Är generativ AI dåligt för miljön?

Generativ AI har en verklig miljökostnad: träning och körning av modeller använder elektricitet, kylning kan förbruka vatten och hårdvaran har ett tillverkningsfotavtryck. Det är ofta mer beräkningskrävande än ett specialiserat system som gör en smal uppgift. Men storleken varierar enormt. Ett kort textsvar från en liten modell motsvarar inte en lång resonemang, en serie bilder eller genererad video.

Så generativ AI är inte miljömässigt ofarlig, men inte heller varje användning är exceptionellt skadlig. Dess inverkan blir mest oroande när tunga modeller genererar lågvärde eller engångseffekter i enorma volymer, särskilt på kolintensiva nät eller på vattenstressade platser. Rätt jämförelse är med ett lämpligt alternativ och värdet av resultatet.

Generation gör mer arbete än enkel hämtning

En traditionell databas kan returnera lagrad information. En uppgiftsspecifik klassificerare kan välja en etikett. En generativ modell beräknar en ny sekvens av tokens, bildpixlar eller videoramar från inlärda mönster. Större utdata och mer komplexa modaliteter innebär i allmänhet mer beräkning.

In Power Hungry Processing, jämförde forskarna Luccioni, Jernite och Strubell 1,000 slutsatser över representativa uppgifter. De fann att generativa arkitekturer för flera ändamål var betydligt mer energikrävande än uppgiftsspecifika modeller, även efter att ha övervägt modellstorleken. Deras uppmätta värden bör inte klistras in på alla kommersiella tjänster: hårdvara, användning och mjukvara skiljer sig åt. Studiens mer hållbara lärdom är att allmänhet kostar.

Ibland är den kostnaden lönsam. En kapabel modell kan ersätta flera verktyg eller hjälpa en person att avsluta värdefullt arbete. Miljöbedömning kräver hela uppgiften, inte bara märkningen "generativ".

Träning är synlig, men slutsatser ackumuleras

Att träna en stor modell koordinerar många processorer under en längre period. Det kan upprepas för experiment, finjustering och misslyckade körningar. Offentliga modellkort ger sällan tillräckligt med energi, plats och hårdvarudata för en oberoende total livscykel.

Slutledning börjar efter utplacering. Varje förfrågan är mindre än en träningskörning, men en populär tjänst kan hantera ett enormt antal. Långt sammanhang, dolda resonemangstokens, hämtning, webbsurfning och verktygsanrop kan multiplicera arbetet bakom ett synligt svar. Huruvida träning eller slutledning dominerar över en modells liv beror på trafiken och hur länge den är användbar.

Att fördela utbildning lika till varje fråga kan vara informativt för redovisningen, men det dras inte el när användaren trycker på skicka. En ung modell med osäker framtida trafik gör den allokeringen extra instabil. Bra rapportering håller träning, slutsatser och inbyggd hårdvara åtskilda innan man erbjuder någon kombinerad figur.

Text, bilder och video är inte utbytbara

"En generation" är en dålig enhet. Text produceras token för token. Ett kortfattat svar med begränsat sammanhang kan använda en bråkdel av en wattimme under de senaste uppskattningarna, medan ett långt dokument eller resonemangsuppgift kan använda mycket mer. Vår förklarare på AI:s miljöpåverkan visar varför gräns och arbetsbelastning spelar roll.

Bilder involverar iterativ beräkning över ett stort antal värden. Användare skapar ofta flera kandidater och skalar upp en favorit. Video lägger till många bildrutor, tidsmässig konsekvens och vanligtvis större beräkningsbehov. Kommersiella leverantörer publicerar lite jämförbar energidata på produktnivå, så exakta förhållanden mellan lägen skulle vara gissningar.

Det här är en plats där beteende hjälper. Ange vilket resultat du behöver, generera färre varianter och undvik uppskalning av utkast. För text, begär en lämplig längd och påbörja en ny konversation när gamla sammanhang är irrelevanta.

El, kol och vatten berättar olika historier

El mäter energi. Kol beror på hur den elen genererades. Vatten kan förbrukas på plats för kylning och indirekt genom elproduktion. En tjänst kan förbättra en dimension samtidigt som den förvärras en annan – till exempel kan torrkyla spara lokalt vatten men kräva mer el under vissa förhållanden.

IEA uppskattar alla datacenter som används om 415 TWh 2024, inte AI ensam. Den förväntar sig att AI-drivna accelererade servrar kommer att vara en viktig källa till tillväxt mot 2030. Systemsummor visar varför den samlade efterfrågan förtjänar uppmärksamhet även när en vanlig textprompt är liten.

Läget har minst lika stor betydelse för vattnet. En liter som förbrukas i ett stressat avrinningsområde kan få större konsekvenser än samma volym i en vattenrik region. Globala medelvärden döljer dessa lokala beslut. Läs hur AI påverkar miljön för hela kedjan.

Effektiviteten förbättras, men efterfrågan kan överskrida den

Nya acceleratorer kan utföra fler beräkningar per enhet el. Kvantisering minskar numerisk precision och arbete. Blandning av expertmodeller aktiverar bara en del av sina parametrar för varje token. Bättre batchning sprider serverkraft över flera användare, och mindre modeller kan hantera vanliga uppgifter.

Det är genuina förbättringar. De garanterar inte lägre totalförbrukning. Billigare, snabbare generation kan locka fler användare och möjliggöra mer krävande produkter. Detta är rebound-problemet: energin per utgång sjunker medan antalet och storleken på utgångarna växer snabbare.

Båda måtten hör hemma i samma rapport. Leverantörer bör avslöja effektivitet per arbetsbelastning och absolut energi, vatten och utsläpp. Ett fallande snabbgenomsnitt är inte ett bevis på att den totala påverkan minskar; en stigande datacentersumma är inte ett bevis på att varje uppmaning har blivit mindre effektiv.

Ett proportionerligt sätt att använda generativ AI

Bestäm först om generation behövs. Sökning är ofta bättre för att hitta en känd sida; ett kalkylblad är bättre för transparent aritmetik; en mall kan slå regenererande rutinkopia. När AI ger mervärde, välj den minsta kapabla modellen istället för att som standard välja den mest kraftfulla.

Håll uppmaningar och bilagor relevanta. Be om en stark riktning innan du begär variationer. Återanvänd bra resultat istället för att börja om. Spara bild-, ljud- och videogenerering för resultat du tänker använda. Dessa val kommer inte att lösa konsekvenserna av infrastrukturen, men de minskar efterfrågan som kan undvikas.

Fråga leverantörer vad deras siffror inkluderar och om de är uppmätta eller modellerade. Treechat s metodik beskriver en uppskattning baserad på modellval, tokens, datacenteroverhead och genomsnittlig nätkolintensitet. Den kan inte se en leverantörs strömmätare, vattensystem eller hela hårdvarans livscykel.

Generativ AI är miljömässigt dyrt nog att använda medvetet, inte så unikt katastrofalt att varje värdefull användning bör upphöra. Den djupare frågan in hur dålig AI egentligen är är om verktyget, skalan och resultatet motiverar resurserna. Det svaret kan ändras från en uppmaning till nästa.