greenai.guide

Home › Goede praktijk › Edge of cloud: waar moet AI draaien?

Goede praktijk

Edge of cloud: waar moet AI draaien?

Bijgewerkt · 5 min. leestijd

In het kort

Edge noch cloud is standaard groener. Centrale datacenters draaien grote modellen meestal efficiënter, terwijl AI op het apparaat en aan de edge netwerkverkeer kan vermijden, gegevens lokaal kan houden en offline kan werken. Beslis per geval door het energieverbruik per bruikbaar resultaat over het hele systeem te vergelijken, inclusief apparaten, netwerk en hardware.

Kernpunten

  • Voer kleine, frequente of latentiegevoelige taken lokaal uit; stuur grote of zeldzame taken naar efficiënte centrale hardware.
  • Het IEA schat dat datatransmissienetwerken in 2022 260–360 TWh verbruikten, ongeveer 1–1,5% van de wereldwijde elektriciteit, waarvan mobiele netwerken zo'n twee derde.
  • Het energieverbruik van netwerken schaalt niet netjes mee met de hoeveelheid data, dus besparingen per gigabyte worden vaak overschat.
  • Miljarden apparaten tellen op: reken de apparaten van gebruikers mee, hun accu's en de hardware die ze misschien moeten vervangen.
  • Lokale AI houdt gegevens op het apparaat, wat helpt voor privacy, soevereiniteit en veerkracht.

Is AI aan de edge of in de cloud groener?

Dat hangt af van de taak, het model en het apparaat, dus vergelijk ze over het hele systeem in plaats van iets aan te nemen. Centrale datacenters laten accelerators draaien met een hoge benuttingsgraad en gespecialiseerde koeling, dus doen ze het rekenwerk van een groot model meestal efficiënter. Edge-AI, die op het apparaat of een nabije server draait, hoeft geen gegevens over het netwerk te sturen en kan helemaal uitgaan als er niets te doen is.

Een Britse sandpit (een verkennende werksessie) over groene AI in 2026, met wiskundigen, informatici en mensen uit het bedrijfsleven, stelde precies deze vraag. AI verspreidt zich naar sensoren, camera's, deurbellen, auto's en assistenten op telefoons. Vermenigvuldigd met miljoenen apparaten: kost lokale AI meer of minder energie dan de gegevens naar een datacenter sturen? Deelnemers merkten op dat er voor sommige kleinere beeldmodellen aan de edge studies naar het totale energieverbruik bestaan, maar weinig voor grote taalmodellen. Het eerlijke antwoord is vandaag: meet uw eigen geval.

Wat zijn de afwegingen?

Elke optie wint op andere punten.

Factor Op het apparaat / edge Centraal datacenter
Energie per berekening Meestal hoger op chips voor algemeen gebruik; beter op speciale neurale accelerators Meestal lager, vooral bij hoge benutting
Modelgrootte Kleine, vaak gekwantiseerde modellen Elke grootte
Netwerkenergie Weinig of geen Elk verzoek reist over het netwerk
Energie in rust Kan slapen of uitgaan Gedeelde capaciteit staat klaar
Hardware Verspreid over miljarden apparaten; kan upgrades afdwingen Geconcentreerd, om de paar jaar vernieuwd
Latentie Snel, werkt offline Afhankelijk van de verbinding
Privacy Gegevens kunnen op het apparaat blijven Gegevens verlaten de controle van de gebruiker
Meting Moeilijk: verspreid, niet gerapporteerd Mogelijk, als aanbieders rapporteren
Zeggenschap Gespreid Geconcentreerd bij een paar aanbieders

Hoeveel maakt het netwerk uit?

Netwerken verbruiken in totaal veel energie, maar een groot deel is een vrijwel constante basislast, dus het effect van één verzoek is kleiner dan rekentools per byte doen vermoeden.

  • Het Internationaal Energieagentschap (IEA) schat dat datatransmissienetwerken in 2022 260 tot 360 TWh verbruikten, ongeveer 1 tot 1,5% van de wereldwijde elektriciteit, waarvan mobiele netwerken zo'n twee derde.
  • Mytton, Lundén en Malmodin toonden in 2024 aan dat het energieverbruik van netwerken niet recht evenredig is met de hoeveelheid data. Netwerkapparatuur neemt stroom af, of ze nu druk is of niet, dus gigabytes rechtstreeks omrekenen naar kilowattuur overschat wat u bespaart door minder te versturen.
  • Beperk de hoeveelheid data toch: dat bespaart energie op servers en apparaten, en vermeden verkeer kan toekomstige netwerkcapaciteit overbodig maken. Maar gebruik netwerkbesparingen per gigabyte niet als hoofdargument voor edge-AI.

Let op: veel gepubliceerde cijfers per prompt laten het netwerk en de apparaten van gebruikers buiten beschouwing. De Gemini-cijfers van Google uit 2025 bijvoorbeeld sluiten beide uit. Controleer de systeemgrens voordat u cijfers voor edge en cloud vergelijkt.

En de apparaten zelf?

Reken de energie, de accu en de hardware mee van de apparaten waarop uw AI draait, want die horen bij uw voetafdruk.

  • Ingebedde emissies: het maken van apparaten veroorzaakt CO2-uitstoot. De SCI-specificatie rekent een deel van de ingebedde emissies mee in de voetafdruk van een softwaresysteem. Als AI op het apparaat mensen ertoe aanzet werkende telefoons of laptops eerder te vervangen, kan die kost zwaarder wegen dan elke besparing in gebruik.
  • Accuverbruik is een verborgen energiekost die de gebruiker betaalt. De sandpit noemde AI-assistenten op telefoons als voorbeeld.
  • Aanpassing: de Green Software Foundation stelt voor om over te schakelen op kleinere modellen of een lagere frequentie als de accu bijna leeg is of een apparaat warm wordt.
  • Schaal: een kleine besparing of kost per apparaat wordt groot bij miljoenen apparaten die voortdurend draaien.

Welke rol spelen privacy en veerkracht?

Lokale AI houdt gegevens op het apparaat en blijft werken als de verbinding of de centrale dienst uitvalt.

  • Privacy: lokaal verwerkte gegevens hoeven niet door een aanbieder te worden verstuurd of opgeslagen. Dat ondersteunt het beginsel van dataminimalisatie in het Britse en Europese gegevensbeschermingsrecht, en past bij gevoelige gegevens zoals gezondheidsgegevens of gegevens over kritieke infrastructuur. De sandpit merkte op dat in sectoren met kritieke infrastructuur gevoelige operationele gegevens vaak binnen de organisatie moeten blijven, wat vraagt om efficiënte lokale modellen.
  • Soevereiniteit en zeggenschap: gespreide inferentie haalt zeggenschap weg bij een paar grote aanbieders.
  • Veerkracht: de sandpit wees ook op afhankelijkheid: wat gebeurt er als de samenleving op AI vertrouwt en de verbinding of de stroom uitvalt? Lokale capaciteit kan essentiële functies draaiende houden.
  • Verantwoording: edge-AI is moeilijker te monitoren. Als u het inzet, plan dan hoe u het gaat meten en erover rapporteert.

Hoe beslis ik, stap voor stap?

Bepaal het energieverbruik per bruikbaar resultaat voor elke optie, en weeg daarna privacy, latentie en veerkracht af.

  1. Omschrijf de taak en de kwaliteitseis. Wat telt als een geslaagd resultaat?
  2. Zoek het kleinste model dat aan de eis voldoet (kies het juiste model). Gekwantiseerde modellen hebben minder geheugen nodig: 8-bit-inferentie halveerde de geheugenbehoefte in de LLM.int8()-studie.
  3. Schat het cloudenergieverbruik per resultaat, inclusief de overhead van het datacenter en, waar mogelijk, het netwerk.
  4. Meet het energieverbruik van het apparaat per resultaat op representatieve apparaten, ook oudere en zuinige.
  5. Tel de effecten op hardware mee: zijn er nieuwe apparaten of speciale edge-servers voor nodig?
  6. Kijk naar de frequentie: frequente, kleine taken passen vaak bij het apparaat; zeldzame, zware taken bij de cloud.
  7. Weeg privacy, latentie, offline gebruik en veerkracht af.
  8. Overweeg een verdeling: een klein lokaal model handelt de meeste verzoeken af en stuurt moeilijke door naar de cloud.
  9. Meet na de ingebruikname en kijk opnieuw als modellen en hardware veranderen.

Checklist

  • [ ] Energie per bruikbaar resultaat vergeleken voor edge, cloud en een verdeling
  • [ ] Systeemgrens omvat apparaten en, waar mogelijk, het netwerk
  • [ ] Kleinste geschikte model gekozen, gekwantiseerd voor apparaten waar dat standhoudt
  • [ ] Geen apparaatupgrades afgedwongen door de AI-functie
  • [ ] Accu en warmte onder controle, met een lichtere modus als de accu bijna leeg is
  • [ ] Voordelen voor privacy en gegevensbescherming vastgelegd
  • [ ] Monitoring gepland voor toepassingen aan de edge

Wat nu te doen

  1. Kies één AI-functie en schets de opties voor edge, cloud en een verdeling.
  2. Meet het energieverbruik per resultaat op een typisch apparaat en schat het equivalent in de cloud; zie het energieverbruik van AI meten.
  3. Test een gekwantiseerd klein model op uw oudste ondersteunde apparaat.
  4. Bepaal welke gegevens om redenen van privacy of soevereiniteit lokaal moeten blijven.
  5. Lees AI aan de edge voor het bredere beeld, en hosting en datacenters voor de kant van de cloud.
  6. Vind tools voor edge-AI in de productengids en onderzoeksgroepen bij onderzoek.

Veelgestelde vragen

Is AI op het apparaat groener dan AI in de cloud?

Soms. Een klein model op een telefoon vermijdt het energieverbruik van datacenter en netwerk, maar apparaten zijn per berekening minder efficiënt dan accelerators in datacenters, en nieuwe hardware kopen om AI te draaien heeft een eigen voetafdruk. Vergelijk het hele systeem.

Kost het veel energie om gegevens naar de cloud te sturen?

Netwerken verbruiken veel energie, maar een groot deel daarvan is een vrijwel constante basislast. Minder data helpt nog steeds voor apparaten en servers, maar netwerkbesparingen per gigabyte worden meestal overschat.

Wat is edge computing?

Rekenwerk dat dicht bij de plek gebeurt waar gegevens ontstaan of worden gebruikt: op het apparaat zelf, of op een nabije gateway of kleine lokale server, in plaats van in een ver datacenter.

Waarom speelt privacy een rol?

Gegevens die op het apparaat worden verwerkt, hoeven het apparaat niet te verlaten. Dat beperkt de blootstelling en kan het makkelijker maken om te voldoen aan regels voor gegevensbescherming, zoals dataminimalisatie.

Bronnen

  1. Data centres and data transmission networks, International Energy Agency (2023)
  2. Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
  3. Green Software Patterns: run AI models at the edge, Green Software Foundation (2025)
  4. Green Software Patterns: optimise power consumption for edge AI inference, Green Software Foundation (2025)
  5. Measuring the environmental impact of delivering AI at Google scale, Google (arXiv 2508.15734) (2025)
  6. Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
  7. Principle (c): Data minimisation, Information Commissioner's Office (2023)
  8. LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale, Dettmers et al. (arXiv 2208.07339) (2022)

Doe mee

Help de impact van AI op de planeet te verkleinen

Ontvang ongeveer eens per maand nieuwe gidsen, financieringsoproepen en vermeldingen per e-mail. Of voeg uw product, cursus, promotieplaats of onderzoek toe aan de gidsen.

Geen tracking. Met één klik afmelden. Andere manieren om mee te doen · Privacy