Een recente studie gepubliceerd in Frontiers in communicatie heeft een kritisch licht geworpen op de milieu -impact van kunstmatige intelligentie, onthullend dat niet alle AI -prompts gelijk zijn gemaakt als het gaat om koolstofemissies. Het onderzoek benadrukt dat meer complexe ‘redeneermodellen’ binnen grote taalmodellen (LLMS) aanzienlijk meer co₂ kunnen genereren dan hun ‘beknopte’ tegenhangers, wat zich roept op zorgen onder onderzoekers en klimaatadvocaten met betrekking tot de escalerende energievereisten van AI.
De studie, die zorgvuldig 14 verschillende LLM’s evalueerde met behulp van een gestandaardiseerde set van 500 vragen over verschillende vakgebieden, vond een directe correlatie tussen het aantal “denkende tokens” gegenereerd door een model per query en de bijbehorende co₂ -emissies. Maximilian Dauner, een promovendus aan Hochschule München University of Applied Sciences en een hoofdauteur van het artikel, benadrukte dat “de milieu -impact van het ondervragen van getrainde LLMS sterk wordt bepaald door hun redeneerbenadering, met expliciete redeneringsprocessen die het energieverbruik en koolstofemissies aanzienlijk opleveren.”
In het bijzonder geven de bevindingen aan dat redeneermodellen, die grotere trainingssets bezitten en meer verwerkingstijd vereisen, aanzienlijk hogere co₂ -uitgangen produceerden. In sommige gevallen gegenereerden deze geavanceerde modellen tot 50 keer de emissies van beknopte modellen. Deze ongelijkheid wordt verder verergerd door de complexiteit van de gestelde vragen; Open en ingewikkelde vragen, zoals die met geavanceerde algebra of filosofische concepten, resulteerde in een grotere koolstofvoetafdruk in vergelijking met eenvoudigere prompts zoals vragen op de middelbare school.
Redeneermodellen, ook wel ‘denkmodellen’ genoemd, zijn geoptimaliseerd voor het aanpakken van complexe taken die logica, stapsgewijze uitsplitsingen of gedetailleerde instructies vereisen. Deze modellen, geïllustreerd door versies zoals OpenAI’s GPT-4O en O1/O3-Mini, gebruiken wat LLM-onderzoekers “Chain-of-Doving” -verwerking noemen. Dit stelt hen in staat om opzettelijk meer te reageren en meer mensachtige reacties te genereren, zij het met de afweging van verhoogde verwerkingstijd en bijgevolg een hoger energieverbruik. Omgekeerd geven algemene modellen prioriteit aan snelheid en duidelijkheid voor meer eenvoudige taken.
De onderzoekers voerden hun testen uit in twee fasen: aanvankelijk met meerkeuzevragen, gevolgd door vrije responsprompts. Gemiddeld genereerden redeneermodellen een verbazingwekkende 543,5 tokens per vraag, een schril contrast met slechts 37,7 tokens geproduceerd door beknopte modellen. ‘Cogito’ bijvoorbeeld, geïdentificeerd als het meest nauwkeurige redeneringsmodel, produceerde drie keer zoveel co₂ als modellen van vergelijkbare grootte die zijn geoptimaliseerd voor beknopte reacties. De paper stelt expliciet dat “vanuit een milieuperspectief, redeneermodellen consequent hogere emissies vertoonden, voornamelijk gedreven door hun verhoogde tokenproductie.”
Hoewel het verschil in emissies per individuele prompt marginaal kan lijken, is het cumulatieve effect op schaal significant. De studieprojecten die de R1 Model 600.000 vragen van Deepseek stellen, zouden ongeveer dezelfde hoeveelheid CO ₂ genereren als een retourvlucht van Londen naar New York. Ter vergelijking: het niet-redelijke Qwen 2.5-model zou drie keer zoveel vragen kunnen beantwoorden voordat hij een equivalent emissieniveau bereikt. Dit benadrukt een kritische afweging tussen LLM-nauwkeurigheid en milieuduurzaamheid, naarmate “naarmate de modelgrootte toeneemt, de nauwkeurigheid de neiging heeft om te verbeteren”, maar “deze winst is ook gekoppeld aan een aanzienlijke groei in zowel co₂-emissies als het aantal gegenereerde tokens.”
Deze bevindingen ontstaan te midden van een felle wereldwijde concurrentie tussen technische reuzen om steeds geavanceerdere AI -modellen te ontwikkelen. De escalerende vraag naar AI-aangedreven infrastructuur is klaar om bestaande energieretten aanzienlijk te belasten. In het afgelopen jaar kondigde Apple plannen aan om maar liefst $ 500 miljard te investeren in productie- en datacenters in de komende vier jaar. Evenzo heeft Project Stargate, een samenwerkingsinitiatief waarbij Openai, SoftBank en Oracle betrokken zijn, een equivalente $ 500 miljard toegezegd aan AI-gerichte datacenters. Een recent rapport in de MIT Technology Review geeft aan dat datacenters sinds 2017 in toenemende mate energie-intensieve hardware hebben opgenomen die specifiek is ontworpen voor complexe AI-berekeningen, wat leidt tot een toename van het energieverbruik.
Het Electric Power Research Institute (EPRI) schat dat datacenters ter ondersteuning van geavanceerde AI -modellen tot 9,1 procent van de totale energievraag van de Verenigde Staten tegen het einde van het decennium kunnen verklaren, een significante toename van ongeveer 4,4 procent vandaag. Om aan deze groeiende vraag naar energie te voldoen, onderzoeken grote technologiebedrijven diverse strategieën voor stroomopwekking. Meta, Google en Microsoft hebben alle gesmede partnerschappen met kerncentrales. Microsoft heeft met name een 20-jarige overeenkomst getekend om energie te vinden van de Three Mile Island Nuclear Facility in Pennsylvania om de groeiende datacentervloot van stroom te voorzien. Meta doet ook substantiële investeringen in geothermische technologie, terwijl OpenAI CEO Sam Altman naar verluidt investeert in experimentele kernfusie, en erkent dat de komende leeftijd van AI een “energiebreuk” zal vereisen. Ondanks deze inspanningen suggereert recent onderzoek dat het vrijwel zeker is dat meer fossiele brandstoffen, met name aardgas, nodig zijn om volledig te voldoen aan de enorme energievereisten van AI.
De onderzoekers geloven echter dat hun bevindingen alledaagse AI -gebruikers kunnen in staat stellen hun koolstofimpact te verminderen. Door de aanzienlijk hogere energie -intensiteit van redeneermodellen te begrijpen, kunnen gebruikers ervoor kiezen om ze spaarder te gebruiken, afhankelijk van beknopte modellen voor algemene dagelijkse taken zoals webzoekopdrachten en het beantwoorden van basisvragen. Dauner benadrukte dit punt en verklaarde: “Als gebruikers de exacte co₂-kosten van hun door AI gegenereerde uitgangen kennen, zoals terloops om te veranderen in een actiefiguur, kunnen ze selectiever en attenter zijn over wanneer en hoe ze deze technologieën gebruiken.” Dit proactieve gebruikersgedrag, in combinatie met voortdurende vooruitgang in energie-efficiënt AI-ontwerp, zal cruciaal zijn bij het navigeren door de milieu-uitdagingen van de snelle uitbreiding van kunstmatige intelligentie.
Source: De koolstofvoetafdruk van AI redeneermodellen varieert sterk
