Einfach erklärt
Die Umweltkosten der KI-Lieferkette
Die KI-Lieferkette vom Rohstoff-Abbau bis zur Entsorgung.
Rohstoff-Abbau
KI verbraucht Rechenleistung. Eine bestimmte Hardware ist dafür notwendig, die in Rechenzentren untergebracht wird. Für die Server dort werden Mineralien wie Lithium oder Kobalt und Seltene Erden (rare-earth elements, REE) für Grafikprozessoren, Halbleiter und Batterien benötigt. Um solche Rohstoffe abzubauen, werden Wälder abgeholzt, die Biodiversität zerstört und das Grundwasser mit Schadstoffen verschmutzt. Sickern die Substanzen in die Erde, kann sie für tausende Jahre vergiftet sein. Menschen, die Kilometer von den Minen entfernt wohnen, leiden durch die bei den Abbau- und Raffinierungsprozessen freigesetzten Gase an schweren Atemwegs- und Lungenerkrankungen. Außerdem setzen die Prozesse Treibhausgas-Emissionen frei. Die Menschen, die diese Mineralien abbauen, sind schrecklichen Arbeitsbedingungen ausgesetzt.
Hardware-Herstellung
Anschließend werden die Mineralien in Komponenten der KI-Hardware verarbeitet. Diese Produktionsstufe ist in der Regel energie-, emissions- und wasserintensiv und dabei können gefährliche Abfälle entstehen. Das US-Unternehmen Nvidia ist das prominenteste Beispiel für einen Hardware-Produzenten. Es stellt Halbleiter her und ist bei Herstellung von High-End Grafikprozessoren (GPUs) weltweit führend. Das Unternehmen ist in den letzten Jahren vor allem durch die steigende Nachfrage an KI-Anwendungen sehr gewachsen. Nvidia setzt jährlich Treibhausgas-Emissionen von über 2,1 Millionen Tonnen CO₂-Äquivalenten frei (Stand Mai 2024). Das Unternehmen verbraucht auch massiv Wasser. Über 50 Prozent seines Wasserbedarfs bezieht der Konzern aus Gebieten, in denen das Wasser knapp wird.
Training von KI-Modellen
Beim Training von KI-Modellen lernen die Systeme, wie sie aus einem bestimmten Input einen bestimmten Output generieren, zum Beispiel wie sie einen englischen Satz ins Deutsche übersetzen oder welche Artikel sie Käuferinnen vorschlagen sollen, nachdem sie etwas in den Warenkorb gelegt haben. Beim Training werden Algorithmen mit Daten gefüttert, das System produziert daraus Ergebnisse für eine bestimmte Anwendung und korrigiert den Verarbeitungsprozess, wenn die Ergebnisse falsch oder für Nutzerinnen nicht zufriedenstellend waren.
KI-Training beruht auf Parametern. Parameter sind Werte, die ein Machine-Learning-Modell im Trainingsprozess lernt und auf deren Grundlage es anschließend Ergebnisse produziert. Die Anzahl der Parameter bestimmt auch die Anzahl der notwendigen Rechenvorgänge und damit den Energieverbrauch für die Rechenleistung: je mehr Parameter, desto größer der Energiebedarf. Das 2022 von Google veröffentlichte Sprachmodell PaLM enthielt 540 Milliarden Parameter. ChatGPT-4 beruht auf schätzungsweise 1,8 Billionen Parametern und ist damit über zehnmal größer als der Vorgänger GPT-3. Ein Forschungspapier aus dem Jahr 2021 beziffert den Stromverbrauch allein für das Training von GPT-3 auf 1.287 Megawattstunden, was etwa dem jährlichen Verbrauch von 120 durchschnittlichen US-Haushalten entspricht. Der Stromverbrauch wiederum verursacht Kohlenstoff-Emissionen.
Systemnutzung
Der Energiebedarf von KI-Modellen hört nach dem Training nicht auf. Dann werden sie angewendet, was zusätzlich Energie verbraucht und zu größeren Treibhausgas-Emissionen führt. Jede einzelne Anwendung eines KI-Systems («Inferenz» in der Fachsprache) läuft oft extrem häufig ab. Der KI-Boom hat den Energiebedarf für entsprechende Anwendungen explodieren lassen. Googles aggressive KI-Strategie hat in den letzten fünf Jahren zu einem Anstieg seiner Emissionen um 48 Prozent geführt, heißt es in seinem Umweltbericht 2024. Insbesondere der Stromverbrauch von Rechenzentren und die Emissionen entlang der Lieferkette werden als Hauptursachen genannt.
Das US-Energieministerium schätzte 2024 in einem Bericht, dass sich die Last von Rechenzentren in den letzten zehn Jahren verdreifacht hat und sich voraussichtlich bis 2028 nochmal verdoppeln oder verdreifachen werde. Es erwartet, dass KI bald der größte Faktor für die von US-Rechenzentren zu bewältigende Last sein wird. In mindestens fünf US-Bundesstaaten haben Rechenzentren bereits einen Anteil von über zehn Prozent am Gesamtstromverbrauch. In Irland liegt der Anteil bei über 20 Prozent. Da Rechenzentren zum größten Teil mit fossilen Brennstoffen laufen, kann der enorme Stromverbrauch von KI dazu führen, dass fossile Kraftwerke oder Atomkraftwerke länger laufen – zu Lasten von Klimaschutz.
Auch der Wasserfußabdruck von Rechenzentren wird immer größer. In vielen Fällen stammt dieses Wasser aus dem Grundwasser von Regionen, in denen bereits Dürre und Wasserknappheit herrscht.
Entsorgung
Der Elektroschrott, zu dem irgendwann die Server werden, landet oft in asiatischen oder afrikanischen Ländern, wo die Menschen unter den Umweltfolgen leiden müssen. Viele Komponenten enthalten gefährliche Stoffe wie Blei, Quecksilber und Kadmium, die in den Boden und ins Wasser gelangen können, wenn sie nicht ordnungsgemäß entsorgt werden. Der Schrott wird in der Regelt nicht wiederverwertet und landet auf Halden. Selbst in Europa und den USA, wo das Recycling eine gängige Praxis ist, liegt die Recyclingquote für Elektronikgeräte im Durchschnitt bei unter 20 Prozent.
Mit der zunehmenden Verbreitung von KI-Systemen steigt die Nachfrage nach leistungsstarker Hardware. KI-Technologie veraltet durch den Leistungswettbewerb schneller. Durch den kürzeren Lebenszyklus der Hardware landet sie schneller auf den Müllhalden. Das Baker Institute an der Rice University bezeichnet Elektroschrott als den weltweit am schnellsten wachsenden Müll.
