Welke invloed heeft AI op het milieu?

Welke invloed heeft AI op het milieu?

Kort antwoord: AI beïnvloedt het milieu vooral door het elektriciteitsverbruik in datacenters (zowel voor training als voor dagelijkse inferentie), naast het waterverbruik voor koeling, plus de indirecte impact van hardwareproductie en elektronisch afval. Als het gebruik oploopt tot miljarden query's, kan inferentie de training overtreffen; als de elektriciteitsnetten schoner zijn en de systemen efficiënter werken, neemt de impact af terwijl de voordelen kunnen toenemen.

Belangrijkste conclusies:

Elektriciteit : Houd het computergebruik bij; de uitstoot daalt wanneer workloads op schonere netwerken draaien.

Water : De keuze voor een bepaalde koelmethode heeft een grote impact; watergebaseerde methoden zijn vooral belangrijk in gebieden met waterschaarste.

Hardware : Chips en servers hebben een aanzienlijke impact op de levensduur; verleng de levensduur en geef prioriteit aan revisie.

Rebound : Efficiëntie kan de totale vraag verhogen; meet de resultaten, niet alleen de winst per taak.

Operationele hefbomen : Modellen op de juiste schaal brengen, inferentie optimaliseren en per verzoek op transparante wijze statistieken rapporteren.

Hoe beïnvloedt AI het milieu? Infographic

Artikelen die u wellicht interessant vindt om na dit artikel te lezen:

🔗 Is AI slecht voor het milieu?
Ontdek de CO2-voetafdruk, het elektriciteitsverbruik en de databehoefte van AI-datacenters.

🔗 Waarom is AI slecht voor de samenleving?
Kijk naar vooroordelen, baanverlies, misinformatie en toenemende sociale ongelijkheid.

🔗 Waarom is AI slecht? De schaduwzijde van AI
Begrijp de risico's zoals surveillance, manipulatie en verlies van menselijke controle.

🔗 Is AI te ver gegaan?
Debatten over ethiek, regelgeving en waar de grenzen van innovatie zouden moeten liggen.

Hoe AI het milieu beïnvloedt: een kort overzicht ⚡🌱

Als je maar een paar punten onthoudt, laat het dan deze zijn:

En dan is er nog het aspect dat mensen vaak vergeten: schaal . Eén AI-vraag is misschien klein, maar miljarden vragen zijn een heel ander verhaal… als een klein sneeuwballetje dat op de een of andere manier uitgroeit tot een lawine ter grootte van een bank. (Die metafoor is misschien niet helemaal correct, maar je begrijpt wat ik bedoel.) IEA: Energie en AI

De ecologische voetafdruk van AI is niet één ding, maar een opeenstapeling van factoren 🧱🌎

Wanneer mensen discussiëren over AI en duurzaamheid, praten ze vaak langs elkaar heen omdat ze naar verschillende aspecten wijzen:

1) Bereken de elektriciteit

  • Het trainen van grote modellen kan vereisen dat grote clusters langdurig op volle toeren draaien. IEA: Energie en AI

  • Inferentie (dagelijks gebruik) kan na verloop van tijd een grotere impact hebben, omdat het constant en overal plaatsvindt. IEA: Energie en AI

2) Overheadkosten van het datacenter

3) Water en warmte

4) Hardware-toeleveringsketen

5) Gedrag en reboundeffecten

Als iemand vraagt ​​hoe AI het milieu beïnvloedt, is het simpele antwoord: het hangt ervan af op welk niveau je meet en wat "AI" in die context betekent.

Training versus inferentie: het verschil dat alles verandert 🧠⚙️

Mensen praten graag over training omdat het dramatisch klinkt - "één model verbruikte X energie". Maar inferentie is de stille reus. IEA: Energie en AI

Training (de grote opbouw)

Training is als het bouwen van een fabriek. Je betaalt de initiële kosten: zware rekenkracht, lange looptijden, veel proefdraaien (en ja, heel wat "oeps, dat werkte niet, probeer het opnieuw"-iteraties). Training kan worden geoptimaliseerd, maar de kosten kunnen nog steeds aanzienlijk zijn. IEA: Energie en AI

Inferentie (het dagelijks gebruik)

Inferentie is als een fabriek die elke dag, voor iedereen en op grote schaal, draait:

  • Chatbots die vragen beantwoorden

  • Beeldgeneratie

  • Zoekrangschikking

  • Aanbevelingen

  • Spraak-naar-tekst

  • Fraudedetectie

  • Copiloten in documenten en codetools

Zelfs als elk verzoek relatief klein is, kan het gebruiksvolume de trainingstijd overschaduwen. Het is de klassieke situatie van "één rietje is niets, een miljoen rietjes is een probleem". IEA: Energie en AI

Een kleine kanttekening: sommige AI-taken zijn veel zwaarder dan andere. Het genereren van afbeeldingen of lange video's verbruikt doorgaans meer energie dan het classificeren van korte teksten. Het is dus een beetje alsof je een fiets en een vrachtschip vergelijkt en ze allebei 'transportmiddel' noemt. IEA: Energie en AI

Datacenters: stroomvoorziening, koeling en dat verhaal over het stille water 💧🏢

Datacenters zijn niet nieuw, maar AI verandert de intensiteit ervan. Krachtige accelerators kunnen veel energie verbruiken in krappe ruimtes, wat zich vertaalt in warmte die beheerd moet worden. LBNL (2024): United States Data Center Energy Usage Report (PDF) IEA: Energy and AI

Basisprincipes van koeling (vereenvoudigd, maar praktisch)

Dat is de afweging: je kunt het elektriciteitsverbruik soms verlagen door gebruik te maken van waterkoeling. Afhankelijk van de lokale waterschaarste kan dat prima zijn... of het kan een echt probleem vormen. Li et al. (2023): Making AI Less “Thirsty” (PDF)

De ecologische voetafdruk is bovendien sterk afhankelijk van:

Om eerlijk te zijn: in het publieke debat wordt een 'datacenter' vaak als een black box behandeld. Het is niet slecht, het is niet magisch. Het is infrastructuur. Het gedraagt ​​zich als infrastructuur.

Chips en hardware: het onderdeel dat mensen overslaan omdat het minder aantrekkelijk is 🪨🔧

AI draait om hardware. Hardware heeft een levenscyclus en de impact daarvan kan groot zijn. US EPA: Halfgeleiderindustrie ITU: De wereldwijde monitor voor elektronisch afval 2024

Waar de milieu-impact zich manifesteert

Elektronisch afval en "perfect functionerende" servers

Veel milieuschade wordt niet veroorzaakt door het bestaan ​​van één enkel apparaat, maar door het vroegtijdig vervangen ervan omdat het niet langer kosteneffectief is. AI versnelt dit proces, omdat de prestatieverbeteringen enorm kunnen zijn. De verleiding om hardware te vernieuwen is groot. ITU: De wereldwijde monitor voor elektronisch afval 2024

Een praktisch punt: het verlengen van de levensduur van hardware, het verbeteren van het gebruik en het opknappen ervan kunnen net zo belangrijk zijn als welke geavanceerde modelaanpassing dan ook. Soms is de meest milieuvriendelijke GPU degene die je niet koopt. (Dat klinkt als een slogan, maar het is ook... ergens wel waar.)

Hoe AI het milieu beïnvloedt: de vicieuze cirkel van "mensen vergeten dit" 🔁😬

En hier komt het ongemakkelijke sociale aspect: AI maakt dingen gemakkelijker, waardoor mensen meer dingen doen. Dat kan fantastisch zijn – meer productiviteit, meer creativiteit, meer toegankelijkheid. Maar het kan ook leiden tot een hoger totaal grondstoffenverbruik. OECD (2012): De vele voordelen van energie-efficiëntieverbeteringen (PDF)

Voorbeelden:

  • Als AI het maken van video's goedkoper maakt, zullen mensen meer video's maken.

  • Als AI reclame effectiever maakt, worden er meer advertenties weergegeven en ontstaan ​​er meer interactiecycli.

  • Als AI de logistiek van verzendingen efficiënter maakt, kan e-commerce nog veel sneller groeien.

Dit is geen reden tot paniek. Het is een reden om de resultaten te meten, niet alleen de efficiëntie.

Een ietwat onvolmaakte, maar wel leuke metafoor: de efficiëntie van AI is als een tiener een grotere koelkast geven – ja, er past meer eten in, maar op de een of andere manier is de koelkast binnen een dag alweer leeg. Geen perfecte metafoor, maar… je hebt het vast wel eens zien gebeuren 😅

Het positieve punt: AI kan het milieu echt helpen (mits goed ingezet) 🌿✨

En nu het aspect dat vaak wordt onderschat: AI kan de uitstoot en afvalproductie verminderen in bestaande systemen die, eerlijk gezegd, niet erg efficiënt zijn. IEA: AI voor energieoptimalisatie en innovatie

Gebieden waar AI van pas kan komen

Belangrijke nuance: dat AI "helpt", compenseert niet automatisch de ecologische voetafdruk van AI. Het hangt ervan af of de AI daadwerkelijk wordt ingezet, gebruikt en of het leidt tot echte besparingsresultaten in plaats van alleen maar betere dashboards. Maar ja, het potentieel is reëel. IEA: AI voor energieoptimalisatie en innovatie

Wat maakt een goede versie van milieuvriendelijke AI? ✅🌍

Dit is het gedeelte "oké, wat moeten we nu doen?". Een goede, milieuvriendelijke AI-configuratie heeft doorgaans het volgende:

Als je nog steeds onderzoekt hoe AI het milieu beïnvloedt, dan is dit het punt waarop het antwoord niet langer filosofisch is, maar operationeel: het beïnvloedt het milieu op basis van jouw keuzes.

Vergelijkingstabel: tools en methoden die daadwerkelijk impact hebben 🧰⚡

Hieronder staat een snelle, praktische tabel. Hij is niet perfect, en ja, een paar cellen zijn een beetje subjectief... want zo werkt het nu eenmaal bij het kiezen van gereedschap in de praktijk.

Hulpmiddel / Aanpak Publiek Prijs Waarom het werkt
Bibliotheken voor het bijhouden van koolstof-/energieverbruik (runtime-estimators) ML-teams Vrijwel gratis Het geeft inzicht – en dat is al de helft van de strijd, zelfs als de schattingen wat vaag zijn… CodeCarbon
Hardware-energieverbruiksmonitoring (GPU/CPU-telemetrie) Infra + ML Vrij Meet het werkelijke verbruik; goed voor benchmarktests (niet opvallend, maar wel waardevol)
Modeldestillatie ML-ingenieurs Gratis (qua tijd 😵) Kleinere studentenmodellen bieden vaak vergelijkbare prestaties met aanzienlijk lagere inferentiekosten Hinton et al. (2015): Kennis destilleren in een neuraal netwerk
Kwantisatie (inferentie met lagere precisie) ML + product Vrij Vermindert latentie en energieverbruik; soms met minimale kwaliteitsvermindering, soms helemaal geen Gholami et al. (2021): Overzicht van kwantiseringsmethoden (PDF)
Caching + batchverwerking van inferentie Product + platform Vrij Vermindert overbodige berekeningen; vooral handig bij herhaalde prompts of soortgelijke verzoeken
Retrieval-augmented generation (RAG) App-teams Gemengd Ontlast het geheugen door het opvragen van gegevens; dit kan de behoefte aan grote contextvensters verminderen Lewis et al. (2020): Retrieval-Augmented Generation
Werkbelastingen inplannen op basis van koolstofintensiteit Infra/ops Gemengd Flexibele verschuivingen naar het schoonmaken van elektrische ramen - vereist wel coördinatie API voor koolstofintensiteit (GB)
Focus op efficiëntie van datacenters (gebruik, consolidatie) IT-leiderschap Betaald (meestal) De minst aantrekkelijke hefboom, maar vaak de belangrijkste: stop met het runnen van systemen die halfleeg zijn Het groene raster: PUE
Projecten voor hergebruik van warmte Voorzieningen Het hangt ervan af Zet restwarmte om in waarde; niet altijd haalbaar, maar als het wel lukt, is het best mooi
“Hebben we hier überhaupt AI nodig?” check Iedereen Vrij Voorkomt zinloze berekeningen. De krachtigste optimalisatie is (soms) nee zeggen

Zie je wat er ontbreekt? "Koop een magische groene sticker." Die bestaat gewoon niet 😬

Praktisch stappenplan: de impact van AI verminderen zonder het product om zeep te helpen 🛠️🌱

Als je AI-systemen bouwt of koopt, is dit een realistische volgorde die in de praktijk werkt:

Stap 1: Begin met meten

Stap 2: Pas het model aan de taak aan

  • Gebruik kleinere modellen voor classificatie, extractie en routering.

  • Bewaar het zware model voor de stevige koffers.

  • Overweeg een "modelcascade": eerst een klein model, en pas een groter model als dat nodig is.

Stap 3: Optimaliseer de inferentie (dit is waar schaalvergroting een rol speelt)

  • Caching : het opslaan van antwoorden op herhaalde zoekopdrachten (met zorgvuldige privacymaatregelen).

  • Batchverwerking : het groeperen van verzoeken om de hardware-efficiëntie te verbeteren.

  • Kortere teksten : lange teksten kosten meer - soms is een essay niet nodig.

  • Promptdiscipline : rommelige prompts leiden tot langere rekenprocessen... en ja, meer tokens.

Stap 4: Verbeter de datahygiëne

Dit lijkt er niets mee te maken te hebben, maar dat is het niet:

  • Schonere datasets kunnen de noodzaak tot hertraining verminderen.

  • Minder ruis betekent minder experimenten en minder mislukte runs.

Stap 5: Beschouw hardware als een waardevolle investering, niet als wegwerpartikel

Stap 6: Kies verstandig voor de implementatie

  • Kies waar mogelijk voor flexibele banen waar de energievoorziening schoner is. Carbon Intensity API (GB)

  • Verminder onnodige duplicatie.

  • Houd realistische latency-doelstellingen aan (extreem lage latency kan leiden tot inefficiënte always-on-configuraties).

En ja… soms is de beste oplossing simpelweg: voer niet automatisch het grootste model uit voor elke gebruikersactie. Die gewoonte is voor het milieu vergelijkbaar met het aan laten staan ​​van alle lampen omdat het vervelend is om naar de schakelaar te lopen.

Veelvoorkomende mythes (en wat dichter bij de waarheid ligt) 🧠🧯

Mythe: "AI is altijd slechter dan traditionele software"

Feit: AI kan weliswaar meer rekenkracht vergen, maar het kan ook inefficiënte handmatige processen vervangen, verspilling verminderen en systemen optimaliseren. Het hangt af van de situatie. IEA: AI voor energieoptimalisatie en innovatie

Mythe: "Training is het enige probleem"

Feit: Inferentie op grote schaal kan na verloop van tijd de overhand krijgen. Als het gebruik van je product explosief stijgt, wordt dit het belangrijkste verhaal. IEA: Energie en AI

Mythe: "Hernieuwbare energiebronnen lossen het probleem direct op"

Feit: Schonere elektriciteit helpt enorm, maar wist de ecologische voetafdruk van hardware, het waterverbruik en het terugslageffect niet uit. Het blijft echter wel belangrijk. IEA: Energie en AI

Mythe: "Als het efficiënt is, is het duurzaam"

Feit: Efficiëntie zonder vraagbeheersing kan de totale impact nog steeds vergroten. Dat is de valkuil van het terugslageffect. OECD (2012): De vele voordelen van energie-efficiëntieverbeteringen (PDF)

Goed bestuur, transparantie en geen theatrale gebaren 🧾🌍

Als bedrijf wordt vertrouwen hier opgebouwd of verloren.

Dit is het punt waarop mensen hun ogen rollen, maar het is wel degelijk belangrijk. Verantwoorde technologie gaat niet alleen over slimme techniek. Het gaat er ook om dat je niet doet alsof er geen compromissen bestaan.

Samenvatting: een beknopte samenvatting van de impact van AI op het milieu 🌎✅

De impact van AI op het milieu komt neer op de extra belasting: elektriciteit, water (soms) en de vraag naar hardware. IEA: Energie en AI Li et al. (2023): AI minder 'dorstig' maken (PDF) Het biedt ook krachtige tools om emissies en afval in andere sectoren te verminderen. IEA: AI voor energieoptimalisatie en innovatie Het uiteindelijke resultaat hangt af van de schaal, de netkwaliteit, de efficiëntiekeuzes en of de AI daadwerkelijk problemen oplost of alleen maar nieuwigheden genereert omwille van de nieuwigheid. IEA: Energie en AI

Als je de meest eenvoudige praktische conclusie wilt:

  • Meeteenheid.

  • De juiste maat.

  • Optimaliseer inferentie.

  • Verleng de levensduur van de hardware.

  • Wees open over de afwegingen die je moet maken.

En als je je overweldigd voelt, is hier een geruststellende waarheid: kleine operationele beslissingen, duizend keer herhaald, zijn meestal effectiever dan één grote duurzaamheidsverklaring. Een beetje zoals tandenpoetsen. Niet glamoureus, maar het werkt… 😄🪥

Veelgestelde vragen

Hoe beïnvloedt AI het milieu in het dagelijks gebruik, niet alleen in grote onderzoekslaboratoria?

De meeste energie die AI verbruikt, komt van de elektriciteit die nodig is voor datacenters waar GPU's en CPU's draaien, zowel tijdens de training als tijdens de dagelijkse "inferentie". Een enkele aanvraag lijkt misschien bescheiden, maar op grote schaal stapelen die aanvragen zich snel op. De impact hangt ook af van de locatie van het datacenter, de kwaliteit van het lokale elektriciteitsnet en de efficiëntie van de infrastructuur.

Is het trainen van een AI-model schadelijker voor het milieu dan het gebruik ervan (inferentie)?

Training kan een grote, initiële rekenintensieve taak zijn, maar inferentie kan na verloop van tijd een grotere impact hebben, omdat het constant en op enorme schaal draait. Als een tool dagelijks door miljoenen mensen wordt gebruikt, kunnen de herhaalde verzoeken de eenmalige trainingskosten overtreffen. Daarom richt optimalisatie zich vaak op de efficiëntie van inferentie.

Waarom gebruikt AI water, en is dat altijd een probleem?

AI kan water gebruiken, voornamelijk omdat sommige datacenters afhankelijk zijn van waterkoeling, of omdat water indirect wordt verbruikt bij de elektriciteitsopwekking. In bepaalde klimaten kan verdampingskoeling het elektriciteitsverbruik verlagen, terwijl het waterverbruik juist toeneemt. Dit creëert een echte afweging. Of het "slecht" is, hangt af van de lokale waterschaarste, het ontwerp van de koeling en of het waterverbruik wordt gemeten en beheerd.

Welke delen van de ecologische voetafdruk van AI zijn afkomstig van hardware en elektronisch afval?

AI is afhankelijk van chips, servers, netwerkapparatuur, gebouwen en toeleveringsketens – wat betekent: mijnbouw, productie, transport en uiteindelijk afvalverwerking. De productie van halfgeleiders is energie-intensief en snelle upgradecycli kunnen de uitstoot en de hoeveelheid elektronisch afval verhogen. Het verlengen van de levensduur van hardware, het reviseren en het optimaliseren van het gebruik ervan kunnen de impact aanzienlijk verminderen, soms zelfs net zo groot als veranderingen op modelniveau.

Lost het gebruik van hernieuwbare energie de milieu-impact van AI op?

Schonere elektriciteit kan de uitstoot van computergebruik verminderen, maar het wist andere effecten zoals waterverbruik, hardwareproductie en elektronisch afval niet uit. Het pakt ook niet automatisch het 'reboundeffect' aan, waarbij goedkoper computergebruik leidt tot een hoger totaalverbruik. Hernieuwbare energiebronnen zijn een belangrijke factor, maar vormen slechts één onderdeel van de totale ecologische voetafdruk.

Wat is het rebound-effect en waarom is het belangrijk voor AI en duurzaamheid?

Het rebound-effect treedt op wanneer efficiëntiewinsten iets goedkoper of gemakkelijker maken, waardoor mensen het vaker gaan doen – soms waardoor de besparingen teniet worden gedaan. Met AI kan goedkopere productie of automatisering de totale vraag naar content, rekenkracht en diensten juist verhogen. Daarom is het meten van resultaten in de praktijk belangrijker dan het vieren van efficiëntie op zich.

Wat zijn praktische manieren om de impact van AI te verminderen zonder het product te schaden?

Een veelgebruikte aanpak is om te beginnen met metingen (schattingen van energie- en koolstofuitstoot, gebruik), vervolgens modellen op de juiste schaal af te stemmen op de taak en de inferentie te optimaliseren met caching, batchverwerking en kortere uitvoer. Technieken zoals kwantisering, distillatie en retrieval-augmented generation kunnen de rekenkrachtbehoefte verminderen. Operationele keuzes – zoals workloadplanning op basis van koolstofintensiteit en een langere levensduur van hardware – leveren vaak grote voordelen op.

Hoe kan AI het milieu helpen in plaats van het te schaden?

AI kan de uitstoot en afval verminderen wanneer het wordt ingezet om bestaande systemen te optimaliseren: netvoorspellingen, vraagsturing, HVAC-regeling in gebouwen, logistieke routeplanning, voorspellend onderhoud en lekdetectie. Het kan ook bijdragen aan milieumonitoring, zoals waarschuwingen voor ontbossing en methaandetectie. De cruciale vraag is of het systeem beslissingen verandert en meetbare reducties oplevert, en niet alleen betere dashboards.

Welke gegevens moeten bedrijven rapporteren om te voorkomen dat ze zich schuldig maken aan "greenwashing" van AI-claims?

Het is zinvoller om per taak of per verzoek statistieken te rapporteren dan alleen grote totaalcijfers, omdat dit de efficiëntie op unitniveau laat zien. Het bijhouden van energieverbruik, CO2-uitstoot, benutting en – waar relevant – waterimpact zorgt voor een duidelijkere verantwoording. Ook belangrijk: definieer de grenzen (wat er wel en niet onder valt) en vermijd vage labels zoals 'milieuvriendelijke AI' zonder kwantitatief bewijs.

Referenties

  1. Internationaal Energieagentschap (IEA) - Energie en AI - iea.org

  2. Internationaal Energieagentschap (IEA) - AI voor energieoptimalisatie en innovatie - iea.org

  3. Internationaal Energieagentschap (IEA) - Digitalisering - iea.org

  4. Lawrence Berkeley National Laboratory (LBNL) - Rapport over energieverbruik van datacenters in de Verenigde Staten (2024) (PDF) - lbl.gov

  5. Li et al. - AI minder ‘dorstig’ maken (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Opkomst en uitbreiding van vloeistofkoeling in gangbare datacenters (PDF) - ashrae.org

  7. The Green Grid - PUE - Een uitgebreid onderzoek naar de meetmethode - thegreengrid.org

  8. Amerikaans Ministerie van Energie (DOE) - FEMP - Mogelijkheden voor efficiënter koelwatergebruik in federale datacenters - energy.gov

  9. Amerikaans Ministerie van Energie (DOE) - FEMP - Energie-efficiëntie in datacenters - energy.gov

  10. Amerikaans Milieuagentschap (EPA) - Halfgeleiderindustrie - epa.gov

  11. Internationale Telecommunicatie Unie (ITU) - De wereldwijde monitor voor elektronisch afval 2024 - itu.int

  12. OESO - De vele voordelen van energie-efficiëntieverbeteringen (2012) (PDF) - oecd.org

  13. API voor koolstofintensiteit (GB) - carbonintensity.org.uk

  14. imec - Het milieueffect van chipfabricage verminderen - imec-int.com

  15. UNEP - Hoe MARS werkt - unep.org

  16. Global Forest Watch - GLAD-ontbossingswaarschuwingen - globalforestwatch.org

  17. Het Alan Turing Instituut - AI en autonome systemen voor het beoordelen van biodiversiteit en de gezondheid van ecosystemen - turing.ac.uk

  18. CodeCarbon - Methodologie - mlco2.github.io

  19. Gholami et al. - Overzicht van kwantiseringsmethoden (2021) (PDF) - arxiv.org

  20. Lewis et al. - Retrieval-Augmented Generation (2020) - arxiv.org

  21. Hinton et al. - Kennis destilleren in een neuraal netwerk (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Vind de nieuwste AI in de officiële AI Assistant Store

Over ons

Terug naar de blog