Dorstige Robots Drinken Ons Schaarse Water

Ik heb geprobeerd de materiële basis van de informatie- en schone-energie-economie te onderstrepen. Verre van de mythe van de-materialisatie is de winning en het gebruik van hulpbronnen – van kobalt, koper en zeldzame aardmetalen voor energieopslagbatterijen tot het verbranden van fossiele brandstoffen om dataserverparken van stroom te voorzien – niet minder dan die van het verguisde industriële schoorstenentijdperk.

Nu leren we dat generatieve AI niet alleen onze overvloedige data opzuigt, maar ook ons schaarse water drinkt.

Volgens een nieuw onderzoek van Riverside-onderzoekers van de University of California verbruikten ruwweg twee weken training voor GPT-3 ongeveer 700.000 liter zoet water. De mondiale AI-vraag zal naar verwachting in 2027 verantwoordelijk zijn voor 4,2 tot 6,6 miljard kubieke meter wateronttrekking, wat meer is dan de totale jaarlijkse wateronttrekking van Denemarken of de helft van het Verenigd Koninkrijk.

Een groot deel van het water om the cloud af te koelen gaat verloren in stoomemissies “waar het water zal verdampen en de warmte van het datacenter naar de omgeving zal afvoeren”, aldus Shaolei Ren, een van de auteurs van het onderzoek.

Ander onderzoek heeft gewezen op de groeiende ecologische voetafdruk van AI. In 2019 ontdekten onderzoekers bijvoorbeeld dat het trainen van een van de grotere AI-modellen gedurende hun hele levensduur evenveel broeikasgassen kan uitstoten als vijf gemiddelde Amerikaanse auto’s.

De voornaamste zorg van de Riverside-onderzoekers is dat de snelle opmars van generatieve AI, die met miljarden aan nieuwe investeringen op de markt wordt gebracht, steeds dorstiger zal worden, zelfs nu de door klimaatverandering veroorzaakte droogte de zoetwatervoorraden steeds schaarser maakt.

Een positieve kant van het waterverbruik voor AI, als we dat zo mogen noemen, is dat het plannen van trainingssessies flexibel is. AI-modellen zouden kunnen trainen tijdens koelere uren, wanneer er minder water verloren gaat door verdamping. “AI-training is als een heel groot gazon en heeft veel water nodig om te koelen”, zegt Ren. “We willen onze gazons niet tijdens de middag besproeien, dus laten we onze AI ook niet om 12.00 uur water geven.”

Er is geen reden waarom een verantwoordelijke overheid dat niet kan opleggen, net zoals tijdens de recente droogtejaren in Californië, toen het besproeien van het gazon op het heetst van de dag verboden was.

Tegelijkertijd erkent Ren dat dit in strijd kan zijn met een koolstofefficiënte planning. Als zonne-energie fossiele brandstoffen gaat verdringen als primaire energiebron voor het trainen van AI-modellen in grote servercentra, is het optimale moment tijdens de meest intensieve hitte van de dag – rond het middaguur. Ook dat zou kunnen worden beheerd als we zorgvuldig omgaan met hulpbronnen. “We kunnen het koelere weer niet verschuiven naar de middag, maar we kunnen wel zonne-energie opslaan, later gebruiken en toch ‘groen’ zijn”, stelt hij voor.

Misschien wel de grootste hindernis om bewust te worden van de hulpbronnenintensiteit van het informatietijdperk is ervaringsgericht. We kunnen de uitlaatgassen van dieselvrachtwagens of kolencentrales zien en inademen. Het doffe geklik op het toetsenbord van onze laptops voor een chatbotvraag maakt onze cijfers niet vuil, spuwt geen luchtvervuiling uit en laat ons drinkglas leeglopen. Het is ons niet meteen duidelijk wat er daarbuiten gebeurt, ver weg en ongezien achter het computerscherm.

Alleen als we ons volledig bewust worden van de keten van inputs en gevolgen in onze moeiteloze digitale zoektochten, kunnen we ooit grip krijgen op de manier waarop we deze moeten aanpakken, of dat nu inhoudt dat we de werkelijke kosten van deze externe effecten moeten beprijzen als we onze apparaten gebruiken of dat we, wanneer het kritieke punt bereikt is als het gaat om klimaataangelegenheden, voorschrijven hoe en wanneer ze kunnen worden gebruikt.

Vrij naar Nathan Gardels, hoofdredacteur van Noema