🤖 machine learning

AgentDecarbonizer: Carbon-Aware Execution for AI Agents

Dit artikel introduceert AgentDecarbonizer, een koolstofbewuste executie-optimizer voor AI-agenten die de koolstofemissies met wel 57,9% vermindert door gebruik te maken van deadlineflexibiliteit om taken te plannen tijdens perioden met een lage koolstofintensiteit of op schonere elektriciteitsnetten, terwijl rekening wordt gehouden met executieonzekerheden en de overhead van cache-herberekening.

Oorspronkelijke auteurs: Leyi Yan, Shuangning Li, Sihang Liu

Gepubliceerd 2026-08-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Leyi Yan, Shuangning Li, Sihang Liu

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

Elke keer dat een computer een berekening uitvoert, trekt deze elektriciteit uit het elektriciteitsnet. Die elektriciteit is niet altijd schoon; afhankelijk van waar de stroom vandaan komt en wanneer deze wordt opgewekt, kan het proces variërende hoeveelheden kooldioxide in de atmosfeer vrijgeven. In de afgelopen jaren is er een nieuw soort software opgekomen dat fungeert als een digitale assistent die in staat is tot complexe, meerstapsdenkprocessen. In tegen afzetting van een eenvoudige chatbot die één vraag beantwoordt en stopt, kunnen deze autonome agenten een lange reis plannen, deze opdelen in kleinere taken, hulpmiddelen gebruiken om informatie te verzamelen en hun eigen fouten onderweg te corrigeren. Ze kunnen code schrijven, gegevens analyseren of schema's beheren zonder constante menselijke supervisie. Omdat deze agenten echter gedurende langere perioden draaien en veel meer verzoeken naar de onderliggende kunstmatige intelligentiemodellen sturen dan een standaard chat, verbruiken ze aanzienlijk meer energie. Nu deze tools gebruikelijker worden, vormt de koolstofvoetafdruk van hun eindeloze denkwerk een serieus milieuprobleem.

Onderzoekers aan de University of Waterloo en de University of Chicago hebben een nieuw systeem ontwikkeld dat ontworpen is om deze digitale assistenten milieuvriendelijker te maken zonder ze te vertragen of minder effectief te maken. Ze noemen hun hulpmiddel AgentDecarbonizer. Om te begrijpen hoe het werkt, moet men eerst kijken naar hoe deze agenten opereren. Wanneer een agent een taak krijgt, denkt hij niet slechts één keer; hij denkt in een lus. Hij stelt een vraag, ontvangt een antwoord, gebruikt een hulpmiddel zoals een webzoekopdracht of een bestand-editor, en gebruikt die nieuwe informatie vervolgens om de volgende vraag te stellen. Deze cyclus herhaalt zich vele malen. De onderzoekers ontdekten dat dit proces ongelooflijk zwaar is op "input", wat betekent dat de agent een enorme hoeveelheid tekst naar het computermodel stuurt om het op de hoogte te houden van de gesprekshistorie en voorgaande stappen. Omdat de agent vaak delen van deze geschiedenis herhaalt, kan het computersysteem energie besparen door te onthouden wat het al heeft verwerkt, een techniek die bekend staat als context caching. Als de agent op dezelfde plek blijft, kan hij deze opgeslagen herinneringen hergebruiken. Als hij naar een andere locatie beweegt, moet hij alles vergeten en opnieuw leren, wat energie verspilt.

Het team ontdekte dat de koolstofkosten van het draaien van deze agenten sterk afhangen van twee zaken: waar de computer zich bevindt en wanneer het werk wordt uitgevoerd. Het elektriciteitsnet in verschillende delen van de wereld vertrouwt op verschillende energiebronnen. Sommige regio's halen het grootste deel van hun stroom uit wind, zon of waterkrachtcentrales, die zeer weinig kooldioxide produceren. Andere regio's vertrouwen meer op fossiele brandstoffen zoals kolen of gas, die veel meer produceren. Bovendien verandert de mix van energie gedurende de dag. Een netwerk kan heel schoon zijn rond het middaguur wanneer de zon schijnt, maar vuiler worden in de nacht wanneer zonne-energie niet beschikbaar is. De onderzoekers observeerden dat een agent die in één regio op een specifiek tijdstip draait, bijna drie keer zoveel koolstofemissies kan produceren als dezelfde agent die in een andere regio of op een ander tijdstip draait.

Om dit op te lossen, bouwden de onderzoekers AgentDecarbonizer om te fungeren als een slimme planner die naast de agent draait. In plaats van de agent direct met zijn werk te laten beginnen, kijkt het systeem vooruit. Het schat in hoe lang de taak zal duren en controleert de voorspelling voor de zuiverheid van de elektriciteit in verschillende delen van de wereld. Als de agent een flexibele deadline heeft, zoals een taak die binnen vierentwintig uur voltooid moet zijn, kan het systeem wachten op een moment waarop het netwerk het schoonst is. Het kan ook besluiten om het werk te verplaatsen naar een regio waar de lucht schoner is. Het systeem is echter voorzichtig om het werk niet te verplaatsen enkel omdat een regio op papier schoner lijkt. Het berekent of de energie die bespaard wordt door het gebruik van schone stroom, niet verloren gaat aan de inspanning om de geheugen van de agent naar een nieuwe locatie te verplaatsen. Als de kosten van het verplaatsen en opnieuw leren te hoog zijn, houdt het systeem de agent op zijn plek, zelfs als de lokale stroom iets vuiler is.

De onderzoekers testten hun systeem met een collectie van zestig realistische taken, variërend van het analyseren van wetenschappelijke artikelen tot het debuggen van computercode. Ze voerden deze taken uit over vier verschillende elektriciteitsnetten met variërende energiemixen. De resultaten lieten zien dat door zorgvuldig te kiezen wanneer en waar het werk wordt uitgevoerd, het systeem de koolstofemissies drastisch kon verminderen. Wanneer het een volledige dag kreeg om een taak te voltooien, verminderde het systeem de emissies met wel 57,9 procent vergeleken met een standaardbenadering die koolstof negeert. Zelfs toen de deadline krap was, met slechts drie uur om te voltooien, slaagde het systeem er nog steeds in om de emissies met meer dan 34 procent te verminderen. Het systeem bewees dat het mogelijk is om deze krachtige digitale assistenten duurzamer te maken door simpelweg slimmer te zijn over wanneer en waar ze hun werk doen, zodat de toekomst van kunstmatige intelligentie niet ten koste gaat van het klimaat van de planeet.

Technische Samenvatting: AgentDecarbonizer: Koolstofbewuste Executie voor AI-agenten

Probleemstelling

Autonome AI-agenten breiden Large Language Models (LLMs) uit van enkelvoudige prompt-respons interacties naar langlopende, doelgerichte workflows die bestaan uit herhaalde modelaanroepen, tool-invocaties en interacties met de omgeving. Hoewel deze workflows complexe taken mogelijk maken zoals softwareherstel en data-analyse, leidt hun computationele intensiteit tot aanzienlijke koolstofemissies. Bestaande koolstofbewuste optimalisatietechnieken, die doorgaans workloads verschuiven over tijd en geografie om workloads met een lagere koolstofintensiteit te benutten, slagen er niet in om twee unieke kenmerken van AI-agenten aan te pakken:

Onzekere Executietijd: Agent-workflows zijn iteratief en dynamisch; latere stappen hangen af van eerdere outputs, wat de duur van de executie moeilijk voorspelbaar maakt. Dit compliceert de strategie van "temporele verschuiving", aangezien agenten aan door de gebruiker gespecificeerde deadlines moeten voldoen in plaats van onbeperkt uit te stellen.
Context Caching Overhead: Agenten hergebruiken context (input tokens) intensief over meerdere modelaanroepen. Moderne LLM-serving-systemen cachen deze contexten om herberekening te vermijden. Spatiale verschuiving (het verplaatsen van de executie naar een ander grid) invalideert vaak deze caches, wat de herberekeningsoverhead van eerder gecachte inputs dwingt. Deze herberekeningsoverhead kan de koolstofvoordelen van het verplaatsen naar een grid met een lagere koolstofintensiteit tenietdoen.

Methodologie

De auteurs stellen AgentDecarbonizer voor, een koolstofoptimizer ontworpen om naast het open-source agent-systeem OpenClaw te draaien. Het systeem werkt door gezamenlijk temporele en spatiale executiebeslissingen te optimaliseren, terwijl het rekening houdt met deadlines en cache-lokaliteit.

1. Systeemarchitectuur

AgentDecarbonizer bestaat uit vier hoofdcomponenten (Figuur 7):

Carbon Intensity Predictor: Voorspelt de toekomstige koolstofintensiteit voor kandidaat-grids met behulp van historische gegevens en energie-mixmetingen (met behulp van de EnsembleCI-predictor).
Execution Time Estimator: Een lichtgewicht lokaal LLM (Gemma 4 4B) dat de taakduur schat. Het voert een conservatieve initiële schatting uit op basis van taalfasen en complexiteit, en verfijnt vervolgens de resterende tijdschatting tijdens de uitvoering met behulp van realtime voortgang, tokenaantallen en API-aanroepstatistieken van de OpenClaw-agent.
Cache-Aware Carbon Model: Een planner die context caching modelleert als een locatieafhankelijke straf. Het berekent de koolstofkosten van het herberekenen van gecachte inputs als de executie naar een nieuw grid verschuift. Een spatiale verschuiving wordt alleen geselecteerd als de verwachte koolstofreductie van het nieuwe grid met een lagere intensiteit groter is dan de herberekeningsoverhead.
Execution Controller: Beheert de runtime-flow, pauzeert de executie tijdens "wachtintervallen", hervat de executie vanaf opgeslagen staten en routeert verzoeken naar specifieke grids op basis van het schema van de planner.

2. Optimalisatiealgoritme

Het kernoptimalisatieprobleem wordt geformuleerd als het minimaliseren van de voorspelde koolstofemissies plus de cache-herberekeningsoverhead, onderworpen aan deadline-haalbaarheid.

Formulering: Het doel minimaliseert $\sum \hat{E}_{r,t} \cdot \widehat{CI}_{r,t} + \sum \Lambda^{(k)}$ , waarbij $\Lambda^{(k)}$ de cache-herberekeningstraffen vertegenwoordigt die worden geleden wanneer de service regio wisselt tussen executie-intervallen (lokale cache-herberekening).
Dynamisch Programmeren: Onder de aanname dat cache-herberekening alleen afhangt van de vraag of de service regio verandert tussen opeenvolgende intervallen, leiden de auteurs een exacte dynamische programmeeroplossing af. Dit algoritme draait in $O(K|R|H)$ tijd, waarbij $K$ het aantal executie-intervallen is, $|R|$ het aantal regio's en $H$ het aantal kandidaat tijdslots.
Deadline Garantie: Het systeem garandeert dat deadlines worden gehaald door conservatieve duur-schattingen te gebruiken. Als de geschatte resterende tijd de tijd tot de deadline overschrijdt, valt het systeem terug op onmiddellijke executie op het huidige grid.

3. Karakterisering van Workloads

De auteurs hebben 60 AI-agenttaken gekarakteriseerd uit WildClawBench over zes categorieën (Productiviteit, Code, Sociaal, Zoeken, Creatief, Veiligheid). Belangrijkste bevindingen zijn:

Input-Zwaar: Input tokens vormen 99,1% van de verwerkte tokens, waarbij 94,6% gecacht wordt.
Hoge Cache Besparingen: Context caching vermindert de koolstofemissies gemiddeld met 80,7%.
Variabiliteit: Executietijden en het aantal API-aanroepen variëren aanzienlijk tussen taken, wat dynamische schatting noodzakelijk maakt in plaats van statische aannames.

Belangrijkste Bijdragen

Systematische Karakterisering: Het eerste werk dat de koolstofemissies van AI-agenten systematisch bestudeert, waarbij wordt vastgesteld dat emissies worden gedreven door tokenconsumptie, context cache-hergebruik en de koolstofintensiteit van het grid.
AgentDecarbonizer Ontwerp: Een nieuwe koolstofoptimizer die de onzekerheid van AI-agent-executietijden en de overhead van context cache-herberekening tijdens spatiale verschuiving afhandelt.
Cache-Bewuste Optimalisatie: Een dynamische programmeeraanpak die expliciet de koolstofvoordelen van grid-verschuiving afweegt tegen de straf van het verliezen van gecachte context.
Evaluatie: Een uitgebreide evaluatie die aantoont dat het systeem deadlines haalt en tegelijkertijd de emissies aanzienlijk vermindert.

Resultaten

Het systeem werd geëvalueerd met WildClawBench-workloads (60 taken) over vier grids (Oostenrijk, Californië, Finland, Groot-Brittannië) met deadlines variërend van 3 tot 24 uur. De gebruikte model API was GPT-5.4.

Koolstofreductie:
- Vergeleken met een koolstof-agnostische baseline (gemiddelde emissies over alle grids), verminderde AgentDecarbonizer de emissies met maximaal 57,9% (bij een 24-uurs deadline) en 34,9% (bij een 3-uurs deadline).
- Vergeleken met een huidige-optimale baseline (selectie van het laagste koolstof-grid enkel op het starttijdstip), verminderde het de emissies met maximaal 37,5% (24-uurs deadline) en 3,3% (3-uurs deadline).
Deadline Adherentie: In alle evaluaties voltooide het systeem de workloads binnen de door de gebruiker gespecificeerde deadlines.
Overhead: De lokale executie-overhead op een Mac mini (M4) was minimaal, met een gemiddeld stroomverbruik van 14,9 W en een executietijd-overhead van 0,7–5,2 minuten per workload.
Ablatie-studies:
- Multi-grid Migratie: Het verschuiven tussen grids droeg bij aan een extra reductie van de emissies van 34,1–45,7% vergeleken met strategieën die enkel op wachten gericht waren.
- Voorspellingsrobuustheid: Het systeem bleef robuust tegen fouten in de voorspelling van de koolstofintensiteit en presteerde beter dan statische eenmalige voorspellingen, vooral bij langere deadlines.
- Estimator Nauwkeurigheid: De conservatieve executietijd-estimator zorgde ervoor dat de werkelijke looptijden consequent korter waren dan de geschatte tijden, wat de naleving van de deadline garandeerde.

Betekenis en Claims

Het artikel claimt het eerste werk te zijn dat de koolstofemissies van AI-agenten systematisch bestudeert en optimaliseert door methoden af te stemmen op hun specifieke executiekenmerken. De auteurs benadrukken dat hoewel autonome agenten de computationele eisen van LLM's vergroten, hun unieke kenmerken — specif gezien de afhankelijkheid van context caching en de variabiliteit van de executietijd — gespecialiseerde optimalisatiestrategieën vereisen die verschillen van traditionele koolstofbewuste computing.

De betekenis van AgentDecarbonizer ligt in het vermogen om de conflicterende doelen van koolstofreductie en deadline-naleving te verzoenen in een setting waar spatiale verschuiving niet triviaal voordelig is vanwege de kosten van cache-herberekening. Door aan te tonen dat de koolstofemissies met maximaal 57,9% kunnen worden verminderd zonder de door de gebruiker gestelde deadlines te schenden, biedt het werk een praktisch pad voor de duurzame inzet van grootschalige AI-agentsystemen. De auteurs merken op dat hoewel de implementatie gericht is op OpenClaw, de optimalisatiestrategieën breed toepasbaar zijn op andere agent-systemen.