Het verkennen van het duurzame schalen van het AI dilemma: Een projectieve studie naar de milieueffecten van AI van bedrijven

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

January 24, 2025

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

cs.AI

Samenvatting

De snelle groei van kunstmatige intelligentie (AI), met name Grote Taalmodellen (LLM's), heeft zorgen opgeworpen over de wereldwijde milieueffecten die verder gaan dan de uitstoot van broeikasgassen, en ook de fabricage van hardware en processen aan het einde van de levensduur omvatten. De ondoorzichtigheid van grote aanbieders belemmert bedrijven in hun vermogen om de milieueffecten van hun AI-gerelateerde activiteiten te beoordelen en netto-nul doelstellingen te bereiken. In dit artikel stellen we een methodologie voor om de milieueffecten van de AI-portfolio van een bedrijf te schatten, waarbij bruikbare inzichten worden geboden zonder uitgebreide expertise op het gebied van AI en Levenscyclusanalyse (LCA) noodzakelijk te maken. De resultaten bevestigen dat grote generatieve AI-modellen tot wel 4600 keer meer energie verbruiken dan traditionele modellen. Onze modelleringsbenadering, die rekening houdt met het toegenomen gebruik van AI, de efficiëntie van hardwareberekening en veranderingen in de elektriciteitsmix in lijn met IPCC-scenario's, voorspelt het elektriciteitsverbruik van AI tot 2030. Onder een scenario van hoge adoptie, gedreven door wijdverbreide adoptie van Generatieve AI en agenten die geassocieerd zijn met steeds complexere modellen en frameworks, wordt verwacht dat het elektriciteitsverbruik van AI met een factor van 24,4 zal stijgen. Het beperken van de milieueffecten van Generatieve AI tegen 2030 vereist gecoördineerde inspanningen over de gehele AI-waardeketen. Geïsoleerde maatregelen op het gebied van hardware-efficiëntie, model-efficiëntie of verbeteringen aan het elektriciteitsnet alleen zijn onvoldoende. Wij pleiten voor gestandaardiseerde milieubeoordelingskaders, meer transparantie van alle actoren in de waardeketen en de invoering van een "Return on Environment" metric om de ontwikkeling van AI in lijn te brengen met netto-nul doelstellingen.

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.