Rozwój AI wiąże się nie tylko z innowacjami, lecz także z rosnącym obciążeniem dla środowiska. Emisje CO₂, ogromne zużycie energii i wody oraz problem e-odpadów to wyzwania, które wymagają regulacji i nowych standardów dla zrównoważonej przyszłości technologii.
Sztuczna inteligencja (AI) rewolucjonizuje gospodarkę, ale jej rosnący wpływ AI na środowisko budzi coraz większe obawy. Od znacznego zużycia energii po generowanie e-odpadów, rozwój i wdrożenie AI niosą ze sobą ukryte koszty ekologiczne, które wymagają uwagi. Kluczowe jest zrozumienie pełnego cyklu życia modeli AI, aby dążyć do bardziej zrównoważonego rozwoju AI.
Emisje w cyklu życia AI – trening kontra użytkowanie
Cykl życia modelu AI generuje emisje zarówno podczas fazy treningu, jak i użytkowania. Trening, będący procesem jednorazowym, jest niezwykle energochłonny. Przykładowo, szacuje się, że trenowanie modelu GPT-3 wymagało 1287 MWh energii elektrycznej i 10 000 chipów komputerowych, co odpowiada rocznemu zapotrzebowaniu na energię około 121 domów w USA i wygenerowało około 550 ton dwutlenku węgla. Późniejsze wersje, takie jak GPT-4, trenowane na znacznie większej liczbie parametrów, pochłonęły niewątpliwie jeszcze więcej energii. Emisje związane z użytkowaniem, czyli wnioskowaniem, są znacznie niższe na interakcję, często mierzone w gramach CO₂ na zapytanie. Jednak masowe przyjęcie modeli takich jak ChatGPT sprawiło, że faza wnioskowania stała się dominująca, odpowiadając za 60–70% całkowitego zużycia energii, podczas gdy trening stanowi 20–40%. Badania pokazują, że zapytanie do ChatGPT może zużywać 10 razy więcej energii niż standardowe wyszukiwanie w Google. Nawet urządzenia końcowe użytkowników mogą odpowiadać za 25–45% całkowitego śladu węglowego niektórych modeli AI.
Centra danych i energia – gdzie i jak powstaje ślad węglowy AI
Centra danych, które są podstawą operacji AI, w 2024 roku zużyły około 415 terawatogodzin (TWh) energii elektrycznej, co stanowi około 1,5% globalnego zużycia energii. Prognozy wskazują, że do 2030 roku globalne zużycie energii przez centra danych może wzrosnąć do około 945 TWh, co stanowi ponad dwukrotny wzrost. W Unii Europejskiej centra danych odpowiadają za około 3% całkowitego zapotrzebowania na energię elektryczną, przy czym w niektórych krajach, jak Irlandia, może to przekraczać 20%. Główne huby centrów danych znajdują się w USA, Chinach i Europie. Energia potrzebna do ich zasilania pochodzi głównie ze źródeł odnawialnych i gazu ziemnego, rośnie również wykorzystanie energii jądrowej. Niestety, wiele regionów, takich jak „Data Centre Alley” w Wirginii, nadal w dużej mierze polega na paliwach kopalnych, z 60% energii pochodzącej z gazu ziemnego. Firmy technologiczne, takie jak Google, Microsoft, Amazon i Meta, zobowiązały się do osiągnięcia neutralności klimatycznej do 2030 lub 2040 roku, jednak szybki rozwój AI często sprawia, że zwiększone zapotrzebowanie na energię przewyższa możliwości rozwijania projektów energii odnawialnej.
Infrastruktura AI i krytyczne surowce – ukryte koszty rozwoju
Zapotrzebowanie na energię dla AI jest ogromne, a klastry szkoleniowe AI mogą zużywać 7–8 razy więcej energii niż typowe obciążenia obliczeniowe. Duże centra danych zużywają tyle energii elektrycznej rocznie, co 100 000 gospodarstw domowych, a niektóre budowane obiekty mogą zaspokajać potrzeby nawet 2 milionów gospodarstw domowych. Taki wzrost zapotrzebowania prowadzi do obciążenia sieci energetycznych, zatorów i długich kolejek w podłączaniu nowych obiektów. Wzrost ten jest również powiązany z zapotrzebowaniem na krytyczne minerały, takie jak gal, niezbędny do produkcji chipów AI, którego podaż jest wysoce skoncentrowana, a Chiny odpowiadają za 98% jego rafinacji. Aby sprostać tym wyzwaniom, rozwijane są koncepcje „zielonej AI”, które obejmują optymalizację algorytmów, poprawę efektywności sprzętu i zrównoważone zarządzanie danymi. Przykładem są mniejsze, wyspecjalizowane modele języka (SLMs), takie jak BioBERT, które zużywają o 90% mniej energii niż ogólne LLM w zadaniach niszowych. Optymalizacja zapytań, precyzowanie długości odpowiedzi i przetwarzanie wsadowe mogą również zmniejszyć zużycie energii.
Ślad wodny, e-odpady i kolejne koszty środowiskowe AI
Oprócz emisji CO₂, koszty środowiskowe AI obejmują znaczne zużycie wody, głównie na potrzeby chłodzenia centrów danych. W regionach dotkniętych suszą, takich jak Arizona, działalność centrów danych może odciągać zasoby wodne od lokalnych społeczności. Innym istotnym problemem są odpady elektroniczne (e-waste). Szybki postęp w dziedzinie sprzętu AI prowadzi do częstego wymieniania urządzeń, zwiększając ilość e-odpadów. Szacuje się, że 80% światowych e-odpadów jest wysyłanych do krajów takich jak Ghana, Nigeria i Pakistan, gdzie „nieformalny recykling” naraża pracowników na toksyczne opary i metale ciężkie. Wzrost zapotrzebowania na coraz większe modele, często dla marginalnych zysków w dokładności (np. GPT-3 tylko 3% lepsze niż 13-miliardowe parametryczne modele, ale z dużo większymi zasobami), również budzi krytykę. Aby przeciwdziałać tym negatywnym skutkom, kluczowe jest wprowadzenie regulacji i standardów. Europejska ustawa o AI (AI Act) ma potencjał, aby wprowadzić zrównoważony rozwój jako wymóg regulacyjny.
Czytaj też:
Pojazdy autonomiczne zmieniają transport. Globalny wyścig, lokalne wyzwania i testy w Polsce
Fotografia: Joshua Sortino, Unsplash