I dette innlegget skriver jeg en del om utfordringer som kommer med kunstig intelligens i form av strøm- og vannforbruk. Det er lett (og kanskje sunt) å føle avmakt av å lese om de miljømessige utfordringene ny teknologi bringer med seg. Men jeg tror det er viktig at vi heller lærer å leve med den kognitive dissonansen, enn å lure oss selv til å tro at det ikke er noe problem. Ved å lære om påvirkningen kunstig intelligens har på miljø og klima kan vi
- Spre kunnskap
- Påvirke hverandre til å ta miljøbevisste valg
- Stemme frem politikere som tar klimautfordringer på alvor
Et nyttig begrep i diskusjonen om hvordan vi skal forholde oss til miljø og klima er «eco-sufficiency» – tanken å søke «nok, selv om mer er tilgjengelig» (Princen, 2005). Kanskje kan dette prinsippet være veiledende for hvordan vi tenker om bruk av KI. KI er unektelig en del av framtiden og vi gjør godt i å lære oss å bruke det. Men kanskje trenger vi ikke å bygge vanen at vi bruker det til alle ting «bare fordi.»
Dersom du har kommentarer, innspill eller kritikk til denne bloggposten, setter jeg stor pris på om du kontakter meg.
Strøm
Vi skal gjennom et grønt skifte. Det vil kreve at tungindustri skal gå fra å bruke fossile energikilder til å bruke grønn energi som havkraft, vindkraft og solcellepanel. Nye datasentre som både skal trene opp nye KI-modeller og kjøre dem, krever mye strøm. Ifølge NRK har Google søkt om at deres nye datasenter i Skien skal bruke 7TWh strøm i året. Til sammenlikning var Norges strømforbruk i 2023 på 136 TWh, noe som betyr at dette datasenteret alene vil øke Norges strømforbruk med 5%. Dette vil kunne føre til store lokale variasjoner i strømpriser i Norge.
Og Norge er ikke de eneste som bygger datasentre.
I 2024-årsrapporten fra det internasjonale energibyrået (IEA, 2024) spår de at strømforbruket fra datasenteret ikke vil være dominerende fram til 2030, men at fordi dette er en industri i tidlig vekst er det for tidlig å konkludere for bastant for tidlig. Vi må avvente fasiten, men det er mulig at andre flaskehalser som liten tilgang på datachipper eller dårlige strømnett vil begrense utviklingen.
Vann
Datasentre blir varme. Den mest effektive måten å kjøle de ned på er å sende vann gjennom rør. Men siden saltvann ofte er skittent, skadelig for rør, har dårlige termiske ledningsegenskaper og gir grobunn for bl.a. alger, så bruker datasenterne ferskvann for å kjøle seg ned. I en artikkel av Li et. al (2023), så regner de seg fram til at ca. hver femtiende ledetekst forbruker en halv liter med vann.
«GPT-3 needs to ‘drink’ (i.e., consume) a 500ml bottle of water for roughly 10-50 responses.»
– Li et al., 2023.

Ferskvann er en begrenset og livsviktig ressurs, kanskje i ordets aller retteste forstand. I Chile, som er midt i en tørke forventet å avta om 15 år, har store selskaper bygd over 50 datasentre i hovedstaden Santiago, som hver sluker millioner av liter vann hvert år. Dette har ført til protester fra innbyggere og aktivister.
Kan kunstig intelligens redde oss fra problemene den selv skaper?
Kunstig intelligens tar. Og kunstig intelligens gir.
Proteiner er naturens små roboter. De kan gjøre de utroligste ting.
Nesten alt det interessante som biologien kommer fra et eller annet smart protein som gjør en jobb. Figurene over ser kompliserte ut – og det er de! Men, byggesteinene er kun satt sammen av kjeder av aminosyrer, og av disse finnes det bare 20 (vanlige)! Det er som om naturen har 20 legoklosser til rådighet og bruker dem til å lage alt mulig. Funksjonen til et protein bestemmes av hvilke legoklosser man bruker til å bygge det, men også i høy grad hvilken form det får. Problemet er bare at det er svært vanskelig å forutsi hvilken form proteinet får basert på aminosyrene alene. Hadde man hatt elsakt kunnskap om dette, kunne man brukt det til å lage spesielle proteiner med fininnstilte funksjoner for oss.
Enkelt problem å formulere med komplekse løsninger, sa du? Dette er et eksempel på hvor KI virkelig skinner. I 2018, 2020, og 2024 lanserte Googles Deepmind hhvv. Alpha Fold 1, 2 og 3, KI-programemer for å beregne proteinfolding fra deres aminosyresekvenser og andre egenskaper. Dette har revolusjonert vår innsikt i hvordan proteiner fungerer. Dette kan brukes til å lage nye medisiner, hjelpe til med bioteknologi for å øke størrelsen på avlinger, eller lage biologiske materialer som kan «spise» enkelte forurensninger. Demis Hassabis og John Jumper fikk Nobelprisen i kjemi i 2024 for arbeidet deres Deepmind.
Men det er ikke bare biologiske enheter som kan forbedres med KI. Våre mekaniske duppeditter er i stor grad laget av metaller, og en like stor utfordring som hvordan et 20-talls aminosyrer kombinerer til ulike proteiner, er hvilke blant våre titalls atomkjerner som kan kombineres til ulike metaller. Enkelt problem å formulere med komplekse løsninger, sa du? I 2023 publiserte Deepmind nok et banebrytende KI-program: GNoME (Merchant et al., 2023), som brukte KI til å forutsi hundretusentalls nye kandidater til stabile materialer. Oppdagelsen av materialer er essensiell for teknologisk framskritt, da slike kan føre til både økt energieffektivitet og teknologier for lagring av karbon i lufta.
Jeg håper dette innlegget har gitt noe kontekst for diskusjonen rundt KI og klima. Med alle teknologier vi lager finnes er det «trade-offs,» og KI er intet unntak. Samtidig vet jeg at det finnes mange KI-startuper der ute som kaster KI-spaghetti på veggen i håp om å tjene penger uten noe tanke på miljøet. Jeg mener jeg at det er viktig at også vi som ønsker å ta vare på klimaet lærer oss å bruke verktøyet godt. Bare slik kan det bli et netto gode for planeten.
Referanser
Thompson, B., Dhaliwal, M. P., Frisch, P., Domhan, T., & Federico, M. (2024). A Shocking Amount of the Web is Machine Translated: Insights from Multi-Way Parallelism (arXiv:2401.05749). arXiv. https://doi.org/10.48550/arXiv.2401.05749
Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature, 631(8022), 755–759. https://doi.org/10.1038/s41586-024-07566-y
Freya Holmér (Regissør). (2025). Generative AI is a Parasitic Cancer [Videoopptak]. https://www.youtube.com/watch?v=-opBifFfsMY
Princen, T. (2005). The Logic of Sufficiency. MIT Press.
IEA. (2024). World Energy Outlook 2024. https://www.iea.org/reports/world-energy-outlook-2024
Li, P., Yang, J., Islam, M. A., & Ren, S. (2023). Making AI Less «Thirsty»: Uncovering and Addressing the Secret Water Footprint of AI Models (arXiv:2304.03271). arXiv. https://doi.org/10.48550/arXiv.2304.03271
Merchant, A., Batzner, S., Schoenholz, S. S., Aykol, M., Cheon, G., & Cubuk, E. D. (2023). Scaling deep learning for materials discovery. Nature, 624(7990), 80–85. https://doi.org/10.1038/s41586-023-06735-9
Legg igjen en kommentar