Påverkan av AI på hållbarhet och dess övervakning

Dialogic genomförde på uppdrag av Nederländska ministeriet för ekonomiska frågor en undersökning av den hållbarhetspåverkan som utvecklingen och användningen av AI har och hur detta bäst kan övervakas. Vi genomförde undersökningen tillsammans med Pb7 Research och Utrecht Universitet. I medierna och den vetenskapliga litteraturen har mycket skrivits om AI:s påverkan på hållbarhet. Det görs även uttalanden om energiförbrukningen som till exempel en förfrågan från ChatGPT skulle generera och jämfört med till exempel vanliga sökfrågor. Uppskattningarna varierar starkt, främst på grund av de använda avgränsningarna, beräkningsmetoderna och antagandena. Målet med den aktuella undersökningen är inte att bekräfta dessa uppskattningar eller att göra en ny uppskattning. Kärnmålet är att ge insikt i de underliggande faktorerna och hur de samverkar, med tanke på politikformulering. För att kunna göra detta undersöker denna studie mer ingående AI:s funktion och kedjan mellan användning av AI och den slutgiltiga påverkan på hållbarheten. Dessutom ger vi insikt i de förväntade framtida utvecklingarna. **Erbjudande av AI-tillämpningar** Utvecklingen av AI-tjänster är intensiv. Olika marknadsaktörer försöker erövra marknaden och erbjuder i detta sammanhang billiga eller gratis AI-tjänster. Den viktigaste teknologiska trenden är uppskalningen av AI, särskilt när det gäller omfånget av AI-modeller (antalet parametrar), den beräkningskapacitet som används för träning och beräkningskapaciteten vid inferens (genom inferenstidskalning och genom framväxten av agentisk AI). Slutligen ser vi alltmer differentiering (olika modellvarianter och tillhörande priser, samt även dynamisk prissättning). Detta erbjudande beror starkt på tillgänglig (beräknings)kapacitet i datacentraler. Mycket AI levereras från utlandet till nederländska användare. Tillgången på beräkningskapacitet för bland annat AI är begränsad i Nederländerna minst fram till 2030. **Användning av AI-tillämpningar** Användningen av AI omfattar antalet användare (adoption), intensiteten av användningen samt användningens kvalitet. Adoptionen av AI växer både bland konsumenter och företag. Det är ännu för tidigt att säga hur intensiteten av användningen kommer att utvecklas - vilka AI-funktioner kommer användare att fortsätta använda strukturellt? Det är tydligt att användningens utveckling starkt påverkas av erbjudandet. Leverantörerna av AI-tjänster är i hård konkurrens med varandra och erbjuder allt bättre AI-tjänster gratis eller till låga kostnader. En viktig begränsning här är tillgängligheten av beräkningskapacitet. Särskilt användningen av AI för bild- och videogenrering kräver mycket beräkningskraft. I framtiden förväntar vi oss att AI-användningens utveckling i högre grad kommer att drivas av efterfrågan. **AI:s energiförbrukning** Det finns tre relevanta faser där AI förbrukar energi: 1. Samlings- och bearbetningsfasen av den data som behövs för AI-träning är den första fasen där en begränsad (men betydande) mängd energi krävs. 2. Tränings- och utvärderingsfasen som följer är mycket energikrävande. I praktiken bestämmer mängden beräkningskapacitet (och därmed indirekt mängden tillgänglig energi) i denna fas modellens omfattning och träningsdatasets storlek. Med effektivare hårda kan en 'bättre' AI tränas med samma mängd energi. Denna energiförbrukning är i princip engångsförbrukning och kan skrivas av över den efterföljande nyttiga användningen av AI. 3. Inferensfasen: här beror energiförbrukningen primärt på användningen (antalet förfrågningar och storleken/kvaliteten på det genererade svaret). AI för generering av bilder förbrukar avsevärt mer energi än AI som genererar text, och vid videogenring är energiförbrukningen ännu högre. Utvecklingar som inferenstidsskalning ökar energiförbrukningen i inferensfasen. Framväxten av agenter innebär att proaktiva AI-uppgifter utförs, vilket kan leda till högre energiförbrukning. Genom effektivare hårda, omgrupperingar och förbättringar i arkitekturen för AI-modeller kan energiförbrukningen per förfrågan minskas. I Nederländerna är AI:s energiförbrukning begränsad till minst 2030 av tillgängligheten av datacentrums kapacitet. Vi uppskattar att den nuvarande energiförbrukningen av AI i Nederländerna för år 2023 ligger mellan 41 GWh och 107 GWh per år. Beroende på det valda framtids-scenariot förväntar vi oss för år 2030 en förbrukning på 2,9 TWh (medelscenario) till 4,7 TWh (högsta scenario) per år. **Emissioner från AI** Den huvudsakliga formen av emission som en följd av AI är CO2-utsläpp vid produktionen av den nödvändiga energin (scope 2 inom den digitala sektorn) i tränings- och inferensfasen. För närvarande är dessa utsläpp främst knutna till datacentraler. Utsläppen sker inte nödvändigtvis i Nederländerna för nederländsk användning (både datacentraler och energiproduktion kan äga rum utomlands) och vice versa (Nederländerna kan producera för utlandet). Eftersom efterfrågan för närvarande är högre än tillgången är det relevant att titta på utsläppen från datacentraler i Nederländerna som används för AI. Utsläppen per mängd förbrukad elektrisk energi (emissionsfaktor) minskar i Nederländerna. Datacentraler använder till stor del grön (utsläppsfri producerad) el, även om det finns nyanser i påståendet att detta inte har några utsläpp. Förutom dessa scope 2-utsläpp finns det i begränsad omfattning scope 1-utsläpp (främst från egna generatorer för datacentraler). Inom scope 3 ser vi (uppströms) utsläpp från produktionen av det nödvändiga hårdvaran och från leverantörer, och (nedströms) främst från återvinningen av dessa. OECD-rapporter och ETS-data från NEa tillhandahåller relevant information för att övervaka detta. Det finns dock otillräcklig data tillgänglig om (1) vilken del av kapaciteten i en datacentral som omfattar AI (enligt en konsekvent definition), (2) i vilken utsträckning det används lokalproducerad grön energi och/eller kylmöjligheter och (3) utsläpp på plats (scope 1) och energimix (scope 2). Scope 3 från utomstående är dessutom svårt att klarlägga. **Vattenförbrukning av AI** Datacentra där AI-träning och -inferens äger rum förbrukar vatten för kylning, där WUE är den etablerade måttstocken för effektiviteten av detta (vattenförbrukning per enhet kyllkapacitet). Endast en del av denna vattenförbrukning avser dricksvatten - resten är industriellt vatten. I den nederländska kontexten är det särskilt relevant att titta på dricksvattenkonsumtionen. För detta introducerar vi måttet WUEp (dricksvattenförbrukning per enhet kyllkapacitet). Det är viktigt att notera att datacenter, liksom andra företag, vid vattenbrist i prioriteringen av dricksvatten stängs av först. Den totala dricksvattenförbrukningen från sektorn utgör för närvarande inte en stor påfrestning på den nederländska drickvattenförsörjningen och hotar inte den. På grund av risken för otillgänglighet av dricksvatten måste datacenter i Nederländerna undersöka alternativa kylmetoder som inte använder eller använder mindre dricksvatten.