Johdanto – keskustelua mökkitiellä
Matkalla kotiin mökiltä juttelin vaimon kanssa tekoälyn mahdollisuuksista. Keskustelun yhteydessä vaimolta tuli kommentti, joka yllätti minut:
“Mietin aina kahdesti ennen tekoälyn käyttöä, koska se kuluttaa runsaasti energiaa ja vettä, ja etsin samalla tapoja kompensoida sen aiheuttamaa ympäristökuormitusta.”
Vaimoni kommentti herätti minut pohtimaan: Onko jokainen tekoälylle esitetty kysymys todella ympäristöhaitta vai voisiko sen ajatella sijoituksena parempaan tulevaisuuteen? Tässä kirjoituksessa käsittelen tekoälyn ympäristövaikutuksia ja kerron, miten jokainen voi vaikuttaa omilla valinnoillaan.
1. Kuinka paljon tekoäly kuluttaa luonnonvaroja?
Tekoälyn ympäristövaikutuksia koskevat tiedot ovat toisinaan vaikeasti hahmotettavia ja arviot vaihtelevat. Esimerkiksi joidenkin arvioiden mukaan GPT-4-mallin kouluttaminen vaatii valtavia resursseja: noin 65 miljoonaa kilowattituntia sähköä ja jopa 70 miljoonaa litraa vettä. On kuitenkin hyvä huomata, että vesi ei varsinaisesti ”kulu” tai katoa, vaan sitä käytetään jäähdytykseen ja muissa prosesseissa, jolloin se voi olla pois muusta paikallisesta käytöstä. Tämä voi olla erityisen ongelmallista kuivilla seuduilla, joissa veden niukkuus aiheuttaa haasteita. Yksittäinen kysymys tekoälylle kuluttaa vain pienen murto-osan koulutuksen vaatimista resursseista, mutta senkin kulutus vaihtelee suuresti – arviolta esimerkiksi 0,001–0,01 kWh sähköä ja jopa desilitroja vettä keskustelua kohden, riippuen vahvasti käytetystä mallista, tehtävän monimutkaisuudesta ja datakeskuksen energiatehokkuudesta sekä jäähdytysratkaisuista.
Globaalilla tasolla datakeskukset ja tiedonsiirtoverkot käyttävät tällä hetkellä arviolta 1–2 prosenttia maailman sähköstä, ja tämän osuuden ennustetaan kasvavan merkittävästi tekoälyn yleistymisen myötä. Vaikka yksittäinen tekoälykysely ei olekaan valtava rasite, käytön jatkuva kasvu tekee energiatehokkuudesta ja resurssien käytöstä yhä kriittisempiä kysymyksiä.
2. Tekoälyn käyttö: rajoittaa vai optimoida?
Rupesin pohtimaan mahdollisuutta tekoälyn käytön rajoittamiseen vain kaikkein kriittisimpiin tarkoituksiin, kuten lääketieteeseen tai ilmastonmuutoksen torjuntaan. Tämä voisi vähentää ympäristökuormitusta, mutta samalla se rajoittaisi innovaatiota ja saattaisi nostaa käyttöoikeuksien kustannuksia.
Toinen, kestävämpi vaihtoehto on parantaa tekoälyn energiatehokkuutta. Tähän päästään esimerkiksi pienentämällä mallien kokoa, optimoimalla niiden suorituskykyä ja algoritmeja sekä käyttämällä uusiutuvia energialähteitä datakeskuksissa. Energiatehokkuuden lisääminen on pitkäaikainen ratkaisu, kun taas rajoitukset tarjoavat vain lyhytaikaisen helpotuksen.
3. Nykyinen energiankulutus – investointi tulevaisuuteen?
Viime vuosikymmenen aikana tekoälysovelluksissa käytettävien grafiikkaprosessorien (GPU) ja muiden erikoistuneiden laskentayksiköiden energiatehokkuus on parantunut merkittävästi. Tämä tarkoittaa, että samalla energiankulutuksella saavutetaan huomattavasti aiempaa enemmän laskentatehoa. Kehitys antaa aihetta optimismiin, sillä nykyistä energiankulutusta voidaan pitää välttämättömänä siirtymävaiheena kohti tehokkaampaa teknologiaa ja ympäristön kannalta kestävää tulevaisuutta. Tekoälyn energiankäyttöä ei siksi tulisi nähdä pelkästään kuluna, vaan myös investointina, joka nopeuttaa tieteellistä tutkimusta ja lisää eri toimialojen tehokkuutta. Teknologian kehittämisen rinnalle tarvitaan kuitenkin selkeä sääntely, läpinäkyvyyttä sekä päästöjen hinnoittelua, jotta energiankulutuksen kasvua voidaan hallita ja ohjata kestävästi.
Kevyempien mallien käyttö
Kaikki tekoälyratkaisut eivät ole suuria ja energiaintensiivisiä. Esimerkiksi monet avoimen lähdekoodin mallit, kuten DeepSeek-perheen mallit tai muut kevyemmät vaihtoehdot, hyödyntävät teknologiaa, joka kuluttaa merkittävästi vähemmän energiaa kuin suurimmat mallit, kuten GPT-4, sekä koulutuksessa että käytössä. Kevyemmillä malleilla on monissa tehtävissä mahdollista päästä lähes yhtä hyviin tai riittäviin lopputuloksiin kuin raskailla malleilla, huomattavasti pienemmällä energiankulutuksella.
Käytännön vinkki: Aloita kysymällä ensin pienemmältä tai tehokkaammaksi tiedetyltä mallilta. Jos vastaus ei riitä, voit käyttää suurempaa mallia. Tallentamalla ja uudelleenkäyttämällä aiempia vastauksia voit säästää energiaa myöhemmissä kyselyissä.
4. Kuinka voit kompensoida tekoälyn käyttöäsi?
Hiilijalanjälkeä kartoittavat sovellukset auttavat ymmärtämään omia ympäristövaikutuksia laajemmin. Voit käyttää näitä arvioidaksesi kulutustasi ja tunnistaaksesi suurimmat päästölähteet. Tämän jälkeen voit lisäksi halutessasi kompensoida esimerkiksi tekoälyn käytöstä aiheutuneita päästöjä tukemalla luotettavia ja sertifioituja hiilensidontahankkeita. Monet palvelut tarjoavat mahdollisuuden investoida esimerkiksi uusiutuvaan energiaan, metsityshankkeisiin tai muihin todennettuihin päästövähennys- tai poistomenetelmiin.
5. Mitä voimme tehdä yhdessä?
Yksilön valinnoilla on merkitystä, mutta merkittävin muutos tekoälyn ympäristövaikutusten pienentämisessä saavutetaan yhteisillä toimilla. Voimme yhdessä vaatia datakeskuksilta sitoutumista uusiutuvan energian käyttöön ja läpinäkyviä raportointikäytäntöjä energiankulutuksen sekä vedenkäytön osalta. Lisäksi voimme aktiivisesti edellyttää teknologia-alan yrityksiltä energiatehokkaampien tekoälymallien kehittämistä, optimoitua laskentaresurssien käyttöä ja resurssitehokkuutta parantavia innovaatioita. Yhteisesti asetetut vaatimukset sekä avoin julkinen keskustelu voivat nopeuttaa vastuullisten käytäntöjen käyttöönottoa ja suunnata tekoälyn kehitystä kohti ekologisesti kestävää teknologiaa. Euroopan unionin hiilenpoiston sertifiointikehys (Carbon Removal Certification Framework, CRCF) edistää luotettavien hiilinielu- ja hiilensidontahankkeiden tunnistamista sekä vähentää viherpesun riskiä.
Lopuksi
Tekoälyn ympäristövaikutukset ovat todellisia ja kasvavia, mutta niin ovat myös sen mahdollisuudet. Tietoisilla valinnoilla käyttäjinä, teknologian kehityksellä ja yhteisillä vaatimuksilla voimme ohjata kehitystä kestävämpään suuntaan. Jokaisen panos on tärkeä tässä tasapainoilussa.
Lähteet:
- International Energy Agency (IEA)
- Anthropic, Claude 3
- Google DeepMind
- Puro.earth
- EU Commission CRCF
