Kurz gesagt
Graue Emissionen (Embodied Carbon) sind die Emissionen aus Herstellung, Transport und Entsorgung von Hardware. Um sie zu berücksichtigen, nehmen Sie die gesamten grauen Emissionen der Hardware, verteilen sie danach, wie lange und wie viel Ihrer KI-Arbeit die Geräte nutzt, und addieren diesen Anteil zum Betriebswert, so wie es der M-Term der SCI-Spezifikation tut. Weil die Datenlage oft dünn ist, legen Sie Ihre Annahmen offen. Und denken Sie daran: Wer Hardware länger nutzt, verteilt dieselben Emissionen auf mehr Arbeit.
Schritte
- Fragen Sie Ihren Hardware- oder Cloud-Anbieter nach Daten zu den grauen Emissionen der Geräte, die Sie nutzen.
- Ordnen Sie Ihrer KI-Arbeit einen Anteil zu, nach Zeit und Anteil der genutzten Hardware.
- Addieren Sie diesen Anteil zu Ihren Betriebsemissionen und geben Sie an, was Sie einbezogen haben.
- Legen Sie die Annahmen offen, einschließlich der erwarteten Lebensdauer der Hardware.
- Verlängern Sie die Lebensdauer von Hardware, wo Sie darüber entscheiden, damit die grauen Emissionen mehr nützliche Arbeit abdecken.
Zählen Sie die Hardware ebenso mit wie den Strom, denn je sauberer das Stromnetz wird, desto größer wird der Anteil der Herstellung. Wu und Kollegen bei Meta berichteten 2022, dass graue Emissionen rund 30 % des Fußabdrucks von Metas großskaligem maschinellem Lernen ausmachten, und argumentierten, dass sie zur dominierenden Quelle würden, je sauberer die Betriebsenergie wird.
Wie verteile ich sie?
Die SCI-Spezifikation der Green Software Foundation erfasst graue Emissionen als M-Term. Ein einfacher Ansatz:
- Nehmen Sie die gesamten grauen Emissionen des Geräts vom Hersteller oder Lieferanten.
- Teilen Sie sie durch die erwartete Lebensdauer, um Emissionen pro Jahr oder pro Stunde zu erhalten.
- Multiplizieren Sie mit der Zeit, für die Ihre Arbeit das Gerät reserviert hat, und mit dem Anteil der Maschine, den Sie genutzt haben.
Bei Cloud-Diensten sehen Sie die Hardware nicht. Fragen Sie deshalb den Anbieter, ob seine CO2-Berichte die Herstellung (Scope 3) einschließen und wie sie zugeordnet wird. Siehe die CO2-Daten Ihres Cloud-Anbieters.
Was ist mit Elektroschrott?
Wang und Kollegen schätzten 2024, dass große Sprachmodelle zwischen 2020 und 2030 insgesamt zwischen 1,2 und 5,0 Millionen Tonnen Elektroschrott erzeugen könnten, je nachdem, wie schnell ihre Nutzung wächst, und dass Wiederverwendung und Recycling diese Menge erheblich senken könnten.
Häufige Fehler
- Graue Emissionen weglassen, ohne es zu sagen. Nennen Sie sie in jedem Fall in der Angabe der Systemgrenzen.
- Standardmäßig eine kurze Lebensdauer annehmen. Wer Geräte früh ersetzt, erhöht den jährlichen Anteil.
- Neue Hardware für einen kleinen Effizienzgewinn kaufen, ohne die zusätzlichen Herstellungsemissionen zu prüfen.
Zu Systemgrenzen siehe wie Sie den Energieverbrauch von KI messen.
Quellen
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- E-waste challenges of generative artificial intelligence, Wang et al., Nature Computational Science (2024)
- Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
Verwandte Themen
Wie berechne ich einen Software-Carbon-Intensity-Wert für eine KI-Funktion?
So ermitteln Sie den SCI-Wert einer KI-Funktion: Energie mal Netzintensität plus graue Emissionen, geteilt durch eine funktionale Einheit wie pro Anfrage.
Wie vermeide ich es, meine Geräte nur für KI zu ersetzen?
Warum Sie für KI selten ein neues Handy oder Notebook brauchen, wie ältere Geräte nützlich bleiben und warum ihre Lebensdauer für die KI-Bilanz zählt.
Wie wähle ich energieeffiziente Hardware für KI aus?
KI-Hardware nach gemessener Energie pro Aufgabe bei realen Batchgrößen wählen, Runtimes und Beschleuniger vergleichen, Neukauf gegen graue Emissionen abwägen.
So messen Sie den Energieverbrauch und CO2-Fußabdruck von KI
Ein Praxisleitfaden zum Messen oder Schätzen von Energie und CO2 bei KI-Arbeit: Werkzeuge, Systemgrenzen, Kennzahlen pro Aufgabe und ehrliche Unsicherheit.