Forskere viser vejen: AI-modeller behøver ikke at sluge SÅ meget strøm
3.4.2024 07:16:00 CEST | Københavns Universitet | Pressemeddelelse
Udviklingen af AI-modeller er en overset klimasynder. Forskere fra Københavns Universitet har lavet en opskriftsbog over AI-modeller, der kan yde det samme, men bruger meget mindre energi. Energiforbruget og klimaaftrykket bør være et fast parameter, når man designer og træner AI-modeller, argumenterer forskerne.

At det koster kolossale mængder energi, når vi googler, taler med Siri, spørger ChatGPT om noget eller på andre måder bruger AI, er efterhånden blevet almen viden. Et studie anslår, at AI-servere i 2027 vil have et lige så stort elforbrug som Argentina eller Sverige. Og en enkelt forespørgsel til ChatGPT er anslået til i gennemsnit at sluge lige så meget energi som 40 opladninger af en mobiltelefon. Men på forskningsfeltet og i branchen har man stadig ikke fokus på at udvikle AI-modeller, som er energieffektive og derfor har et mindre CO2e-aftryk, påpeger forskere fra Københavns Universitet.
“Udviklerne har i dag et snævert fokus på at bygge AI-modeller, der er effektive i form af, hvor præcist et resultat, de kan opnå. Det svarer til at sige, at en bil er effektiv, fordi den får dig hurtigt frem, men ignorerer den mængde brændstof, den bruger. Og det har resulteret i AI-modeller, som ofte er ineffektive i form af energiforbrug,” siger adjunkt Raghavendra Selvan fra Datalogisk Institut, som forsker i mulighederne for at sænke CO2e-aftrykket fra AI.
Men det nye studie, som han og datalog-studerende Pedram Bakhtiarifard er to af forfatterne bag, viser, at man sagtens kan spare masser af CO2 uden at gå på kompromis med AI-modellens præcision. Det kræver, at man har klimaomkostninger for øje allerede i AI-modellernes design- og træningsfase.
”Hvis man fra start sammensætter en model, der er energieffektiv, mindsker du både CO2e-aftrykket i alle faser af modellens ’livscyklus’. Det gælder både i træningen af den, som er en særlig energitung proces, der ofte tager uger eller måneder, og i anvendelsen af den,” siger Raghavendra Selvan.
Opskriftsbog til branchen
I studiet har forskerne beregnet, hvor meget energi, det kræver at træne over 400.000 AI-modeller af typen convolutional neural networks – dog uden faktisk at træne alle modellerne. Convolutional neural networks bruges bl.a. til at analysere medicinske billeder med, til sprogoversættelse og til genkendelse af objekter og ansigter – en funktion, du måske genkender fra kamera-app’en på din egen smartphone.
På baggrund af beregningerne præsenterer forskerne en samling af AI-modeller, som bruger mindre energi på at løse en given opgave, men som yder cirka det samme. Studiet viser, at man enten ved at vælge andre slags modeller eller justere på modellerne kan spare 70-80% energi i trænings- og implementeringsfasen og kun gå 1% eller mindre ned i ydeevne. Og det er ifølge forskerne et konservativt estimat.
”Man kan se vores resultater som en opskriftsbog, som AI-fagkyndige kan slå op i. Opskriftsbogen fortæller ikke bare, hvor godt de forskellige algoritmer yder, men også hvor energieffektive de er. Og at man ved at skifte en ingrediens ud med en anden i opbygningen af modellen, ofte kan opnå samme resultat. Så nu kan fagfolk vælge den model, de ønsker ud fra både ydeevne og energiforbrug og uden at skulle træne hver enkelt model først,” siger Pedram Bakhtiarifard og fortsætter:
”Ofte træner man nemlig mange modeller, før man finder den, man synes er mest egnet til at løse en bestemt opgave. Det gør udviklingen af AI ekstra energitung. Derfor ville det være mere klimavenligt, hvis man vælger den rigtige model i første hug og samtidig vælger en model, der ikke sluger alt for meget strøm i træningsfasen.”
Forskerne understreger, at på specifikke felter som selvkørende biler eller visse medicinske områder kan modellens præcision dog være afgørende for sikkerheden, og her er det vigtigt ikke at gå på kompromis med ydeevnen. Men dette bør ikke afholde fra at gå efter høj energieffektivitet i andre domæner.
“AI har et fantastisk potentiale. Men skal vi sikre en bæredygtig og ansvarlig AI-udvikling, bør vi have en mere holistisk tilgang, der ikke kun har ydeevne for øje, men også klimapåvirkning. Og det kan vi sagtens finde en bedre balance i, viser vi her. Når vi udvikler AI-modeller til forskellige opgaver, bør det derfor være et grundkriterium også at kigge på, hvor energieffektive de er – ligesom det er standard at gøre i mange andre brancher,” slutter Raghavendra Selvan.
Opskriftsbogen, som forskerne har sat sammen i dette studie, er et open-source-datasæt, som andre forskere kan bruge. Informationen om alle de 423.000 AI-modeller er offentliggjort på Github og kan tilgåes ved hjælp af simple Python scripts.

[BOKS:] SVARER TIL INDUSTRIENS ENERGIFORBRUG I RANDERS KOMMUNE
Forskerne har estimeret hvor meget energi, det kræver at træne 429.000 af den undertype af AI-modeller, der hedder convolutional neural networks. De bruges bl.a. til at analysere medicinske billeder, til sprogoversættelse og til genkendelse af objekter.
Estimatet lyder, at alene træningen af de 429.000 neurale netværk, som studiet har kigget på, koster 263.000 kWh. Det er mere energi, end hvad den samlede industri i Randers Kommune forbruger på et år. Og det ville tage én computer cirka 100 år at udføre træningen. Forskerne har ikke trænet alle modellerne selv, men estimeret deres strømforbrug ved hjælp af en anden AI-model og har således sparet 99% af den energi, som træningen ville have krævet.
[BOKS:] HVORFOR HAR AI ET HØJT CO2-AFTRYK?
Træningen af AI-modeller bruger meget energi og udleder derfor en del CO2. Det skyldes de intensive beregninger, der udføres i træningen, som ofte kører på kraftige computere. Dette gælder især for store modeller som for eksempel sprogmodellen bag ChatGPT. AI-opgaver behandles ofte på datacentre, som kræver betydelige mængder strøm til at holde computerne i gang og køle dem ned.
[BOKS:] OM STUDIET
- Den videnskabelige artikel om studiet er optaget på konferencen International Conference on Acoustics, Speech and Signal Processing (ICASSP-2024).
- Forfatterne bag artiklen er Pedram Bakhtiarifard, Christian Igel og Raghavendra Selvan fra Datalogisk Institut på Københavns Universitet.
Nøgleord
Kontakter
Raghavendra Selvan
Adjunkt
Datalogisk Institut
Københavns Universitet
raghav@di.ku.dk
31 87 30 52
Pedram Bakhtiarifard
KA-studerende
Datalogisk Institut
Københavns Universitet
pba@di.ku.dk
60 21 99 10
Maria Hornbek
Journalist
Det Natur- og Biovidenskabelige Fakultet
Københavns Universitet
maho@science.ku.dk
22 95 42 83
Billeder


Links
Om Det Natur- og Biovidenskabelige Fakultet
Det Natur- og Biovidenskabelige Fakultet på Københavns Universitet – SCIENCE – er landets største naturvidenskabelige forsknings- og uddannelsesinstitution.
Fakultetets væsentligste opgave er at bidrage til løsning af de store udfordringer, som vi står overfor i en verden under hastig forandring med øget pres på bl.a. naturressourcer og markante klimaforandringer - både nationalt og globalt.
Følg pressemeddelelser fra Københavns Universitet
Skriv dig op her, og modtag pressemeddelelser på e-mail. Indtast din e-mail, klik på abonner, og følg instruktionerne i den udsendte e-mail.
Flere pressemeddelelser fra Københavns Universitet
Hvor mange job vil AI koste? Forskere advarer mod forhastede konklusioner18.11.2026 06:05:00 CET | Pressemeddelelse
Nyt CAISA-brief advarer mod at forveksle ’AI-eksponering’ med ’jobtab’ eller ’sparede årsværk’. Ifølge forskerne bag briefet er vi i den offentlige debat tilbøjelige til at overse de komplekse mekanismer, der afgør, hvordan kunstig intelligens faktisk påvirker beskæftigelsen.
Breakthrough: Danish researchers find efficient solution to famous 174-year-old mathematical headache17.11.2026 11:50:37 CET | Press release
Can any map be coloured using just four colours? That is the question behind one of the most famous problems of mathematics, dating back to 1852. Since 1976, we have known that the answer is ‘yes’ – but how do you actually find the coloring? Now, two professors from the University of Copenhagen and DTU, together with international colleagues, have found the optimal algorithm after a decade-long ‘obsession’. The answer provides new fundamental mathematical insights.
Gennembrud: Danske forskere har fundet en effektiv løsning på 174 år gammel matematisk hovedpine17.11.2026 10:58:34 CET | Pressemeddelelse
Kan ethvert landkort farvelægges med blot fire farver? Det handler et af matematikkens mest berømte problemer om, som stammer fra 1852. Vi har siden 1976 vidst at svaret er 'ja', men hvordan gør man det? Nu har to professorer fra Københavns Universitet og DTU sammen med udenlandske kolleger fundet en optimal algoritme, og det efter 10 års ’besættelse’. Svaret giver nye grundlæggende matematiske indsigter.
High water, high rents: Poorest residents pay the most for climate adaptation12.11.2026 07:17:00 CET | Press release
As cities worldwide adapt to extreme weather, climate adaptation must prevent people from wading through flooded streets in the future. But the costs are not equally shared. A study from the University of Copenhagen shows that climate adaptation policies may even make social inequality worse. In Copenhagen, stormwater costs fall disproportionately on not-for-profit housing residents, as these neighborhoods are often located near climate adaptation projects.
Højere vandstand, højere husleje: Klimasikring kan koste de fattigste mest12.11.2026 07:16:00 CET | Pressemeddelelse
Klimasikring skal forhindre, at københavnerne vader gennem oversvømmede gader i fremtiden. Men regningen er ikke fordelt lige mellem dem. Borgere i almene boliger kan komme til at betale den største del, viser forskning fra Københavns Universitet.
I vores nyhedsrum kan du læse alle vores pressemeddelelser, tilgå materiale i form af billeder og dokumenter samt finde vores kontaktoplysninger.
Besøg vores nyhedsrum