Is AI slecht voor het milieu? Het eerlijke antwoord

Ja, AI kan slecht zijn voor het milieu. Trainings- en hardloopmodellen gebruiken elektriciteit; datacenters verbruiken mogelijk water voor koeling; en voor het maken van chips en gebouwen zijn materialen nodig en ontstaat uitstoot. Op grote schaal zijn die kosten van belang. Maar ‘AI’ omvat alles, van een kleine classificator tot een grensmodel dat video genereert, dus er is niet één enkele voetafdruk.

De verdedigbare conclusie is voorwaardelijk: een AI-systeem is schadelijk voor het milieu als de totale kosten hoog zijn in verhouding tot de waarde die het creëert en als schonere, kleinere of niet-AI-alternatieven het werk zouden kunnen doen. AI kan ook helpen bij het exploiteren van elektriciteitsnetten, het opsporen van methaanlekken en het verminderen van afval. Deze voordelen moeten worden aangetoond en niet worden aangenomen. Dit is de reden waarom zowel ‘AI vernietigt de planeet’ als ‘AI zal de klimaatverandering oplossen’ te simpel zijn.

Elektriciteit is de duidelijkste druk

AI draait in datacenters, waar accelerators de berekeningen achter training en antwoorden uitvoeren. De Internationaal Energieagentschap Geschat wordt dat alle datacenters – en niet alleen AI – in 415 ongeveer 2024 terawattuur elektriciteit verbruikten, ongeveer 1.5% van het mondiale totaal. Het basisscenario bedraagt ​​grofweg 945 TWh in 2030, waarbij AI naast andere digitale diensten de belangrijkste groeimotor is.

Dat zijn projecties, geen meterstanden uit de toekomst. Het gebruik ervan, de hardware-efficiëntie, het modelontwerp en de beperkingen op de netverbindingen kunnen het totaal aanzienlijk beïnvloeden. Het IEA publiceert daarom meerdere scenario’s.

Een enkele gewone tekstuitwisseling is veel kleiner. Recente publieke schattingen schatten een typische prompt op een fractie van een wattuur, terwijl lange context, redenering, zoeken en gegenereerde afbeeldingen veel meer kunnen vergen. Kleine cijfers per gebruik en een snelgroeiende systeemvraag kunnen allebei waar zijn: de efficiëntie per antwoord kan verbeteren terwijl het totale gebruik sneller stijgt.

Koolstof is afhankelijk van waar en wanneer energie wordt opgewekt

Elektriciteitsverbruik is niet hetzelfde als CO2-uitstoot. Een kilowattuur die wordt geleverd door een kolennetwerk heeft een andere operationele voetafdruk dan een kilowattuur die wordt geleverd door wind-, zonne-, waterkracht- of kernenergie. Locatie en tijd zijn daarom van belang, net als de regels die worden gebruikt bij contracten voor hernieuwbare energie.

Uit de fysieke netwerkanalyse van het IEA blijkt dat fossiele brandstoffen nog steeds een substantieel deel van de stroom in datacentra leveren. Het projecteert dat de elektriciteitsgerelateerde emissies van datacentra een piek zullen bereiken van ongeveer 320 miljoen ton CO2 rond 2030 in zijn basisgeval. Dat blijft minder dan 1% van de mondiale CO2-uitstoot, maar datacenters zijn in die analyse ook een van de sectoren waarin de uitstoot tot 2030 stijgt.

Bedrijfsclaims moeten zorgvuldig worden gelezen. ‘Gekoppeld aan hernieuwbare energie’ kan betekenen dat een bedrijf in een jaar tijd voldoende schone elektriciteit heeft gekocht, niet dat een bepaalde server CO2-vrije energie gebruikte in het uur dat hij antwoordde. Inkoop kan nieuwe generaties ondersteunen, maar zorgt er niet voor dat geografie en timing verdwijnen.

Water is lokaal, variabel en slecht zichtbaar

Sommige datacenters verdampen water om de warmte af te voeren. Elektriciteitsopwekking kan ook water verbruiken, waardoor er een indirecte voetafdruk ontstaat, zelfs op een locatie waar weinig water wordt gebruikt voor koeling. Het resultaat verandert afhankelijk van het weer, het koelingsontwerp en de lokale energiemix.

Berkeley Lab heeft het gemiddelde waterverbruik ter plaatse in Amerikaanse datacenters gemodelleerd op net iets meer dan dat 0.36 liter per kilowattuur in 2023. Dat is een vlootgemiddelde, geen universeel tarief. Een faciliteit met een koel klimaat die gebruik maakt van buitenlucht kan heel anders zijn dan een door verdamping gekoelde faciliteit in een warme regio.

De claims per bericht variëren zelfs nog meer. Een breed gedeelde academische schatting koppelde a 500 ml fles tot ongeveer 20–50 taalmodelreacties; latere operatorcijfers voor gemiddelde tekstprompts waren veel lager. Hun modellen, locaties en boekhoudkundige grenzen verschillen. Onze gids voor hoe AI water gebruikt verklaart waarom geen flessenvergelijking voor elk bericht geldt.

Hardware heeft een footprint voordat AI wordt ingeschakeld

Operationele energie en water zijn slechts een deel van de levenscyclus. Versnellers vereisen gewonnen en verwerkte materialen, de fabricage van halfgeleiders, transport en uiteindelijk verwijdering. Bij de constructie van datacenters wordt gebruik gemaakt van staal, beton, kabels en back-upapparatuur. Voor de productie kan ook ultrapuur water nodig zijn en broeikasgassen ontstaan.

Openbare schattingen per zoekopdracht wijzen zelden al deze gevolgen toe. Er bestaat geen overeengekomen, gecontroleerde methode om de productievoetafdruk van een chip te verdelen over training, gevolgtrekking en elk ander werk dat tijdens zijn levensduur wordt uitgevoerd. Het weglaten van hardware maakt een getal onvolledig; het toewijzen ervan met speculatieve gebruiksaannames kan valse precisie creëren.

Het verstandige antwoord is om de grens aan te geven. Een schatting van de gevolgtrekkingsenergie kan antwoorden op de vraag: “Hoeveel elektriciteit was er voor dit antwoord ongeveer nodig?” Het kan op zichzelf niet antwoorden op de vraag: “Wat was de volledige impact op het milieu van deze AI-dienst?” Onze methodologie volgt die regel: Treechat De inkomsten van het bedrijf zijn schattingen op basis van model- en tokengebruik, overhead van het datacenter en een gemiddelde netwerkfactor, en niet van metingen over de volledige levenscyclus.

AI kan helpen, maar vermeden impact moet worden bewezen

Er zijn geloofwaardige nuttige toepassingen. Het IEA beschrijft toepassingen op het gebied van energievoorspelling, netwerkbeheer, industriële optimalisatie en het opsporen van methaanlekken. Betere voorspellingen kunnen bijdragen aan de integratie van variabele hernieuwbare energieopwekking; snellere lekdetectie kan emissies voorkomen; en gebouwcontroles kunnen de verspilde energie verminderen.

Toch is een mogelijke toepassing geen gerealiseerde besparing. De relevante vergelijking omvat de eigen voetafdruk van het AI-systeem, de schaalvergroting, het menselijk gedrag en de rebound-effecten. Een route-optimalisatie die brandstof bespaart, kan nuttig zijn. Als lagere kosten leiden tot veel meer rijden, kan het nettoresultaat krimpen of omkeren. Een model dat een materiaal met een lager koolstofgehalte ontdekt, heeft nog steeds laboratoriumvalidatie en adoptie nodig.

Dit is het belangrijkste onderscheid bij het vragen of AI goed is voor het milieu: vermogen is geen resultaat. Zoek naar een gemeten basislijn, een geloofwaardige contrafeitelijke situatie, een vastgestelde systeemgrens en resultaten in de loop van de tijd. Wees op uw hoede als een aanbieder elke mogelijke besparing meetelt, maar de rekenkracht achterwege laat die nodig is om deze te realiseren.

Hoe slecht is een bepaald gebruik?

Begin met de taak. Een gespecialiseerd model dat één classificatie uitvoert, kan veel lichter zijn dan een generator voor algemeen gebruik. In experimenten met algemene machine-leertaken ontdekten Luccioni, Jernit en Strubell generatieve systemen waren aanzienlijk energie-intensiever dan taakspecifieke modellen die vergelijkbare functies uitvoeren. Hun benchmarkresultaten zijn geen universele productmetingen, maar ze laten zien waarom model- en taakkeuze ertoe doen.

Vraag vervolgens naar het volume en de modus. Een paar korte tekstantwoorden zijn niet gelijk aan miljoenen lange outputs of herhaalde generaties van afbeeldingen en video's. Vraag vervolgens waar de dienst draait, hoe efficiënt de faciliteit gebruik maakt van stroom en water en wat de aanbieder daadwerkelijk openbaar maakt.

Overweeg ten slotte alternatieven. Een normale zoekopdracht, een rekenmachine, een lokaal script of een bestaand document kunnen het probleem met minder rekenwerk oplossen. Voor werk dat echt baat heeft bij AI, gebruik het kleinste capabele model, houd de context gefocust en voorkom het genereren van wegwerpvariaties. Zie onze volledige mythe-audit van hoe slecht AI werkelijk is.

Wat een verantwoordelijke lezer kan doen

U hebt geen perfecte persoonlijke koolstofcalculator nodig om betere keuzes te maken. Reserveer zware redeneringen, middelen, afbeeldingen en video voor werk dat deze nodig heeft. Gebruik korte, duidelijke aanwijzingen en stop wanneer het antwoord goed genoeg is. Kies aanbieders die methoden openbaar maken in plaats van precieze cijfers zonder grenzen te presenteren.

Individuele terughoudendheid is geen vervanging voor infrastructuurbeleid of bedrijfsrapportage. Operators controleren de locatie van de faciliteit, de koeling, het hardwaregebruik en de energie-inkoop. Overheden en toezichthouders geven vorm aan de netwerkplanning, watervergunningen en openbaarmaking. Grote klanten kunnen leveranciers om werklastspecifieke energie-, water- en emissiegegevens vragen.

Treechat De aanpak is bewust beperkter: stuur alledaagse vragen naar kleinere modellen, laat een geschatte ontvangst zien en financier elke maand een nieuw geplante boom voor elk betalend lid. Dat planten wist de berekening niet. Het is een aparte bijdrage, terwijl de modelkeuze betrekking heeft op de operationele schatting. De bredere uitleg van hoe AI het milieu beïnvloedt is nog steeds het betere frame dan welk groen of schuldig label dan ook.

Veelgestelde vragen

Is één AI-vraag slecht voor het milieu?

Eén korte tekstvraag heeft een kleine operationele voetafdruk, maar deze is niet nul. Het model, de antwoordlengte, de efficiëntie van het datacenter en de elektriciteitsmix bepalen hoe klein. De grotere zorg is herhaald gebruik door miljoenen mensen en intensievere vervoerswijzen.

Is AI erger dan Google Zoeken?

Er bestaat geen tijdloze verhouding. Zoek- en AI-producten veranderen, sommige zoekopdrachten bevatten nu gegenereerde antwoorden en gepubliceerde schattingen gebruiken verschillende jaren en grenzen. Vergelijk een gedefinieerde taak met behulp van actuele, vergelijkbare gegevens.

Kan hernieuwbare energie AI groen maken?

Schonere elektriciteit kan de operationele uitstoot aanzienlijk verminderen. Het neemt het waterverbruik, de productie van hardware, de constructie of elk lokaal neteffect niet weg, en de jaarlijkse matching van hernieuwbare energiebronnen is niet hetzelfde als een koolstofvrij bedrijf per uur.

Moet ik stoppen met het gebruik van AI?

Niet noodzakelijkerwijs. Gebruik het waar het voldoende waarde oplevert om de middelen te rechtvaardigen, en geef de voorkeur aan een kleiner, capabel model. De betere vraag is niet of alle AI goed of slecht is, maar of dit systeem een ​​evenredige manier is om deze taak uit te voeren.