.avif){kind=logo}
Kunstig intelligens er ikke lenger en teknologi i fremtiden, men har blitt en del av hverdagen vår. Men hva koster det egentlig miljøet å spørre KI om alt du lurer på og trenger hjelp til?
Enten du er utvikler eller privatperson, møter du KI daglig. Selv når du søker på Google blir du servert en KI-oppsummering du ikke etterspurte. Den funksjonaliteten ble lansert i 2024 som AI Overviews og brukes allerede av 2 milliarder mennesker hver måned.
.png)
Vi ser KI, vi bruker KI og vi leser om KI overalt.
I tillegg hører vi mye om "KI-toget" og hvor raskt vi må handle for å bli med på det. Det virker som om vi ikke engang har mulighet til å vente eller tenke oss om. Samtidig som vi nyter fordelene, kan det være på tide å se på ulempene også. For de finnes. For KI kommer med en kostnad, der energi og klima er områder som på mange måter tar den største støyten.
.png)
Det er en kjentsak at KI er ressurskrevende og med utstrakt bruk vil flere lokalsamfunn måtte bære en betydelig kostnad av dette. For energien og vannet må tas fra et sted, og den kilden er ikke utømmelig. Men hva kreves egentlig? Og hva betyr dette på sikt?
Det er viktig å skille de ulike modellene da de har ulikt energiforbruk, men la oss starte med å se på noen av tekstmodellene. Her finner vi flere kjente modeller slik som GPT, Gemini og Llama. Siden mange avdisse modellene er lukkede og ikke kan måles direkte, bygger tallene på estimater fra eksperter. Energiforbruket beregnes ut fra: GPU-strømforbruket, CPU-strømforbruket, nedkjøling og andre mindre faktorer.
For å gjøre disse abstrakte tallene mer konkrete, bruker MIT Technology Review en el-sykkel med energiforbruk på 25 watt-timer per engelsk mil som eksempel.
Til sammenligning estimerer studier at GPT-4 har over 1 billion parametre, men vi har dessverre ingen tall på energiforbruket for gjennomsnittlige prompts på denne modellen.
Disse modellene bruker en annen arkitektur som kalles diffusjon, en prosess som transformerer støy til bilder.
Jo flere trinn denne prosessen består av, desto bedre kvalitet blir bildene. Energiforbruket avhenger av bildeoppløsningen, bildestørrelsen og antall parametre i modellen.
Din prompt har lite å si for energiforbruket. Vi bruker open-source modellen Stable Diffusion 3 Medium, som har to milliarder parametre. For å generere ett bilde på 1024×1024 piksler brukes det 2282 joule. Dette tilsvarer omtrent 38 meter på el-sykkelen.
Coca-Cola lanserte sin reklame i 2024 og fikk mye reaksjon nettopp på grunn av KI-bruken. Etterhvert som disse modellene lager bedre og mer realistiske videoer, har denne bruken blitt mer normalisert.
En studie brukte CogVideoX-modellen for å undersøke energiforbruket for videoer. For å lage en video på fem sekunder og 16 FPS så brukes det nemlig 3,4 millioner joule. Det tilsvarer å sykle 61 kilometer på el-sykkelen og det betyr en tur fra Oslo til Sande, bare for å lage en video med samme kvalitet som Hollywoods stumfilmer fra 1920-tallet.
.png)
Men hva betyr disse tallene? Hvordan påvirker de oss? Svaret er at KI krever enorme mengder energi for drift. De store dataprosesseringene krever at man kjører mange servere som ligger i datasentre hvor de kjører tett i tett og produserer mye varme. Dette krever effektiv nedkjøling og en av de viktigste metodene for nedkjøling er vann. Tilgang til vannkilder er derfor avgjørende for datasentre.
«Hva så?» kan man jo tenke da, «vann har vi jo nok av!».
Vel, la oss ta en tur til Nevada.
Der bygges det i dag mange datasentre fordi det er lav risiko for naturkatastrofer, billige strømavtaler og ikke minst lav skatt. Samtidig er Nevada USA’s tørreste delstat og består til store deler av ørken. Midt i ørkenen skal altså disse datasentrene nå komme og konkurrere om de begrensede vannkildene.
I Googles miljørapport fra 2024 ser man at omtrent 80% av vannet brukt av deres datasentre er drikkevann. Det er ikke mulig å bruke urent vann, ettersom det vil skapeforkalkning, bakterievekst og korrosjon, som igjen ødelegger komponentene. Det rene vannet konsumeres, altså fordampes, og kan derfor ikke brukes på nytt.
.png)
Karbonintensitet måler mengden klimagassutslipp som produseres per kilowatt-time strøm og er en viktig beregning når vi skal forstå hvor miljøskadelig et datasenter egentlig er. En studie fra Harvards T.H. Chan School of Public Health avdekket at karbonintensiteten på strømmen brukt av datasentre er hele 48% høyere enn gjennomsnittet i USA.
Hvorfor er det slik? USA har tilgang til miljøvennlige energikilder som sol, vind og kjernekraft, men datasentre bygges ofte på steder med dårligere strømnett – særlig i Virginia, West Virginia og Pennsylvania, der kull fortsatt brukes. Dette betyr at selv når renere alternativer finnes andre steder i landet, blir mange datasentre drevet av fossile brennstoffer.
Summen av alt dette er at vi ikke kan fortsette sånn som vi gjør. Vi kan ikke tappe energi- og vannkilder på den måten i all fremtid, vi må finne andre løsninger. Datasentrene bør bygges i områder som bruker fornybare energikilder og fordeles rundt omkring, i stedet for å samle dem i visse områder.
Heldigvis ser vi at Google allerede rapporterer at modellene deres bruker 33 ganger mindre energi i 2025 sammenlignet med 2024, noe som viser at mer effektive modeller kan bidra betydelig til å senke energiforbruket. Det gir håp om en mer bærekraftig KI i fremtiden.
Som forbrukere av KI er det nettopp denne transparensen vi trenger. Vi trenger å vite mer om hva vi egentlig bruker og hva det innebærer. For selv om vi lever i en tid der vi lett kan få tilgang til informasjon og kan søke etter hva som helst, og få en KI-modell som oppsummerer søket for oss, vet vi likevel lite om ulempene ved KI-modeller. Det kan vi som forbrukere gjøre noe med gjennom vår forbrukermakt. Vi kan kreve å vite.
Kunstig intelligens er kommet for å bli. Det handler ikke om å unngå KI, men om å få mer åpenhet rundt disse modellene slik at vi også kan stille kritisk spørsmål til bruken.
Monika er vår entusiastiske og dyktige utvikler som har et stort engasjement i å lære av andre, men trives også med å lære bort kunnskap for å opparbeide fellesforståelse.
