Miljø – Lære med KI

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.

Et av Googles datasentre. De fargerike pipene leder vann for å kjøle ned alle datamaskinene som durer avgårde der inne. https://www.wired.com/2012/10/ff-inside-google-data-center/

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.

Hemoglobin. Proteinet består av fire deler som hver kan "fange" og frakte ett oksigenatom. Slik frakter det oksigen rundt i blodet vårt. Kilde.

Luciferase. Proteinet bruker strukturen sin for å hjelpe til med å skape en kjemisk reaksjon som lyser. Dette bruker fisk under havet for å lyse i mørket. Kilde.

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

In this post I write about some of the challenges that come with artificial intelligence in the form of electricity and water consumption. It's easy (and perhaps healthy) to feel powerless reading about the environmental challenges new technology brings with it. But I think it's important that we learn to live with the cognitive dissonance, rather than fool ourselves into thinking there's no problem. By learning about the impact artificial intelligence has on the environment and climate, we can

Spread knowledge
Influence each other to make environmentally conscious choices
Vote for politicians who take climate challenges seriously

A useful concept in the discussion of how we should relate to the environment and climate is "eco-sufficiency" — the idea of seeking "enough, even when more is available" (Princen, 2005). Perhaps this principle can guide how we think about using AI. AI is undeniably part of the future, and we do well to learn how to use it. But maybe we don't need to build the habit of using it for everything "just because."

If you have comments, input, or criticism regarding this blog post, I'd greatly appreciate it if you contacted me.

Electricity

We're going through a green transition. That will require heavy industry to move from fossil energy sources to green energy like offshore wind, onshore wind, and solar panels. New data centers that both train new AI models and run them require a lot of electricity. According to NRK, Google has applied to have their new data center in Skien use 7 TWh of electricity per year. By comparison, Norway's electricity consumption in 2023 was 136 TWh, which means this data center alone would increase Norway's electricity consumption by 5%. This could lead to major local variations in electricity prices in Norway.

And Norway isn't the only one building data centers.

In the 2024 annual report from the International Energy Agency (IEA, 2024), they predict that electricity consumption from data centers won't be dominant until 2030, but because this is an industry in early growth, it's too early to draw firm conclusions. We'll have to wait and see, but it's possible that other bottlenecks — such as limited access to computer chips or inadequate power grids — will limit the growth.

Water

Data centers get hot. The most effective way to cool them is to send water through pipes. But since saltwater is often dirty, damaging to pipes, has poor thermal conductivity, and breeds things like algae, data centers use fresh water to cool down instead. In an article by Li et al. (2023), they calculate that roughly every fiftieth prompt consumes half a liter of water.

"GPT-3 needs to 'drink' (i.e., consume) a 500ml bottle of water for roughly 10-50 responses."

- Li et al., 2023.

One of Google's data centers. The colorful pipes carry water to cool down all the computers whirring away inside. https://www.wired.com/2012/10/ff-inside-google-data-center/

Fresh water is a limited and vital resource, perhaps in the most literal sense of the word. In Chile, which is in the middle of a drought expected to ease in 15 years, large companies have built over 50 data centers in the capital Santiago, each of which consumes millions of liters of water every year. This has led to protests from residents and activists.

Can artificial intelligence save us from the problems it creates itself?

Artificial intelligence takes. And artificial intelligence gives.

Proteins are nature's tiny robots. They can do the most incredible things.

Hemoglobin. The protein consists of four parts, each of which can "capture" and carry one oxygen atom. This is how it carries oxygen around in our blood. Source.

Luciferase. The protein uses its structure to help create a chemical reaction that produces light. Fish deep in the ocean use this to glow in the dark. Source.

Almost everything interesting in biology comes from some clever protein doing a job. The figures above look complicated — and they are! But the building blocks are just chains of amino acids, and there are only 20 common ones! It's as if nature has 20 Lego bricks available and uses them to build everything imaginable. A protein's function is determined by which Lego bricks are used to build it, but to a large degree also by the shape it takes. The problem is just that it's very difficult to predict what shape a protein will take based on the amino acids alone. If we had exact knowledge of this, we could use it to design special proteins with finely tuned functions for our own purposes.

A simple problem to state, with complex solutions — sound familiar? This is an example of where AI truly shines. In 2018, 2020, and 2024, Google's DeepMind launched AlphaFold 1, 2, and 3 respectively, AI programs for predicting protein folding from amino acid sequences and other properties. This has revolutionized our understanding of how proteins work. It can be used to develop new medicines, help biotechnology increase crop yields, or create biological materials that can "eat" certain pollutants. Demis Hassabis and John Jumper received the Nobel Prize in Chemistry in 2024 for their work at DeepMind.

But it's not only biological entities that can be improved with AI. Our mechanical gadgets are largely made of metals, and just as big a challenge as how some 20 amino acids combine into different proteins is which of our several dozen atomic nuclei can combine into different metals. A simple problem to state, with complex solutions — sound familiar? In 2023, DeepMind published yet another groundbreaking AI program: GNoME (Merchant et al., 2023), which used AI to predict hundreds of thousands of new candidates for stable materials. Discovering new materials is essential for technological progress, since they can lead to both increased energy efficiency and technologies for capturing carbon from the air.

I hope this post has given some context for the discussion around AI and climate. With every technology we create there are trade-offs, and AI is no exception. At the same time, I know there are plenty of AI startups out there throwing AI spaghetti at the wall hoping to make money without a thought for the environment. I believe it's important that those of us who want to look after the climate also learn to use this tool well. That's the only way it can become a net good for the planet.

References

Freya Holmér (Director). (2025). Generative AI is a Parasitic Cancer [Video recording]. 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