Hoe we er samen voor zorgen dat AI een positieve CO2-voetafdruk krijgt

Onlangs maakte Google bekend dat het enkele kleine kerncentrales heeft besteld. Samen moeten ze een vermogen van 500 megawatt kunnen opwekken, meer dan de capaciteit van de Belgische kerncentrale Doel 1. Google heeft ze nodig om z’n datacenters in het AI-tijdperk van voldoende energie te voorzien. Volgens het bedrijf is het niet mogelijk om de toenemende impact van AI op te vangen met enkel duurzame energiebronnen zoals zon, wind en batterijen.

Ook Microsoft kijkt naar kernenergie om de energiehonger van nieuwe technologie te stillen. Zo stelde de softwaregigant eind september voor om een reactor van de Amerikaanse kerncentrale Three Mile Island opnieuw in gebruik te nemen. Het toont hoe wanhopig providers van datacenters zijn om de niet te stuiten opmars van AI – en vooral Generatieve AI (GenAI) – in overeenstemming te brengen met de duurzaamheidsdoelstellingen die regulatoren en klanten hen opleggen.

Onderscheid tussen AI en GenAI

Natuurlijk is het geen optie om de groei van AI te vertragen. Net nu veel bedrijven er de voordelen van beginnen te ondervinden, zou dat een stap terug zijn. We moeten ook een onderscheid maken tussen AI en GenAI. Die laatste doet inderdaad het energieverbruik in datacenters sterk de pan uit rijzen. Het trainen van LLM’s gebeurt op enorme hoeveelheden data, wat ook bijzonder veel rekenkracht vereist. En telkens je een vraag stelt aan ChatGPT, doet dat taalmodel duizenden berekeningen – een veelvoud in vergelijking met een klassieke zoekopdracht via Google.

Gelukkig draait niet alle AI op basis van zo’n LLM. Systemen voor fraudedetectie, klantanalyse en risicobeheer hebben geen kerncentrale nodig om operationeel te blijven. AI helpt ook om ons energieverbruik te optimaliseren en op een duurzamere manier met grondstoffen om te gaan. Verder hebben data en AI een sleutelrol in veel ESG-projecten. En ook om te rapporteren over ESG moeten we een beroep kunnen doen op data.

Consumptie onder controle krijgen

Maar we moeten er uiteraard wel over waken dat de impact van AI positief blijft en de transitie naar groene stroom niet vertraagt. Zo zijn technologiebedrijven vandaag al de grootste afnemers van wind- en zonne-energie. Steeds meer elektriciteit produceren is geen optie. We zullen het verbruik onder controle moeten krijgen. Operatoren van datacenters zijn al bezig met technologieën die de voetafdruk van hun faciliteiten beperken. Gartner benadrukt bijvoorbeeld het belang van processors die een lager energieverbruik en geheugengebruik beloven.

Operatoren verkennen ook innovatieve oplossingen zoals betere koeltechnieken en hergebruik van overtollige hitte in lokale verwarmingssystemen. Maar enkel naar de datacenters zelf kijken, is wat kort door de bocht. Om een probleem van deze omvang op te lossen, moeten we allemaal samen onze verantwoordelijkheid nemen – ook de ontwikkelaars en gebruikers van AI.

Efficiëntere modellen

Als we de modellen onder de loep nemen, dan is het zeker mogelijk om AI energie-efficiënter te maken. Net zoals de autosector grote stappen heeft gezet om de uitstoot van wagens terug te dringen, moeten ook ontwikkelaars ervoor zorgen dat algoritmen op een duurzamere manier functioneren. DeepSeek is een goed voorbeeld van het feit dat je het gebruik van krachtige GenAI-technologie kunt optimaliseren. Op dezelfde manier moeten we ook met onze traditionele AI-systemen op een doordachte manier omgaan.

Daarnaast is het ook belangrijk om AI-platformen te gebruiken die geoptimaliseerd zijn voor de cloud. Dat zal bedrijven tevens helpen om onnodige duplicatie en verspilling te vermijden. En als we de tijd kunnen beperken die nodig is om analytische workloads te laten draaien, dan zullen AI-toepassingen uiteraard ook minder elektriciteit nodig hebben om een opdracht te volbrengen.

Duurzame cloudstrategieën

Maar ook als gebruiker hebben we een rol te spelen. Niet alleen autoconstructeurs hebben onze wagens milieuvriendelijker gemaakt, ook wij als bestuurders denken vandaag beter na over de manier waarop we onze auto gebruiken. Zo moeten we ook naar ons gebruik van AI-toepassingen en onze cloudconsumptie kijken. Kleine aanpassingen kunnen een groot verschil maken. Evalueer je cloudomgeving en schaal je resources op basis van je behoeften op het gebied van data, AI en analytics. Schakel bepaalde resources ook uit wanneer je ze niet gebruikt. En plan indien mogelijk je data- en AI-workloads in wanneer er veel zonne-energie of windenergie beschikbaar is.

Daarnaast kan een efficiëntieslag in AI-decisioning ook helpen om ons energieverbruik terug te dringen. Laat de context bepalen welk type model je achterliggend gebruikt. Wil je met het model kritieke of niet-kritieke beslissingen nemen? Is de impact van een beslissing groot of klein? Het antwoord op de die vragen helpt je na te gaan of je een resource-heavy model moet inschakelen. In sommige situaties zal dat een beperkte toegevoegde waarde bieden en is het dus beter om met een traditioneel AI-model te werken.

We moeten het juiste evenwicht vinden tussen innovatie en duurzaamheid. En dat kan alleen als we deze missie als een gedeelde uitdaging zien. Als gebruiker moeten we data, AI en cloud zo efficiënt mogelijk benutten, en als ontwikkelaar moeten we duurzaamheid altijd als prioriteit zien bij het schrijven van nieuwe algoritmen. Als we dit goed doen, dan kunnen we de impact van AI op datacenters aanzienlijk terugdringen. AI kan niet bestaan zonder datacenters en we hebben AI nodig als we de problemen van vandaag en morgen willen oplossen.

Dit artikel is geschreven door Véronique van Vlasselaer, Analytics and AI Lead voor Zuid-, West- en Oost-Europa bij SAS. De inhoud valt buiten de verantwoordelijkheid van de redactie.