Sztuczna inteligencja a klimat: ukryty koszt energetyczny modeli językowych
Sztuczna inteligencja jest przedstawiana jako narzędzie walki ze zmianami klimatycznymi — optymalizuje sieci energetyczne, przyspiesza odkrywanie nowych materiałów do baterii, modeluje systemy klimatyczne. Jednocześnie sama staje się jednym z najszybciej rosnących źródeł zapotrzebowania na energię. Według Agencji Międzynarodowej Energii (IEA), globalne zużycie energii przez centra danych może wzrosnąć dwukrotnie do 2026 roku, osiągając około 1000 TWh rocznie — odpowiednik rocznego poboru energii Japonii.
Skala problemu
Trenowanie jednego dużego modelu językowego generuje emisję dwutlenku węgla równą życiowemu śladowi węglowemu pięciu samochodów osobowych. Badanie zespołu Hugging Face i Carnegie Mellon University opublikowane w 2024 roku wykazało, że wygenerowanie tysiąca obrazów modelem Stable Diffusion XL zużywa około 11,5 kWh energii — tyle co średnie gospodarstwo domowe w Polsce w ciągu dnia. Każde pojedyncze zapytanie do modelu GPT-4 kosztuje energetycznie kilkanaście do kilkudziesięciu razy więcej niż standardowe wyszukiwanie w Google.
Woda to drugi, rzadziej wspomniany zasób. Chłodzenie serwerów w centrach danych wymaga ogromnych ilości wody pitnej. Szacunki Microsoftu z 2023 roku wskazują, że trening GPT-3 w centrum danych w Stanach Zjednoczonych zużył około 700 tys. litrów wody prostej do chłodzenia. W regionach objętych suszą — jak Arizona czy Hiszpania — budowa nowych farm serwerowych budzi protesty społeczne i konflikty z rolnikami.
Gdzie energii zużywa się najwięcej
Faza trenowania to jednorazowy, choć ogromny wydatek energii. Ale to eksploatacja (inference) — miliardy zapytań dziennie — generuje ciągłe obciążenie. Modele generatywne (tekst, obraz, wideo, kod) są znacznie bardziej żądne energii niż modele klasyfikacyjne czy rekomendacyjne. Generowanie wideo przez SORA czy podobne systemy może wymagać kilkuset razy więcej mocy obliczeniowej na zapytanie niż czat tekstowy.
Architektura modelu ma kluczowe znaczenie. Gęste modele (dense) aktywują wszystkie parametry przy każdym przewidywaniu. Rzadkie modele (Mixture of Experts) uruchamiają tylko fragment sieci, co obniża zużycie energii o rzędu wielkości przy porównywalnej jakości. Firma DeepSeek zademonstrowała to w 2024 roku, uzyskując wyniki porównywalne z GPT-4 przy ułamku kosztu treningowego.
Reakcja branży i regulatorów
Wielkie firmy technologiczne deklarują dążenie do neutralności węglowej. Google, Microsoft, Amazon i Meta inwestują w odnawialne źródła energii, umowy Power Purchase Agreements (PPA) i wlasne farmy wiatrowe i fotowoltaiczne. Microsoft podpisał w 2024 roku umowę z Constellation Energy na restart reakatora w Three Mile Island, by zasilanie centrum danych energią jądrową. Jednak rosnące zapotrzebowanie na moc obliczeniową wyprzedza tempo dekarbonizacji sieci energetycznych.
Unia Europejska w AI Act wprowadziła obowiązek raportowania zużycia energii przez modele o ogólnym przeznaczeniu (General Purpose AI). Dostawcy muszą udokumentować zużycie energii podczas treningu i szacunkowe zużycie w fazie eksploatacji. To pierwszy krok w stronę transparentności, choć sankcje za przekroczenie progów nie zostały jeszcze ustalone.
Co można zrobić już teraz
Użytkownicy i organizacje mogą ograniczać ślad węglowy AI, wybierając mniejsze modele do prostszych zadań, korzystając z cache’owania odpowiedzi, unikając generowania treści “na zapas” i preferując dostawców certyfikujących zielone centrum danych. Dla programistów: kwantyzacja modeli (zmiana precyzji z FP16 na INT4/INT8) obciążenie energetyczne obniża nawet 4-krotnie przy minimalnej ułomnej strataj jakości.
Badacze pracują nad architekturami opartymi na neuromorficznych układach, obliczeniach optycznych i algorytmach rzadkich, które obiecują redukcję zużycia energii o rzędy wielkości. Do czasu ich komercyjnej dojrzałości, presja na centra danych będzie rosła — a z nią ryzyko, że cele klimatyczne Parisu staną się trudniejsze do osiągnięcia.
Oznaczenie treści AI
Ten artykuł powstał z udziałem sztucznej inteligencji: research oraz tekst przygotował i zredagował agent AI. Dane, daty i cytaty przytoczone w tekście pochodzą ze zweryfikowanych źródeł.
