Af David Lindholm

“Det er maskinerne, der skal redde verden. Det er maskinerne, der skal køle verden.” skrev Hej Matematik i 2010, men er det sandt? Kan det overhovedet forsvares at bruge AI i en tid med fokus på miljøet, CSR, og ESG?

Træning 

Energiforbrug lyder måske som en udregning der burde være enkel, men det er det langt fra når det kommer til kunstig intelligens.
Brugeren har ingen kontrol over træning af sprogmodeller, medmindre vi medtager muligheden for slet ikke at bruge AI. Det er også her vi skal finde det største strømforbrug, som for en model som GPT-3 estimeres at være omkring 1300 MWh [1], svarende til samme mængde strøm som lidt over 285 danske husstande bruger på et helt år. [2]  

Anvendelse 

Selve anvendelsen af den generative model er dog en anden sag. Et studie estimerer et gennemsnitligt strømforbrug på 0,047 kWh per 1000 ord. Billedgenerering ligger en del højere, med 2,907 kWh per 1000 billeder. For en meget detaljeret model som GPT-4 betyder det lige omkring 10g CO2 per 1000 ord. [3] Til sammenligning er det blevet estimeret at en simpel Google-søgning udleder 7g CO2. [4] 

Så selvom det ser ud til at man får meget mere indhold for den samme CO2 ved at bruge AI, kan tallene ikke sammenlignes direkte. Det kan dog siges at energiforbruget er lavt sammenlignet med andre menneskelige aktiviteter. For eksempel udleder det 40-80g CO2 i timen at have computeren tændt [4], 50g CO2 at streame en film på 2 timer i høj kvalitet [5], og 15g for at oplade en smartphone en enkelt gang. [6] 

Fordelene for miljøet 

Men situationen er mere kompleks end en udregning kan vise. Kunstig intelligens har allerede hjulpet miljøet på en række områder, ved at optimere energiforbrug og balancering:
Virksomheder som Weavegrid og Lunar Energy anvender AI for at hjælper private med at optimere deres energiforbrug. For eksempel ved at sørge for at elbilen bliver ladet op på det rigtige tidspunkt. [7] Ud over at være godt for elregningen, er det også en fordel for miljøet, da det muliggør maksimal brug af grøn energi. [8]
Den grønne omstilling har generelt fordel af AI, da der er steder i verden hvor dataet om strømbehov endnu ikke eksisterer. Det gælder for eksempel i hjem som går direkte fra madlavning over levende ild, til at anvende grøn energi. Med AI kan behov forudsiges og skiftet til grøn energi optimeres. [9] Samme energioptimering anvendes allerede i USA, hvor responstid på balancering af strømnetværket for 12 stater er reduceret med 90% takket være AI. [7]
Endeligt er det også mere fysiske miljøfordele. For nylig har AI faciliteret opdagelsen et nyt materiale som kan reducere forbruget af lithium i batterier med op til 70%. [10] Reduktionen af lithium er vigtig da udvindingen er kostelig i forhold til både mennesker, vand, og energi [11] og bortskaffelsen kan lede til forurening og brande. [12] 

Hovedparten af disse anvendelser er specialudviklede algoritmer, og ikke generative AI’er som ChatGPT, men det kan ikke let adskilles da arbejdet med AI sprogmodeller også hjælper feltet som helhed. For eksempel gennem ny viden om deep learning og produktion af træningsdata til andre AI’er. [13] Så selvom træningen af AI kræver mange ressourcer, vil fordelene opveje miljøbelastningen på længere sigt. 

Kilder

[1] Luccioni, A.S. Viguier, S. Ligozat, A. (2022). Estimating the Carbon Footprint og BLOOM, A 176B Parameter Language Model. Retrieved from: https://arxiv.org/pdf/2211.02001.pdf
[2] EWII. (n.d.) Har din husstand et normalt elforbrug? Ewii.dk. Retrieved from: https://www.ewii.dk/privat/el/elforbrug-husstand/
[3] Luccioni, A. S., Jernite, Y., & Strubell, E. (2023). Power Hungry Processing: Watts Driving the Cost of AI Deployment? ArXiv. /abs/2311.16863
[4] Hansen, S. (2009). Professor: En søgning på Google udleder 7 gram CO2. Ingeniøren. Retrieved from: https://ing.dk/artikel/professor-en-soegning-paa-google-udleder-7-gram-co2
[5] Kilgore, G. (2024). Carbon Footprint of iPhone by Type. 8BillionTrees. Retrieved from: https://8billiontrees.com/carbon-offsets-credits/carbon-footprint-of-iphone/
[6] EPA. (n.d.). Greenhouse Gases Equivalencies Calculator – Calculations and References – Number of smartphones charged. EPA. Retrieved from: https://www.epa.gov/energy/greenhouse-gases-equivalencies-calculator-calculations-and-references#smartphones
[7] Kim, J. (2023). Four ways AI is making the power grid faster and more resilient. MIT Technology Review. Retrieved from: https://www.technologyreview.com/2023/11/22/1083792/ai-power-grid-improvement/
[8] Energy New England. (2019). Why is off-peak EV charging so important? Ene.org. Retrieved from: https://ene.org/why-is-off-peak-ev-charging-so-important/
[9] Makala, B. & Bakovic, T. (2020). Artificial Intelligence in the Power Sector. EMCompass. Retrieved from: https://www.ifc.org/content/dam/ifc/doc/mgrt/emcompass-note-81-05-web.pdf
[10] McCallum, S. (2024). New material found by AI could reduce lithium use in batteries. BBC. Retrieved from: https://www.bbc.com/news/technology-67912033
[11] Nature. (2021). Lithium-ion batteries need to be greener and more ethical. https://doi.org/10.1038/d41586-021-01735-z
[12] W. Mrozik , M. A. Rajaeifar , O. Heidrich and P. Christensen. (2021). Environmental impacts, pollution sources and pathways of spent lithium-ion batteries. Energy Environ. Sci., 14 (12), 6099 —6121. http://dx.doi.org/10.1039/D1EE00691F
[13] Zewe, A. (2023). Explained: Generative AI. MIT News. Retrieved from: https://news.mit.edu/2023/explained-generative-ai-1109