MIT News diskuterer miljøpåvirkningen av generativ AI i en to-delt serie. Denne artikkelen undersøker teknologiens høye ressursforbruk, mens den neste vil fokusere på strategier for å redusere karbonavtrykket. Generativ AI lover ulike fordeler, som å forbedre produktiviteten og fremme forskning, men den raske veksten fører til betydelige miljøproblemer som er vanskelig å kvantifisere eller redusere. Opplæring av modeller med milliarder av parametere, som OpenAIs GPT-4, krever enorm datakraft, noe som resulterer i høyt elektrisitetsforbruk og økte karbonutslipp. I tillegg til elektrisitet kreves betydelige vannressurser for å kjøle ned trenings- og distribusjonsmaskinvaren, noe som kan belaste lokale vannforsyninger og forstyrre økosystemer. Den økende bruken av generativ AI applikasjoner hever også etterspørselen etter avansert databehandlingsmaskinvare, som ytterligere legger press på miljøet fra produksjon og transport. Elsa A. Olivetti, professor ved MIT, påpeker at miljøpåvirkningen strekker seg utover elektrisitetsforbruk til bredere systemiske konsekvenser. Datasentre, som er avgjørende for drift av generative AI-modeller, bidrar betydelig til miljøproblemer. Disse sentrene krever en enorm mengde energi for sine operasjoner.

For eksempel kan ett enkelt datasenter romme omtrent 50 000 servere, og den økende etterspørselen etter datasentre har ført til rask bygging, langt utover bærekraftige praksiser. Prediksjoner antyder at innen 2026 kan det globale elforbruket i datasentre nå 1 050 terawatt. Opplæring av store AI-modeller, som GPT-3, har alvorlige energikrav, hvor studier anslår høyt elektrisitetsforbruk og betydelige karbonutslipp. I tillegg vedvarer energibehovet ikke bare under trening, men også under sanntidsbruk, noe som fremgår av at hver interaksjon med generativ AI bruker mye mer elektrisitet enn tradisjonelle nettsøk. Nåværende trender tyder på at fremtidige generative AI-modeller vil kreve enda mer energi, med kortere levetid som fører til hyppige nye modellutgivelser. Denne sirkelen sløser bort energien som er brukt på tidligere versjoner. Datasentrenes vannforbruk utgjør også betydelige miljøutfordringer, ettersom betydelig kjølevann kreves, noe som påvirker lokal biodiversitet. De miljømessige kostnadene forbundet med produksjon av databehandlingsmaskinvare selv – fra GPU-er til CPU-er – er betydelige på grunn av komplekse produksjonsprosesser og ressursutvinningsmetoder. Til tross for den usikre utviklingen foreslår forfatterne at ansvarlig utvikling av generativ AI krever en grundig evaluering av dens miljømessige og samfunnsmessige kostnader sammen med dens oppfattede fordeler. Olivetti understreker behovet for en kontekstuell forståelse for å måle og forstå disse utviklende avveiningene.