In het kort
Belichaamde CO₂-uitstoot (embodied carbon) is de uitstoot van het maken, vervoeren en afvoeren van hardware. Om die mee te rekenen neemt u de totale belichaamde uitstoot van de hardware, verdeelt u die naar hoe lang en hoeveel van de apparatuur uw AI-werk gebruikt, en telt u dat deel op bij het operationele cijfer, zoals de M-term van de SCI-specificatie doet. Omdat de gegevens vaak mager zijn, vermeldt u uw aannames; en bedenk dat langer gebruik van hardware dezelfde uitstoot over meer werk verdeelt.
Stappen
- Vraag uw hardware- of cloudleverancier om gegevens over de belichaamde uitstoot van de apparatuur die u gebruikt.
- Wijs een deel toe aan uw AI-werk naar de tijd en het deel van de hardware dat het gebruikt.
- Tel dat deel op bij uw operationele uitstoot en vermeld wat u hebt meegeteld.
- Vermeld de aannames, waaronder de verwachte levensduur van de hardware.
- Verleng de levensduur van hardware waar u daarover beslist, zodat de belichaamde uitstoot meer nuttig werk dekt.
Tel naast de elektriciteit ook de hardware mee, want hoe schoner het stroomnet wordt, hoe groter het aandeel van de productie. Wu en collega's bij Meta meldden in 2022 dat belichaamde uitstoot ongeveer 30% van de voetafdruk van Meta's grootschalige machine learning uitmaakte, en stelden dat die de belangrijkste bron werd naarmate de operationele energie schoner wordt.
Hoe verdeel ik die?
De SCI-specificatie van de Green Software Foundation neemt belichaamde uitstoot op als de M-term. Een eenvoudige aanpak:
- Neem de totale belichaamde uitstoot van het apparaat van de fabrikant of leverancier.
- Deel die door de verwachte levensduur om de uitstoot per jaar of per uur te krijgen.
- Vermenigvuldig met de tijd dat uw werk het apparaat bezette, en met het deel van de machine dat u gebruikte.
Bij clouddiensten ziet u de hardware niet. Vraag de aanbieder daarom of de CO₂-rapportage ook de productie omvat (Scope 3) en hoe die wordt toegewezen. Zie de CO₂-gegevens van uw cloudaanbieder.
En e-waste?
Wang en collega's schatten in 2024 dat grote taalmodellen tussen 2020 en 2030 in totaal tussen 1,2 en 5,0 miljoen ton elektronisch afval kunnen opleveren, afhankelijk van hoe snel het gebruik groeit, en dat hergebruik en recycling dit aanzienlijk kunnen verminderen.
Veelgemaakte fouten
- Belichaamde uitstoot weglaten zonder dat te melden. Vermeld het hoe dan ook in de beschrijving van de systeemgrens.
- Standaard uitgaan van een korte levensduur. Apparatuur vroeg vervangen verhoogt het jaarlijkse aandeel.
- Nieuwe hardware kopen voor een kleine efficiëntiewinst zonder de productie-uitstoot te controleren die erbij komt.
Zie hoe u AI-energie meet voor systeemgrenzen.
Bronnen
- 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)
Gerelateerd
Hoe bereken ik een Software Carbon Intensity-score voor een AI-functie?
Bereken een SCI-score voor een AI-functie: energie maal netintensiteit, plus belichaamde uitstoot, gedeeld door een functionele eenheid zoals per verzoek.
Hoe voorkom ik dat ik mijn apparaten vervang alleen om AI te gebruiken?
Waarom u zelden een nieuwe telefoon of laptop nodig hebt voor AI, hoe u oudere apparaten bruikbaar houdt en waarom de levensduur van hardware telt.
Hoe kies ik energiezuinige hardware voor AI?
Kies AI-hardware op gemeten energie per taak bij uw echte batchgroottes, vergelijk runtimes en accelerators, en weeg nieuwe apparatuur af tegen belichaamde uitstoot.
Zo meet u de energie en CO2-uitstoot van AI
Een praktische gids om de energie en CO2-uitstoot van AI-werk te meten of te schatten: tools, systeemgrenzen, maatstaven per taak en eerlijke onzekerheid.