- \n
- Zu den direkten Auswirkungen z\u00e4hlen zum einen der Verbrauch von Mineralien, Energie und Wasser sowie der Aussto\u00df von Emissionen und die Produktion von Elektroschrott.<\/li>\n<\/ul>\n<\/li>\n\n\n\n
- Indirekt\n
- \n
- Zu den indirekten Auswirkungen z\u00e4hlen Umweltsch\u00e4den, die durch den Fortschritt von KI verursacht werden k\u00f6nnten. Ein Beispiel w\u00e4re die steigende Nutzung von autonomem Fahren, welches dazu f\u00fchren k\u00f6nnte, dass Autofahrten h\u00e4ufiger und l\u00e4nger stattfinden. Des Weiteren k\u00f6nnte es zu einer Verringerung der Nutzung \u00f6ffentlicher Verkehrsmittel und auch der Einbindung einer neuen Demografie kommen, welche zuvor nicht fahren konnten (z.B. Kinder oder Haustiere) (Coroam\u0103 & Pargman, 2020).<\/li>\n<\/ul>\n<\/li>\n\n\n\n
- Auswirkungen der h\u00f6heren Ordnung (higher-order effects)\n
- \n
- Die Auswirkungen der h\u00f6heren Ordnung k\u00f6nnen sowohl positiv als auch negativ sein. Dies umfasst potenzielle Ver\u00e4nderungen des Verhaltens sowie der gesellschaftlichen und \u00f6konomischen Struktur, die durch den erh\u00f6hten Einsatz von KI bedingt sein k\u00f6nnen. 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).<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n
In diesem Blog Post wird sich ausschlie\u00dflich mit den direkten Umwelteinfl\u00fcssen durch KI auseinandergesetzt.<\/p>\n\n\n\n
Die direkten negativen Umwelteinfl\u00fcsse von K\u00fcnstlicher Intelligenz<\/h2>\n\n\n\n
Mineralien<\/h3>\n\n\n\n
KI-Modelle zu trainieren erfordert einen massiven Rechenaufwand. Ein so hoher Rechenaufwand, sodass es es f\u00fcr die meisten Rechner nicht m\u00f6glich ist KI-Modelle zu trainieren. Dedizierte High-End Graphics processing units (GPUs) sind f\u00fcr das Training notwendig und die amerikanische Firma Nvidia ist in diesem Bereich besonders erfolgreich. Sch\u00e4tzungen zufolge besitzt Nvidia im KI-Server-Bereich einen Marktanteil von 95% (De Vries, 2023).<\/p>\n\n\n\n
Die Herstellung von GPUs ist ein massiver Aufwand verbunden mit dem Abbau und sp\u00e4teren Recycling vieler Mineralien. Die genaue Bestandteile vieler GPUs sind nicht bekannt. Allerdings ist es dokumentiert, dass GPU-Hersteller Dysprosium in ihren Kondensatoren einsetzen. Dysprosium geh\u00f6rt zu den Seltenen Erdmetallen (SEE) und wird aufgrund seiner hohen Hitzeresistenz verwendet (Bradsher, 2024).<\/p>\n\n\n\n
Die genauen Folgen des Abbaus von SEE lassen sich aktuell schwer absch\u00e4tzen. Einerseits sind die Produktionsst\u00e4tten in China angesiedelt, wo die Datenlage eingeschr\u00e4nkt ist. Andererseits existieren auch zahlreiche illegale Produktionsst\u00e4tten, welche die Metalle unter umweltsch\u00e4dlichen 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) w\u00e4hrend ihrer Prozessierung eine gro\u00dfe Menge an Chemikalien ben\u00f6tigen und dass dabei die radioaktive Abfallprodukte Thorium-232 und Uranium-238 entstehen. Diese k\u00f6nnen dann \u00fcber die Luft oder durch das Abwasser in die Umwelt gelangen (Zapp et al., 2022).<\/p>\n\n\n\n
Dar\u00fcber hinaus ist zu ber\u00fccksichtigen, dass die Wiederverwertung von SEE nur in geringem Ma\u00dfe m\u00f6glich ist. Aktuellen Sch\u00e4tzungen zufolge k\u00f6nnen nur 1% der SEE im Recycling wiederverwertet werden (Jowitt et al., 2018).<\/p>\n\n\n\n
Der Wasserverbrauch von K\u00fcnstlicher Intelligenz<\/h3>\n\n\n\n
Global<\/h4>\n\n\n\n
KI ben\u00f6tigt eine au\u00dferordentlich gro\u00dfe 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. Gem\u00e4\u00df Li et al. (2023) und Privette (2024) kann der Wasserverbrauch einer KI in drei Kategorien klassifiziert werden:<\/p>\n\n\n\n
- \n
- Verbrauch f\u00fcr die K\u00fchlung von Rechenzentren<\/li>\n\n\n\n
- Verbrauch f\u00fcr die Produktion von Strom z.B. durch Thermo- oder Hydroelektrizit\u00e4t<\/li>\n\n\n\n
- Verbrauch durch die Herstellung von KI-Chips<\/li>\n<\/ol>\n\n\n\n
Li et al. (2023) sch\u00e4tzen, dass sich der weltweite Wasserverbrauch von KI im Jahr 2027 auf 4,2 \u2013 6,6 Milliarden Kubikmeter Wasser belaufen wird. Das w\u00fcrde dem vier- oder sechsfachen j\u00e4hrlichen Wasserverbrauch von D\u00e4nemark oder alternativ dem halben j\u00e4hrlichen Wasserverbrauch des Vereinigten K\u00f6nigreichs entsprechen. Von dieser Gesamtmenge gelten 0,38 bis 0,6 Milliarden Kubikmeter Wasser als verdampft und k\u00f6nnen nicht wiederverwendet werden. Zus\u00e4tzlich 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 k\u00f6nnen. Diese Zahl bezieht sich jedoch ausschlie\u00dflich auf das Wasser f\u00fcr das Training, w\u00e4hrend weiterer Wasserverbrauch bei der Inferenz entsteht. Die Autoren sch\u00e4tzen, dass f\u00fcr 10 bis 50 mittelgro\u00dfe Antworten GPT-3 circa 500 ml Wasser verbraucht, je nachdem, wo und wann es operiert.<\/p>\n\n\n\n
In Bezug auf den Wasser- und Stromverbrauch sehen sich Unternehmen mit einem schwierigen Dilemma konfrontiert. Einerseits wird empfohlen, Rechenzentren an Standorten zu errichten, die \u00fcber einen hohen Anteil an Solarenergie verf\u00fcgen (sog. “Follow the Sun”), um den CO2-Aussto\u00df zu minimieren. Andererseits wird empfohlen, Rechenzentren in Regionen zu errichten, die w\u00e4hrend des Tages geringe Temperaturen aufweisen (sog. “Unfollow the Sun”), um den Wasserfu\u00dfabdruck zu verringern (Li et al., 2023). <\/p>\n\n\n\n
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.<\/p>\n\n\n\n
Uruguay und Google<\/h4>\n\n\n\n
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 Fu\u00dfabdruck dadurch reduziert werden kann. Allerdings steht dieses Ziel in direktem Konflikt mit der Wasserlage innerhalb Uruguays.<\/p>\n\n\n\n
Im Jahr 2023 k\u00e4mpfte Uruguay mit den schlimmsten D\u00fcrren der letzten 74 Jahre. In der Folge kam es zu einem Trinkwassermangel und zu einer Qualit\u00e4tsminderung des Trinkwassers. In der stark betroffenen Hauptstadt Montevideo wurde dem S\u00fc\u00dfwasser auch salziges Meerwasser hinzugef\u00fcgt, was eine gesundheitssch\u00e4dliche Kombination \u00fcber einen l\u00e4ngeren Zeitraum darstellt (Baumgarten, 2023).<\/p>\n\n\n\n
Trotz dieser schwierigen Umst\u00e4nde 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 Konnektivit\u00e4t und solle auch bei der steigenden Nachfrage von Googles KI-Diensten unterst\u00fctzen (L\u00f3pez, 2024). Kritiker behaupteten schon vor Googles Pl\u00e4nen, dass die Regierung Firmen priorisieren w\u00fcrden und die Bev\u00f6lkerung unter den Folgen leiden w\u00fcrde. Sch\u00e4tzungen zufolge w\u00fcrde das neue Rechenzentrum t\u00e4glich 7,6 Millionen Liter Wasser verbrauchen, was dem t\u00e4glichen Wasserverbrauch von 55.000 Menschen (circa 1,6% der Gesamtbev\u00f6lkerung) entspricht. Diese Zahlen sein laut dem uruguayischen Industrieministerium jedoch veraltet und w\u00fcrden 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 sch\u00e4tzungsweise 129,6 Millionen Liter Wasser t\u00e4glich f\u00fcr die Materialherstellung von Papier, jedoch soll dieser Wasserverbrauch laut eines UPM-Pressesprechers nicht im Zusammenhang mit den D\u00fcrren stehen (Livingstone, 2023). Nach einer Plan\u00e4nderung entschied sich Google am Ende dazu, eine Luftk\u00fchlung anstelle einer Wasserk\u00fchlung zu verwenden (Livingstone, 2024).<\/p>\n\n\n\n
Auch wenn der Wasserverbrauch von verschiedenen Unternehmen kritisch betrachtet werden muss, w\u00e4re es allerdings inkorrekt zu sagen, dass die Wasserknappheit ausschlie\u00dflich darauf zur\u00fcckzuf\u00fchren 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 n\u00e4chsten 20 Jahre zu reduzieren (International Trade Administration, 2023).<\/p>\n\n\n\n
Stromverbrauch durch Rechenzentren<\/h3>\n\n\n\n
Global<\/h4>\n\n\n\n
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 k\u00f6nnte. Die IEA argumentiert, dass vor allem aktuelle Entwicklungen in den Bereichen der der KI und Kryptow\u00e4hrungen ein ma\u00dfgeblichen Teil dazu beitragen w\u00fcrden. Demzufolge entspr\u00e4che der gesch\u00e4tzte Energieverbrauch von Rechenzentren im Jahr 2026 in etwa dem gesamten Energieverbrauch Japans (IEA, 2024a).<\/p>\n\n\n\n
Die Prognosen des Unternehmens Goldman Sachs (2024) deuten auf eine \u00e4hnliche Entwicklung hin. So wird angenommen, dass Rechenzentren innerhalb dieses Jahrzehnts 3\u20134% des gesamten Energieverbrauchs f\u00fcr sich beanspruchen werden und sich der CO2-Aussto\u00df verdoppeln wird. KI wird laut Sch\u00e4tzungen des Unternehmens 200 THw j\u00e4hrlich verbrauchen und 19% des gesamten Stromverbrauchs aller Rechenzentren ausmachen.<\/p>\n\n\n\n
Eine alternative Sch\u00e4tzung stammt von De Vries (2023). Diese Sch\u00e4tzung basiert auf den geplanten ausgelieferten KI-Servern vom aktuellen Marktf\u00fchrer 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, entspr\u00e4che dies einem j\u00e4hrlichen 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 entspr\u00e4che dies einem Energieverbrauch von 85,4 bis 134,0 THw. Dies w\u00fcrde einen signifikanten Anstieg darstellen, jedoch argumentieren die Autoren auch, dass diese Server nicht kontinuierlich mit voller Leistung laufen w\u00fcrden.<\/p>\n\n\n\n
Aber wie verbraucht KI Energie und wie k\u00f6nnte sich der Energieverbrauch erh\u00f6hen?<\/p>\n\n\n\n
KI verbraucht einerseits viel Energie w\u00e4hrend des Trainings. Luccioni et al. (2022) haben festgestellt, dass beim Training von GPT-3 ein Energieverbrauch von 1,287 Megawattstunden (MWh) und ein Aussto\u00df von 502 Tonnen CO2-\u00c4quivalente stattfand.<\/p>\n\n\n\n
Allerdings wird innerhalb der KI-Pipeline h\u00e4ufig die KI-Inferenz vernachl\u00e4ssigt. wie Verdecchia et al. (2023) in ihrer systematischen \u00dcbersichtsarbeit festgestellt haben. Von 98 wissenschaftlichen Ausarbeitungen fokussierten sich demnach nur 17 auf die KI-Inferenz. Im Vergleich zu 49 Ausarbeitungen \u00fcber die Trainingsphase und 32 Ausarbeitungen mit der allgemeinen Pipeline. Allerdings kann die Phase der Inferenz einen Gro\u00dfteil 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).<\/p>\n\n\n\n
Das spiegelt sich auch in der Argumentation von Goldman Sachs (2024) und De Vries (2023) wieder. Beide argumentieren, dass eine verst\u00e4rkte Nutzung von KI zu einem Anstieg des Energieverbrauchs f\u00fchren w\u00fcrde. 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 ben\u00f6tige, wohingegen eine ChatGPT-Anfrage 2,9 Wh ben\u00f6tige (De Vries, 2023). Zus\u00e4tzlich argumentiert De Vries (2023), dass die Implementierung von KI in verschiedene Anwendungen, wie beispielsweise die Google-Suche, zu einer signifikanten Steigerung des Energieverbrauchs f\u00fchren k\u00f6nnte.<\/p>\n\n\n\n
Dar\u00fcber hinaus k\u00f6nnte generative KI einen signifikanten Anteil des Energieverbrauchs ausmachen. Luccioni et al. (2023) haben in ihrer Studie festgestellt, dass generative Anfragen den h\u00f6chsten Energie- und CO2-Verbrauch aufweisen. Anfragen mit Bildern verbrauchen auch grunds\u00e4tzlich mehr Energie und sto\u00dfen mehr CO2 aus als textbasierte Anfragen.<\/p>\n\n\n\n
Die IEA argumentiert, dass Rechenzentren bis zum Jahr 2030 lediglich einen kleinen Anteil an der globalen Energienachfrage ausmachen werden. Allerdings besteht die M\u00f6glichkeit, dass diese Nachfrage zu nationalen und regionalen Herausforderungen f\u00fchren k\u00f6nnte (IEA, 2024b).<\/p>\n\n\n\n
Kontinental<\/h4>\n\n\n\n
Gem\u00e4\u00df 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 H\u00f6he von 50 Milliarden US-Dollar erforderlich sein. F\u00fcr Europa wird ein Anstieg des Strombedarfs von 40 – 50% prognostiziert, bedingt durch die zunehmende Elektrifizierung und die steigende Anzahl von Rechenzentren. Im Jahr 2030 k\u00f6nnten Rechenzentren so viel Energie verbrauchen, wie die Niederlande, Griechenland und Portugal kombiniert. Dies ist vor allem vor dem Hintergrund problematisch, dass die europ\u00e4ischen Stromnetze zu den \u00e4ltesten weltweit geh\u00f6ren und ein gesch\u00e4tztes Investment von 800 Milliarden Euro f\u00fcr die \u00dcbertragung und Verteilung des Stroms erforderlich w\u00e4re. Ein weiteres Investment von 850 Milliarden Euro wird laut den Analysten ben\u00f6tigt, um erneuerbare Energien auszubauen.<\/p>\n\n\n\n
Nationales Beispiel: Irland<\/h4>\n\n\n\n
Ein genauer Problemfall k\u00f6nnte Irland sein. Aufgrund der niedrigeren Steuerbelastung ist Irland ein attraktiver Standort f\u00fcr 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 k\u00f6nnte (IEA, 2024a). <\/p>\n\n\n\n
- Die Auswirkungen der h\u00f6heren Ordnung k\u00f6nnen sowohl positiv als auch negativ sein. Dies umfasst potenzielle Ver\u00e4nderungen des Verhaltens sowie der gesellschaftlichen und \u00f6konomischen Struktur, die durch den erh\u00f6hten Einsatz von KI bedingt sein k\u00f6nnen. 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).<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n
![\"\"](\"https:\/\/blog.mi.hdm-stuttgart.de\/wp-content\/uploads\/2025\/02\/Data_Centres_Metered_Electricity_Consumption_2023_infographic.png\")
<\/a>