Vier redenen voor optimisme over het energieverbruik van AI

Allereerst kunnen AI-modellen efficiënter worden. Momenteel worden veel modellen getraind op gigantische, vaak ongerichte datasets. Door te focussen op meer gecureerde data, specifiek afgestemd op taken, kan de trainingsfase minder energie vergen. Raquel Urtasun, CEO van robotruck-startup Waabi, vergelijkt dit met het gerichte curriculum voor kinderen, in plaats van hen alles te laten lezen.

Ontwikkeling van efficiëntere computerchips

Ten tweede draagt de ontwikkeling van efficiëntere computerchips bij. Hoewel chipmakers nu krachtigere chips produceren, is dit op lange termijn onhoudbaar. Kleinere modellen en het verplaatsen van computing naar persoonlijke apparaten, vereisen energiezuinigere chips, die zelfs op batterijen kunnen werken. Experimentele chipontwerpen zijn in ontwikkeling om dit te realiseren.

Een derde punt van optimisme betreft de koeling van datacenters. De hitteproductie van high-end AI-hardware is een grote energieverbruiker. Hoewel waterkoeling efficiënter is dan luchtkoeling, zijn er nog steeds manieren om dit proces verder te optimaliseren en de impact op lokale waterbronnen te verminderen.

Energiebesparing

Tot slot stimuleert kostenbesparing ook energiebesparing. Duurzaamheid is bij AI geen bijzaak, maar een noodzaak. Bedrijven die de operationele kosten van hun AI-modellen willen verlagen, zullen automatisch hun energieverbruik moeten terugdringen. De toenemende concurrentie in de AI-markt zal bedrijven dwingen tot efficiëntieverbeteringen, wat positief is voor zowel de portemonnee als het milieu.

Deze innovaties bieden hoop dat de AI-industrie een duurzamere koers kan varen. Lees het hele artikel van MIT Technology Review hier.