AI:s påverkan på miljön, tydligt förklarat

AI:s miljöpåverkan kommer från fyra anslutna källor: elektricitet som används för beräkningar, kol och vatten associerat med den elektriciteten, vatten som används direkt för kylning och materialen och tillverkningen bakom chips och datacenter. Summan beror på vad AI gör, hur stor modellen är, hur effektivt hårdvaran används och var den körs.

Det finns inget pålitligt universellt fotavtryck för en AI-fråga. Ett kort svar från en liten modell är en annan arbetsbelastning än frontiermodellforskning eller genererad video. De flesta offentliga personer är skattningar med olika gränser. Den användbara frågan är därför inte "vad är AI:s nummer?" men "vilken effekt, för vilket system, mätt eller modellerad på vilket sätt?"

Börja med att dra gränsen

Ett miljönummer är vettigt först efter att ha bestämt vad det innehåller. En snäv slutledningsuppskattning kan täcka acceleratorelektricitet medan ett svar genereras. En bredare driftsuppskattning lägger till minne, nätverk, kyla och energiomvandling. En livscykeluppskattning kan också fördela utbildning, spåntillverkning, konstruktion och bortskaffande.

Ingen är automatiskt fel. Var och en svarar på en annan fråga. Problemet börjar när ett smalt nummer beskrivs som ett komplett fotavtryck eller jämförs med ett brett.

Treechat s metodik, till exempel, uppskattar operativ energi från den valda modellen och antalet token, och lägger sedan till datacenteroverhead och en genomsnittlig kolfaktor för nätet. Det är inte en effektmätare och gör inte anspråk på att fånga tillverkning. Den begränsningen hör till resultatet, inte gömd med finstilt.

Beräkning blir el och värme

Modeller kör matematiska operationer på processorer. Träning upprepar dem samtidigt som modellvikterna justeras; inferens använder de tränade vikterna för att producera ett svar. Båda drar elektricitet och nästan all den energin blir till slut värme som måste tas bort.

Uppgiftstyp spelar roll. Luccioni, Jernite och Strubell mätte energi över maskinlärande arbetsbelastningar och hittade generativa modeller för allmänna ändamål använt betydligt mer energi än uppgiftsspecifika modeller för jämförbara uppgifter i sina benchmark. De exakta resultaten tillhör deras testade hårdvara, datamängder och modeller, men riktningen är lärorik.

Tokens, sammanhang och utdatalängd spelar roll inom textgenerering. Bild- och videogenerering involverar vanligtvis olika, tyngre beräkningar. Effektiv batchning och nyare acceleratorer kan minska energin per resultat, medan lätt använda servrar och upprepade generationer kan öka den.

Datacentersummor visar skala, inte ett svar

Den Det rapporterar IEA att datacenter förbrukade cirka 415 TWh 2024, cirka 1.5% av den globala elen. Dess basfall projekterar ungefär 945 TWh år 2030. AI är den ledande drivkraften för denna ökning, men summan inkluderar molnlagring, streaming, företagsprogramvara och andra icke-AI-tjänster.

Denna distinktion förhindrar två vanliga fel. Att kalla hela den totala "AI-användningen" överdriver AI:s nuvarande andel. Att bara titta på ett litet medelvärde per prompt kan underskatta den infrastruktur som byggs för snabbt växande arbetsbelastningar.

Även prognoser är villkorade. IEA modellerar olika vägar eftersom efterfrågan, hårdvarueffektivitet och nätbegränsningar är osäkra. Prognoser bör vägleda planering, inte upprepas som oundvikliga fakta. För en mer direkt bedömning, se är AI dåligt för miljön?.

Kol följer energitillförseln

Samma mängd beräkningar kan ha olika operativa utsläpp på olika platser och timmar. Fossilgenerering höjer kolintensiteten; lågkoldioxidproduktion sänker den. Datacentereffektivitet påverkar hur mycket stödel som behövs runt chipsen.

IEA:s basfall förväntar sig att förnybar energi kommer att leverera nästan hälften av den tillförda elen från datacenter fram till 2030, men naturgas och kol tillsammans levererar mer än 40%. Dess modell har elrelaterade datacenterutsläpp som når cirka 320 miljoner ton CO2 runt 2030 innan de minskar något. Det är en uppskattning av datacenter, inte en endast AI-inventering.

Årlig förnybar matchning kan finansiera renare kapacitet och minska marknadsbaserade utsläpp. Den beskriver inte nödvändigtvis det fysiska nätet i det ögonblick en begäran körs. Bättre avslöjande presenterar både kontraktsanspråket och den lokala, tidskänsliga verkligheten.

Vatten kan vara direkt eller indirekt

Evaporativ kylning kan använda vatten effektivt ur ett elperspektiv eftersom avdunstning leder bort värme. Det förbrukade vattnet återförs inte omedelbart till samma avrinningsområde. Torra eller slutna system kan kraftigt minska förbrukningen på plats, ibland till priset av extra energi eller utrustning.

Kraftproduktion ökar indirekt vattenanvändning. Det betyder att "noll vatten för kylning" inte nödvändigtvis betyder en noll-vattentjänst. Omvänt kan ett förnybart-tungt nät sänka både den indirekta vattenförbrukningen och koldioxiden, beroende på vilken teknik som är involverad.

Vattenuppskattningar per fråga skiljer sig åt i storleksordningar eftersom forskare och operatörer modellerar olika tjänster, platser och gränser. Ett påstående om flaska per meddelande stöds inte av den ursprungliga studien bakom den populära jämförelsen. Vår AI vattenanvändningsguide separerar dessa figurer och förklarar vad var och en kan – och inte kan – säga.

Material gör fotavtrycket längre

Acceleratorer, servrar och byggnader bär på inverkan från gruvdrift, raffinering, tillverkning och transport. Halvledaranläggningar behöver vatten och kemikalier; datacenter behöver betong, stål, batterier och backupgeneratorer. Att snabbt byta hårdvara kan öka dessa effekter även om varje nytt chip är mer effektivt i drift.

De ingår sällan i uppskattningar av konsumentfrågor eftersom tilldelningen är svår. Hur mycket av en fabriks fotavtryck tillhör en processor? Hur ska den processorn delas upp mellan träningskörningar och miljarder slutsatser? Vilken livslängd och användning bör antas?

Dessa obesvarade frågor motiverar inte att ignorera hårdvara. De motiverar att rapportera det separat och förbättra leverantörsinformationen. Ett avrundat operativt kvitto kan stödja de dagliga valen; upphandling och policy behöver också livscykelbevis.

Vänd förklaringen till bättre beslut

För användarna är den starkaste praktiska spaken proportionalitet. Använd sökning, en miniräknare eller befintlig programvara när de räcker. Välj en mindre eller specialiserad modell för rutinarbete. Begränsa irrelevant sammanhang, fråga efter längden du behöver och undvik partier av engångsprodukter.

För organisationer, mät arbetsbelastningsvolym samt effektivitet per användning. Fråga leverantörer om modellval, anläggningsenergi, vattenstress, hårdvarulivslängd och redovisningen bakom förnybara anspråk. Utvärdera påstådda förmåner mot en verklig baslinje. Vår guide till vad AI gör med miljön täcker systemnivåriktningen; den generativa AI-guiden fokuserar på de mest resurskrävande konsumentanvändningarna.

Treechat dirigerar vanliga frågor till mindre modeller och märker resultatet som en uppskattning. Varje betald medlem finansierar också ett nyplanterat träd varje månad, men plantering behandlas inte som ett bevis på att beräkningen inte hade någon inverkan. Minskning, transparent uppskattning och ett separat klimatbidrag svarar på olika delar av problemet.