Tekoälyn ja sen ympäristövaikutusten ympärillä käytävien keskustelujen määrä on kasvanut sen jälkeen, kun ChatGPT ja muut vastaavat suuriin kielimalleihin pohjautuvat tekoälymallit ovat tulleet tavallisten ihmisten saataville viimeisen parin vuoden aikana. Nykyiset työmarkkinat keskittyvät yhä enemmän tehokkuuteen, jota tekoäly tarjoaa, mutta mikä on tämän tehokkuuden todellinen hinta?
Mitä tekoäly on?
Tekoälyllä tarkoitetaan tietokoneen kykyä suorittaa tehtäviä, jotka liitetään ihmiselle tyypillisiin älyllisiin prosesseihin, kuten ajattelukykyyn. Suuret kielimallit ovat tekoälyn tyyppi, joka voi ymmärtää ja tuottaa korkealaatuista tekstiä prosessoimalla valtavia määriä tekstidataa. Esimerkiksi ChatGPT on suureen kielimalliin pohjautuva tekoälysovellus, joka pystyy esimerkiksi tuottamaan vaikuttavan hyvin kirjoitettua tekstiä eri kielillä.
Kuitenkin on tärkeää huomata, ettei tekoäly ole uusi keksintö. Ensimmäiset yksinkertaiset tekoälysovellukset juontavat juurensa 1900-luvun alkuun. Käytämme arjessamme erilaisia tekoälyyn pohjautuvia sovelluksia jatkuvasti, kuten suosittuja hakukoneita (esim. Google), sosiaalisen median alustoja (esim. Instagram, Facebook ja TikTok), karttasovelluksia (esim. Google Maps ja Apple Maps) sekä automaattista tekstinkorjausta. Käytännössä tekoälyn välttäminen täysin arjessa on lähes mahdotonta. Kuitenkin suuriin kielimalleihin pohjautuvien tekoälymallien ympäristövaikutukset ovat huomattavasti suuremmat kuin muiden, mm. niiden suuren energiankulutuksen vuoksi.
Tekoälyn ympäristövaikutukset
D-mat selvitti suuriin kielimalleihin pohjautuvan tekoälyn käytön hiilijalanjäljen Ilmastopalapelin uudistettua versiota varten. Vähentämällä suuriin kielimalleihin pohjautuvan tekoälyn (esim. ChatGPT) käyttöä 20 kyselyllä päivässä henkilö voi pienentää hiilijalanjälkeään 32 kg vuodessa, mikä tarkoittaa noin 500 g per kysely.
Tekoälyn käytöllä on kuitenkin myös muita ympäristövaikutuksia, kuten huomattava vedenkulutus – noin 500 ml per 5–50 kyselyä – jota tarvitaan datakeskusten jäähdyttämiseen. Vedenkulutukseen vaikuttaa mm. kysymyksen ja vastauksen pituus. Yhden henkilön tai kysymyksen kohdalla tämä ei ehkä tunnu suurelta määrältä, mutta kun se kerrotaan miljoonilla käyttäjillä, tekoälyn ympäristövaikutukset kasvavat valtaviksi.
Kun ChatGPT:ltä kysyttiin sen ilmastovaikutuksista ja hiilijalanjäljestä (prompti: Mitkä ovat sinun ympäristövaikutuksesi? Käytä tarkkoja lukuja), se vastasi seuraavasti:
“🔋Energiankulutus:
- GPT-3: Yksi kysely kuluttaa noin 0,3 Wh sähköä.
- GPT-4: Yksi kysely kuluttaa arviolta 0,6–1,5 Wh sähköä (2–5 kertaa enemmän kuin GPT-3).
- GPT-3:n kouluttaminen: Käytti noin 1 287 MWh sähköä, mikä vastaa 502 tonnia CO₂-päästöjä (sama kuin 2 miljoonan kilometrin ajomatka autolla).
- GPT-4:n koulutuksen energiankulutusta ei ole julkaistu, mutta se on todennäköisesti merkittävästi suurempi kuin GPT-3:lla.
☁️ Hiilijalanjälki (CO₂-päästöt):
- GPT-3: 0,15–0,3 g CO₂ per kysely (riippuen energianlähteistä).
- GPT-4: Arvio 0,5–1,5 g CO₂ per kysely.
- Vertailuksi:
- Google-haku: ~0,2 g CO₂ per kysely
- 10 minuutin YouTube-video (1080p): ~30 g CO₂
- Yksi sähköposti ilman liitettä: ~4 g CO₂
- 1 tunnin Google Meet -videopuhelu (HD): ~1 kg CO₂
💧 Vedenkulutus:
- Datakeskusten jäähdytys: GPT-4:n käyttö kuluttaa noin 500 ml vettä per 5–50 kyselyä.
- GPT-3:n koulutus: Kulutti noin 700 000 litraa vettä.
GPT-4:n koulutuksen vedenkulutusta ei ole julkaistu, mutta se on todennäköisesti suurempi kuin GPT-3:lla.”
ChatGPT:n antama arvio hiilijalanjäljestään on siis huomattavasti pienempi kuin D-matin laskuissa. Tätä voivat selittää erilaiset laskukaavat ja lähtöoletukset tai OpenAI:n yritys häivyttää ChatGPT:n ympäristövaikutusten ympärillä käytävää keskustelua.
ChatGPT ja muut tekoälymallit voivat parhaimmillaan tehostaa työtä merkittävästi. Ne säästävät aikaa esimerkiksi tekstin tuottamisessa, kääntämisessä ja koodaamisessa, joka voi ajan säästämisen lisäksi parantaa tuottavuutta ja päätöksentekoa. Kuitenkin tehokkuuden taustalla on myös merkittäviä ympäristökustannuksia, kuten sähkön- ja vedenkulutusta sekä (hiilidioksidi)päästöjä.
Lähteet:
Li P. et al (2023). Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models (pdf)
Wong, V. (2024). Gen AI’s Environmental Ledger: A Closer Look at the Carbon Footprint of ChatGPT. Pictochart. https://piktochart.com/blog/carbon-footprint-of-chatgpt/
Kuva: ChatGPT