De waterfootprint van AI: de duurzaamheidskosten van grote taalmodellen

Kunstmatige intelligentie (AI) breidt zich snel uit over verschillende industrieën, gesteund door grote taalmodellen (LLM’s) zoals GPT-4, Claude en Gemini. Deze modellen vereisen uitgebreide rekenkracht, zowel tijdens de training als tijdens het reguliere gebruik. De groeiende afhankelijkheid van dergelijke systemen heeft significante bezorgdheid gewekt over hun milieueffecten.

Er is veel aandacht besteed aan de energieverbruik van AI en koolstofemissies. Echter, het debat gaat vaak voorbij aan het waterverbruik. Grote hoeveelheden water worden gebruikt om datacentra te koelen. Water wordt ook indirect verbruikt bij de productie van elektriciteit en rekenhardware.

De groeiende wereldwijde vraag naar AI-diensten verhoogt de druk op de reeds beperkte zoetwaterbronnen. Deze trend vormt duurzaamheidsuitdagingen, met name in gebieden die al te maken hebben met waterschaarste en klimaatgerelateerde risico’s. Een duidelijk begrip van de waterfootprint van AI is noodzakelijk. Het ondersteunt geïnformeerde beslissingen voor verantwoorde ontwikkeling en langetermijnmilieuplanning.

Hoe AI-modellen water verbruiken

Het uitvoeren van grote AI-systemen vereist ononderbroken berekening in datacentra die miljarden operaties verwerken. Dit proces genereert een aanzienlijke hoeveelheid warmte. Om hardwarefouten te voorkomen en optimale prestaties te behouden, moet de warmte effectief worden verwijderd. De meeste datacentra gebruiken verdampingskoelsystemen voor dit doel. Deze systemen zijn sterk afhankelijk van zoet water. Een groot deel van het water verdampt tijdens het koelen en kan niet opnieuw worden gebruikt. Als gevolg hiervan leidt het proces tot hoge niveaus van wateronttrekking en -verbruik.

Onderzoekers zijn onlangs begonnen met het meten van de waterimpact van AI-training. Een studie uit 2023 van teams aan UC Riverside en UT Arlington schatte dat de training van één groot model meer dan 700.000 liter schoon water verbruikte. Dat is ongeveer de hoeveelheid die nodig is om 370 BMW-auto’s te produceren. Dit toont aan hoeveel water wordt gebruikt tijdens de vroege ontwikkelingsfase van geavanceerde AI.

Waterverbruik gaat door, zelfs nadat de training is voltooid. Inferentie, het proces van reageren op gebruikersaanvragen, wordt ook uitgevoerd op robuuste reken-systemen. Deze systemen werken 24 uur per dag in veel verschillende delen van de wereld. Elke enkele gebruikersaanvraag voegt toe aan de rekenwerklast. Het verhoogt ook de koelingsvereisten. Het totale waterverbruik voor inferentie blijft groeien vanwege de bredere adoptie van AI-hulpmiddelen, zoals virtuele assistenten, chatbots en zoekmachines.

Wereldwijd worden datacentra geschat om meer dan 560 miljard liter water per jaar te verbruiken, voornamelijk voor koeling. Dit aantal zal naar verwachting scherp stijgen tegen 2030. Een significante reden is de groeiende vraag naar AI-gedreven diensten. Naast direct gebruik, veroorzaakt AI ook indirect waterverbruik. Dit gebeurt tijdens elektriciteitsproductie, met name in regio’s die afhankelijk zijn van steenkool of nucleaire energie. Deze energievormen vereisen aanzienlijke hoeveelheden water voor hun operaties.

Deze toenemende vraag naar water benadrukt een ernstige zorg. Er is nu een dringende behoefte aan betere koelsystemen, duurzame infrastructuur en transparante rapportage over waterverbruik. Zonder actie kan de voortdurende verspreiding van AI nog meer druk uitoefenen op zoetwaterbronnen. Dit is met name riskant voor gebieden die al te maken hebben met droogte of klimaatgerelateerde stress.

Infrastructuur en koeltechnologieën

AI-modellen werken op high-performance-chips die zijn geïnstalleerd in cloud-datacentra. Deze centra vereisen gespecialiseerde koelsystemen om de warmte te beheersen die wordt gegenereerd door continue berekening. De meest gebruikte methode is verdampingskoeling, waarbij water in de lucht of over oppervlakken wordt gespoten om warmte op te nemen. Een aanzienlijk deel van dit water verdampt en kan niet opnieuw worden gebruikt, waardoor hoge wateronttrekkingsniveaus ontstaan.

Om dit probleem aan te pakken, nemen sommige datacentra alternatieve koelmethoden in gebruik, zoals vloeistofimmersiekoeling en direct-to-chip-koeling. Deze technieken gebruiken thermisch geleidende vloeistoffen of gesloten koelsystemen om warmte van processors te verwijderen. Hoewel ze efficiënter zijn, zijn ze nog steeds indirect afhankelijk van waterverbruik. Dit gebeurt tijdens het systeemopzet of via elektriciteitsgeneratie, met name in regio’s waar elektriciteit wordt opgewekt uit steenkool of nucleaire bronnen, die beide aanzienlijke hoeveelheden water vereisen voor stoomproductie en koeling.

Koelstrategieën variëren ook afhankelijk van klimaat en locatie. In gebieden met waterschaarste, schakelen datacenter-operatoren over naar luchtgebaseerde of gesloten systeemkoeling om waterverbruik te verminderen. Echter, deze alternatieven vereisen vaak meer energie, waardoor een compromis ontstaat tussen waterbesparing en koolstofemissies.

Elk onderdeel van de AI-infrastructuur, van chipniveau-warmteverwijdering tot volledige faciliteitskoeling en elektriciteitsgeneratie, draagt bij aan de totale waterfootprint. De groeiende vraag naar AI vereist verbeteringen in koel- en krachtsystemen. Zonder betere efficiëntie zal de druk op waterbronnen blijven stijgen.

Geografische en milieubeïnvloedingen op datacenterwaterverbruik

Het waterverbruik van datacentra wordt sterk beïnvloed door hun geografische locatie en lokale milieufactoren. In gebieden met hoge temperaturen, zoals Arizona of Texas, moeten koelsystemen harder werken om servers op een stabiele bedrijfstemperatuur te houden. Dit leidt tot een toename van het gebruik van verdampingskoelmethoden, waarbij water verloren gaat als damp en niet opnieuw kan worden gebruikt. Als gevolg hiervan verbruiken deze centra aanzienlijk meer water dan die in koelere regio’s, zoals Scandinavië. Luchtvochtigheid speelt ook een belangrijke rol. In droge klimaten is verdamping efficiënter, wat de koelprestaties verbetert, maar ook het waterverbruik verhoogt.

De bron en beschikbaarheid van water zijn ook kritisch. Datacentra in waterarme regio’s zijn vaak afhankelijk van gemeentelijke watervoorzieningen, die al onder druk kunnen staan. Dit kan leiden tot concurrentie met lokale behoeften, zoals toegang tot drinkwater of landbouwbronnen. Een bekend voorbeeld is Google’s datacenter (GOOGL ) in The Dalles, Oregon. Het waterverbruik van de faciliteit wekte publieke bezorgdheid, vooral omdat het gebied op dat moment te maken had met droogte.

Bovendien kan de training van grote AI-modellen leiden tot plotselinge pieken in waterverbruik. Deze pieken kunnen niet lang duren, maar kunnen nog steeds het lokale watersysteem beïnvloeden. Zonder adequate planning en prognose kan dit resulteren in een tijdelijke onevenwichtigheid in de watervoorziening, inclusief lagere rivierpeilen of overmatige grondwateronttrekking. Dergelijke veranderingen kunnen lokale ecosystemen en biodiversiteit schaden.

Om deze uitdagingen aan te pakken, moet de planning van AI-gerelateerde infrastructuur rekening houden met specifieke lokale factoren, zoals temperatuur, watervoorziening en wettelijke beperkingen op het gebruik. Duurzame inzet vereist duidelijke beleidsregels en een zorgvuldige balans tussen technologische groei en milieubescherming. Dit omvat samenwerking met lokale gemeenschappen, het begrijpen van regionale waterrechten en het selecteren van geschikte koelsystemen die water verantwoordelijk gebruiken.

Bedrijfsverplichtingen en transparantiegaten

Grote AI-bedrijven worden steeds meer bewust van hun milieueffecten en hebben beloofd hun waterbeheerpraktijken te verbeteren. Google, Microsoft (MSFT ) en Meta hebben allemaal plannen aangekondigd om tegen 2030 waterpositief te worden. Dit betekent dat ze meer water willen herstellen dan ze verbruiken in hun wereldwijde operaties. Hun inspanningen omvatten het herstel van watersheds, het oogsten van regenwater, het recyclen van grijs water en het ondersteunen van lokale conservatieprojecten.

Google plant om 120% van het water dat het verbruikt, aan te vullen. Het publiceert jaarlijkse duurzaamheidsrapporten die zowel verbruik als herstelcijfers bevatten. Microsoft heeft adiabatische koelsystemen geadopteerd, die verdamping verminderen en waterverbruik tot 90% kunnen verminderen in vergelijking met traditionele koeltorens. Meta heeft beloofd om 200% van het water dat in hoogrisicogebieden wordt verbruikt, aan te vullen en 100% van het water dat in middelrisicogebieden wordt verbruikt, met een focus op gebieden waar waterschaarste het meest ernstig is. Sommige datacentra zijn ook begonnen met het gebruik van on-site hergebruiksystemen of regenwaterinzameling om hun watervoorziening aan te vullen.

Deze verplichtingen zijn relevant omdat de training en inzet van LLM’s krachtige datacentra vereisen. Deze operaties verbruiken grote hoeveelheden elektriciteit en genereren aanzienlijke warmte, waardoor de vraag naar waterintensieve koeling toeneemt. Naarmate AI-diensten wereldwijd uitbreiden, met name die welke LLM’s betreffen, groeit hun milieueffect eveneens. Verantwoord watergebruik wordt een kritisch onderdeel van duurzame AI-ontwikkeling.

De waterfootprint van AI verminderen: eenvoudige stappen en collectieve actie

Het verminderen van de waterfootprint van AI vereist een combinatie van efficiënte technologie, zorgvuldige planning en gedeelde verantwoordelijkheid. Aan de technische kant is het ontwerpen van kleinere en efficiëntere AI-modellen een belangrijke stap. Methoden zoals modelpruning, quantificatie en destillatie helpen de modellengte en rekenlast te verminderen. Dit vermindert energieverbruik en verlaagt het water dat nodig is voor koeling tijdens zowel training als gebruik.

Het kiezen van de juiste tijd voor training is ook belangrijk. Het uitvoeren van intensieve werklasten tijdens koelere periodes kan waterverlies door verdamping verminderen. De locatie van datacentra speelt ook een rol. Het bouwen van faciliteiten in gebieden met duurzame waterbronnen of in de buurt van hernieuwbare energiebronnen, zoals wind en zon, kan het indirecte waterverbruik dat samenhangt met thermische energiegewinning verminderen. Vooruitgang in AI-algoritmen, zoals het gebruik van spaarzame aandacht of efficiëntere modelontwerpen naast verbeterde hardware, helpen het totale milieueffect te verminderen.

Het aanpakken van de waterfootprint van AI vereist een collectieve inspanning die verder gaat dan technologiebedrijven. Overheden spelen een sleutelrol bij het opstellen van regels die transparante rapportage van waterverbruik vereisen en consistente beoordelingsnormen bevorderen. Zij kunnen ook duurzame waterwinning tot een voorwaarde maken voor de goedkeuring van nieuwe datacentra. Milieugroepen ondersteunen deze inspanning door claims te controleren, sterker beleid te bevorderen en de industrie aansprakelijk te houden. Lokale autoriteiten moeten infrastructuurplannen met waterbronnen in gedachten beoordelen, met name in gebieden die al onder druk staan.

Individuele gebruikers vormen ook de richting van AI. Door platforms te kiezen die milieugegevens rapporteren en zich verplichten tot duurzaamheid, sturen ze een duidelijk signaal over wat belangrijk is. Ontwikkelaars en onderzoekers moeten waterverbruik meenemen in de evaluatie van AI-systemen. Tegelijkertijd kunnen universiteiten en onderzoekscentra tools creëren om waterverbruik nauwkeuriger te meten en te verminderen.

Om echte vooruitgang te boeken, moeten we ons ook richten op bewustzijn en geïnformeerde keuzes. Veel mensen zijn zich niet bewust dat zelfs eenvoudige AI-vragen verborgen milieukosten met zich meebrengen. Wanneer dit algemeen bekend wordt, moedigt het gebruikers aan om betere praktijken te eisen en bedrijven aan te zetten om verantwoordelijk te handelen. Tegelijkertijd zet de snelle uitbreiding van grote AI-modellen de druk op de reeds beperkte zoetwaterbronnen verder op. Dit maakt het essentieel om waterverbruik te behandelen als een sleutelonderdeel van de totale milieueffecten van AI. Het bereiken van echte verandering zal een collectieve inspanning van beleidsmakers, ontwikkelaars, bedrijven en eindgebruikers vereisen. Als we waterbeheer een kernonderdeel maken van hoe AI wordt ontworpen en ingezet, kunnen we vitale bronnen beschermen en tegelijkertijd de voordelen van intelligente systemen plukken.

De bodemlijn

Het verminderen van de waterfootprint van AI is geen ondergeschikt punt meer. Het is een cruciaal onderdeel in de ontwikkeling van duurzame technologieën. Het trainen en uitvoeren van grote modellen heeft een tol op zoetwaterbronnen, met name in regio’s die al te maken hebben met klimaatstress.

Om dit aan te pakken, hebben we slimmere modellen, betere hardware en verantwoorde datacenterplanning nodig. Maar echte vooruitgang hangt af van meer dan alleen technologie. Overheden, bedrijven, onderzoekers en gebruikers spelen allemaal een rol. Duidelijke beleidsregels, transparante rapportage en publieke bewustzijn kunnen helpen bij het nemen van betere beslissingen. Door de waterimpact in onze initiële denkwijze over AI te integreren, kunnen we langdurige schade aan vitale bronnen voorkomen.