Gevorderd • Les 18

AI en duurzaamheid: de ecologische voetafdruk van grote modellen

De snelle groei van AI heeft een keerzijde: enorm energieverbruik. Het trainen van een groot taalmodel zoals GPT-4 verbruikt evenveel energie als honderden huishoudens in een jaar. Dit roept terechte vragen op over duurzaamheid in de AI-industrie.

Training versus inference

Er zijn twee fases met significante energiekosten. Training is de eenmalige, enorm energie-intensieve fase waarbij het model wordt gebouwd op duizenden GPU’s gedurende weken of maanden. Inference is het dagelijkse gebruik: elke vraag aan een AI verbruikt rekenkracht. Bij populaire diensten met miljarden gebruikers telt inference op tot een enorm totaal.

Waterverbruik

Datacenters koelen hun servers met water. Grote AI-bedrijven als Microsoft en Google verbruiken miljoenen liters water per dag voor koeling. In regio’s met waterschaarste is dit een groeiend probleem. Sommige bedrijven rapporteren nu ook hun waterverbruik naast hun CO2-uitstoot.

Efficiëntere modellen

De industrie werkt aan oplossingen: kleinere, efficiëntere modellen die minder rekenkracht nodig hebben, betere hardware (NVIDIA Blackwell verbruikt minder energie per operatie dan vorige generaties), en slimmere trainingstrategieën. Quantisatie, pruning en kennisdistillatie zijn technieken om modellen kleiner en zuiniger te maken zonder veel kwaliteitsverlies.

Hernieuwbare energie

Grote AI-bedrijven investeren fors in hernieuwbare energie: zonneparken, windenergie en soms kernenergie. Google, Microsoft en Amazon streven naar 100% CO2-neutraliteit voor hun datacenters, al is de definitie van “CO2-neutraal” een discussiepunt. Transparantie over energieverbruik wordt steeds meer vereist door investeerders en toezichthouders.