Erkundung des nachhaltigen Skalierens des KI-Dilemmas: Eine projektive Studie zu den Umweltauswirkungen von KI in Unternehmen

Exploring the sustainable scaling of AI dilemma: A projective study of corporations' AI environmental impacts

January 24, 2025

Autoren: Clément Desroches, Martin Chauvin, Louis Ladan, Caroline Vateau, Simon Gosset, Philippe Cordier

cs.AI

Zusammenfassung

Das rasante Wachstum der künstlichen Intelligenz (KI), insbesondere großer Sprachmodelle (LLMs), hat Bedenken hinsichtlich ihres globalen Umwelteinflusses aufgeworfen, der über Treibhausgasemissionen hinausgeht und die Berücksichtigung von Hardwareherstellung und End-of-Life-Prozessen einschließt. Die Undurchsichtigkeit der großen Anbieter behindert die Fähigkeiten von Unternehmen, ihre KI-bezogenen Umweltauswirkungen zu bewerten und Netto-Null-Ziele zu erreichen. In diesem Artikel schlagen wir eine Methodik vor, um den Umwelteinfluss des KI-Portfolios eines Unternehmens abzuschätzen, um handlungsorientierte Erkenntnisse zu liefern, ohne umfangreiche KI- und Lebenszyklusanalyse (LCA) Expertise zu erfordern. Die Ergebnisse bestätigen, dass große generative KI-Modelle bis zu 4600-mal mehr Energie verbrauchen als traditionelle Modelle. Unser Modellierungsansatz, der die zunehmende KI-Nutzung, die Hardware-Rechenleistungseffizienz und Veränderungen im Strommix gemäß IPCC-Szenarien berücksichtigt, prognostiziert den KI-Stromverbrauch bis 2030. Unter einem Szenario hoher Übernahme, angetrieben durch weit verbreitete Generative KI und Agentenübernahme, die mit zunehmend komplexen Modellen und Rahmenbedingungen verbunden sind, wird erwartet, dass der KI-Stromverbrauch um den Faktor 24,4 steigt. Die Minderung des Umwelteinflusses von Generative KI bis 2030 erfordert koordinierte Anstrengungen entlang der KI-Wertschöpfungskette. Einzelne Maßnahmen zur Verbesserung der Hardwareeffizienz, Modell-Effizienz oder Netzverbesserungen allein sind unzureichend. Wir setzen uns für standardisierte Umweltbewertungsrahmen, größere Transparenz aller Akteure der Wertschöpfungskette und die Einführung einer "Return on Environment"-Kennzahl ein, um die KI-Entwicklung mit Netto-Null-Zielen in Einklang zu bringen.

English

The rapid growth of artificial intelligence (AI), particularly Large Language Models (LLMs), has raised concerns regarding its global environmental impact that extends beyond greenhouse gas emissions to include consideration of hardware fabrication and end-of-life processes. The opacity from major providers hinders companies' abilities to evaluate their AI-related environmental impacts and achieve net-zero targets. In this paper, we propose a methodology to estimate the environmental impact of a company's AI portfolio, providing actionable insights without necessitating extensive AI and Life-Cycle Assessment (LCA) expertise. Results confirm that large generative AI models consume up to 4600x more energy than traditional models. Our modelling approach, which accounts for increased AI usage, hardware computing efficiency, and changes in electricity mix in line with IPCC scenarios, forecasts AI electricity use up to 2030. Under a high adoption scenario, driven by widespread Generative AI and agents adoption associated to increasingly complex models and frameworks, AI electricity use is projected to rise by a factor of 24.4. Mitigating the environmental impact of Generative AI by 2030 requires coordinated efforts across the AI value chain. Isolated measures in hardware efficiency, model efficiency, or grid improvements alone are insufficient. We advocate for standardized environmental assessment frameworks, greater transparency from the all actors of the value chain and the introduction of a "Return on Environment" metric to align AI development with net-zero goals.