereerde video. De meeste publieke figuren zijn schattingen met verschillende grenzen. De nuttige vraag is daarom niet “wat is het nummer van AI?” maar “welke impact, voor welk systeem, op welke manier gemeten of gemodelleerd?”

Begin met het tekenen van de grens

Een milieunummer heeft pas zin als je hebt besloten wat het inhoudt. Een beperkte schatting kan betrekking hebben op de elektriciteit van de versneller terwijl er een antwoord wordt gegenereerd. Een bredere operationele schatting voegt geheugen, netwerken, koeling en stroomconversie toe. Een levenscyclusschatting kan ook training, chipproductie, constructie en verwijdering omvatten.

Niets is automatisch fout. Ieder beantwoordt een andere vraag. De problemen beginnen wanneer een smal getal wordt beschreven als een volledige voetafdruk of wordt vergeleken met een breed getal.

Treechat's methodologieschat bijvoorbeeld de operationele energie op basis van het gekozen model en het aantal tokens, en voegt vervolgens de overhead van het datacenter en een gemiddelde koolstoffactor van het netwerk toe. Het is geen vermogensmeter en beweert niet de productie vast te leggen. Die beperking hoort bij het resultaat, niet verborgen in kleine lettertjes.

Berekening wordt elektriciteit en warmte

Modellen voeren wiskundige bewerkingen uit op processors. De training herhaalt ze terwijl de modelgewichten worden aangepast; gevolgtrekking gebruikt de getrainde gewichten om een ​​antwoord te produceren. Beide verbruiken elektriciteit, en bijna al die energie wordt uiteindelijk warmte die moet worden verwijderd.

Het taaktype is belangrijk. Luccioni, Jernite en Strubell hebben de energie gemeten bij machine learning-workloads en gevonden generatieve modellen voor algemeen gebruik gebruikten substantieel meer energie dan taakspecifieke modellen voor vergelijkbare taken in hun benchmark. De exacte resultaten horen bij hun geteste hardware, datasets en modellen, maar de richting is leerzaam.

Tokens, context en uitvoerlengte zijn van belang bij het genereren van tekst. Voor het genereren van afbeeldingen en video's zijn doorgaans andere, zwaardere berekeningen nodig. Efficiënte batching en nieuwere versnellers kunnen de energie per resultaat verminderen, terwijl weinig gebruikte servers en herhaalde generaties deze kunnen verhogen.

De totalen van datacenters laten schaal zien, en niet één antwoord

De IEA-rapporten dat datacenters in 415 ongeveer 2024 TWh verbruikten, ongeveer 1.5% van de wereldwijde elektriciteit. In het basisscenario wordt in 945 ruwweg 2030 TWh verwacht. AI is de belangrijkste aanjager van die stijging, maar de totalen omvatten cloudopslag, streaming, bedrijfssoftware en andere niet-AI-diensten.

Dit onderscheid voorkomt twee veel voorkomende fouten. Door het hele totaal ‘AI-gebruik’ te noemen, wordt het huidige aandeel van AI overdreven. Als u slechts naar een klein gemiddelde per prompt kijkt, kan de infrastructuur die wordt gebouwd voor de snel groeiende werklast worden onderschat.

Prognoses zijn ook voorwaardelijk. Het IEA modelleert verschillende paden omdat de vraag, de hardware-efficiëntie en de netbeperkingen onzeker zijn. Projecties moeten de planning begeleiden en mogen niet als onvermijdelijke feiten worden herhaald. Voor een directer oordeel, zie is AI slecht voor het milieu?.

Koolstof volgt de energievoorziening

Dezelfde hoeveelheid berekeningen kan verschillende operationele emissies op verschillende plaatsen en uren veroorzaken. Het genereren van fossielen verhoogt de koolstofintensiteit; koolstofarme opwekking verlaagt deze. De efficiëntie van het datacenter heeft invloed op de hoeveelheid ondersteunende elektriciteit die rond de chips nodig is.

In het basisscenario van het IEA wordt verwacht dat hernieuwbare energiebronnen tot 2030 bijna de helft van de extra elektriciteit uit datacentra zullen leveren, maar dat aardgas en steenkool samen ruim 40% zullen leveren. Het model gaat ervan uit dat de elektriciteitsgerelateerde uitstoot van datacentra rond 320 ongeveer 2030 miljoen ton CO2 zal bereiken, alvorens lichtjes af te nemen. Dat is een schatting van het datacenter, niet een inventarisatie die alleen uit AI bestaat.

Jaarlijkse matching van hernieuwbare energie kan schonere capaciteit financieren en de marktgebaseerde emissies verminderen. Het beschrijft niet noodzakelijkerwijs het fysieke netwerk op het moment dat een verzoek wordt uitgevoerd. Betere openbaarmaking presenteert zowel de contractuele claim als de lokale, tijdgevoelige realiteit.

Water kan direct of indirect zijn

Verdampingskoeling kan water efficiënt gebruiken vanuit een elektriciteitsperspectief, omdat verdamping warmte afvoert. Het verbruikte water wordt niet onmiddellijk teruggevoerd naar hetzelfde stroomgebied. Droge of gesloten systemen kunnen het verbruik ter plaatse aanzienlijk verminderen, soms ten koste van extra energie of apparatuur.

Energieopwekking voegt indirect watergebruik toe. Dat betekent dat ‘geen water voor koeling’ niet noodzakelijkerwijs een waterloze dienst betekent. Omgekeerd kan een netwerk met veel hernieuwbare energie zowel het indirecte waterverbruik als de CO2-uitstoot verlagen, afhankelijk van de betrokken technologieën.

Waterschattingen per zoekopdracht verschillen in ordes van grootte, omdat onderzoekers en operators verschillende diensten, plaatsen en grenzen modelleren. Een claim per fles per bericht wordt niet ondersteund door het oorspronkelijke onderzoek achter de populaire vergelijking. Onze Gids voor AI-watergebruik scheidt deze cijfers en legt uit wat ze allemaal wel en niet kunnen zeggen.

Materialen zorgen ervoor dat de voetafdruk langer meegaat

Versnellers, servers en gebouwen dragen belichaamde gevolgen uit van mijnbouw, raffinage, productie en transport. Halfgeleiderfabrieken hebben water en chemicaliën nodig; datacenters hebben beton, staal, batterijen en back-upgeneratoren nodig. Het snel vervangen van hardware kan deze impact vergroten, zelfs als elke nieuwe chip efficiënter werkt.

Ze worden zelden opgenomen in de schattingen van consumentenvragen, omdat toewijzing moeilijk is. Hoeveel van de voetafdruk van een fabriek behoort toe aan één processor? Hoe moet die processor worden verdeeld over trainingsruns en miljarden gevolgtrekkingen? Van welke levensduur en gebruik moet worden uitgegaan?

Deze onbeantwoorde vragen rechtvaardigen niet het negeren van hardware. Ze rechtvaardigen het afzonderlijk rapporteren ervan en verbeteren de openbaarmaking aan leveranciers. Een afgeronde exploitatiebon kan de dagelijkse keuzes ondersteunen; Aanbestedingen en beleid hebben ook bewijs van de levenscyclus nodig.

Zet de uitleg om in betere beslissingen

Voor gebruikers is proportionaliteit de sterkste praktische hefboom. Gebruik zoeken, een rekenmachine of bestaande software wanneer deze voldoende zijn. Kies een kleiner of gespecialiseerd model voor routinewerk. Beperk irrelevante context, vraag naar de lengte die je nodig hebt en vermijd batches met wegwerpartikelen.

Voor organisaties: meet het volume van de werklast en de efficiëntie per gebruik. Vraag leveranciers naar modelkeuze, energie van faciliteiten, waterstress, levensduur van hardware en de boekhouding achter claims op het gebied van hernieuwbare energiebronnen. Evalueer de geclaimde voordelen ten opzichte van een echte basislijn. Onze gids voor wat AI met het milieu doet bestrijkt de richting op systeemniveau; de generatieve AI-gids richt zich op het meest hulpbronnenintensieve consumentengebruik.

Treechat routeert gewone vragen naar kleinere modellen en bestempelt het resultaat ervan als een schatting. Elk betalend lid financiert ook elke maand één nieuw geplante boom, maar het planten wordt niet beschouwd als bewijs dat de berekening geen impact heeft gehad. Reductie, transparante inschatting en een aparte klimaatbijdrage beantwoorden verschillende delen van het probleem.