{count, plural, one {Leerpad} other {Leerpaden}}
AI-basisprincipes
{hours} uur
De milieu-impact van AI berekenen: methodologische uitdagingen
Sinds de lancering van ChatGPT eind 2022 is de AI-industrie exponentieel gegroeid. Volgens Statista groeide de markt voor kunstmatige intelligentie in 2024 uit tot meer dan 184 miljard Amerikaanse dollar en zal deze naar verwachting doorgroeien tot meer dan 826 miljard Amerikaanse dollar in 2030.
Wereldwijde AI-marktomvang van 2020 tot 2030. Bron: Statista
Zo’n expansieagenda mag echter niet worden uitgevoerd zonder eerst de planetaire kosten van AI te beoordelen. De inzet is hoger dan ooit, nu de wereld snel de tijd ziet wegtikken om een volledige klimaatcatastrofe af te wenden.
Het beoordelen van de ecologische voetafdruk van AI is daarom noodzakelijk. Zoals we in ons artikel over De milieu-impact van digitale technologieën en data uitlegden, is dit echter een uitdagende taak.
Hoewel het onderzoek naar dit onderwerp toeneemt, is het nog steeds onmogelijk om een alomvattende beoordeling te maken van de ecologische voetafdruk van AI. Tot de belangrijkste beperkingen en uitdagingen behoren:
Gebrek aan transparantie en datalacunes
AI-bedrijven zijn vaak terughoudend om informatie over hun producten te delen, inclusief milieurelevante gegevens. Dit leidt tot belangrijke datalacunes en blinde vlekken die het werk van AI-onderzoekers bemoeilijken. Zoals aangegeven door Sasha Luccioni, Climate Lead bij Hugging Face:
Geen enkel bedrijf dat AI-tools aanbiedt, voor zover ik weet, geeft informatie over energiegebruik en koolstofvoetafdruk. We weten niet eens hoe groot modellen zoals GPT zijn. Niets wordt vrijgegeven; alles is een bedrijfsgeheim.
Sasha Luccioni, Climate Lead at Hugging Face
Wat telt als een ecologische voetafdruk?
De meeste studies richten zich op energievraag of broeikasgasemissies (oftewel de koolstofvoetafdruk). Het is echter belangrijk om ook andere niet-energetische effecten mee te nemen die optellen bij de digitale milieuvoetafdruk, zoals water- en mineraalverbruik.
Kijken naar de volledige AI-levenscyclus
De meeste artikelen hebben de voetafdruk van AI tijdens training onderzocht. Maar zoals Luccioni et al. stelden in een paper uit 2023, moeten ook andere fasen van de AI-levenscyclus worden meegenomen, waaronder materiaalwinning, productie, modelimplementatie en afdanking.
De life cycle assessment-benadering. Bron: Luccioni et al.
De ecologische voetafdruk van AI
Ondanks de methodologische beperkingen bij het schatten van de ecologische voetafdruk van AI, staat vast dat AI aanzienlijke kosten met zich meebrengt in termen van natuurlijke hulpbronnen. In de volgende subsectie behandelen we alleen de koolstof- en watervoetafdruk van AI. Zoals eerder genoemd is echter nieuw onderzoek nodig om de impact van AI op andere gebieden te beoordelen, zoals mineraalverbruik of biodiversiteitsverlies.
De koolstofvoetafdruk van AI
Om zijn magie te leveren, heeft AI aanzienlijke hoeveelheden energie nodig, wat vaak leidt tot extra koolstofemissies.
Het energieverbruik van LLM’s kan in twee categorieën worden onderverdeeld:
- Operationele energie. Dit is de energie die nodig is om deze tools te laten draaien, voor training of inferentie.
- Hardwareproductie. Dit is de energie die nodig is om de apparatuur van AI-systemen te maken, zoals GPU’s (grafische processors).
De meeste studies hebben zich gericht op de koolstofvoetafdruk van AI tijdens de trainingsfase, vooral omdat dit de fase in de levenscyclus van AI is waarin meer data beschikbaar is, met name bij open-sourcemodellen.
Zo schatten Strubell et al. in een artikel uit 2019 dat het trainen van een LLM met 213 miljoen parameters 626.155 pond CO2 kan uitstoten, bijna gelijk aan de levenslange uitstoot van vijf auto’s, inclusief brandstof.
Het energieverbruik tijdens inferentie (het gebruik van een model om de taak uit te voeren waarvoor het is getraind) kan echter net zo hoog of zelfs hoger zijn dan tijdens training van LLM’s.
In een studie uit 2023 berekenden Luccioni et al. dat het inzetten van een BLOOM-model met 176 miljard parameters gedurende 18 dagen gemiddeld 40,32 kWh energie per dag verbruikte (ongeveer gelijk aan 1.110 smartphone-oplaadbeurten) en ongeveer 19 kg CO2-equivalent per dag uitstootte.
In een recenter artikel toonden Lucioni et al. ook aan dat de energie die nodig is tijdens de implementatiefase sterk wordt beïnvloed door de taak. Met name beeldgebaseerde taken bleken het meest energie-intensief.
Bron: Luccioni et al.
Tegen deze achtergrond is het niet verwonderlijk dat het elektriciteitsverbruik van datacenters – waar de rekenkracht van AI-systemen, zowel training als inferentie, doorgaans plaatsvindt – tegen 2026 zou kunnen verdubbelen, volgens een recent onderzoek van het Internationaal Energieagentschap.
De stijging van de elektriciteitsrekening door de brede adoptie van AI is slecht nieuws voor techbedrijven met nettonulambities. Zo gaf Google in zijn laatste duurzaamheidsrapport toe dat de emissies in 2023 met 13% stegen ten opzichte van het jaar ervoor en met 48% sinds 2019, voornamelijk gedreven door de toename van het energieverbruik van zijn datacenters. Hetzelfde geldt voor Microsoft, dat een stijging van 29,1% in de uitstoot sinds 2020 rapporteerde, vooral door de elektriciteit die nodig is om AI te draaien.
De watervoetafdruk van AI
Steeds meer onderzoekers richten zich op het zorgwekkende waterverbruik van AI. Het grootste deel van de watervoetafdruk van AI vindt plaats in datacenters, die miljarden liters water nodig hebben om de servers te koelen die de berekeningen uitvoeren om AI-prompts te trainen en te beantwoorden. Volgens een studie uit 2021 verbruikt het gemiddelde datacenter evenveel water als drie middelgrote ziekenhuizen.
De watervoetafdruk van datacenters kan de komende jaren dramatisch groeien naarmate er nieuwe centra worden gebouwd om aan de vraag van AI te voldoen. Volgens onderzoekers van UC Riverside zouden datacenters in 2027 tussen 4,2 en 6,6 miljard kubieke meter water kunnen verbruiken. Dat is meer dan de helft van de totale jaarlijkse wateronttrekking in het Verenigd Koninkrijk.
Tot nu toe grotendeels verhuld als bedrijfsgeheim, beginnen techbedrijven onder sociale en regelgevende druk eindelijk informatie te delen over hun watergebruik. Zo meldde Google een toename van 17% van zijn watervoetafdruk ten opzichte van 2025, goed voor in totaal 6,1 miljard gallon – ongeveer het water dat nodig is om jaarlijks 41 golfbanen te irrigeren.
Omdat geavanceerde koelsystemen alleen met schoon water kunnen werken, botsen de behoeften van datacenters vaak met de belangen van omwonenden, vooral wanneer datacenters zich bevinden in gebieden die al kampen met waterschaarste.
Hoewel datacenters de primaire bron van watergebruik zijn, is nieuw onderzoek nodig om de watervoetafdruk in andere fasen van de AI-levenscyclus te belichten, met name tijdens de productie van hardware, zoals de halfgeleiders waaruit GPU-chips bestaan.
3 technieken om de milieuvoetafdruk van AI te verkleinen
Gezien de toenemende milieukosten van het ontwikkelen en uitrollen van AI-modellen moeten bedrijven strategieën implementeren en technieken aanpassen om hun voetafdruk te verkleinen.
In de volgende subsectie analyseren we enkele beschikbare oplossingen om te werken aan duurzamere AI.
1. Modelefficiëntie optimaliseren
Een van de meest voor de hand liggende strategieën om de koolstofvoetafdruk van AI-modellen te verkleinen, is het vergroten van hun efficiëntie. In AI-termen betekent dat hetzelfde nauwkeurigheidsniveau behalen als de meest geavanceerde modellen met kleinere, minder complexe modellen.
Enerzijds kan efficiëntie op hardwareniveau worden bereikt. Als ingenieurs en microchipfabrikanten bijvoorbeeld de Wet van Moore kunnen volgen – Gordon Moore voorspelde dat het aantal transistors op microchips ongeveer elke twee jaar verdubbelt –, dan zien we de komende jaren snellere, kleinere en efficiëntere GPU’s.
Hoewel sommige voorspellers verwachten dat de wet rond 2025 eindigt door fysieke grenzen, kunnen andere geavanceerde technologieën, zoals quantumcomputing, nieuwe materialen en innovatieve chiparchitecturen, cruciaal zijn in de zoektocht naar efficiëntie. Evenzeer is innovatie in het ontwerp en de werking van datacenters essentieel om het energieverbruik te verlagen.
Anderzijds is er software. AI-onderzoekers ontwikkelen nieuwe technieken en ontwerpen om AI-modellen efficiënter te maken tijdens training en inferentie, zoals:
- Model pruning. Dit verwijst naar de techniek waarbij onbelangrijke parameters uit een neuraal netwerk worden verwijderd om de modelgrootte te verkleinen en efficiëntere inferentie mogelijk te maken.
- Quantization. Dit omvat een reeks technieken om continue oneindige waarden te mappen naar een kleinere set discrete eindige waarden. Lees onze gids over LLM-quantization voor meer informatie.
- Knowledge distillation. Dit is een techniek die erop gericht is de kennis van een groot voorgetraind model over te dragen naar een kleiner model. Lees meer over LLM-distillation in ons afzonderlijke artikel.
2. Inzetten op hernieuwbare energie
Een andere oplossing om de zorgwekkende koolstofvoetafdruk van AI in datacenters aan te pakken, is investeren in hernieuwbare energie. Het duidelijke voordeel van zonnepanelen, windturbines of waterkrachtcentrales is dat ze elektriciteit opwekken zonder koolstofdioxide uit te stoten.
Grote spelers in de AI-industrie, zoals Google, Microsoft en Meta, behoren tot de grootste investeerders in infrastructuur voor schone energie. Maar zoals Sasha Luccioni, Climate Lead bij Hugging Face, waarschuwde:
Hernieuwbare energie groeit zeker. Het probleem is dat het niet snel genoeg groeit om gelijke tred te houden met de groei van AI.
Sasha Luccioni, Climate Lead at Hugging Face
Daarom vertrouwden deze bedrijven traditioneel op andere financiële instrumenten om hun groene-energieverplichtingen na te komen, zoals certificaten voor hernieuwbare energie (RECs) en koolstofkredieten.
3. Cloudgebaseerde oplossingen benutten
Dankzij schaalvoordelen bieden cloudproviders AI-bedrijven een veel kostenefficiëntere oplossing om hun modellen te trainen en in te zetten. Dat is goed nieuws voor de financiën van bedrijven – ze vermijden de initiële kosten van het aanschaffen van eigen rekeninfrastructuur –, maar ook voor het klimaat.
Hyperscale-datacenters zijn specifiek ontworpen om efficiënt te zijn. Ze kunnen energie-intensieve processen sneller en op schaal draaien, wat leidt tot aanzienlijke energiebesparingen. Tegelijkertijd zijn ze geoptimaliseerd om het watergebruik voor koeling te verminderen.
Je leert meer over cloud computing in onze Understanding Cloud Computing Course.
Duurzame AI-praktijken in de industrie
Als AI verstandig wordt ingezet, kan het een van onze grootste bondgenoten zijn bij het aanpakken van de milieuproblematiek. Laten we enkele overtuigende use-cases bekijken waarin AI cruciaal was voor het behalen van duurzame doelen.
AI voor milieuduurzaamheid
Het aantal AI-aangestuurde toepassingen om milieuproblemen aan te pakken groeit snel, variërend van initiatieven om koolstofemissies te monitoren en klimaatkwetsbare regio’s te identificeren tot het verbeteren van duurzaamheid in toeleveringsketens en het implementeren van precisielandbouw om watergebruik en bodemdegradatie te beperken.
Hieronder vind je een lijst met enkele toepassingen die de moeite waard zijn om te bekijken:
Modellering van extreem weer
Weervoorspelling is een van de oudste en meest uitdagende wetenschappelijke taken. AI helpt meteorologen om weersvoorspellingen met ongekende nauwkeurigheid te maken. Dit omvat voorspellingen van extreme weersomstandigheden.
Zo kan GraphCast, een deep learning-model van Google, de banen van cyclonen verder vooruit met grote nauwkeurigheid voorspellen, atmosferische rivieren identificeren die samenhangen met overstromingsrisico, en het begin van extreme temperaturen voorspellen.
Monitoring van broeikasgasemissies (GHG)
De meeste menselijke economische activiteiten stoten GHG-emissies uit in de atmosfeer. Weten waar, wanneer, door wie en hoeveel er wordt uitgestoten is cruciaal om klimaatverandering beter te begrijpen, effectieve klimaatbeleid te bevorderen en emissiehotspots te identificeren.
Een goed voorbeeld van hoe AI helpt bij het volgen van GHG-emissies is Climate TRACE, een coalitieproject van een non-profitcoalitie die de kracht van AI en remote sensing benut om emissies met ongekende nauwkeurigheid te monitoren.
Energienetten optimaliseren
Het moderniseren van het elektriciteitsnet is cruciaal voor de overgang naar schone energie. De opkomst van hernieuwbare energiebronnen voegt snel complexiteit toe aan energienetten. In tegenstelling tot centrales die een constante energiestroom leveren, genereren zonnepanelen en windturbines variabele elektriciteit, sterk beïnvloed door het weer.
AI kan een sleutelrol spelen bij het beheren van deze complexiteit en het balanceren van vraag en aanbod. Door enorme hoeveelheden data te analyseren, kan AI automatisch voorspellen hoeveel elektriciteit de volgende dag nodig zal zijn en de meest kostenefficiënte manier vinden om die energie te leveren.
Materiaalkunde en -ontdekking
Groene technologieën, zoals zonnepanelen en windturbines, zijn afhankelijk van anorganische materialen. Het vinden van nieuwe materialen is cruciaal voor technologische vooruitgang, zowel voor het ontwikkelen van schonere technologieën als voor het efficiënter maken van bestaande.
AI versnelt het proces van materiaalkundige ontdekkingen. Zo heeft Google’s AI-model GNoME onlangs 380.000 stabiele kristallen ontdekt die potentieel hebben voor groenere technologieën, van betere batterijen voor elektrische auto’s tot supergeleiders voor efficiëntere computing.
Maatschappelijke verantwoordelijkheid
Bedrijven in alle sectoren gebruiken AI ook om hun duurzaamheidsdoelstellingen te bereiken. Big Tech-bedrijven behoren tot de meest prominente voorbeelden, gezien hun ongeëvenaarde AI-kennis. Zo identificeert Microsoft in zijn AI & Sustainability Playbook vijf gebieden waar AI nuttig kan zijn:
Bron. Microsoft
DataCamp werkt ook aan een duurzamere toekomst. We ondersteunen lokale en wereldwijde groene initiatieven met gratis of sterk gesubsidieerde toegang tot ons onderwijsplatform van wereldklasse. Via ons DataCamp Donates-programma hebben we samengewerkt met uiteenlopende organisaties met klimaatgerichte missies om hun teams te upskillen.
Via ons platform kunnen we allerlei organisaties en professionals ondersteunen om een positieve impact op het milieu te maken. Enkele van onze meest opvallende successen zijn met NGO’s zoals CDP en Omenda, of met bedrijven in schone energie, zoals Drax en SSE.
Ethische overwegingen bij de ontwikkeling van AI
Elke sector moet zijn potentiële impact op de planeet beoordelen en manieren vinden om de ecologische voetafdruk te verkleinen. De AI-industrie mag daarop geen uitzondering zijn. Ondanks de beloften dat AI milieudoelen kan bevorderen, zijn extra inspanningen noodzakelijk om de milieu-impact van de industrie te verminderen.
Innovatie is vereist om betere en efficiëntere AI-modellen te ontwikkelen. Maar dat is niet genoeg. Gezien de toenemende milieukosten van AI is een serieuze en ethische discussie over de ontwikkeling en groei van de AI-industrie hard nodig.
Trade-offs van AI
Ten eerste moeten we de implicaties beoordelen van het prioriteren van AI-ontwikkeling boven andere essentiële maatschappelijke behoeften. Terwijl AI-spelers aanzienlijke middelen investeren in projecten voor schone energie om hun datacenters van stroom te voorzien, is dit energie die we wegnemen bij andere mogelijke toepassingen, zoals verwarming of het leveren van elektriciteit aan gezinnen met lage inkomens.
Evenzo is het belangrijk te onthouden dat groene technologieën sterk afhankelijk zijn van kritieke materialen, waaronder mineralen, metalen en zeldzame aardmetalen, die moeilijk te vinden zijn en enorme hoeveelheden energie vereisen om uit de aarde te halen, met negatieve gevolgen voor de planeet.
Hoewel de koolstofvoetafdruk van AI een mondiale dimensie heeft, geldt dat niet voor de watervoetafdruk. Hier is de trade-off duidelijk: het water dat een datacenter gebruikt, is water dat wordt onttrokken aan omwonenden en de biodiversiteit in de omgeving.
Potentiële reboundeffecten
Ten tweede is meer onderzoek nodig naar de potentiële reboundeffecten die gepaard gaan met de ontwikkeling van AI. Zoals in andere sectoren is waargenomen, bestaat de mogelijkheid dat verbeteringen in de efficiëntie van AI-modellen leiden tot een algemene toename van het AI-gebruik, wat de efficiëntiewinsten uiteindelijk kan tenietdoen.
Om dit te illustreren nemen we het geval van ChatGPT. Volgens Goldman Sachs heeft een ChatGPT-query bijna tien keer zoveel elektriciteit nodig als een Google-zoekopdracht. Voor een tool die gemiddeld 10 miljoen queries per dag ontvangt, vertaalt dit zich in een enorme energierekening. Daarom betaal je voor de meeste ChatGPT-versies een vergoeding en is er zelfs in de meest geavanceerde versies een dagelijkse promptlimiet.
Stel nu dat OpenAI een innovatieve neurale architectuur ontwikkelde die aanzienlijke efficiëntiewinsten oplevert. Stel dat de nieuwste versie van ChatGPT met de nieuwe architectuur nog maar vijf keer zoveel elektriciteit vereist als een Google-zoekopdracht. Dan is het zeer waarschijnlijk dat OpenAI goedkopere abonnementen met minder promptlimieten zal aanbieden, wat leidt tot een toename van het aantal gebruikers.
Het resultaat? OpenAI maakt extra winst en gebruikers zijn blij, maar de emissies kunnen uiteindelijk stijgen omdat ChatGPT nog populairder en alomtegenwoordiger wordt, waardoor de efficiëntiewinsten die volgden op de nieuwe neurale architectuur teniet kunnen worden gedaan.
AI en de fossielebrandstofindustrie
Een andere manier om naar de potentiële reboundeffecten te kijken, is de nauwe band tussen enkele belangrijke AI-spelers, zoals Microsoft, en fossielebrandstofbedrijven. Door expertise en toegang tot AI-technologieën te bieden, helpen Big Tech-bedrijven olie- en gasbedrijven om de opbrengst en productie van fossiele brandstoffen te optimaliseren en te vergroten, wat leidt tot extra GHG-emissies en mogelijk de overgang naar hernieuwbare energie vertraagt.
Dit soort activiteiten is zorgwekkend en staat op gespannen voet met hun mondiale klimaatverplichtingen.
Zoals Holly Alpine, voormalig senior programmamanager Datacenter Community Environmental Sustainability bij Microsoft, stelde in een recent artikel:
Hoewel Microsofts publieke verklaringen en rapporten de gunstige toepassingen van AI voor duurzaamheid benadrukken, laten ze cruciaal onvermeld dat een substantieel deel van Microsofts business bestaat uit het leveren van technologie aan fossielebrandstofbedrijven om de productie te verhogen.
Holly Alpine, Former Microsoft Senior Program Manager of Datacenter Community Environmental Sustainability
Wat zijn de milieu-impacten van AI?
Wat is de koolstofvoetafdruk van AI?
Wat zijn de belangrijkste technieken om de milieuvoetafdruk van AI te verkleinen?
Hoe kan AI milieudoelen ondersteunen?
Wat is de rol van AI-regulering bij het bevorderen van duurzame AI?
Onderwerpen
