Künstliche Intelligenz und Nachhaltigkeit – Welchen Einfluss hat Künstlichen Intelligenz auf die Umwelt?

as421

Anmerkung: Dieser Blog Post wurde für das Modul Enterprise IT (113601a) verfasst.

Einleitung

ChatGPT von OpenAI gilt als eine der erfolgreichsten Anwendungen aller Zeiten. Im Januar 2023, zwei Monate nach dem Start, waren bereits 100 Millionen Nutzer aktiv am chatten mit der künstlichen Intelligenz (KI). Andere große Plattformen benötigten mehr Zeit um diese Nutzerzahlen zu erreichen. TikTok benötigte beispielsweise neun Monate dafür und andere Plattformen noch länger (Hu, 2023; Rao, 2023). Seitdem ist KI nahezu überall vertreten und alle führenden Unternehmen innerhalb der Technologiebranche diskutieren über dieses Thema. Im Februar 2023 veröffentlichte Google seinen ChatGPT-Konkurrenten Bard, welcher im Dezember 2023 durch das neue Gemini Modell ersetzt wurde (Pichai, 2023; Pichai & Hassabis, 2023). Ebenfalls im Februar 2023 kündigte Microsoft ihr neues, mit KI verbessertes Bing an, welches mit den Technologien von Microsoft und OpenAI entwickelt wurde (Microsoft, 2024).
KI ist mittlerweile fast nicht mehr wegzudenken und hat sich in vielen Firmen sowie unter den Konsumenten als fester Bestandteil verankert.

Innerhalb dieses Beitrags werden die negativen Umweltauswirkungen aufgezeigt, welche durch diesen explosionsartigen Anstieg von KI entstehen könnten.

Wie wirkt sich Künstliche Intelligenz negativ auf die Umwelt aus?

Zunächst ist festzuhalten, dass KI auch einen positiven Einfluss auf die Umwelt haben kann. 2016 ist es Google mithilfe seiner DeepMind-KI gelungen, ihren Energieverbrauch um 40% zu reduzieren (Evans & Gao, 2016). Darüber hinaus wurden vielversprechende Resultate hinsichtlich der Implementierung von KI im Sektor des Wasserressourcenmanagements erzielt. Unter anderem zählen dazu die Qualitätskontrolle des Wassers, die Vorhersagen der Wasserverfügbarkeit und die Instandhaltung der Infrastruktur (Kamyab et al., 2023).

Obwohl der Einsatz von KI viele Vorteile erschafft, können auch einige Probleme auftreten. Das United Nations Environment Programme (UNEP) unterteilt diese negativen Umwelteinflüsse in drei Kategorien (United Nations Environment Programme, 2024a):

  • Direkt
    • Zu den direkten Auswirkungen zählen zum einen der Verbrauch von Mineralien, Energie und Wasser sowie der Ausstoß von Emissionen und die Produktion von Elektroschrott.
  • Indirekt
    • Zu den indirekten Auswirkungen zählen Umweltschäden, die durch den Fortschritt von KI verursacht werden könnten. Ein Beispiel wäre die steigende Nutzung von autonomem Fahren, welches dazu führen könnte, dass Autofahrten häufiger und länger stattfinden. Des Weiteren könnte es zu einer Verringerung der Nutzung öffentlicher Verkehrsmittel und auch der Einbindung einer neuen Demografie kommen, welche zuvor nicht fahren konnten (z.B. Kinder oder Haustiere) (Coroamă & Pargman, 2020).
  • Auswirkungen der höheren Ordnung (higher-order effects)
    • Die Auswirkungen der höheren Ordnung können sowohl positiv als auch negativ sein. Dies umfasst potenzielle Veränderungen des Verhaltens sowie der gesellschaftlichen und ökonomischen Struktur, die durch den erhöhten Einsatz von KI bedingt sein können. Ein negatives Beispiel ist die Automatisierung und Verbreitung von Desinformationskampagnen durch den Einsatz von KI (Goldstein et al., 2023, zitiert nach United Nations Environment Programme, 2024a).

In diesem Blog Post wird sich ausschließlich mit den direkten Umwelteinflüssen durch KI auseinandergesetzt.

Die direkten negativen Umwelteinflüsse von Künstlicher Intelligenz

Mineralien

KI-Modelle zu trainieren erfordert einen massiven Rechenaufwand. Ein so hoher Rechenaufwand, sodass es es für die meisten Rechner nicht möglich ist KI-Modelle zu trainieren. Dedizierte High-End Graphics processing units (GPUs) sind für das Training notwendig und die amerikanische Firma Nvidia ist in diesem Bereich besonders erfolgreich. Schätzungen zufolge besitzt Nvidia im KI-Server-Bereich einen Marktanteil von 95% (De Vries, 2023).

Die Herstellung von GPUs ist ein massiver Aufwand verbunden mit dem Abbau und späteren Recycling vieler Mineralien. Die genaue Bestandteile vieler GPUs sind nicht bekannt. Allerdings ist es dokumentiert, dass GPU-Hersteller Dysprosium in ihren Kondensatoren einsetzen. Dysprosium gehört zu den Seltenen Erdmetallen (SEE) und wird aufgrund seiner hohen Hitzeresistenz verwendet (Bradsher, 2024).

Die genauen Folgen des Abbaus von SEE lassen sich aktuell schwer abschätzen. Einerseits sind die Produktionsstätten in China angesiedelt, wo die Datenlage eingeschränkt ist. Andererseits existieren auch zahlreiche illegale Produktionsstätten, welche die Metalle unter umweltschädlichen Methoden abbauen und so die Erfassung einer genauen Datenlage erschweren. Dennoch ist aus dem aktuellem Stand der Forschung zu entnehmen, dass SEE (nicht nur Dysporsium) während ihrer Prozessierung eine große Menge an Chemikalien benötigen und dass dabei die radioaktive Abfallprodukte Thorium-232 und Uranium-238 entstehen. Diese können dann über die Luft oder durch das Abwasser in die Umwelt gelangen (Zapp et al., 2022).

Darüber hinaus ist zu berücksichtigen, dass die Wiederverwertung von SEE nur in geringem Maße möglich ist. Aktuellen Schätzungen zufolge können nur 1% der SEE im Recycling wiederverwertet werden (Jowitt et al., 2018).

Der Wasserverbrauch von Künstlicher Intelligenz

Global

KI benötigt eine außerordentlich große Menge an Wasser. Jedoch handelt es sich hierbei nicht um direkt konsumiertes Wasser. Der Wasserverbrauch beginnt bereits vor dem eigentlichen Training und steigt innerhalb des Trainings und des Deployments. Gemäß Li et al. (2023) und Privette (2024) kann der Wasserverbrauch einer KI in drei Kategorien klassifiziert werden:

  1. Verbrauch für die Kühlung von Rechenzentren
  2. Verbrauch für die Produktion von Strom z.B. durch Thermo- oder Hydroelektrizität
  3. Verbrauch durch die Herstellung von KI-Chips

Li et al. (2023) schätzen, dass sich der weltweite Wasserverbrauch von KI im Jahr 2027 auf 4,2 – 6,6 Milliarden Kubikmeter Wasser belaufen wird. Das würde dem vier- oder sechsfachen jährlichen Wasserverbrauch von Dänemark oder alternativ dem halben jährlichen Wasserverbrauch des Vereinigten Königreichs entsprechen. Von dieser Gesamtmenge gelten 0,38 bis 0,6 Milliarden Kubikmeter Wasser als verdampft und können nicht wiederverwendet werden. Zusätzlich wurde von den Autoren ermittelt, dass das Training von GPT-3 in Microsofts Rechenzentren in den USA 5,4 Milliarden Liter Wasser verbraucht, wovon 700.000 Liter verdampfen und nicht wiederverwendet werden können. Diese Zahl bezieht sich jedoch ausschließlich auf das Wasser für das Training, während weiterer Wasserverbrauch bei der Inferenz entsteht. Die Autoren schätzen, dass für 10 bis 50 mittelgroße Antworten GPT-3 circa 500 ml Wasser verbraucht, je nachdem, wo und wann es operiert.

In Bezug auf den Wasser- und Stromverbrauch sehen sich Unternehmen mit einem schwierigen Dilemma konfrontiert. Einerseits wird empfohlen, Rechenzentren an Standorten zu errichten, die über einen hohen Anteil an Solarenergie verfügen (sog. “Follow the Sun”), um den CO2-Ausstoß zu minimieren. Andererseits wird empfohlen, Rechenzentren in Regionen zu errichten, die während des Tages geringe Temperaturen aufweisen (sog. “Unfollow the Sun”), um den Wasserfußabdruck zu verringern (Li et al., 2023).

Eine ausreichende Balance zu finden kann schwierig sein und vor allem Gebiete mit einem hohen Anteil an erneuerbaren Energien leiden oftmals an einer Wasserknappheit, wie beispielsweise das Land Uruguay.

Uruguay und Google

Im Jahr 2022 machten erneuerbare Energien 91,1% der Stromerzeugung in Uruguay aus (IEA, o. J.-b). Aufgrund dieser Tatsache ist der Neubau potenzieller Rechenzentren in Uruguay attraktiv, weil der CO2 Fußabdruck dadurch reduziert werden kann. Allerdings steht dieses Ziel in direktem Konflikt mit der Wasserlage innerhalb Uruguays.

Im Jahr 2023 kämpfte Uruguay mit den schlimmsten Dürren der letzten 74 Jahre. In der Folge kam es zu einem Trinkwassermangel und zu einer Qualitätsminderung des Trinkwassers. In der stark betroffenen Hauptstadt Montevideo wurde dem Süßwasser auch salziges Meerwasser hinzugefügt, was eine gesundheitsschädliche Kombination über einen längeren Zeitraum darstellt (Baumgarten, 2023).

Trotz dieser schwierigen Umstände des Landes, plant Google mit einer 850 Millionen US-Dollar Investition ein neues Rechenzentrum in der Stadt Canelones in Uruguay zu errichten. Dieses Rechenzentrum diene der Verbesserung der Konnektivität und solle auch bei der steigenden Nachfrage von Googles KI-Diensten unterstützen (López, 2024). Kritiker behaupteten schon vor Googles Plänen, dass die Regierung Firmen priorisieren würden und die Bevölkerung unter den Folgen leiden würde. Schätzungen zufolge würde das neue Rechenzentrum täglich 7,6 Millionen Liter Wasser verbrauchen, was dem täglichen Wasserverbrauch von 55.000 Menschen (circa 1,6% der Gesamtbevölkerung) entspricht. Diese Zahlen sein laut dem uruguayischen Industrieministerium jedoch veraltet und würden nicht dem neusten Stand entsprechen. Allerdings sind es nicht nur Technologieunternehmen, welche Wasser verbrauchen, sondern auch zum Beispiel das finnische Unternehmen UPM. Das finnische Unternehmen verbraucht schätzungsweise 129,6 Millionen Liter Wasser täglich für die Materialherstellung von Papier, jedoch soll dieser Wasserverbrauch laut eines UPM-Pressesprechers nicht im Zusammenhang mit den Dürren stehen (Livingstone, 2023). Nach einer Planänderung entschied sich Google am Ende dazu, eine Luftkühlung anstelle einer Wasserkühlung zu verwenden (Livingstone, 2024).

Auch wenn der Wasserverbrauch von verschiedenen Unternehmen kritisch betrachtet werden muss, wäre es allerdings inkorrekt zu sagen, dass die Wasserknappheit ausschließlich darauf zurückzuführen sei. Das staatliche Wasserunternehmen OSE gab an, dass es 50% des prozessierten und trinkbaren Wasser aufgrund von Lecks verloren gehen. Das Unternehmen hat sich zum Ziel gesetzt, diese Verluste um 25% innerhalb der nächsten 20 Jahre zu reduzieren (International Trade Administration, 2023).

Stromverbrauch durch Rechenzentren

Global

Die International Energy Agency (IEA) in Paris gab an, dass im Jahr 2022 weltweit 8.000 Rechenzentren existierten, die einen Energieverbrauch von 460 Terawattstunden (TWh) aufwiesen und 2% des weltweiten Energieverbrauchs ausmachten. Die IEA prognostiziert, dass sich dieser Energieverbrauch bis 2026 verdoppeln und 1.000 TWh erreichen könnte. Die IEA argumentiert, dass vor allem aktuelle Entwicklungen in den Bereichen der der KI und Kryptowährungen ein maßgeblichen Teil dazu beitragen würden. Demzufolge entspräche der geschätzte Energieverbrauch von Rechenzentren im Jahr 2026 in etwa dem gesamten Energieverbrauch Japans (IEA, 2024a).

Die Prognosen des Unternehmens Goldman Sachs (2024) deuten auf eine ähnliche Entwicklung hin. So wird angenommen, dass Rechenzentren innerhalb dieses Jahrzehnts 3–4% des gesamten Energieverbrauchs für sich beanspruchen werden und sich der CO2-Ausstoß verdoppeln wird. KI wird laut Schätzungen des Unternehmens 200 THw jährlich verbrauchen und 19% des gesamten Stromverbrauchs aller Rechenzentren ausmachen.

Eine alternative Schätzung stammt von De Vries (2023). Diese Schätzung basiert auf den geplanten ausgelieferten KI-Servern vom aktuellen Marktführer Nvidia. Nvidia hat sich im Jahr 2023 das Ziel gesetzt 100.000 KI-Server auszuliefern. Unter der Annahme, dass diese Server mit voller Leistung laufen, entspräche dies einem jährlichen Verbrauch von 5,7 bis 8,9 THw, was einem vergleichsweise geringen Verbrauch entspricht. Nvidia plant jedoch in Zusammenarbeit mit dem Chiphersteller TSMC, die Bottlenecks der Produktion zu beseitigen und ab 2027 potenziell 1,5 Millionen KI-Server zu liefern (Bary, 2023). Unter voller Leistung entspräche dies einem Energieverbrauch von 85,4 bis 134,0 THw. Dies würde einen signifikanten Anstieg darstellen, jedoch argumentieren die Autoren auch, dass diese Server nicht kontinuierlich mit voller Leistung laufen würden.

Aber wie verbraucht KI Energie und wie könnte sich der Energieverbrauch erhöhen?

KI verbraucht einerseits viel Energie während des Trainings. Luccioni et al. (2022) haben festgestellt, dass beim Training von GPT-3 ein Energieverbrauch von 1,287 Megawattstunden (MWh) und ein Ausstoß von 502 Tonnen CO2-Äquivalente stattfand.

Allerdings wird innerhalb der KI-Pipeline häufig die KI-Inferenz vernachlässigt. wie Verdecchia et al. (2023) in ihrer systematischen Übersichtsarbeit festgestellt haben. Von 98 wissenschaftlichen Ausarbeitungen fokussierten sich demnach nur 17 auf die KI-Inferenz. Im Vergleich zu 49 Ausarbeitungen über die Trainingsphase und 32 Ausarbeitungen mit der allgemeinen Pipeline. Allerdings kann die Phase der Inferenz einen Großteil des Energieverbrauchs ausmachen. Eine interne Studie von Google ergab, dass Machine Learning zwischen 2019 und 2021 einen Gesamtenergieverbrauch von 15 % ausmachte, wovon 60 % auf die Inferenz und 40 % auf das Training entfielen (Patterson et al., 2022).

Das spiegelt sich auch in der Argumentation von Goldman Sachs (2024) und De Vries (2023) wieder. Beide argumentieren, dass eine verstärkte Nutzung von KI zu einem Anstieg des Energieverbrauchs führen würde. Zu diesem Zweck vergleichen sie die Zahlen von Googles Suchmaschine und ChatGPT. So gab Google (2009) an, dass eine Suche mit Google 0,3 Wattstunden (Wh) an Energie benötige, wohingegen eine ChatGPT-Anfrage 2,9 Wh benötige (De Vries, 2023). Zusätzlich argumentiert De Vries (2023), dass die Implementierung von KI in verschiedene Anwendungen, wie beispielsweise die Google-Suche, zu einer signifikanten Steigerung des Energieverbrauchs führen könnte.

Darüber hinaus könnte generative KI einen signifikanten Anteil des Energieverbrauchs ausmachen. Luccioni et al. (2023) haben in ihrer Studie festgestellt, dass generative Anfragen den höchsten Energie- und CO2-Verbrauch aufweisen. Anfragen mit Bildern verbrauchen auch grundsätzlich mehr Energie und stoßen mehr CO2 aus als textbasierte Anfragen.

Die IEA argumentiert, dass Rechenzentren bis zum Jahr 2030 lediglich einen kleinen Anteil an der globalen Energienachfrage ausmachen werden. Allerdings besteht die Möglichkeit, dass diese Nachfrage zu nationalen und regionalen Herausforderungen führen könnte (IEA, 2024b).

Kontinental

Gemäß den Analysegebnissen von Goldman Sachs (2024) wird der Stromverbrauch durch Rechenzentren in den USA bis zum Jahr 2030 voraussichtlich von 2 % auf 8 % ansteigen. Um diesen Bedarf zu decken, wird eine Investition in Höhe von 50 Milliarden US-Dollar erforderlich sein. Für Europa wird ein Anstieg des Strombedarfs von 40 – 50% prognostiziert, bedingt durch die zunehmende Elektrifizierung und die steigende Anzahl von Rechenzentren. Im Jahr 2030 könnten Rechenzentren so viel Energie verbrauchen, wie die Niederlande, Griechenland und Portugal kombiniert. Dies ist vor allem vor dem Hintergrund problematisch, dass die europäischen Stromnetze zu den ältesten weltweit gehören und ein geschätztes Investment von 800 Milliarden Euro für die Übertragung und Verteilung des Stroms erforderlich wäre. Ein weiteres Investment von 850 Milliarden Euro wird laut den Analysten benötigt, um erneuerbare Energien auszubauen.

Nationales Beispiel: Irland

Ein genauer Problemfall könnte Irland sein. Aufgrund der niedrigeren Steuerbelastung ist Irland ein attraktiver Standort für Unternehmen innerhalb der EU. Laut den Zahlen der IEA belief sich gesamten Energieverbrauch von Rechenzentren in Irland auf 5,3 THw in 2022 und machten damit 17% des gesamten Energieverbrauchs in Irland aus. Es wird prognostiziert, dass sich dieser Energieverbrauch bis 2026 verdoppeln und 32 % des Gesamtverbrauchs ausmachen könnte (IEA, 2024a).

Vergleichbare Zahlen werden auch vom Central Statistics Office und der irischen Regierung angegeben. Im Jahr 2023 machten Rechenzentren 21% des gesamten Energieverbrauchs aus, während der Anteil der urbanen Wohnungen bei 18 % und der ländlichen Wohnungen bei 10 % lag (Central Statistics Office, 2024).

Abbildung 1: Der Stromverbrauch von Rechenzentren in Irland (Central Statistics Office, 2024)

Gemäß dem Energieplan der Regierung von 2021 bis 2030 könnten Rechenzentren ab 2027 einen Anteil von 31% des gesamten Energieverbrauches ausmachen (Government of Ireland, 2024). In Anbetracht des hohen Energieverbrauchs hat der Übertragungsnetzbetreiber EirGrid, welcher dem irischen Staat unterliegt, angekündigt, dass er in naher Zukunft keine neuen Rechenzentren innerhalb der Umgebung von Dublin anschließen werde (Hurley, 2022).

Irland könnte auch Schwierigkeiten damit haben seine Klimaziele zu erreichen. Die irische Environmental Protection Agency (2023) gab an, dass das Land seine angestrebten 51% Reduktion der Treibhausgase bis 2030 nicht erreichen wird. Darüber hinaus wird ausgeführt, dass alle Sektoren (Agrikultur, Strom, Transport und Industrie) – mit Ausnahme der Wohngebäudesektoren – ihre festgelegten Emissionsgrenzen überschreiten werden.

In einem Interview mit der britischen Tageszeitung The Guardian äußerte Professor Paul Deane von der Universität College Cork die Ansicht, dass der Energieverbrauch an sich keine Probleme darstellen würde. Er wies jedoch darauf hin, dass Irland derzeit zu stark von fossilen Brennstoffen abhängig ist (Ambrose, 2024). Im Jahr 2022 lag der Anteil erneuerbarer Energien an der irischen Stromerzeugung bei circa 38%, womit Irland unter dem europäischen Durchschnitt von 40,3 % lag (IEA, o. J.-a; Sustainable Energy Authority of Ireland, 2023).

Welche Lösungen gibt es?

Die thematisierten Probleme sind nicht unlösbar und es werden diverse Lösungen vorgeschlagen.

Um die Situation der Mineralien zu verbessern, argumentieren Zapp et al. (2022), dass das Recycling verbessert, illegale Minen geschlossen und Lieferkettengesetze initiiert werden müssen.

Li et al. (2023) fordern eine gesteigerte Transparenz im Bereich des Wasserverbrauches und argumentieren, dass Unternehmen häufig die erste Kategorie des Wasserverbrauches priorisieren (Verbrauch für die Kühlung von Rechenzentren), allerdings solle die zweite Kategorie des Wasserverbrauches nicht vernachlässigt werden (Verbrauch für die Produktion von Strom z.B. durch Thermo- oder Hydroelektrizität). Mytton (2021) zufolge haben Technologieunternehmen auch einen ökonomischen Anreiz ihren Wasserverbrauch effizienter zu gestalten, da sie die Kosten dafür tragen müssen. Allerdings wird auch hier argumentiert, dass viele große Unternehmen eine mangelnde Transparenz in ihrem Wassermanagement aufweisen.

Um die Umweltauswirkungen durch KI einzuschränken und besser bewerten zu können, empfiehlt das UNEP die Umsetzung der folgenden fünf Punkte (United Nations Environment Programme, 2024b):

  1. Länder sollen standardisierte Prozeduren einführen, um durch KI entstehende Umweltauswirkungen zu messen.
  2. Mithilfe des UNEP sollen Regulierungen von Regierungen beschlossen werden, welche Firmen dazu zu verpflichten, die Umweltauswirkungen von KI-Diensten und Produkten zu veröffentlichen.
  3. Effizientere KI Algorithmen, um den Energieverbrauch zu senken. Zusätzlich soll Wasser wiederverwertet und Komponenten wiederverwendet werden.
  4. Erneuerbare Energien sollen ausgebaut und verwendet werden. Zusätzlich sollen Firmen dazu angeregt werden, ihren CO2 Ausstoß auszugleichen (carbon offsets).
  5. KI-Regulierungen sollen in allgemeine Umweltregulierungen integriert werden.

Weiterer technologischer Fortschritt wie zum Beispiel das neu erschienene Modell von der chinesischen Firma Deepseek könnte ebenfalls zu einer Lösung beitragen.

Gemäß den Forschern wurde Deepseek V3 mit älteren GPUs trainiert und benötigte eine Trainingszeit von 2,78 Millionen GPU-Stunden (DeepSeek-AI et al., 2024). Um es mit einem anderen Modell zu vergleichen: Metas Llama 3.1 Modell mit 405 Milliarden Parametern benötigte für das Training 30,48 Millionen GPU-Stunden, während das Modell mit den wenigsten Parametern (8 Milliarden) eine Gesamttrainingszeit von 1,46 Millionen GPU-Stunden benötigte (Meta, 2024).

Aus technologischer und wissenschaftlicher Sicht ist das ein beeindruckendes Ergebnis. Ob und wie sich Deepseek allerdings auf die Nachhaltigkeit von KI auswirkt, ist aktuell schwer einzuschätzen. Kritiker verweisen häufig auf das Jevons-Paradoxon – die Beobachtung, dass eine gesteigerte Effizienz und niedrigere Kosten zu einer höheren Nachfrage führen (Jevons, 1866, zitiert nach Bosch et al., 2024; Collins, 2025). Somit könnte Deepseek das Problem potenziell verschlimmern, allerdings ist es noch zu früh für finale Schlussfolgerungen.

Fazit – Wie schlimm ist KI für die Umwelt nun wirklich?

Ziel des Blog Posts war es eine kritische Einschätzung der direkten Umwelteinflüsse durch KI zu bieten. Nichtsdestotrotz ist es wichtig anzumerken, dass der aktuelle Stand noch unklar ist und zahlreiche offene Fragen aufwirft. Ein wesentliches Problem besteht darin, dass die genauen Daten über die direkten Umwelteinflüsse durch KI geheimgehalten werden. Das erschwert die Forschung und das Formulieren genauer Lösungsvorschläge. Das Forschungsfeld ist zudem noch sehr jung und befindet sich erst in den Anfängen. Es ist deshalb von entscheidender Bedeutung, dass weiterhin zu geforscht wird, sowohl unter Forschern, als auch innerhalb der verschiedenen Unternehmen selbst.

Der rasante Anstieg von KI könnte in gewissen Regionen zu Problemen führen, allerdings ist die genaue Auswirkung auf einer globalen Ebene ungewiss. Viele der angesprochenen Probleme waren bereits vor der explosionsartigen Popularität von KI vorhanden (z.B. der umweltschädliche Abbau von SEE) und werden meiner Ansicht nach durch den Hype von KI beschleunigt und hervorgehoben.

Um so wichtiger ist es deshalb, den Wald nicht vor lauter Bäumen zu verlieren. KI ist nicht der Buhmann aller Umweltprobleme und sollte auch nicht als Sündenbock verwendet werden. Häufig sind es größere und systemische Probleme, die besonders gefährlich sind, wie zum Beispiel ein stockender Ausbau von erneuerbaren Energien oder die Tatsache, dass die Vereinigten Staaten unter Präsident Donald J. Trump zum zweiten Mal aus dem Pariser Klimaabkommen ausgetreten sind (The White House, 2025).

Literaturverzeichnis

Ambrose, J. (2024, Juli 23). Ireland’s datacentres overtake electricity use of all urban homes combined. The Guardian. https://www.theguardian.com/world/article/2024/jul/23/ireland-datacentres-overtake-electricity-use-of-all-homes-combined-figures-show

Bary, E. (2023, Juli 24). Nvidia is „dominating“ and could unlock $300 billion in AI revenue by 2027, analyst says. MarketWatch. https://www.marketwatch.com/story/nvidia-is-dominating-and-could-unlock-300-billion-in-ai-revenue-by-2027-analyst-says-915935c0

Baumgarten, R. (2023, Juli 2). Uruguay: Gefährlicher Wassermangel. tagesschau.de. https://www.tagesschau.de/ausland/uruguay-duerre-100.html

Bosch, H., Gupta, J., & Vliet, L. van. (2024, März 21). AI’s excessive water consumption threatens to drown out its environmental contributions. The Conversation. http://theconversation.com/ais-excessive-water-consumption-threatens-to-drown-out-its-environmental-contributions-225854

Bradsher, K. (2024, Oktober 26). China Tightens Its Hold on Minerals Needed to Make Computer Chips. The New York Times. https://www.nytimes.com/2024/10/26/business/china-critical-minerals-semiconductors.html

Central Statistics Office. (2024, Juli 23). Data Centres Metered Electricity Consumption 2023—Central Statistics Office. Data Centres Metered Electricity Consumption 2023; CSO. https://www.cso.ie/en/releasesandpublications/ep/p-dcmec/datacentresmeteredelectricityconsumption2023/

Collins, J. (2025, Januar 30). What does DeepSeek mean for AI’s environmental impact? Dw.Com. https://www.dw.com/en/what-does-chinas-deepseek-mean-for-ais-energy-and-water-use/a-71459557

Coroamă, V. C., & Pargman, D. (2020). Skill rebound: On an unintended effect of digitalization. Proceedings of the 7th International Conference on ICT for Sustainability, 213–219. https://doi.org/10.1145/3401335.3401362

De Vries, A. (2023). The growing energy footprint of artificial intelligence. Joule, 7(10), 2191–2194. https://doi.org/10.1016/j.joule.2023.09.004

DeepSeek-AI, Liu, A., Feng, B., Xue, B., Wang, B., Wu, B., Lu, C., Zhao, C., Deng, C., Zhang, C., Ruan, C., Dai, D., Guo, D., Yang, D., Chen, D., Ji, D., Li, E., Lin, F., Dai, F., … Pan, Z. (2024). DeepSeek-V3 Technical Report (Version 1). arXiv. https://doi.org/10.48550/ARXIV.2412.19437

Environmental Protection Agency. (2023, Juni 1). Ireland projected to fall well short of climate targets, says EPA. https://www.epa.ie/news-releases/news-releases-2023/ireland-projected-to-fall-well-short-of-climate-targets-says-epa.php

Evans, R., & Gao, J. (2016, Juli 20). DeepMind AI Reduces Google Data Centre Cooling Bill by 40%. Google DeepMind. https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/

Goldman Sachs. (2024, Mai 14). AI is poised to drive 160% increase in data center power demand. https://www.goldmansachs.com/insights/articles/AI-poised-to-drive-160-increase-in-power-demand

Goldstein, J. A., Sastry, G., Musser, M., DiResta, R., Gentzel, M., & Sedova, K. (2023). Generative Language Models and Automated Influence Operations: Emerging Threats and Potential Mitigations (Version 1). arXiv. https://doi.org/10.48550/ARXIV.2301.04246

Google. (2009, Januar 11). Powering a Google search. Official Google Blog. https://googleblog.blogspot.com/2009/01/powering-google-search.html

Government of Ireland. (2024, Juli). Ireland’s integrated National Energy and Climate Plan 2021-2030. https://www.gov.ie/pdf/?file=https://assets.gov.ie/299744/9a308db2-cbd5-46e8-8674-e939dca87263.pdf#page=null

Hu, K. (2023, Februar 2). ChatGPT sets record for fastest-growing user base—Analyst note. Reuters. https://www.reuters.com/technology/chatgpt-sets-record-fastest-growing-user-base-analyst-note-2023-02-01/

Hurley, S. (2022, Januar 10). No new data centres for Dublin for the „foreseeable“. https://www.rte.ie/news/dublin/2022/0110/1272869-eirgrid-datacentres-dublin/

IEA. (o. J.-a). Ireland—Countries & Regions. IEA. Abgerufen 11. Februar 2025, von https://www.iea.org/countries/ireland

IEA. (o. J.-b). Uruguay—Countries & Regions. IEA. Abgerufen 8. Februar 2025, von https://www.iea.org/countries/uruguay

IEA. (2024a). Electricity 2024. IEA. https://www.iea.org/reports/electricity-2024

IEA. (2024b). World Energy Outlook 2024. IEA. https://www.iea.org/reports/world-energy-outlook-2024

International Trade Administration. (2023, September 28). Uruguay Water Supply Challenges. https://www.trade.gov/market-intelligence/uruguay-water-supply-challenges

Jevons, W. S. (1866). The Coal Question; An Inquiry Concerning the Progress of the Nation, and the Probable Exhaustion of Our Coal Mines. Macmillan and Co.

Jowitt, S. M., Werner, T. T., Weng, Z., & Mudd, G. M. (2018). Recycling of the rare earth elements. Current Opinion in Green and Sustainable Chemistry, 13, 1–7. https://doi.org/10.1016/j.cogsc.2018.02.008

Kamyab, H., Khademi, T., Chelliapan, S., SaberiKamarposhti, M., Rezania, S., Yusuf, M., Farajnezhad, M., Abbas, M., Hun Jeon, B., & Ahn, Y. (2023). The latest innovative avenues for the utilization of artificial Intelligence and big data analytics in water resource management. Results in Engineering, 20, 101566. https://doi.org/10.1016/j.rineng.2023.101566

Li, P., Yang, J., Islam, M. A., & Ren, S. (2023). Making AI Less „Thirsty“: Uncovering and Addressing the Secret Water Footprint of AI Models (Version 4). arXiv. https://doi.org/10.48550/ARXIV.2304.03271

Livingstone, G. (2023, Juli 11). ‘It’s pillage’: Thirsty Uruguayans decry Google’s plan to exploit water supply. The Guardian. https://www.theguardian.com/world/2023/jul/11/uruguay-drought-water-google-data-center

Livingstone, G. (2024, August 1). Anger mounts over environmental cost of Google datacentre in Uruguay. The Guardian. https://www.theguardian.com/global-development/article/2024/aug/01/uruguay-anger-environmental-cost-google-datacentre-carbon-emissions-toxic-waste-water

López, E. (2024, August 29). A new data center in Latin America. Google. https://blog.google/around-the-globe/google-latin-america/a-new-data-center-in-latin-america/

Luccioni, A. S., Jernite, Y., & Strubell, E. (2023). Power Hungry Processing: Watts Driving the Cost of AI Deployment? https://doi.org/10.48550/ARXIV.2311.16863

Luccioni, A. S., Viguier, S., & Ligozat, A.-L. (2022). Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model (Version 1). arXiv. https://doi.org/10.48550/ARXIV.2211.02001

Meta. (2024, Dezember 6). Meta-llama/Llama-3.1-405B-Instruct. Hugging Face. https://huggingface.co/meta-llama/Llama-3.1-405B-Instruct

Microsoft. (2024, Mai). Copilot in Bing: Our approach to Responsible AI – Microsoft Support. https://support.microsoft.com/en-us/topic/copilot-in-bing-our-approach-to-responsible-ai-45b5eae8-7466-43e1-ae98-b48f8ff8fd44

Mytton, D. (2021). Data centre water consumption. Npj Clean Water, 4(1), 11. https://doi.org/10.1038/s41545-021-00101-w

Patterson, D., Gonzalez, J., Hölzle, U., Le, Q., Liang, C., Munguia, L.-M., Rothchild, D., So, D., Texier, M., & Dean, J. (2022). The Carbon Footprint of Machine Learning Training Will Plateau, Then Shrink (Version 1). arXiv. https://doi.org/10.48550/ARXIV.2204.05149

Pichai, S. (2023, Februar 6). An important next step on our AI journey. Google. https://blog.google/technology/ai/bard-google-ai-search-updates/

Pichai, S., & Hassabis, D. (2023, Dezember 6). Introducing Gemini: Our largest and most capable AI model. Google. https://blog.google/technology/ai/google-gemini-ai/

Privette, A. P. (2024, Oktober 11). AI’s Challenging Waters. University of Illinois Urbana-Champaign. https://cee.illinois.edu/news/AIs-Challenging-Waters

Rao, P. (2023, Juli 13). How Long it Took for Popular Apps to Reach 100 Million Users. Visual Capitalist. https://www.visualcapitalist.com/threads-100-million-users/

Sustainable Energy Authority of Ireland. (2023). Renewable Energy in Ireland | Data and Insights | SEAI. https://www.seai.ie/data-and-insights/seai-statistics/key-publications/renewable-energy-in-ireland

The White House. (2025, Januar 20). Putting America First In International Environmental Agreements. The White House. https://www.whitehouse.gov/presidential-actions/2025/01/putting-america-first-in-international-environmental-agreements/

United Nations Environment Programme. (2024a). Artificial Intelligence (AI) end-to-end: The Environmental Impact of the Full AI Lifecycle Needs to be Comprehensively Assessed—Issue Note. https://wedocs.unep.org/20.500.11822/46288

United Nations Environment Programme. (2024b, September 21). AI has an environmental problem. Here’s what the world can do about that. https://www.unep.org/news-and-stories/story/ai-has-environmental-problem-heres-what-world-can-do-about

Verdecchia, R., Sallou, J., & Cruz, L. (2023). A systematic review of Green AI. WIREs Data Mining and Knowledge Discovery, 13(4), e1507. https://doi.org/10.1002/widm.1507

Zapp, P., Schreiber, A., Marx, J., & Kuckshinrichs, W. (2022). Environmental impacts of rare earth production. MRS Bulletin, 47(3), 267–275. https://doi.org/10.1557/s43577-022-00286-6


Posted

in

by

as421

Comments

Leave a Reply