Forskere viser vejen: AI-modeller behøver ikke at sluge SÅ meget strøm
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 - Det Natur- og Biovidenskabelige Fakultet
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 - Det Natur- og Biovidenskabelige Fakultet
Core samples from Greenland's seabed provide first historical overview of plastic pollution21.3.2025 10:52:58 CET | Press release
By coring the seabed at 850 m water depth in Disko Bay off Greenland's west coast, researchers from the University of Copenhagen have obtained the first historical record of plastic pollution in Greenland. The new data suggest a link to local socio-economic development and represent a step towards developing a common method for analyzing and mapping global microplastic pollution.
Kerneboringer i Grønlands havbund giver for første gang et historisk overblik over plastikforurening19.3.2025 09:41:25 CET | Pressemeddelelse
Ved bore kerneprøver fra havbunden - i Diskobugten ud fra Grønlands vestkyst - har forskere fra Københavns Universitet opnået den første historiske optegnelse af plastforurening i Grønland. De nye data fra 850 meters dybde tyder på en forbindelse til den socioøkonomiske udvikling lokalt, og er et skridt i retningen af fælles metoder til at analysere og kortlægge global mikroplastforurening.
Popular cooking cheese made with peas yields same taste and texture18.3.2025 08:47:00 CET | Press release
A significant amount of the milk used in a popular cooking cheese can be substituted with plants, all while maintaining its taste and texture. Researchers from the University of Copenhagen have demonstrated this by creating a hybrid version of paneer, a popular South Asian cheese, with twenty-five percent pea protein. The result is a solid step towards more sustainable dairy products with nutritional benefits.
Populær madlavningsost – nu med ærter, men med samme gode smag og tekstur18.3.2025 07:16:00 CET | Pressemeddelelse
Man kan godt erstatte en stor del af mælken i ost med planter og stadig bevare den rigtige smag og tekstur. Det har forskere fra Københavns Universitet nu demonstreret ved at lave en hybrid-udgave af den populære ost paneer med 25 procent ærteprotein. Resultatet er et solidt skridt i retning mod mere bæredygtige mejerivarer med ernæringsmæssige bonusser.
Omfattende genetisk kortlægning kan få stor betydning for behandlingen af metaboliske sygdomme i Grønland14.3.2025 11:43:18 CET | Pressemeddelelse
I den mest omfattende genetiske undersøgelse af den grønlandske befolkning lavet til dato har forskere fra Danmark og Grønland undersøgt nye dele af genomet, som aldrig tidligere er blevet undersøgt. Studiet kaster nyt lys over grønlændernes genetiske arv og sundhedstilstand og kan fremover hjælpe med at forbedre diagnosticering og behandlingen af genetiske metaboliske sygdomme.
I vores nyhedsrum kan du læse alle vores pressemeddelelser, tilgå materiale i form af billeder og dokumenter samt finde vores kontaktoplysninger.
Besøg vores nyhedsrum