AI er en klimasynder

Virksomheder som Microsoft og Google kæmper for at nå deres klimamål på grund af AI. Derfor er det afgørende at integrere bæredygtighed i designet af AI-modeller fra starten for at sikre en grønnere fremtid.

I januar 2024 udsendte International Energy Agency (IEA) sin prognose for det globale energiforbrug de næste to år. For første gang inkluderede prognosen fremskrivninger for elforbrug relateret til datacentre, kryptovaluta og AI. IEA anslår, at dette forbrug samlet udgjorde næsten 2 procent af det globale energibehov i 2022, og at efterspørgslen på disse områder kan fordobles inden 2026, hvilket vil svare til den samlede mængde af elektricitet, der bruges af hele Japan.

Et af de områder, hvor energibehovet vokser hurtigst, er generativ AI, som kræver meget energi både til træning og til at besvare forespørgsler. For eksempel bruger træningen af en stor sprogmodel som OpenAI’s GPT-3 næsten 1.300 megawatt-timer elektricitet – svarende til det årlige forbrug i cirka 130 amerikanske hjem. Ifølge IEA kræver én Google-søgning 0,3 watt-timer elektricitet, mens en ChatGPT-forespørgsel bruger 2,9 watt-timer. Hvis ChatGPT blev brugt i de 9 milliarder søgninger, der sker hver dag, ville energiforbruget stige med 10 terawatt-timer om året – nok til at dække forbruget for omkring 1,5 millioner EU-borgere.  Det anslås at det globale AI-energiforbrug i 2027 vil svare til det årlige energiforbrug i Argentina, Holland eller Sverige. Der er også lavet beregninger, hvor det anslås, at en enkelt forespørgsel eller prompt til ChatGPT bruger lige så meget energi som 40 opladninger af en mobiltelefon. For samme mængde strøm kan man streame en times Netflix eller køre en kilometer i elbil.

Altså er det en stor klimasynder.

AI’s store energibehov til træning og implementering er ikke længere generativ AI’s lille hemmelighed, da ekspert efter ekspert sidste år forudså stigninger i energiforbruget i datacentre, hvor virksomheder arbejder på AI-applikationer. Microsoft og Google, som står bag teknologier som OpenAI og Gemini, har i juli 2024 meddelt, at de muligvis ikke kan opfylde deres klimamål på grund af AI-udviklingen. Google udtaler, at det er usikkert, om de kan nå deres klimamål, og erkender, at det vil blive vanskeligt.

Forskere påpeger, at udviklerne fokuserer i dag primært på at skabe AI-modeller, der leverer præcise resultater. Det svarer til at kalde en bil effektiv, fordi den kan køre hurtigt, uden at tage hensyn til brændstofforbruget. Denne tilgang har ført til AI-modeller, der forbruger store mængder energi, fordi de hellere skal være korrekte, end klimavenlige.

Stigning i vandforbrug

Udover det store forbrug af strøm bruger datacentrene også enorme mængder vand.

Brugen af kunstig intelligens (AI) kræver enorme mængder datakraft, hvilket betyder, at datacentre – hvor AI-modeller trænes og anvendes – skal køre i døgndrift for at kunne håndtere disse opgaver. Datacentrene har brug for både energi og vand til at køle deres servere ned, da de bliver meget varme under arbejdet. Når et datacenter køler serverne, trækker det store mængder vand ind fra lokale forsyninger, som ofte fordamper i processen og dermed går tabt fra det lokale vandsystem. Dette vand vender først tilbage til jorden som regn, hvilket kan tage op til et år eller længere.

Efterhånden som AI-teknologier vokser, og efterspørgslen stiger, bliver der behov for flere datacentre og dermed mere vand til køling. Dette fører til et stigende pres på vandressourcerne i de områder, hvor datacentrene er placeret, hvilket kan påvirke både miljøet og vandforsyningen til lokalbefolkningen.

Sidste år fremlagde Microsoft en rapport, der viste en stigning i vandforbruget på 34 procent fra 2021 til 2022, hvilket svarer til næsten 6,5 milliarder liter. For Google steg vandforbruget med 20 procent i samme periode. Det var netop i denne periode, at AI-assistenterne Bing og Bard blev trænet med data, information og billeder.

AI og bæredygtighed

Strømforbrug og vandforbrug er vigtige emner for SDG Invest, og vi arbejder aktivt med selskaberne i vores portefølje om at reducere eller skifte til grøn energi på disse områder. Vi har set fremgang på disse områder de seneste år, men udviklingen af AI har resulteret i at forbruget er steget på disse områder. Når vi vurderer selskabers bæredygtighed, kigger vi på flere centrale aspekter. Vi vurderer blandt andet, om selskaberne forpligter sig til at reducere eller genbruge vand, offentliggøre forbrug af vand, målsætninger for reducering af vandforbrug, og langsigtede mål for reducering af vandforbrug i egne operationer og i værdikæden. Derudover inkluderer vi andelen af grøn energi for hvert selskab i vores scoring. Vi opfatter det som et rødt flag, hvis et selskabs grønne andel i energimikset falder med over 10%.  Vi håber, at selskaberne i vores portefølje fortsætter med den grønne udvikling og flotte fremdrift, som vi hidtil har set.

Heldigvis er der håb forude. Dansk forskning påpeger vigtigheden af at tage hensyn til klima- og energiomkostninger i de tidlige faser af design og udvikling af AI-modeller. Hvis man fra begyndelsen udvikler en energieffektiv model, kan det reducere CO2-aftrykket gennem hele modellens livscyklus. Det gælder både under den energiintensive træningsproces, som kan strække sig over uger eller måneder, og i modellens daglige brug.