Position: Neglecting the Sustainability of AI is Fuelling a Global AI Arms Race

Technische Samenvatting: Het verwaarlozen van de duurzaamheid van AI voedt een wereldwijde AI-wapenwedloop

Probleemstelling
Het artikel identificeert een kritieke kloof in het huidige discours over duurzame kunstmatige intelligentie (AI). Terwijl duurzaamheid traditioneel wordt gedefinieerd door drie pijlers—milieu, economie en sociale aspecten—richt het jonge veld van "duurzame AI" zich voornamelijk op milieuduurzaamheid (specifiek klimaatimpact en koolstofemissies). Deze smalle focus verwaarloost de economische en sociale dimensies, met name de bronbewustheid (resource awareness): de infrastructurele en economische barrières die een rechtvaardige toegang tot AI-ontwikkeling beperken.

De auteurs stellen dat deze verwaarlozing een fundamentele spanning creëert. Inspanningen om de klimaatimpact te beperken (bijv. "Green AI" of efficiënte modellen) verlagen vaak onbedoeld de drempels voor de toegang tot hulpbronnenintensieve ontwikkeling, zonder de onderliggende concentratie van macht aan te pakken. Omgekeerd negeert de drang naar "AI-soevereiniteit" en democratisering (het vergroten van de toegang tot middelen) vaak de milieukosten van het uitbreiden van de computationele infrastructuur. Deze dynamiek wordt verergerd door het "rebound-effect" (Jevons' paradox), waarbij efficiëntiewinsten leiden tot een toename van het totale verbruik in plaats van een reductie. Het resultaat is een kortzichtige wereldwijde wapenwedloop, gedreven door een handvol corporaties en naties, die de milieu- en financiële kosten externaliseert terwijl sociale kloven worden verdiept en lage- en middeninkomenslanden (LMIC's) worden uitgesloten.

Methodologie en Theoretisch Kader
In plaats van nieuwe machine learning-algoritmen voor te stellen of empirische experimenten uit te voeren, hanteert dit position paper een kritische theoretische analyse gebaseerd op het historisch materialisme, specifiek gebruikmakend van Karl Marx' base-superstructure framework (basis-bovenbouw kader).

• De Basis (The Base): Gedefinieerd als de materiële condities van AI-productie, inclusief grondstoffen (zeldzame aardmetalen), energie, water, gespecialiseerde hardware (GPU's), arbeid, kapitaalinvesteringen en data. Het artikel stelt dat deze materiële condities momenteel worden gemonopoliseerd door enkele entiteiten in het mondiale Noorden.
• De Bovenbouw (The Superstructure): Gedefinieerd als de normen, waarden, regelgevende kaders, ethiek en culturele narratieven die AI beheersen. De auteurs betogen dat de bovenbouw door de basis wordt gevormd om de status quo van de concentratie van middelen in stand te houden, waardoor de huidige machtsdynamiek wordt gelegitimeerd.

De auteurs analyseren de wisselwerking tussen deze lagen om aan te tonen hoe de huidige materiële concentratie de "AI-wapenwedloop" aanjaagt en hoe de bovenbouw (bijv. narratieven over AI-soevereiniteit of efficiëntie) faalt om de structurele ongelijkheden aan te pakken. Zij ondersteunen deze analyse met datavisualisaties met betrekking tot:

• De geografische concentratie van supercomputingcapaciteit (TOP500-data).
• De discrepanties in AI-investeringen (VS versus China versus anderen).
• De dominantie van bedrijfsentiteiten in LLM-leaderboards.
• De ondervertegenwoordiging van LMIC's in top AI-conferenties (ICML, ICLR, NeurIPS) van 2006–2025.
• De discrepantie in de toegang tot hernieuwbare energie wereldwijd.

Belangrijkste Bijdragen
De primaire bijdragen van het artikel zijn conceptueel en voorschrijvend:

1. Herformulering van Duurzame AI: De auteurs introduceren een tweezijdig kader (Klimaatbewustzijn versus Bronbewustzijn) om AI-paradigma's te contextualiseren:

   • SOTA AI: Laag klimaatbewustzijn, laag bronbewustzijn (hoge resourceconsumptie, gecentraliseerd).
   • Green AI: Hoog klimaatbewustzijn, laag bronbewustzijn (focus op efficiëntie, maar negeert vaak toegang/gelijkheid).
   • Inclusieve AI: Laag klimaatbewustzijn, hoog bronbewustzijn (focus op toegang/gelijkheid, maar negeert vaak de milieukosten).
   • Duurzame AI (Het Doel): Hoog klimaatbewustzijn EN hoog bronbewustzijn. Het artikel stelt dat echte duurzaamheid vereist dat de kloof tussen deze twee assen wordt overbrugd.

2. Het CARAML-framework: De auteurs stellen het Climate and Resource Aware Machine Learning (CARAML) framework voor. Dit is een oproep tot actie op meerdere niveaus, ontworpen om klimaat- en bronbewustzijn met elkaar te verzoenen. Het schetst specifieke interventies over vijf niveaus van agency en reikwijdte:

   • Individu: Herdefinieer succesmetrieken om de kosten van middelen mee te nemen (bijv. prestaties per eenheid hulpbron) en hanteer Pareto-optimalisatie voor duurzaamheid.
   • Gemeenschap (ML): Pre-registreer grootschalige experimenten om verspilling te voorkomen; handhaaf transparantie en zelfrapportage van de koolstofvoetafdruk; adopteer hybride conferenties om emissies door reizen te verminderen.
   • Industrie: Verplicht duurzaamheidsverklaringen (inclusclusief belichaamde emissies); implementeer regulatieve koolstofplafonds voor AI.
   • Overheid: Vereis AI-impactbeoordelingen (vergelijkbaar met milieueffectrapportages) die sociale en milieueffecten dekken; bevorder "Reverse Innovation" van LMIC's naar HIC's.
   • Wereldwijde Actie: Stel gecoördineerde wereldwijde standaarden vast voor ethiek en veiligheid; pak de digitale kloof aan door te zorgen voor een "Recht op Duurzame Compute"; vorm internationale consortia voor wereldwijde uitdagingen.

Resultaten en Bewijs
Als position paper zijn de resultaten analytisch in plaats van experimenteel. Het artikel synthetiseert bestaande gegevens om aan te tonen:

• Geografische Ongelijkheid: De VS en China domineren de wereldwijde AI-investeringen en supercomputingcapaciteit, terwijl Afrika en andere regio's grotendeels onvertegenwoordigd zijn.
• Bedrijfstdominantie: De meerderheid van de inzendingen in LLM-benchmark leaderboards komt van bedrijven die enorme hoeveelheden rekenkracht (compute) hebben geïnvesteerd.
• Het Rebound-effect: Het artikel citeert de opkomst van efficiëntere modellen (bijv. DeepSeek) als een casestudy waarbij efficiëntie leidde tot een piek in het gebruik en een verschuiving naar "reasoning models" met hogere token-aantallen, wat resulteerde in geen netto reductie van het energieverbruik.
• De Dubbele Straf: LMIC's kampen met een "dubbele straf": ze hebben geen toegang tot de middelen om AI te ontwikkelen, en ze worden verder uitgesloten door de drang naar koolstofarme datacenters die de hernieuwbare energie-infrastructuur missen die zij vaak niet bezitten.

Betekenis en Claims
Het artikel claimt dat het verwaarlozen van de dubbele aspecten van duurzaamheid (klimaat en bronnen) niet slechts een over het hoofd gezien detail is, maar een drijfveer van een gevaarlijke wereldwijde AI-wapenwedloop. Door het base-superstructure framework toe te passen, beweren de auteurs dat de huidige koers structureel wordt versterkt door materiële condities die kapitaalaccumulatie prioriteren boven sociaal en milieubelang.

De betekenis van het werk ligt in de oproep om voorbij de binaire tegenstelling van "efficiëntie versus toegang" te gaan. De auteurs stellen dat het bereiken van Duurzame AI een gecoördineerde inspanning van meerdere belanghebbenden vereist om de toegang tot de materiële basis (compute, data, energie) te democratiseren, terwijl tegelijkertijd strikte klimaatbeperkingen worden opgelegd. Zij betogen dat zonder deze gezamenlijke overweging, inspanningen om AI te "vergroenen" of te "democratiseren" zullen falen, ofwel door de milieuverslechtering te verergeren, ofwel door wereldwijde ongelijkheden te versterken. Het artikel concludeert dat de AI-gemeenschap de krachten van de wapenwedloop moet weerstaan om de meer existentiële dreiging van klimaatverandering aan te pakken, en om ervoor te zorgen dat AI-ontwikkeling dient aan de bredere doelen van de Duurzame Ontwikkelingsdoelstellingen (SDG's).