Generativ AI’s miljøomkostninger er enorme – og for det meste hemmelige
Illustration: Pete Linforth, Pixabay
Et amerikansk lovforslag vil for første gang omhandle AI teknologiens miljøomkostninger, men der er lang vej endnu.
I januar 2024 indrømmede OpenAI’s topchef Sam Altman, hvad forskere har sagt i årevis – at industrien for kunstig intelligens (AI) er på vej mod en energikrise. Det er en usædvanlig indrømmelse, skriver Kate Crawford.
På World Economic Forums (WEF) årlige møde i Davos, Schweiz, advarede Altman om, at den næste bølge af generative AI-systemer vil forbruge langt mere strøm end forventet, og at energisystemerne vil skulle kæmpe for at kunne levere. “Der er ingen måde at komme dertil uden et gennembrud,” sagde han.
Artiklen er bearbejdet efter Kate Crawford’s artikel i nature.com den 20. februar 2024. Kate Crawford er professor ved University of Southern California Annenberg, seniorforsker ved Microsoft Research i New York og forfatter til bogen ‘Atlas of AI’ (2021).
Fra benægtelse til indrømmelse
Kate Crawford skriver, at siden hun i 2018 begyndte at skrive om miljøomkostningerne, har hun konsekvent kun set en nedtoning og benægtelse af AI-industriens miljøomkostninger. Altmans indrømmelse har nu fået forskere, regulatorer og industriens topfolk til at tale om miljøpåvirkningen af generativ AI.
Hvilket energigennembrud tænker Altman på? spørger Kate Crawford. Ikke design og implementering af mere bæredygtige systemer af kunstig intelligens. Altman tænker derimod i nuklear fusion, hvor han tilbage i 2021 investerede 500 millioner dollars i fusionsvirksomheden Helion Energy i Everett, Washington.
Energiforbruget
De fleste eksperter er dog enige om, at nuklear fusion ikke vil bidrage væsentligt til målet om en dekarbonisering senest 2050 for at bekæmpe klimakrisen. I følge Crawford er Helion’s mest optimistiske skøn, at man i 2029 vil kunne producere energi til at drive 40.000 gennemsnitlige amerikanske husstande. En vurdering tyder på, at ChatGPT, chatboten skabt af OpenAI i San Francisco, Californien, allerede forbruger energi svarende til 33.000 husstande. Martin Bouchard, medstifter af det canadiske datacenterfirma QScale, mener, baseret på hans læsning af Microsoft og Googles planer for ansøgninger, at tilføjelse af generativ AI til processen som minimum vil kræve “mindst fire eller fem gange mere databehandling pr. søgning”. Inden for få år vil store AI-systemer sandsynligvis have brug for lige så meget energi som hele nationer. En peer-rewieved analyse (Alex de Vries, 2023) angiver, at i et mellem scenarie vil AI-servere i 2027 bruge mellem 85 og 134 terawatttimer (Twh) årligt. Det svarer til, hvad Argentina, Holland og Sverige hver bruger på et år, og er omkring 0,5 procent af verdens nuværende elforbrug.
Vandforbrug
Det er ikke kun energi, der er brug for. Generative AI-systemer skal bruge enorme mængder ferskvand for dels for at afkøle deres processorer og dels for at generere elektricitet. I et dokument vurderer Shaolei Ren, en forsker ved University of California og hans team, at ChatGPT sluger ½ liter vand hver gang du stiller det en serie på mellem 5 og 50 spørgsmål, alt efter, hvor serverne er placeret og den aktuelle årstid. Estimatet inkluderer indirekte vandforbrug, som virksomhederne ikke måler – såsom at afkøle kraftværker, der forsyner datacentrene med elektricitet. En stor klynge af datacentre i West Des Moines, Iowa, servicerer den mest avancerede model, GPT-4. En retssag foranlediget af lokale beboere afslørede, at i juli 2022, måneden før OpenAI afsluttede træningen af modellen, brugte datacentrene omkring 6% af distriktets vand.
Da Google og Microsoft forberedte deres store sprogmodeller Bard og Bing, havde begge ifølge virksomhedernes egne miljørapporter kæmpe stigninger i deres forbrug af vand. Google rapporterede om en vækst på 20%. I en miljørapport afslørede Microsoft, at dets globale vandforbrug steg med 34% fra 2021 til 2022 (til mere end 64 milliarder liter svarende til mere end 2.500 svømmebassiner i olympisk størrelse), en kraftig stigning i forhold til tidligere år, ifølge eksterne forskere. Et fortryk af en forskningsrapport (1) tyder på, at efterspørgslen efter vand til kunstig intelligens globalt vil svare til det halve af Storbritanniens forbrug af vand i 2027 eller 4-6 gange det årlige forbrug i Danmark. I et forskningsdokument (2), skriver Kate Crawford, kaldte Facebook AI-forskere miljøeffekterne af industriens stræben efter vækst for “elefanten i rummet”.
Behov for pragmatiske handlinger til begrænsning af AI’s økologiske påvirkninger
Industrien kunne prioritere at bruge mindre energi, bygge mere effektive modeller samt gentænke, hvordan den designer og bruger datacentre. Som BigScience-projektet i Frankrig demonstrerede med sin BLOOM-model (3), er det muligt at bygge en model af samme størrelse som OpenAIs GPT-3 med et meget lavere CO2-fodaftryk. Men det er ikke det, der sker i branchen som helhed.
Miljøpåvirkninger er industrihemmeligheder
Det er fortsat meget svært at få nøjagtige og fuldstændige data om miljøpåvirkninger. De fulde planetariske omkostninger ved generativ kunstig intelligens er nøje beskyttede virksomhedshemmeligheder. Tallene er afhængige af laboratorie baserede undersøgelser af forskere som Emma Strubell (4) og Sasha Luccioni (3), aktieselskabsrapporter samt data fra lokale myndigheder. På nuværende tidspunkt er der ringe incitamenter for virksomhederne til at ændre på det.
Amerikansk lovforslag
De amerikanske lovgivere er nu blevet opmærksomme på problematikken, skriver Kate Crawford. Den 1. februar fremlagde demokraterne i USA ledet af senator Ed Markey fra Massachusetts lovforslaget Artificial Intelligence Environmental Impacts Act af 2024. Lovforslaget pålægger National Institute for Standards and Technology at samarbejde med den akademiske verden, industrien og civilsamfundet for at etablere standarder for vurdering af AI’s miljøpåvirkning , samt skabe en frivillig rapporteringsramme for AI-udviklere og -operatører. Om lovforslaget vil blive vedtaget er dog usikkert.
Frivillige foranstaltninger vil næppe føre til en kultur med ansvarlighed og konsekvent tilpasning, da det er afhængigt af goodwill. Da det haster, skal der gøres mere end det, som Kate Crawford gør opmærksom på i hendes artikel.
Forudsætninger for at skabe en bæredygtig tilgang
For virkelig at løse de miljømæssige påvirkninger af AI kræves en mange facetteret tilgang, fra AI-industrien, forskere og lovgivere som Kate Crawford påpeger:
“I industrien må en bæredygtig praksis gøres bydende nødvendig og bør omfatte måling samt offentlig rapportering af energi- og vandforbrug; prioritering af udvikling af energieffektiv hardware, algoritmer og datacentre; og kun bruge vedvarende energi. Regelmæssige miljørevisioner foretaget af uafhængige organer vil støtte en gennemsigtighed samt overholdelse af standarder.
Forskere må optimere netværksarkitekturens bæredygtighed og må i samarbejde med samfunds- og miljøforskere guide det tekniske design mod en større økologisk bæredygtighed.
Endelig bør lovgiverne tilbyde både pisk og gulerod. I begyndelsen kunne de opstille benchmarks for energi- og vandforbrug, tilskynde til indførelse af vedvarende energi og påbyde omfattende miljørapportering og konsekvensvurderinger. Lovforslaget ‘The Artificial Intelligence Environmental Impacts Act’ er en begyndelse, men der skal meget mere til – og uret tikker.“
Referencer
- Li, P., Yang, J., Islam, M. A. & Ren, S.: ‘Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models’ (2023).
- Wu, C.-J. et al.: ‘Sustainable AI: Environmental Implications, Challenges and Opportunities’ (2021).
- Luccioni, A. S., Viguier, S. & Ligozat, A.-L.: ‘Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model’ (2022).
BLOOM (BigScience Large Open-science Open-access Multilingual Language Model) er en sprogmodel med 176 milliarder parametre. Den blev trænet med 1,6 terabyte data i 46 naturlige sprog og 13 programmeringssprog som en del af BigScience workshoppen, et årelangt initiativ, der varede fra maj 2021 til maj 2022 og samlede over en tusinde forskere fra hele verden. - Kaack, L. H. et al.: ‘Aligning artificial intelligence with climate change mitigation’, Nature Climate Change 12, 518–527 (2022).
Læs mere her:
