Ecological Proportionality in Generative AI: The Ethics of Marginal Capability and Environmental Sufficiency

Elke keer dat we een computer vragen om een verhaal te schrijven, een wiskundig probleem op te lossen of een document samen te vatten, maken we gebruik van een enorme, onzichtbare machine. Deze machine is niet alleen code; het is een fysiek systeem gemaakt van elektriciteit, water en enorme servers die zoemen in datacentra over de hele wereld. Net zoals een auto brandstof verbruikt om te bewegen, verbruiken deze kunstmatige intelligentiesystemen energie om na te denken. Jarenlang heeft het gesprek over deze technologie zich gericht op wat het voor ons kan betekenen—hoe slim het is, hoe snel het antwoordt en hoe goed het menselijke creativiteit nabootst. Maar een stillere, moeilijkere vraag is begonnen te ontstaan: wanneer we kiezen voor de krachtigste, meest capabele versie van deze hulpmiddelen, betalen we dan een prijs die te hoog is voor het milieu?

De kern van dit dilemma ligt in het idee van "marginale capaciteit". Stel je voor dat je een eenvoudige e-mail moet versturen. Je zou een standaard hulpmiddel kunnen gebruiken dat de taak prima uitvoert, of je zou een superkrachtig hulpmiddel kunnen gebruiken dat hetzelfde doet maar met iets meer flair. Het krachtige hulpmiddel is misschien beter, maar het vereist ook aanzienlijk meer energie om te draaien. De vraag die onderzoekers nu stellen is niet of het krachtige hulpmiddel beter is, maar of dat kleine beetje extra verbetering de extra last die het aan de planeet legt waard is. Dit is een kwestie van proportionaliteit: rechtvaardigt het voordeel de kosten?

Een nieuwe studie door onderzoekers van de University of the Potomac, California State University, Northridge, en de University of Massachusetts Amherst pakt exact dit probleem aan. Ze stellen een nieuwe manier van denken voor over hoe we moeten kiezen welke kunstmatige intelligentie we gebruiken. In plaats van automatisch het krachtigste beschikbare model te kiezen, betogen zij dat ontwikkelaars en bedrijven de plicht hebben om te vragen of een kleiner, minder energieverslindend model de taak net zo goed zou kunnen uitvoeren. Als een lichter model aan de behoefte kan voldoen, vereist het kiezen van het zwaardere model een duidelijke, eerlijke reden. De onderzoekers noemen dit de "Ecological Capability Proportionality Test", een reeks stappen ontworpen om ervoor te zorgen dat we geen middelen verspillen aan onnodige kracht.

Om te zien of dit idee standhoudt in de echte wereld, bekeken het team een publieke collectie gegevens over tweeënveertig verschillende modelconfiguraties uit een dataset. Dit zijn de geavanceerde computerprogramma's die de basis vormen van veel van de chatbots en schrijfassistenten die we vandaag de dag zien. De onderzoekers onderzochten twee zaken voor elke configuratie: hoe capabel het was in het uitvoeren van taken, en hoeveel energie het naar schatting verbruikte voor een enkele lange aanvraag. Ze vonden een duidelijk patroon: over het algemeen, hoe krachtiger een model was, hoe meer energie het consumeerde. De relatie was echter geen rechte lijn. Naarmate de modellen slimmer werden, bleef de hoeveelheid energie die ze nodig hadden om naar het volgende niveau van intelligentie te springen niet gelijk; het begon dramatisch te pieken.

De onderzoekers brachten de meest efficiënte opties in kaart en creëerden een grens van de best mogelijke afwegingen tussen intelligentie en energieverbruik. Ze ontdekten dat voor de topmodellen de kosten voor het verkrijgen van slechts een klein beetje meer capaciteit enorm waren. Bijvoorbeeld, het overgaan van een model met een capaciteitsscore van drieënveertig naar een met een score van vijfentwintig vereiste meer dan een verdubbeling van de energie die nodig is voor één enkele lange prompt. De energie sprong van ongeveer 9,79 wattuur naar 21,31 wattuur. Die kleine toename in intelligentie ging gepaard met een enorme toename in de milieukosten. Sterker nog, de extra energie die nodig was voor die laatste stap was bijna zes keer hoger per punt capaciteit dan de stappen die eerder in het bereik werden genomen.

Dit bevinding suggereert dat de krachtigste modellen niet alleen iets duurder zijn om te draaien; ze zijn zeer niet-lineair in hun eisen. De studie beweert niet dat we de krachtigste modellen nooit mogen gebruiken. In situaties waarin veiligheid, medische diagnose of complexe wetenschappelijke ontdekking op het spel staat, kan die extra kracht absoluut noodzakelijk zijn. Maar voor alledaagse taken, zoals het opstellen van een routinematig memo of het samenvatten van een nieuwsartikel, suggereert de studie dat de extra energie waarschijnlijk verspild is. De onderzoekers stellen dat organisaties een "toereikendheidsdrempel" (sufficiency threshold) voor hun taken moeten instellen. Als een lichter model aan die drempel kan voldoen, moet dat de standaardkeuze zijn. Alleen als een taak er echt om vraagt, moet een bedrijf opschalen naar een zwaarder, energie-intensiever model, en zij moeten kunnen uitleggen waarom.

Het artikel belicht ook een verborgen gevaar in de manier waarop we deze systemen momenteel beheren. Vaak kiezen bedrijven standaard voor het krachtigste beschikbare model omdat het de "beste" is, uitgaande van het idee dat betere prestaties altijd de kosten waard zijn. Deze aanpak keert de bewijslast om. In plaats van te vragen waarom we zoveel energie moeten gebruiken, gebruiken we het simpelweg en gaan we ervan uit dat het in orde is. De onderzoekers stellen voor deze logica om te draaien. Ze suggereren dat de standaard de minst belastende optie moet zijn die nog steeds het werk doet. Als een team een krachtiger model wil gebruiken, moeten ze de extra milieu-impact rechtvaardigen. Dit gaat niet over het stoppen van vooruitgang of het beperken van wat kunstmatige intelligentie kan doen; het gaat erom dat elke eenheid energie die wordt besteed, wordt afgestemd op een reëel menselijk voordeel.

De studie waarschuwt ook tegen een fenomeen dat bekend staat als het rebound-effect. Als we kunstmatige intelligentie efficiënter maken, zullen we misschien niet minder energie verbruiken. In plaats daarvan, omdat het goedkoper en gemakkelijker te gebruiken wordt, kunnen we het juist veel vaker of gedurende langere perioden gaan gebruiken, wat eventuele besparingen teniet kan doen. Een systeem dat half zoveel energie per vraag gebruikt maar drie keer zoveel vragen krijgt gesteld, helpt het milieu niet echt. Daarom pleiten de onderzoekers voor een totaaloverzicht: hoe vaak het systeem wordt gebruikt, hoe vaak het wordt opgeschaald, en wie de kosten draagt voor de elektriciteit en het water die nodig zijn om het te laten draaien.

Uiteindelijk is dit werk een oproep tot verantwoording. Het vraagt ons om te stoppen met het behandelen van de milieukosten van kunstmatige intelligentie als een onzichtbaar bijproduct. Door de specifieke energiekosten van het verkrijgen van een beetje meer capaciteit te meten, hebben de onderzoekers die kosten zichtbaar gemaakt. Ze laten zien dat de sprong van "zeer goed" naar "uitstekend" soms een onevenredige hoeveelheid middelen kan eisen. Het doel is niet om kleine modellen boven grote te verkiezen, of om efficiëntie boven capaciteit te verkiezen. Het doel is om het juiste gereedschap voor de klus te kiezen. Als een taak met een bescheiden hoeveelheid energie kan worden uitgevoerd, moeten we dat op die manier doen. Als we de kracht van een gigantisch model nodig hebben, moeten we dat doen, maar wel met onze ogen open, begrijpend wat we precies betalen en waarom het de prijs waard is. Deze aanpak zorgt ervoor dat de groei van kunstmatige intelligentie in lijn blijft met het welzijn van de planeet, in plaats van er juist van weg te drijven.