Hoe beïnvloedt AI het milieu?

AI beïnvloedt het milieu via de computers, datacenters en toeleveringsketens die ervoor zorgen dat het werkt. Trainings- en hardloopmodellen gebruiken elektriciteit. Koeling kan water verbruiken. Voor het vervaardigen van chips en het bouwen van faciliteiten zijn materialen, water en energie nodig. De resulterende CO2-uitstoot is sterk afhankelijk van de manier waarop de elektriciteit wordt opgewekt.

AI kan ook de schade aan het milieu verminderen – bijvoorbeeld door het voorspellen van hernieuwbare energie of het opsporen van methaanlekken – maar die voordelen zijn specifieke resultaten en geen vrijbrief voor elke AI-toepassing. De omvang van de footprint verandert dramatisch afhankelijk van het model, de taak, de responslengte, de hardware, de locatie en het aantal gebruikers. Elk antwoord dat één vaste milieukost aan ‘AI’ toekent, laat een belangrijke context achterwege.

De impact begint bij de hardware

Voordat een model wordt getraind, moeten de processors ervan worden gemaakt. De fabricage van halfgeleiders is een energie- en waterintensief industrieel proces waarbij ultrapuur water, chemicaliën en complexe mondiale toeleveringsketens betrokken zijn. Servers hebben ook geheugen-, opslag-, netwerk- en stroomapparatuur nodig. Gebouwen voegen beton, staal en koelsystemen toe.

Deze belichaamde effecten zijn reëel, maar moeilijk uit te drukken per prompt. Een processor kan meerdere modellen trainen en in de loop der jaren vele andere werklasten afhandelen. Het delen van de productievoetafdruk door een verondersteld aantal antwoorden vereist onzekere keuzes over gebruik en levensduur.

Dat is de reden dat de meeste gepubliceerde ‘per zoekopdracht’-cijfers betrekking hebben op operationele elektriciteit en niet op de volledige levenscyclus. Een dergelijk getal kan nog steeds nuttig zijn als de grens expliciet is. Het wordt misleidend als het wordt gepresenteerd als de gehele impact. Een goede beoordeling scheidt productie en constructie van de energie die wordt gebruikt tijdens het trainen of dienen van een model.

Training en gevolgtrekking zijn verschillende taken

Door te trainen wordt een model aangepast met behulp van grote datasets en veel herhaalde berekeningen. Het kan clusters van versnellers weken of maanden in beslag nemen. Inferentie vindt plaats na de training wanneer iemand het model vraagt ​​iets te classificeren, voorspellen of genereren.

Training is geconcentreerd en gemakkelijker op te merken, maar populaire diensten kunnen gedurende hun levensduur veel meer gevolgtrekkingen vergaren. Er is geen vaste regel over welke groter is: de balans hangt af van trainingsruns, levensduur van het model, dagelijks verkeer en het werk dat per verzoek wordt gedaan.

Generatieve taken verschillen ook. Het produceren van een korte zin, het analyseren van een lang document en het genereren van video zijn niet vergelijkbaar. De studie Energievretende verwerking mat 1,000 gevolgtrekkingen over representatieve taken en vond generatieve systemen voor algemeen gebruik aanzienlijk energie-intensiever dan taakspecifieke alternatieven. Het biedt geen universeel tarief, maar ondersteunt wel een praktische les: gebruik gespecialiseerde of kleinere systemen wanneer deze het werk kunnen doen.

Datacenters zetten berekeningen om in lokale vraag

Servers verbruiken elektriciteit en geven bijna alles vrij als warmte. Datacenters moeten die warmte afvoeren en tegelijkertijd betrouwbare stroomvoorziening, netwerken en opslag behouden. Koeling, stroomconversie en andere ondersteunende apparatuur voegen overhead toe die verder gaat dan de processors zelf.

De IEA-schattingen alle datacenters gebruikten in 415 ongeveer 2024 TWh, oftewel ongeveer 1.5% van de wereldwijde elektriciteit. Het basisscenario stijgt tot ongeveer 945 TWh in 2030, waarbij versnelde servers, voornamelijk geassocieerd met AI, verantwoordelijk zijn voor bijna de helft van de nettogroei. Deze totalen omvatten ook niet-AI-werklasten, dus deze mogen niet opnieuw worden gelabeld als ‘AI-elektriciteit’.

Mondiale aandelen kunnen lokale spanningen verbergen. Voorzieningencluster waar grond, netwerken en netaansluitingen beschikbaar zijn. Een nieuwe campus met hoge dichtheid kan een aanzienlijke invloed hebben op de energieplanning van een bepaalde regio, ook al blijven datacenters een bescheiden aandeel in de wereldwijde vraag. Ons overzicht van Impact van AI-datacenters kijkt naar die lokale context.

Elektriciteit creëert koolstof, maar niet in één tempo

De operationele CO2-voetafdruk is de energie vermenigvuldigd met de emissie-intensiteit van de elektriciteit. Die intensiteit verschilt per land, regio en uur. Schonere netwerken verminderen dit; fossiel-zware netwerken vergroten dit.

Hernieuwbare inkoop compliceert het beeld. Een bedrijf kan contracten ondertekenen die schone opwekking toevoegen of certificaten kopen die overeenkomen met het jaarlijkse verbruik. Dat kan waardevol zijn, maar het is iets anders dan bewijzen dat een server op elk moment van CO2-vrije elektriciteit werd voorzien. Zowel locatiegebaseerde als marktgebaseerde rapportage kan legitiem zijn als deze duidelijk wordt gelabeld.

Het IEA verwacht dat hernieuwbare energiebronnen in het basisscenario tot 2030 bijna de helft van de groei van de elektriciteitsvoorziening in datacentra zullen kunnen dekken. Het verwacht ook dat aardgas en steenkool in die periode samen ruim 40% van het extra aanbod zullen dekken. Deze gemengde visie is de reden waarom ‘AI draait op hernieuwbare energiebronnen’ en ‘AI draait op fossiele brandstoffen’ elk een echt fragment kunnen selecteren terwijl ze het systeem missen.

Het watergebruik kent twee lagen

Datacenters kunnen water direct verbruiken wanneer koelsystemen dit verdampen om warmte af te voeren. Ze kunnen ook een indirecte watervoetafdruk hebben, omdat sommige elektriciteitscentrales water verbruiken bij het opwekken van elektriciteit. Een faciliteit die droge koeling gebruikt, kan het verbruik ter plaatse verlagen terwijl er meer elektriciteit wordt verbruikt, waardoor eerder een afweging ontstaat dan een gratis reductie.

Berkeley Lab Amerikaans datacenterrapport modellen koelontwerpen, elektriciteit en toekomstscenario's. De resultaten variëren per type faciliteit en laten zien waarom een ​​nationaal gemiddelde een bepaalde locatie niet kan beschrijven.

Het weer is ook belangrijk. Voor koeling kan op een warme dag meer water worden verbruikt, terwijl de elektriciteitsmix per uur verandert. Door waterschaarste heeft een liter in een droog bekken meer gevolgen dan een liter in een gebied met veel water. De vraag “Hoe gebruikt AI water?” heeft daarom locatie en timing nodig, en niet alleen een mondiaal volume.

De milieuvoordelen van AI hebben een contrafeitelijk scenario nodig

AI wordt gebruikt bij weersvoorspellingen, het voorspellen van de elektriciteitsvraag, de integratie van hernieuwbare energie, industriële controles en lekdetectie. De IEA-catalogi manieren waarop deze toepassingen energiesystemen kunnen verbeteren. Er zijn ook kosten: sensoren, netwerken, modellen en gedragsveranderingen.

Om te beslissen of een toepassing helpt, vergelijkt u deze met wat er anders zou gebeuren. Meet de vermeden energie, uitstoot of verspilling, trek de voetafdruk van het systeem ervan af en monitor de resultaten na implementatie. Reken een laboratoriummogelijkheid niet als gerealiseerde besparing.

Rebound-effecten verdienen aandacht. Efficiëntie kan een activiteit goedkoper maken en meer activiteiten stimuleren. Een optimalisatie die het energieverbruik per baan verlaagt, kan nog steeds gepaard gaan met een hoger totaalverbruik. Dit maakt efficiëntie niet zinloos; het betekent dat de effecten per eenheid en de totale effecten samen moeten worden gerapporteerd. Lees of AI goed kan zijn voor het milieu als een bewijsvraag, niet als een etiket.

Hoe u de impact van uw gebruik kunt verminderen

Gebruik het minst rekenintensieve hulpmiddel dat de taak betrouwbaar oplost. Een rekenmachine, zoekresultaat of lokale regel kan een algemeen model verslaan. Geef voor AI-werk de voorkeur aan een klein, capabel model; houd documenten en gespreksgeschiedenis gefocust; vermijd onnodige regeneratie; en reserveer afbeeldingen, video en lange redeneringen voor gevallen die deze rechtvaardigen.

Vraag aanbieders naar grenzen en onzekerheid. Omvat een cijfer alleen de elektriciteit van de versneller, het hele datacenter, water, ingebouwde hardware of training? Wordt het gemeten, gemodelleerd of gemiddeld? Onze methodologie zegt Treechat De ontvangsten per bericht zijn op modellen gebaseerde operationele schattingen. Het zijn geen directe metingen of claims over de volledige levenscyclus.

Het milieueffect van AI is uiteindelijk een systeemvraag. Individuele keuzes beïnvloeden de vraag, terwijl aanbieders de modelarchitectuur, het hardwaregebruik, de locatie van de faciliteit en de openbaarmaking ervan bepalen. Beleid geeft vorm aan de elektriciteitsvoorziening, watervergunningen en rapportage. Voor betere beslissingen zijn alle drie de niveaus nodig – en de weigering om onvolledige cijfers om te zetten in zekerheid.