Tinalakay ng MIT News ang epekto ng generatibong AI sa kapaligiran sa isang serye na may dalawang bahagi. Ang artikulong ito ay sumisiyasat sa mataas na pagkonsumo ng yaman ng teknolohiya, habang ang susunod ay tututok sa mga estratehiya upang mabawasan ang carbon footprint nito. Ang generatibong AI ay nangangako ng iba't ibang benepisyo, tulad ng pagpapahusay ng produktibidad at pagsulong ng pananaliksik, ngunit ang mabilis na paglago nito ay nagdudulot ng malubhang alalahanin sa kapaligiran na mahirap sukatin o pagaanin. Ang pagsasanay ng mga modelo na may bilyong parametro, tulad ng GPT-4 ng OpenAI, ay nangangailangan ng napakalaking kapangyarihang computational, na nagreresulta sa mataas na pagkonsumo ng kuryente at pagtaas ng emisyon ng carbon. Bukod sa kuryente, kinakailangan din ng malalaking mapagkukunan ng tubig para sa paglamig ng mga hardware na ginagamit sa pagsasanay at deployment, na maaaring magdulot ng strain sa lokal na suplay ng tubig at makaapekto sa mga ekosistema. Ang pagtaas ng mga aplikasyon ng generatibong AI ay nagdadala rin ng mataas na pangangailangan para sa advanced na computing hardware, na nagdadagdag ng higit pang presyon sa kapaligiran mula sa produksyon at transportasyon nito. Itinuro ni Elsa A. Olivetti, isang propesor sa MIT, na ang epekto sa kapaligiran ay umaabot sa mas malawak na sistematikong mga kahihinatnan. Ang mga data center, na kritikal sa pagho-host ng mga modelo ng generatibong AI, ay malaki ang kontribusyon sa mga isyu sa kapaligiran. Ang mga sentrong ito ay nangangailangan ng napakalaking halaga ng enerhiya para sa kanilang operasyon.

Halimbawa, ang isang solong data center ay maaaring maglaman ng humigit-kumulang 50, 000 server, at ang tumataas na demand para sa mga data center ay humantong sa mabilis na konstruksyon, na higit na lumalampas sa mga sustainable na gawi. Ang mga hula ay nagsasaad na sa 2026, ang pandaigdigang pagkonsumo ng kuryente ng mga data center ay maaaring umabot ng 1, 050 terawatts. Ang pagsasanay ng malalaking modelo ng AI, tulad ng GPT-3, ay may seryosong pangangailangan sa enerhiya, sa mga pag-aaral na nagtataya ng mataas na paggamit ng kuryente at makabuluhang emisyon ng carbon. Bukod dito, ang pangangailangan sa enerhiya ay hindi lamang nag-aagaw nang panahon ng pagsasanay kundi maging sa real-time na paggamit, kung saan ang bawat interaksyon sa generatibong AI ay kumukonsumo ng mas maraming kuryente kumpara sa mga tradisyonal na paghahanap sa web. Ang kasalukuyang mga uso ay nagpapahiwatig na ang mga hinaharap na modelo ng generatibong AI ay mangangailangan ng higit pang enerhiya, kung saan ang mas maikling buhay ay nagreresulta sa madalas na paglabas ng bagong mga modelo. Ang siklong ito ay nag-aaksaya ng enerhiya na ginugol sa mga nakaraang bersyon. Ang pagkonsumo ng tubig ng mga data center ay nagdudulot din ng makabuluhang hamon sa kapaligiran, dahil kinakailangan ang malaking halaga ng malamig na tubig, na nakakaapekto sa lokal na biodiversity. Ang mga gastos sa kapaligiran na kaugnay ng paggawa ng computing hardware mismo—mula sa GPUs hanggang CPUs—ay makabuluhan dahil sa kumplikadong mga proseso ng paggawa at mga paraan ng pagkuha ng yaman. Sa kabila ng hindi napapanatiling landas, iminumungkahi ng mga may-akda na ang responsableng pag-unlad ng generatibong AI ay nangangailangan ng masusing pagsusuri ng mga gastos nito sa kapaligiran at lipunan kasama ng mga nakitang benepisyo. Binibigyang-diin ni Olivetti ang pangangailangan para sa kontekstuwal na pag-unawa upang sukatin at maunawaan ang mga umuusbong na trade-off na ito.