Bærekraft i generativ KI: Energi, vann og karbon

Hvis du tror at et enkelt ChatGPT-spørsmål er så miljøvennlig som en rask Google-søk, tenk om. Faktisk bruker et slikt spørsmål opptil fem ganger mer strøm enn en tradisjonell søk etter informasjon. Det høres kanskje ikke mye ut per klikk, men multipliser det med milliarder av daglige interaksjoner, og tallene blir svimlende. Generativ kunstig intelligens (KI) har blitt den mest energikrevende databehandlingsapplikasjonen noensinne implementert i stor skala. Vi står midt i en teknologisk revolusjon, men regningen kommer ikke bare i dollar - den kommer i kilowattimer, liter vann og tonn med CO2.

I denne artikkelen ser vi nærmere på hva som faktisk skjer bak kulissene når store språkmodeller trenes og brukes. Vi dykker ned i energibehovet, vannforbruket for kjøling, og de skjulte kostnadene ved elektronisk avfall. Målet er å gi deg et realistisk bilde av klimaavtrykket til verktøyene vi bruker hver dag, og hva bransjen faktisk gjør for å snu trenden innen 2030.

Det enorme energibehovet bak modellene

Når du snakker om "bærekraft" i sammenheng med Generativ KI, handler det først og fremst om elektrisitet. Store modeller som GPT-4 eller Claude krever tusenvis av grafikkprosessorer (GPU-er) som kjører døgnet rundt i måneder for å bli trent opp. Ifølge forskere ved MIT, ledet av Noman Bashir, bruker treningskluster for generativ KI syv til åtte ganger mer energi enn typiske arbeidsbelastninger i andre dataintensive applikasjoner.

Ta eksempelet med OpenAI’s GPT-3. Forskningsartikler fra University of California Berkeley viste allerede i 2021 at selve treningen av denne ene modellen konsumerte 1 287 megawatt-timer (MWh) med elektrisitet. Det tilsvarer strømbegrepet til omtrent 120 gjennomsnittlige amerikanske husstander over ett helt år. Og dette var før modellen ble lansert for massemarkedet. Karbonutslippet fra denne ene treningsprosessen lå på rundt 552 tonn CO2. Det er som å fly en Boeing 747 flere hundre ganger tur-retur mellom Oslo og New York.

Men trening er bare starten. Den løpende bruken, kalt inferens, er der de fleste utslippene faktisk skjer nå. Hver gang du ber KI-en om å skrive en e-post eller lage en bildeanalyse, sendes dataene til et datasenter som må beregne svaret. International Energy Agency (IEA) anslår at interaksjoner med AI-verktøy kan bruke ti ganger mer strøm enn en standard nettlesersøk. Med prognoser som peker mot at generativ KI alene vil bruke ti ganger mer energi i 2026 enn i 2023, er presset på kraftnettet økende.

Vann: Den usynlige ressursen

Mange glemmer at datakraft også koster vann. Datasentrene huser titusenvis av servere som blir ekstremt varme under tung belastning. For å hindre at maskinvaren smelter, må de kjøles ned kontinuerlig. Dette gjøres ofte ved hjelp av avdunstningskjøling, hvor store mengder vann fordampes for å fjerne varmen fra luften inne i bygget.

For hvert terabyte data som behandles, kan det gå med betydelige mengder ferskvann. I regioner som allerede sliter med tørke, skaper dette konkurranse om ressursene. Selv om nøyaktige globale tall for vannbruk spesifikt knyttet til AI-datasentre fortsatt samles inn, erkjenner miljøforskere at dette er en kritisk vekstfaktor. Når datasentrene skal doble sin kapasitet for å møte AI-etterspørselen, vil vannbehovet følge etter. Det er ikke lenger nok å bare se på watt; vi må se på liter.

Karbonintensitet og energikilder

Et viktig poeng mange misforstår, er at "grønn teknologi" ikke automatisk betyr "fornybar energi". Datasentre trenger stabil, grunnlast-strøm 24/7. Sol og vind fluktuerer. Derfor må mange nye datasentre kobles til kraftnettet som fortsatt domineres av fossile brenselkilder, spesielt i perioder med lav fornybar produksjon.

Noman Bashir fra MIT Climate and Sustainability Consortium påpeker at tempoet i byggingen av nye datasentre er så høyt at det meste av strømmen må komme fra fossilt brensel for å møtes umiddelbart. Mens tech-giganter investerer i solparker og vindmøller, tar infrastrukturen tid å bygge. Resultatet er at selv om bedrifter kjøper "grønne sertifikater", kan den faktiske marginalstrømmen som driver din neste KI-svar være kull eller gass, avhengig av hvor i verden datasenteret ligger.

Maskinvare og elektronisk avfall

Bærekraft handler ikke bare om drift, men også om produksjon og avskaffelse. Grafikkprosessorene som driver KI-revolusjonen, har en kort levetid. Teknologien utvikles så raskt at maskinvaren blir utdatert innen få år. Dette skaper en enorm strøm av elektronisk avfall (e-waste).

Produksjonen av disse chipene krever sjeldne jordarter og metaller som utvinnes gjennom miljøskadelig gruvedrift. Når en GPU erstattes fordi den ikke lenger er "rask nok" for neste generasjons modell, havner den ofte på deponi eller resirkuleres ineffektivt. Polytechnique Insights analyserer viser at økningen i strømforbruk fra datasentre, kryptovaluta og AI mellom 2022 og 2026 kan tilsvare hele strømforbruket til land som Sverige eller Tyskland. Samtidig vokser fjellet av kastet maskinvare.

Løsninger og veien videre

Så, hva kan gjøres? Heldigvis finnes det håp. Forskere jobber aktivt med å optimalisere modellene. Mindre, mer effektive modeller kan utføre mange av de samme oppgavene med mindre regnekraft. Dessuten utvikles ny maskinvare, som nevromorfiske brikker og optiske prosessorer, som lover betydelig energieffektivitet sammenlignet med dagens GPU-er.

Det er også et fenomen kjent som "rebound-effekten": Når teknologi blir billigere eller mer effektiv, bruker vi den mer. Hvis KI blir 50% mer effektiv, men brukerne dobler antall forespørsler, sparer vi ingenting netto. Derfor er bevissthet hos brukeren like viktig som teknologiske fremskritt. Å velge riktig verktøy for jobben, og ikke la KI gjøre alt automatisk, er et konkret tiltak du kan ta i morgen.