💻 computer science

The Rising Unsustainability of AI Graphics Cards Production

Deze studie schat de escalerende milieuschade van de productie van AI-grafische kaarten van 2013 tot 2025 in, waarbij wordt onthuld dat ondanks de winst in operationele efficiëntie, de toenemende uitputting van hulpbronnen en de koolstofemissies door productie een verschuiving naar structurele beleidswijzigingen, duurzaam hardwareontwerp en een culturele beweging weg van eeuwige groei noodzakelijk maken.

Oorspronkelijke auteurs: Clément Morand, Aurélie Névéol, Anne-Laure Ligozat

Gepubliceerd 2026-07-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Clément Morand, Aurélie Névéol, Anne-Laure Ligozat

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: De Verborgen Kosten van het "Brein"

Stel je de AI-boom voor als een enorm bouwproject waarbij een nieuwe, superintelligente stad wordt gebouwd. Iedereen praat over hoeveel elektriciteit deze stad verbruikt om de lichten en computers te laten branden (de "operationele" kosten).

Deze paper betoogt echter dat we de kosten van het bouwen van de stenen zelf negeren. De auteurs richten zich op grafische kaarten (de gespecialiseerde computerchips die AI aandrijven). Ze ontdekten dat terwijl we proberen deze chips efficiënter te laten draaien, het proces van het produceren ervan elk jaar vervuilender, zwaarder en intensiever qua middelen wordt.

Het Onderzoek: Het Volgen van de "Stenen"

De onderzoekers traden op als detectives en bekeken de geschiedenis van de NVIDIA workstation grafische kaarten (de hoogwaardige "stenen" die worden gebruikt voor AI) van 2013 tot 2025.

Ze bouwden een dataset van 174 verschillende kaartmodellen. Om de milieuschade te begrijpen, gebruikten ze een methode genaamd Life Cycle Assessment (LCA). Denk aan dit als een "van wieg tot poort" audit:

Wieg: Het opgraven van de ruwe metalen en mineralen.
Poort: Het moment waarop de afgewerkte kaart de assemblageband verlaat.
Noot: Ze telden niet de elektriciteit mee die wordt gebruikt wanneer de kaart daadwerkelijk in een datacenter draait; ze telden alleen de kosten van het maken ervan.

Ze maten twee hoofdzaken:

Voetafdruk van koolstof: Hoeveel broeikasgassen er worden uitgestoten om de kaart te maken (zoals de uitlaatgassen van een fabriek).
Uitputting van hulpbronnen: Hoeveel van de eindige metalen van de aarde (zoals goud, koper en zeldzame aardmetalen) worden verbruikt om de kaart te maken.

De Bevindingen: Groter, Sneller en Duurder

De studie vond een duidelijke, zorgwekkende trend: Het maken van een enkele grafische kaart wordt in de loop der tijd veel schadelijker.

1. Het "Super-Size" Effect

De Analogie: Stel je een smartphone voor. Tien jaar geleden had het een klein scherm en een kleine camera. Vandaag heeft het een enorm scherm, een enorme camera en een super-snelle processor.
De Realiteit: AI-kaarten hebben hetzelfde pad gevolgd. Het "brein" (GPU) binnen de kaart is fysiek groter geworden, en het geheugen (opslag) is explosief gegroeid.
De Keerzijde: Zelfs hoewel de technologie binnenin nauwkeuriger is geworden (door het gebruik van kleinere, fijnere circuits), is de enorme omvang van de chip en de hoeveelheid geheugen die nodig is, zo snel gegroeid dat de milieukosten voor het maken van één kaart sinds 2013 zijn verviervoudigd.
- 2013: Het maken van een kaart kostte ongeveer 50 kg CO2-uitstoot.
- 2025: Het maken van een kaart kost ongeveer 200 kg CO2-uitstoot.

2. De "Rebound" Valstrik

De Analogie: Als je een superbrandstofefficiënte auto koopt, voel je je misschien goed over die keuze. Maar als die efficiëntie ervoor zorgt dat je elke dag 10 keer verder rijdt, verbruik je uiteindelijk meer benzine dan voorheen.
De Realiteit: Ingenieurs hebben chips energie-efficiënter gemaakt. Maar omdat ze zo efficiënt zijn, kopen bedrijven grotere kaarten en laten ze deze harder werken. De paper merkt op dat hoewel de chips beter zijn, de totale energie die nodig is om een enkele kaart te laten draaien, feitelijk licht is gestegen omdat we ze veel meer werk laten verrichten.

3. De Verkoopexplosie

De Analogie: Het is niet alleen dat elke steen zwaarder is; het is dat we een wolkenkrabber bouwen in plaats van een huis.
De Realiteit: Het aantal verkochte kaarten is geëxplodeerd. In 2022 kochten bedrijven enkele honderdduizenden kaarten. Tegen 2024 kochten ze meer dan een miljoen per kwartaal.
Het Resultaat: De totale milieuschade door enkel het maken van deze kaarten is enorm gestegen. De auteurs berekenden dat de vervuiling door de kaarten die in 2024 werden verkocht, ongeveer gelijk is aan de jaarlijkse uitstoot van 700.000 mensen die in een stad als Kopenhagen, Denemarken wonen.

Het "Basis" Probleem

De onderzoekers deelden de schade op in drie delen:

De GPU (Het Brein): Wordt in de loop der tijd slechter.
Het Geheugen (De Opslag): Wordt veel slechter in de loop der tijd (dit is de snelst groeiende bron van schade).
De Basis (De behuizing, koeling en printplaat): Dit deel blijft ongeveer gelijk, maar omdat de GPU en het geheugen zo groot worden, ziet de "Basis" er nu uit als een klein fractie van het totale probleem.

De Conclusie: Efficiëntie is Niet Genoeg

De paper concludeert met een harde waarheid: We kunnen ons niet simpelweg "groen" uit dit probleem redden.

Het Misverstand: Veel mensen denken dat als we onze datacenters maar van zonne-energie voorzien, we de AI-milieucrisis oplossen.
De Realiteit: Overstappen op schone energie helpt bij de gebruikskosten, maar doet niets voor de productiekosten. De schade vindt plaats voordat de kaart zelfs maar in het stopcontact wordt gestoken.

De Eindelijke Metafoor:
Stel je voor dat je probeert de planeet te redden door een elektrische auto te rijden. Dat is geweldig! Maar als je ook elke maand een nieuwe auto koopt en de oude op een stortplaats gooit, zal de milieuschade door het produceren van al die nieuwe auto's uiteindelijk het voordeel van het rijden met ze tenietdoen.

De auteurs betogen dat de AI-industrie moet stoppen met de aanname dat "krachtiger" altijd "beter" is. Ze suggereren dat we moeten kijken naar voldoendeheid (sufficiency) — de vraag of we echt elke vijf jaar deze enorme, hulpbronnen-hongerige kaarten moeten bouwen, of dat we manieren kunnen vinden om wat we hebben langer te gebruiken.

Kortom: De paper waarschuwt dat de "stenen" van de AI-revolutie steeds giftiger worden om te produceren, en dat het simpelweg laten draaien van de kaarten op schone elektriciteit de schade die wordt veroorzaakt door het bouwen ervan, niet zal herstellen.

Technische Samenvatting: De Toenemende Onhoudbaarheid van de Productie van AI-Grafische Kaarten

Probleemstelling
De snelle expansie van kunstmatige intelligentie (AI)-infrastructuur heeft geleid tot massale investeringen in hardware, met name grafische kaarten, die centraal staan bij het trainen van AI. Hoewel er aanzienlijke aandacht is besteed aan het operationele energieverbruik en de koolstofemissies van datacentra, blijven de milieuschade geassocieerd met de productie van deze hardwarecomponenten onderbelicht. Bestaande literatuur vertoont vaak een gebrek aan transparantie in lifecycle-data, en hoewel parametrische modellen bestaan voor servers en gebruikersapparaten, is hoogwaardige data over grafische kaarten — specifiek met betrekking tot hulpbronnenuitputting en belichaamde koolstof — schaars geweest. Dit gat belemmert een volledig begrip van de onhoudbaarheid van de AI-sector, vooral omdat grootschalige datacentrumprojecten honderdduizenden grafische kaarten per installatie vereisen. Bovendien richten huidige mitigatiestrategieën zich vaak op het vergroenen van elektriciteitsvoorzieningen, wat er niet toe leidt dat de escalerende effecten van hardwareproductie worden aangepakt.

Methodologie
Om dit gat te dichten, voerden de auteurs een Cradle-to-Gate Attributional Life Cycle Assessment (LCA) uit van NVIDIA workstation grafische kaarten die tussen 2013 en februari 2025 zijn uitgebracht.

Data Curatie: De auteurs hebben een dataset samengesteld van 174 workstation grafische kaartmodellen. Databronnen omvatten de TechPowerUp GPU-database, Wikipedia en officiële NVIDIA-datasheets (gebruikt als referentie voor het oplossen van discrepanties). Belangrijke technische parameters die zijn verzameld, waren de releasedatum, GPU-die oppervlakte, technologische node, geheugentype, geheugencapaciteit en Thermal Design Power (TDP).
Parametrisch Modelleren: De studie paste het parametrische model aan dat is geïmplementeerd in MLCA (gebaseerd op Boavizta-data) om productie-impact te schatten. Het model behandelt de grafische kaart als een som van zijn onderdelen:
- GPU Die: De impact wordt berekend op basis van het die-oppervlak en een vaste impact per $cm^2$ (afgeleid van Intel CPU-productiedata).
- Geheugen: De impact wordt berekend door het benodigde geheugen-die oppervlak te schatten voor het totale geheugenvolume (met behulp van een constante geheugendichtheidsfactor) en dit te vermenigvuldigen met de impact per $cm^2$ van het geheugen-die.
- Basiscomponenten: Een constante impactwaarde houdt rekening met de behuizing, koelblok, Printed Circuit Board (PCB) en upstream transport.
Impactcategorieën: De beoordeling richtte zich op twee primaire indicatoren:
1. Koolstofvoetafdruk: Gemeten als Global Warming Potential (GWP) in $kgCO_2$ eq.
2. Metallische Hulpbronnenuitputting: Gemeten als Abiotic Depletion Potential voor elementen (ADPe) in $kgSb$ eq (antimoonsequivalent).
Wereldwijde Schaalanalyse: De productie-impact per kaart werd gecombineerd met verkoopgegevens van Epoch AI (2022–2025) om de totale wereldwijde milieuschade te schatten die wordt veroorzaakt door de inkoop van AI-grafische kaarten.

Belangrijkste Bijdragen

Dataset Publicatie: De auteurs leveren een gecureerde dataset die de milieuschade documenteert van de productie van NVIDIA workstation grafische kaarten die tussen 2013 en 2025 zijn uitgebracht, samen met de gebruikte code voor reproduceerbaarheid.
Trendanalyse: De studie levert bewijs dat de milieimpact van individuele grafische kaarten het afgelopen decennium consistent is toegenomen.
Inkooptrends: Het artikel analyseert de traject van de inkoop van grafische kaarten, waarbij de groei in verkoopvolume wordt gekoppeld aan de escalerende cumulatieve productieschade.

Resultaten

Hardware Evolutie: Gedurende de 12-jarige periode nam de gemiddelde GPU-die oppervlakte lineair toe, terwijl de technologische node-grootte afnam (fijnere nodes). De geheugencapaciteit (in GB) groeide exponentieel (ca. 30% CAGR). Ondanks verbeteringen in rekenefficiëntie, is het totale energieverbruik (TDP) van de kaarten licht toegenomen, wat consistent is met een rebound-effect.
Productie-impact:
- Koolstofvoetafdruk (GWP): De productie-koolstofvoetafdruk van een enkele workstation kaart is gestegen van ongeveer 50 $kgCO_2$ eq in 2013 naar ongeveer 200 $kgCO_2$ eq voor recente modellen.
- Hulpbronnenuitputting (ADPe): De metallische hulpbronnenuitputting per eenheid is relatief constant gebleven op ongeveer 0,01 $kgSb$ eq, hoewel de samenstelling van de impact is verschoven.
- Componentverschuivingen: Terwijl basiscomponenten (PCB, behuizing) historisch gezien domineerden in hulpbronnenuitputting, is het aandeel van de impact van de GPU en het geheugen gegroeid. In recente jaren is het geheugen de dominante bron van GWP-impact geworden, terwijl basiscomponenten dominant blijven voor ADPe.
Wereldwijde Schaal: Tussen Q1 2022 en Q3 2024 vertoonde de cumulatieve productieschade van verkochte NVIDIA AI-kaarten een scherpe stijging. De totale geschatte GWP voor deze periode (ongeveer 698 $ktCO_2$ eq) is gelijk aan de maximale jaarlijkse emissies van ongeveer 700.000 mensen onder planetaire grenzen.
Validatie: Het parametrische model van de studie levert resultaten op die consistent zijn met eerdere onafhankelijke studies (bijv. Lees-Perasso et al., ADEME) en de eigen gepubliceerde data van NVIDIA voor specifieke modellen zoals de H100, waarbij de verschillen over het algemeen binnen aanvaardbare marges liggen (bijv. <33% voor GWP).

Betekenis en Claims
Het artikel betoogt dat de AI-gemeenschap niet uitsluitend kan vertrouwen op verbeteringen in operationele efficiëntie (zoals energiezuinig trainen of koolstofbewust computergebruik) om duurzaamheid te bereiken. De studie benadrukt dat de productie-gerelateerde impacts escaleren en een aanzienlijk, vaak over het hoofd gezien deel vormen van de milieuvoetafdruk van de AI-sector.

De auteurs beweren dat de huidige koers van AI-hardwareontwikkeling — gekenmerkt door frequente updates, toenemende die-groottes en exponentiële verkoopgroei — fundamenteel in strijd is met de wereldwijde duurzaamheidslimieten en planetaire grenzen. Zij stellen dat het aanpakken van de onhoudbaarheid van AI vereist dat men verder kijkt dan incrementele optimalisaties naar "voldoendeheid" (sufficiency). Dit vereist structurele veranderingen, inclusief beleidsinterventies, hardwareontwerp gericht op levensduur, en een culturele verschuiving weg van de imperatief van voortdurende groei en prestatieverhogingen. De studie onderstreept de dringende noodzaak van meer transparantie in lifecycle-data om de materiële implicaties van AI-infrastructuur volledig te begrijpen.