Is generatieve AI slecht voor het milieu?

Generatieve AI brengt reële kosten met zich mee voor het milieu: het trainen en uitvoeren van modellen gebruikt elektriciteit, koeling kan water verbruiken en de hardware heeft een productievoetafdruk. Het is vaak rekentechnisch veeleisender dan een gespecialiseerd systeem dat één beperkte taak uitvoert. Maar de grootte varieert enorm. Een kort tekstantwoord van een klein model is niet hetzelfde als een lange redeneersessie, een reeks afbeeldingen of een gegenereerde video.

Generatieve AI is dus niet onschadelijk voor het milieu, maar elk gebruik is ook niet uitzonderlijk schadelijk. De impact ervan wordt het meest zorgwekkend wanneer zware modellen in grote volumes een laagwaardige of beschikbare output genereren, vooral op koolstofintensieve netwerken of op plaatsen met waterschaarste. De juiste vergelijking is met een geschikt alternatief en de waarde van het resultaat.

Generatie doet meer werk dan eenvoudig ophalen

Een traditionele database kan opgeslagen informatie retourneren. Een taakspecifieke classificator kan één label selecteren. Een generatief model berekent op basis van aangeleerde patronen een nieuwe reeks tokens, beeldpixels of videoframes. Grotere outputs en complexere modaliteiten betekenen over het algemeen meer berekeningen.

In Energievretende verwerkingvergeleken onderzoekers Luccioni, Jernite en Strubell 1,000 gevolgtrekkingen over representatieve taken. Ze vonden dat multifunctionele generatieve architecturen aanzienlijk energie-intensiever zijn dan taakspecifieke modellen, zelfs als de modelgrootte in aanmerking werd genomen. Hun meetwaarden mogen niet op elke commerciële dienst worden geplakt: hardware, gebruik en software verschillen. De duurzamere les van het onderzoek is dat algemeenheid een prijs met zich meebrengt.

Soms zijn die kosten de moeite waard. Eén capabel model kan meerdere gereedschappen vervangen of iemand helpen waardevol werk af te ronden. Milieuoordeel vereist de hele taak, niet alleen het label ‘generatief’.

Training is zichtbaar, maar gevolgtrekkingen stapelen zich op

Door een groot model te trainen, worden veel processors gedurende een langere periode gecoördineerd. Het kan worden herhaald voor experimenten, verfijningen en mislukte runs. Publieke modelkaarten bieden zelden voldoende energie-, locatie- en hardwaregegevens voor een onafhankelijk levenscyclustotaal.

De inferentie begint na de implementatie. Elke aanvraag is kleiner dan een trainingssessie, maar een populaire dienst kan een enorm aantal aanvragen verwerken. Lange context, verborgen redeneringstokens, ophalen, surfen op het web en tooloproepen kunnen het werk achter één zichtbaar antwoord vermenigvuldigen. Of training of gevolgtrekking het leven van een model domineert, hangt af van het verkeer en hoe lang het bruikbaar blijft.

Het gelijkelijk toewijzen van training aan elke vraag kan informatief zijn voor de boekhouding, maar er wordt geen elektriciteit verbruikt wanneer de gebruiker op verzenden drukt. Een jong model met onzeker toekomstig verkeer maakt die toewijzing bijzonder onstabiel. Goede rapportage houdt training, gevolgtrekking en geïntegreerde hardware gescheiden voordat er een gecombineerd cijfer wordt aangeboden.

Tekst, afbeeldingen en video zijn niet uitwisselbaar

‘Eén generatie’ is een slechte eenheid. Tekst wordt token voor token geproduceerd. Een beknopt antwoord met een beperkte context kan volgens recente schattingen een fractie van een wattuur in beslag nemen, terwijl een lang document of een redeneertaak veel meer kan gebruiken. Onze uitlegger aan De impact van AI op het milieu laat zien waarom grenzen en werklast ertoe doen.

Afbeeldingen omvatten iteratieve berekeningen over een groot aantal waarden. Gebruikers creëren vaak meerdere kandidaten en schalen een favoriet op. Video voegt veel frames, temporele consistentie en meestal een grotere rekenbehoefte toe. Commerciële aanbieders publiceren weinig vergelijkbare energiegegevens op productniveau, dus precieze verhoudingen tussen vervoerswijzen zouden giswerk zijn.

Dit is een plek waar gedrag helpt. Specificeer het gewenste resultaat, genereer minder varianten en voorkom het opschalen van concepten. Vraag voor tekst een passende lengte aan en begin een nieuw gesprek als de oude context er niet meer toe doet.

Elektriciteit, koolstof en water vertellen verschillende verhalen

Elektriciteit meet energie. Koolstof hangt af van de manier waarop die elektriciteit is opgewekt. Water kan ter plaatse worden verbruikt voor koeling en indirect door energieopwekking. Een service kan de ene dimensie verbeteren en de andere verslechteren. Droge koeling kan bijvoorbeeld lokaal water besparen, maar vereist onder bepaalde omstandigheden meer elektriciteit.

Het IEA schat dat alle datacenters ongeveer worden gebruikt 415 TWh in 2024, niet AI alleen. Het verwacht dat AI-aangedreven versnelde servers tegen 2030 een belangrijke bron van groei zullen zijn. Systeemtotalen laten zien waarom de totale vraag aandacht verdient, zelfs als een gewone sms-prompt klein is.

Voor water is locatie minstens zo belangrijk. Een liter die wordt geconsumeerd in een onder druk staand stroomgebied kan grotere gevolgen hebben dan hetzelfde volume in een gebied met veel water. Mondiale gemiddelden verbergen die lokale beslissingen. Lees hoe AI het milieu beïnvloedt voor de volledige keten.

De efficiëntie verbetert, maar de vraag kan deze overstijgen

Nieuwe versnellers kunnen meer berekeningen per eenheid elektriciteit uitvoeren. Kwantisering vermindert de numerieke precisie en het werk. Mixture-of-experts-modellen activeren slechts een deel van hun parameters voor elk token. Betere batchverwerking verdeelt de serverkracht over meerdere gebruikers, en kleinere modellen kunnen gewone taken aan.

Dit zijn echte verbeteringen. Ze garanderen geen lager totaalverbruik. Goedkopere, snellere opwekking kan meer gebruikers aantrekken en veeleisender producten mogelijk maken. Dit is het reboundprobleem: de energie per output daalt terwijl het aantal en de omvang van de outputs sneller groeien.

Beide maatregelen horen in hetzelfde rapport. Aanbieders moeten de efficiëntie per werklast en de absolute energie-, water- en emissiewaarden openbaar maken. Een dalend promptgemiddelde is geen bewijs dat de totale impact daalt; een stijgend datacentertotaal is geen bewijs dat elke prompt minder efficiënt is geworden.

Een proportionele manier om generatieve AI te gebruiken

Bepaal eerst of opwekking nodig is. Zoeken is vaak beter om een ​​bekende pagina te vinden; een spreadsheet is beter voor transparante rekenkunde; een sjabloon kan het regenereren van een routinekopie verslaan. Wanneer AI waarde toevoegt, selecteer dan het kleinste capabele model in plaats van standaard het krachtigste model te gebruiken.

Houd aanwijzingen en bijlagen relevant. Vraag om één sterke richting voordat u variaties aanvraagt. Hergebruik goede resultaten in plaats van opnieuw te beginnen. Bewaar het genereren van afbeeldingen, audio en video voor de resultaten die u wilt gebruiken. Deze keuzes zullen de impact op de infrastructuur niet oplossen, maar ze verminderen de vermijdbare vraag.

Vraag leveranciers wat hun cijfers inhouden en of ze gemeten of gemodelleerd zijn. Treechat's methodologie beschrijft een schatting op basis van modelkeuze, tokens, overhead van het datacenter en de gemiddelde koolstofintensiteit van het elektriciteitsnet. Het kan de live-energiemeter, het watersysteem of de volledige levenscyclus van de hardware van een provider niet zien.

Generatieve AI is vanuit milieuoogpunt kostbaar genoeg om doelbewust te gebruiken, en niet zo uniek catastrofaal dat elk waardevol gebruik moet stoppen. De diepere vraag in hoe slecht AI werkelijk is is of het instrument, de schaal en het resultaat de middelen rechtvaardigen. Dat antwoord kan van de ene vraag naar de volgende veranderen.