Du er muligvis ikke klar over det, men AI forbruger en masse ressourcer.
For de fleste brugere fungerer de 'store sprogmodeller' som for eksempel OpenAI's ChatGPT som intuitive søgemaskiner.
Men i modsætning til almindelige websøgninger, der finder og henter data alle mulige steder langs et globalt netværk af servere, kommer AI-modeller med data, de har genereret fra bunden.
Denne skræddersyede proces er meget energi-ineffektiv – lidt som at tænde for en hel atomreaktor for at bruge en lommeregner.
Og som følge af et paradoks, der først blev identificeret helt tilbage i 1860'erne, vil selv en mere energieffektiv udgave af AI sandsynligvis blot betyde, at der bruges mere energi i det lange løb.
AI sluger enorme mængder energi - men Kinas Deepseek hævder at have en løsning
Et studie peger på, at AI-industrien vil forbruge et sted mellem 85 og 134 terrawatt-timer (TWh) elektricitet i 2027. Det svarer til den mængde energi, som Holland bruger hvert år.
En fremtrædende forsker forudsiger, at mere end 20 procent af al elektricitet, der bliver produceret i USA, i 2030 vil gå til at forsyne AI-datacentre (store lagre fyldt med computere).
Store teknologivirksomheder har altid hævdet at være tunge investorer i vind- og solenergi, men AI's appetit på elektricitet 24/7 betyder, at de fleste udvikler deres egne nukleare løsninger.
Microsoft har endda planer om at genoplive det berygtede kraftværk 'Three Mile Island' (Tremileøen), som ellers er mest kendt for at være arnestedet for USA's største atomkraftuheld nogensinde.
\ Ulykken på Tremileøen
Tremileøen, Three Mile Island, er en ø i Pennsylvania, USA, hvor der blev opført to kernekraftenheder af trykvandsreaktortypen, der blev sat i drift i 1974.
Den 28. marts 1979 indtraf et alvorligt reaktoruheld på enhed nummer 2. Uheldet indledtes med et svigt af kølevandstilførslen, hvorefter reaktoren automatisk lukkede ned, og nødkølingen begyndte.
På grund af operatørernes fejltænkning standsede de i to perioder nødkølingen, hvilket medførte en delvis nedsmeltning af reaktorbrændslet.
Takket være den tætte reaktorindeslutning var det radioaktive udslip til omgivelserne minimalt, og der er ikke påvist entydige skader på mennesker og miljø. Reaktorbygningen blev derimod stærkt forurenet af radioaktive isotoper fra damp og udstrømmende kølevand.
Oprydningen tog næsten 12 år og kostede cirka 1 milliarder dollar. Ulykken gav næring til modstanden mod at anvende kernekraft og udløste skærpede krav til sikkerhed og beredskab på kernekraftværker.
På trods af Googles ambitiøse mål om at være CO2-neutral i 2030, betyder virksomhedens udvikling af AI, at dens emissioner er steget med 48 procent i de seneste par år – og den computerkraft, der skal til for at træne modellerne, bliver tidoblet hvert år.
Den kinesiske start-up DeepSeek hævder dog at have skabt en løsning: En model, der matcher etablerede, amerikanske rivaler som OpenAI, men til en brøkdel af omkostningerne og CO2-fodaftrykket.
Deepseek påstås at bruge mindre energi
DeepSeek, som har skabt en kraftfuld open source-model, der bruger forholdsvis lidt strøm, påstår kun at have brugt 6 millioner dollars på at leje den nødvendige hardware til at træne sin nye R1-model.
Til sammenligning brugte Meta mere end 60 millioner dollars på Llama og 11 gange så mange databehandlingsressourcer.
DeepSeek bruger et såkaldt 'blanding-af-eksperter'-setup - en maskinlæringsmetode, der gør det muligt for modellen at skalere op og ned afhængigt af prompts (de kommandoer, brugerne indtaster, red.) og spørgsmålenes kompleksitet.
Deeepseek hævder også, at deres sprogmodel kan lagre flere data og trænes uden behov for store mængder bekostelige processorchips.
Som respons på Deepseeks udmelding styrtdykkede aktiekursen blandt amerikanske chip- og energiproducenter, fordi investorerne er bekymrede for, at AI-virksomheder ville genoverveje deres energiintensive udvikling af datacentrene.
Chipgiganten Nvidia, som er verdens største leverandør af specialiserede AI-processorer, så et kursfald på 589 milliarder dollars - det største fald på en enkelt handelsdag i Wall Streets historie.
Paradoks: Energieffektive AI-platforme kan føre til større forbrug
Men paradoksalt nok kan en forbedring af energieffektiviteten af AI-platforme – ud over at forstyrre amerikanske teknologiaktiers præstationsevne – faktisk forværre industriens miljømæssige præstation som helhed.
Mens techaktierne styrtdykkede, forsøgte Microsofts administrerende direktør Satya Nadella sig med et mere langsigtet perspektiv:
»Jevons paradoks slår til igen!« han skrev på X.
»I takt med at kunstig intelligens bliver mere effektiv og tilgængelig, vil vi se brugen af AI stige, hvilket gør den til en vare, vi simpelthen ikke kan få nok af.«
Jevons paradoks-a-hvaffor-noget?
Ideen om, at energieffektivitet ikke altid er en god ting for Jordens ressourcer, har eksisteret i godt hundrede år.
I 1865 skrev den unge britiske økonom og logiker ved navn William Stanley Jevons bogen 'The Coal Question', hvori han foreslog, at Storbritanniens plads som en industriel supermagt snart ville ende som følge af landets hastigt udtømte kulreserver.
Men for William Stanley Jevons var nøjsomhed ikke løsningen. Han argumenterede, at: »Det er total sammenblanding af idéer at antage, at nøjsom brug af brændstof svarer til et reduceret forbrug. Det modsatte gør sig gældende.«
Ifølge William Stanley Jevons genererer enhver stigning i ressourceeffektiviteten en stigning i det langsigtede ressourceforbrug snarere end et fald: Fordi større energieffektivitet resulterer i en reduktion af energiens implicitte pris, øger det afkastet – og efterspørgslen.
William Stanley Jevons leverede eksemplet med den britiske jernindustri: Hvis nye teknologiske fremskridt gør det muligt at producere jern med mindre kul i en højovn, vil overskuddet stige, hvilket vil tiltrække nye investeringer i jernproduktionen.
Samtidig vil faldende priser stimulere yderligere efterspørgsel.
William Stanley Jevons konkluderede: »Det større antal højovne vil mere end opveje det reducerede [kul]forbrug.«
Fra 40 timer til et halvt sekund
Mere nyligt har klimaøkonom og nobelprisvinder William Nordhaus anvendt denne idé til effektiviteten af belysning siden den menneskelige civilisations begyndelse.
I en videnskabelig artikel udgivet i 1998 konkluderer han, at den gennemsnitlige indbygger i det gamle Babylon skulle arbejde mere end 40 timer for at købe nok brændstof til at producere den tilsvarende mængde lys, som en moderne pære producerer på blot en time. Men i 1992 skulle en gennemsnitlig amerikaner blot arbejde i mindre end et halvt sekund for at producere det samme.
Gennem tiderne har større effektivitet ikke reduceret den energi, vi bruger på belysning, eller mindsket vores energiforbrug. Tværtimod genererer vi nu så meget elektrisk lys, at områder uden belysning er blevet turistattraktioner.
Effektiv opvarmning og belysning af vores hjem, bilkørsel, bitcoin-mining og skabelse af AI-modeller er alle underlagt de samme såkaldte rebound-effekter, som er identificeret i Jevons paradoks. Og det er derfor, det vil være umuligt at sikre, at en mere effektiv AI-industri rent faktisk fører til en samlet reduktion af energiforbruget.
Et Sputnik-moment
I 1950'erne blev USA forfærdet, da sovjetterne opsendte Sputnik, den første rumsatellit.
En mere effektiv rival kom pludselig på banen, og det fik USA til at allokere flere ressourcer til rumkapløbet, ikke færre.
DeepSeek er Silicon Valleys Sputnik-moment: Mere effektiv kunstig intelligens vil formentlig betyde mere udbredte og kraftfulde modeller i et våbenkapløb, der ikke længere kun består af amerikanske tech-giganter.
AI tilbyder status som supermagt, og dørene står formentlig på vid gab for Storbritannien og andre globale konkurrenter samt Kina.
Men én ting er helt sikkert: På lang sigt vil AI-industriens appetit på energi og andre ressourcer kun blive større.
Denne artikel er oprindeligt publiceret hos The Conversation og er oversat af Stephanie Lammers-Clark.
Læs om brug og viderebringelse af Videnskab.dk's artikler.
