På Googles seneste flagskibskonference I/O fordoblede virksomheden sin Search Generative Experience (SGE) - som vil integrere generativ AI i Google Search.
SGE, som har til formål at give AI-genererede svar til over en milliard brugere inden udgangen af 2024, er afhængig af Gemini, Googles familie af store sprogmodeller (LLM'er), for at generere menneskelignende svar på søgeforespørgsler.
I stedet for en traditionel Google-søgning, som primært viser links, vil du blive præsenteret for et AI-genereret resumé sammen med andre resultater.
Dette "AI-overblik" er blevet kritiseret for levere nonsens-informationog Google arbejder hurtigt på løsninger, før de begynder at udrulle i stor stil.
Men ud over at anbefale lim på pizza og sige, at pytonslanger er pattedyr, er der et andet problem med Googles nye AI-drevne søgestrategi: dens miljømæssige fodaftryk.
Hvorfor SGE er ressourcekrævende
Mens traditionelle søgemaskiner blot henter eksisterende information fra internettet, skal generative AI-systemer som SGE skabe helt nyt indhold til hver forespørgsel.
Denne proces kræver langt mere computerkraft og energi end konventionelle søgemetoder.
Det anslås, at der foretages mellem 3 og 10 milliarder Google-søgninger dagligt. Virkningerne af at anvende AI på selv en lille procentdel af disse søgninger kan være utrolige.
Sasha Luccioni, en forsker ved AI-virksomheden Hugging Face, som studerer miljøpåvirkningen af disse teknologier, diskuterede for nylig den kraftige stigning i energiforbruget, som SGE kan udløse.
Luccioni og hendes team vurderer, at generering af søgeinformation med AI kan kræve 30 gange så meget energi som en konventionel søgning.
"Det giver bare mening, ikke? Mens en almindelig søgeforespørgsel finder eksisterende data fra internettet, skal applikationer som AI Overviews skabe helt ny information," sagde hun til Scientific American.
I 2023 fandt Luccioni og hendes kolleger ud af, at træning af LLM BLOOM udledte drivhusgasser svarende til 19 kg CO2 pr. brugsdag, eller den mængde, der genereres ved at køre 49 km i en gennemsnitlig benzindrevet bil. De fandt også ud af, at generering af Bare to billeder ved hjælp af AI kan forbruge lige så meget energi som en fuld opladning af en gennemsnitlig smartphone.
Tidligere undersøgelser har anslået, at CO2-udledningen i forbindelse med træning af en AI-model kan overstige udledningen fra hundredvis af kommercielle flyvninger eller en gennemsnitlig bil i hele dens levetid.
I en interview med Reuters sidste årJohn Hennessy, formand for Googles moderselskab, Alphabet, indrømmede selv de øgede omkostninger, der er forbundet med AI-drevet søgning.
"En børs med en stor sprogmodel kan koste ti gange mere end en traditionel søgning", sagde han, men han forudså, at omkostningerne ville falde, efterhånden som modellerne blev finjusteret.
AI-søgningens pres på infrastruktur og ressourcer
Datacentre, der huser AI-servere, forventes at fordoble deres energiforbrug inden 2026 og potentielt bruge så meget magt som et lille land.
Med chipproducenter som NVIDIA, der udruller større, mere kraftfulde chips, kan det snart tage svarer til flere atomkraftværker til at køre AI-arbejdsbelastninger i stor skala.
Når AI-virksomheder svarer på spørgsmål om, hvordan dette kan opretholdes, nævner de typisk vedvarende energikilders øgede effektivitet og kapacitet og forbedret strømeffektivitet i AI-hardware.
Men overgangen til vedvarende energikilder til datacentre viser sig at være langsom og kompleks.
Som Shaolei Ren, en computeringeniør ved University of California, Riverside, der studerer bæredygtig AI, forklarede: "Der er et misforhold mellem udbud og efterspørgsel efter vedvarende energi. Den periodiske karakter af vedvarende energiproduktion matcher ofte ikke den konstante, stabile strøm, som datacentre har brug for."
På grund af denne uoverensstemmelse bliver anlæg til fossile brændstoffer holdt online længere end planlagt i områder med høj koncentration af teknologisk infrastruktur.
En anden løsning på energiproblemerne ligger i energieffektiv AI-hardware. NVIDIA's ny Blackwell-chip er mange gange mere energieffektiv end sine forgængere, og andre Virksomheder som Delta arbejder på effektiv datacenterhardware.
Rama Ramakrishnan, professor ved MIT Sloan School of Management, forklarede, at mens antallet af søgninger, der går gennem LLM'er, sandsynligvis vil stige, ser omkostningerne pr. forespørgsel ud til at falde, efterhånden som virksomhederne arbejder på at gøre hardware og software mere effektive.
Men vil det være nok til at opveje det stigende energibehov? "Det er svært at forudsige," siger Ramakrishnan. "Mit gæt er, at det nok kommer til at stige, men det kommer nok ikke til at stige dramatisk."
I takt med at AI-kapløbet intensiveres, er det blevet nødvendigt at afbøde miljøpåvirkningerne. Nødvendighed er opfindelsens moder, og teknologivirksomheder er under pres for at skabe løsninger, der kan holde AI's momentum kørende.
Energieffektivt hardware, vedvarende energi og selv fusionskraft kan bane vejen for en mere bæredygtig fremtid for AI, men rejsen er fyldt med usikkerhed.
SGE kan også belaste vandforsyningen
Vi kan også spekulere over vandbehovet, som SGE skaber, og som kunne afspejle de store stigninger i datacentrenes vandforbrug, der tilskrives den generative AI-industri.
Ifølge de seneste miljørapporter fra Microsoft har vandforbruget steg med op til 50% i nogle regioner, hvor vandforbruget i Las Vegas' datacenter er fordoblet siden 2022. Googles rapporter registrerede også en stigning på 20% i datacentrenes vandforbrug i 2023 sammenlignet med 2022.
Ren tilskriver størstedelen af denne vækst til AI og siger: "Det er rimeligt at sige, at størstedelen af væksten skyldes AI, herunder Microsofts store investering i generativ AI og partnerskab med OpenAI."
Ren anslog, at hver interaktion med ChatGPT, der består af 5 til 50 prompter, bruger svimlende 500 ml vand.
I en papir udgivet i 2023, skrev Rens team: "Den globale efterspørgsel efter kunstig intelligens kan være ansvarlig for 4,2 - 6,6 milliarder kubikmeter vandindtag i 2027, hvilket er mere end det samlede årlige vandindtag i 4 - 6 Danmark eller halvdelen af Storbritannien."
Ved hjælp af Rens forskning kan vi lave nogle servietberegninger for, hvordan Googles SGE kan indgå i disse forudsigelser.
Lad os sige, at Google i gennemsnit behandler 8,5 milliarder daglige søgninger på verdensplan. Hvis vi antager, at bare en brøkdel af disse søgninger, f.eks. 10%, bruger SGE og genererer AI-drevne svar med et gennemsnit på 50 ord pr. svar, kan vandforbruget blive fænomenalt.
Hvis vi bruger Rens estimat på 500 milliliter vand pr. 5 til 50 forespørgsler (f.eks. en enkelt session på Google SGE), kan vi groft beregne, at 850 millioner SGE-drevne søgninger (10% af Googles daglige søgninger) vil forbruge ca. 425 millioner liter vand dagligt.
Dette svarer til dagligt vandforbrug i en by med en befolkning på over 2,5 millioner mennesker.
I virkeligheden kan det faktiske vandforbrug variere afhængigt af faktorer som effektiviteten af Googles datacentre og den specifikke implementering og omfang af SGE.
Ikke desto mindre er det meget rimeligt at spekulere i, at SGE og andre former for AI-søgning vil øge AI's ressourceforbrug yderligere.
Vil globale AI-oplevelser som SGE være bæredygtige i stor skala? Mange faktorer spiller ind, men det bliver ingen dans på roser.
