AI may feel like an invisible technology, but the infrastructure behind it has a very real environmental footprint. Training and running AI models requires electricity, computing equipment and, in many cases, water for cooling. As AI becomes part of everyday life, how can we balance technological progress with environmental responsibility? Discover six perspectives on renewable energy, smaller and more efficient AI models, local computing and the potential for AI to support environmental solutions.
BEFORE YOU READ...
Have you ever thought about the environmental cost of a single AI prompt?
Imagine millions of people asking AI to generate text, images and videos every day. What resources might be needed to make that possible? Would knowing the environmental impact of an AI tool change how often you use it?
Explore Different Perspectives
Discover six perspectives on AI and sustainability, from reducing energy consumption and rethinking cloud computing to investing in cleaner energy and using AI to protect the environment.
Olivia Heslinga — Bringing AI closer to home: Could local computing reduce its environmental footprint?
I think that’s a very easy question for businesses. If they do everything on edge and on prim they will save a lot of money on the energy efficiency but also have more control of their data and their AI as well as their information and I peak so it will save the environments but also save on hardware cost and cloud cost and it will save more energy also not being shot up into the cloud back to the US to be computed and then back here to the EU so I think overall it just makes more sense to bring a lot of things including expertise of AI in-house but also the hardware in-house, so that you don’t have back doors you don’t have data leaks and you have more control over your business. Currently, EU has SustainML.eu to start researching this as well as a contact of mine Professor Raghavendra (Raghav) Selvan who wrote and compiled a great research book for Sustainable AI . We may be folly to jevons paradox and will fall for more efficient ways to save energy and resources only to continue operation past planetary boundaries.
Olivia Heslinga, Denmark, AI literacy consultant, founder of “AI for good Denmark”
Læs på dansk (DK)
Jeg synes, at det er et meget enkelt spørgsmål for virksomheder. Hvis de udfører alt lokalt, både ved kanten af netværket (edge computing) og på egne systemer (on-premises), kan de spare mange penge gennem bedre energieffektivitet. Samtidig får de større kontrol over deres data, deres AI-systemer og deres informationer og intellektuelle ejendom. Det gavner miljøet, reducerer udgifterne til hardware og cloudtjenester og sparer energi, fordi data ikke behøver at blive sendt til skyen i USA for at blive behandlet og derefter sendt tilbage til EU. Overordnet set giver det derfor mere mening at hjemtage flere funktioner, herunder AI-ekspertise og hardware, så virksomheden undgår bagdøre og datalæk og får større kontrol over sin forretning. EU har i øjeblikket SustainML.eu, som skal sætte gang i forskning på området. Jeg kender også professor Raghavendra (Raghav) Selvan, der har skrevet og samlet en fremragende forskningsbog om bæredygtig AI. Vi risikerer dog at falde i Jevons-paradoksens fælde: Vi finder mere effektive måder at spare energi og ressourcer på, men bruger dem derefter til at udvide vores aktiviteter, indtil vi fortsat overskrider planetens grænser.Olivia Heslinga, Danmark, konsulent inden for AI-kompetencer, grundlægger af “AI for good Denmark”
Auf Deutsch lesen (DE)
Ich denke, dass diese Frage für Unternehmen sehr einfach zu beantworten ist. Wenn sie alles lokal betreiben, sowohl direkt am Netzwerkrand (Edge Computing) als auch auf eigenen Systemen (On-Premises), können sie durch eine höhere Energieeffizienz viel Geld sparen. Gleichzeitig erhalten sie mehr Kontrolle über ihre Daten, ihre KI-Systeme und ihre Informationen sowie ihr geistiges Eigentum. Das schont die Umwelt, senkt die Kosten für Hardware und Cloud-Dienste und spart Energie, weil Daten nicht erst zur Verarbeitung in die Cloud in den USA geschickt und anschließend zurück in die EU übertragen werden müssen. Insgesamt ergibt es daher mehr Sinn, mehr Aufgaben intern zu übernehmen, einschließlich der KI-Expertise und der Hardware. So lassen sich Hintertüren und Datenlecks vermeiden und Unternehmen behalten eine bessere Kontrolle über ihre Geschäftsprozesse. In der EU gibt es derzeit SustainML.eu, um entsprechende Forschungsarbeiten anzustoßen. Außerdem kenne ich Professor Raghavendra (Raghav) Selvan, der ein hervorragendes Forschungsbuch über nachhaltige KI verfasst und zusammengestellt hat. Allerdings könnten wir dem Jevons-Paradoxon zum Opfer fallen: Wir entwickeln effizientere Möglichkeiten, Energie und Ressourcen zu sparen, nutzen diese Effizienzgewinne dann aber, um unsere Aktivitäten weiter auszubauen, bis wir die Belastungsgrenzen unseres Planeten weiterhin überschreiten.Olivia Heslinga, Dänemark, Beraterin für KI-Kompetenz, Gründerin von „AI for good Denmark“
Leer en español (ES)
Creo que para las empresas esta pregunta tiene una respuesta bastante sencilla. Si realizan todas sus operaciones de forma local, tanto en el borde de la red (edge computing) como en sus propios sistemas (on-premises), pueden ahorrar mucho dinero gracias a una mayor eficiencia energética. Además, obtienen más control sobre sus datos, sus sistemas de IA y su información y propiedad intelectual. Esto beneficia al medioambiente, reduce los costes del hardware y de los servicios en la nube y ahorra energía, ya que los datos no tienen que enviarse a la nube en Estados Unidos para ser procesados y después volver a la Unión Europea. En general, por tanto, tiene más sentido incorporar internamente más recursos, incluidos los conocimientos especializados en IA y el hardware. De este modo, se evitan puertas traseras y filtraciones de datos, y se obtiene un mayor control sobre el negocio. Actualmente, la UE cuenta con SustainML.eu para impulsar la investigación en este ámbito. También conozco al profesor Raghavendra (Raghav) Selvan, que escribió y recopiló un excelente libro de investigación sobre IA sostenible. Sin embargo, corremos el riesgo de caer en la paradoja de Jevons: encontramos formas más eficientes de ahorrar energía y recursos, pero después utilizamos esas mejoras para ampliar nuestras actividades, hasta seguir superando los límites ecológicos del planeta.Olivia Heslinga, Dinamarca, consultora en alfabetización en IA, fundadora de “AI for good Denmark”
Прочетете на български (BG)
Според мен за бизнеса това е много лесен въпрос. Ако компаниите извършват всички операции локално – както в периферията на мрежата (edge computing), така и на собствени системи (on-premises) – те могат да спестят значителни средства благодарение на по-високата енергийна ефективност. Същевременно ще имат по-голям контрол върху своите данни, системите си с ИИ, информацията и интелектуалната си собственост. Това е от полза за околната среда, намалява разходите за хардуер и облачни услуги и пести енергия, тъй като данните няма да е необходимо да се изпращат до облачни сървъри в САЩ за обработка и след това да се връщат обратно в ЕС. Като цяло има повече смисъл компаниите да изграждат вътрешен капацитет, включително експертни познания в областта на ИИ и собствена хардуерна инфраструктура. Така могат да избегнат скрити входове и изтичане на данни и да упражняват по-голям контрол върху бизнеса си. В момента ЕС разполага с SustainML.eu, която има за цел да насърчи научните изследвания в тази област. Познавам и професор Рагхавендра (Рагхав) Селван, който е написал и съставил отлична изследователска книга за устойчивия изкуствен интелект. Съществува обаче риск да попаднем в капана на парадокса на Джевънс: откриваме по-ефективни начини за пестене на енергия и ресурси, но след това използваме постигнатата ефективност, за да разширим дейността си, и продължаваме да надхвърляме екологичните граници на планетата.Olivia Heslinga, Дания, консултант по грамотност в областта на ИИ, основател на „AI for good Denmark“
Unai Chasco — Three ways to make AI greener: Renewable energy, efficient models and reuse
Artificial intelligence systems consume a huge amount of energy and resources, both during their training phase and in their daily operation. Currently, data centers are the facilities that house the computing infrastructure necessary for AI models to be trained and deployed, and these require intensive cooling systems and a constant electricity supply, among other things. All of this raises a significant dilemma regarding innovation in the field of artificial intelligence and its commitment to environmental sustainability. Below, I present some proposals that could contribute to addressing this challenge:
– Renewable energy: Migrating data centers that support AI systems to renewable energy sources Clean energy, such as solar, wind or hydroelectric power, would significantly reduce the CO₂ emissions associated with its operation.
– Algorithmic efficiency: Designing more compact and optimized AI models that are capable of delivering equivalent results with lower consumption of computational resources.
Model reuse: Instead of training new models from scratch, leverage existing models – pre-trained and adapt them, thus avoiding training from scratch which is especially costly in terms of energy.
Unai Chasco, Spain, student in Cybersecurity, expert of AI
Læs på dansk (DK)
Systemer med kunstig intelligens forbruger store mængder energi og ressourcer, både under træningen og i den daglige drift. I dag huser datacentre den computerinfrastruktur, der er nødvendig for at træne og anvende AI-modeller. Disse faciliteter kræver blandt andet intensive kølesystemer og en konstant elforsyning. Alt dette skaber et betydeligt dilemma mellem innovation inden for kunstig intelligens og hensynet til miljømæssig bæredygtighed. Nedenfor præsenterer jeg nogle forslag, der kan bidrage til at løse denne udfordring: Vedvarende energi: Flyt datacentre, der understøtter AI-systemer, over til vedvarende energikilder. Ren energi såsom sol-, vind- og vandkraft kan reducere CO₂-udledningen fra driften betydeligt. Algoritmisk effektivitet: Udvikl mere kompakte og optimerede AI-modeller, der kan levere tilsvarende resultater med et lavere forbrug af computerressourcer. Genbrug af modeller: I stedet for at træne nye modeller fra bunden bør man udnytte eksisterende, fortrænede modeller og tilpasse dem. På den måde undgår man at træne fra bunden, hvilket især er energikrævende.Unai Chasco, Spanien, cybersikkerhedsstuderende, AI-ekspert
Auf Deutsch lesen (DE)
Systeme der künstlichen Intelligenz verbrauchen sowohl während ihrer Trainingsphase als auch im täglichen Betrieb enorme Mengen an Energie und Ressourcen. Derzeit beherbergen Rechenzentren die notwendige Computerinfrastruktur, um KI-Modelle zu trainieren und bereitzustellen. Dafür benötigen sie unter anderem leistungsintensive Kühlsysteme und eine kontinuierliche Stromversorgung. All dies wirft ein erhebliches Dilemma hinsichtlich der Innovation im Bereich der künstlichen Intelligenz und ihrer ökologischen Nachhaltigkeit auf. Im Folgenden stelle ich einige Vorschläge vor, die zur Bewältigung dieser Herausforderung beitragen könnten: Erneuerbare Energien: Rechenzentren, die KI-Systeme unterstützen, sollten auf erneuerbare Energiequellen umgestellt werden. Saubere Energie aus Sonne, Wind oder Wasserkraft könnte die mit dem Betrieb verbundenen CO₂-Emissionen deutlich reduzieren. Algorithmische Effizienz: Entwicklung kompakterer und optimierter KI-Modelle, die vergleichbare Ergebnisse mit einem geringeren Verbrauch an Rechenressourcen erzielen können. Wiederverwendung von Modellen: Anstatt neue Modelle von Grund auf zu trainieren, sollten bereits vortrainierte Modelle genutzt und an die jeweiligen Anforderungen angepasst werden. Dadurch lässt sich ein besonders energieintensives Training von Grund auf vermeiden.Unai Chasco, Spanien, Student der Cybersicherheit, KI-Experte
Leer en español (ES)
Los sistemas de inteligencia artificial consumen enormes cantidades de energía y recursos, tanto durante su fase de entrenamiento como en su funcionamiento diario. Actualmente, los centros de datos albergan la infraestructura informática necesaria para entrenar y desplegar modelos de IA y requieren, entre otras cosas, sistemas de refrigeración intensivos y un suministro eléctrico constante. Todo ello plantea un dilema importante entre la innovación en el ámbito de la inteligencia artificial y el compromiso con la sostenibilidad medioambiental. A continuación, presento algunas propuestas que podrían contribuir a abordar este desafío: Energías renovables: Trasladar los centros de datos que dan soporte a los sistemas de IA a fuentes de energía renovables. Las energías limpias, como la solar, la eólica o la hidroeléctrica, reducirían considerablemente las emisiones de CO₂ asociadas a su funcionamiento. Eficiencia algorítmica: Diseñar modelos de IA más compactos y optimizados, capaces de ofrecer resultados equivalentes con un menor consumo de recursos computacionales. Reutilización de modelos: En lugar de entrenar nuevos modelos desde cero, aprovechar los modelos existentes que ya han sido preentrenados y adaptarlos a las necesidades específicas. De este modo, se evita un proceso de entrenamiento desde cero, especialmente costoso en términos energéticos.Unai Chasco, España, estudiante de Ciberseguridad, experto en IA
Прочетете на български (BG)
Системите с изкуствен интелект консумират огромни количества енергия и ресурси както по време на обучението си, така и при ежедневната си работа. В момента центровете за данни осигуряват изчислителната инфраструктура, необходима за обучението и внедряването на моделите с ИИ. Те изискват, наред с другото, интензивни системи за охлаждане и постоянно електрозахранване. Всичко това поставя сериозен въпрос относно съчетаването на иновациите в областта на изкуствения интелект с ангажимента към екологичната устойчивост. По-долу представям няколко предложения, които могат да помогнат за справянето с това предизвикателство: Възобновяема енергия: Центровете за данни, които поддържат системите с ИИ, да преминат към възобновяеми енергийни източници. Чистата енергия, като слънчевата, вятърната и водноелектрическата, би намалила значително емисиите на CO₂, свързани с работата им. Алгоритмична ефективност: Разработване на по-компактни и оптимизирани модели с ИИ, които могат да постигат сходни резултати с по-нисък разход на изчислителни ресурси. Повторно използване на модели: Вместо новите модели да се обучават от нулата, да се използват вече съществуващи предварително обучени модели и да се адаптират към конкретните нужди. Така се избягва обучението от самото начало, което изисква особено много енергия.Unai Chasco, Испания, студент по киберсигурност, експерт по изкуствен интелект
Ibai Martinez — The environmental cost of the cloud: Are we using too much AI for simple tasks?
This is one of the lesser-known aspects of AI. End users often perceive AI as something intangible that exists in “the cloud,” but that cloud is actually made up of enormous buildings filled with servers (data centers) that consume industrial quantities of electricity and thousands of litters of water for cooling.
The problem has two phases: training and use. Training cutting-edge models such as GPT-5.2 or Gemini 3 requires massive computing power that leaves a carbon footprint equivalent to that of a small city operating at full capacity. But daily use (inference) is the “silent killer”: every time millions of people generate an image or request complex text, consumptions skyrockets.
To balance this, I believe that the solution is not to slow down innovation, but to focus on real efficiency. Today, we are sometimes “using a sledgehammer to crack a nut”: we use a gigantic, expensive models for trivial tasks such as summarizing a simple email. The future must involve smaller, specialized models (SLMs) that consume much less, and optimizing hardware so that each prompt does not have such a high environmental cost for the planet.
Ibai Martinez, Spain, Artificial Intelligence student at the University of the Basque Country (UPV/EHU)
Læs på dansk (DK)
Dette er et af de mindre kendte aspekter ved AI. Slutbrugere opfatter ofte AI som noget uhåndgribeligt, der findes i “skyen”, men denne sky består i virkeligheden af enorme bygninger fyldt med servere (datacentre), som forbruger industrielle mængder elektricitet og tusindvis af liter vand til køling. Problemet består af to faser: træning og brug. Træning af avancerede modeller som GPT-5.2 eller Gemini 3 kræver enorm regnekraft og efterlader et CO₂-aftryk, der svarer til det fra en mindre by i fuld drift. Men den daglige brug (inferens) er den “stille dræber”: Hver gang millioner af mennesker genererer et billede eller beder om en kompleks tekst, stiger forbruget voldsomt. For at skabe balance mener jeg ikke, at løsningen er at bremse innovationen, men at fokusere på reel effektivitet. I dag bruger vi nogle gange “en forhammer til at slå en nød”: Vi anvender enorme og dyre modeller til simple opgaver som at opsummere en almindelig e-mail. Fremtiden bør derfor bygge på mindre, specialiserede modeller (SLM’er), der bruger langt færre ressourcer, samt optimering af hardware, så hver prompt ikke har så store miljømæssige omkostninger for planeten.Ibai Martinez, Spanien, studerende i kunstig intelligens ved Baskerlandets Universitet (UPV/EHU)
Auf Deutsch lesen (DE)
Dies ist einer der weniger bekannten Aspekte der KI. Endnutzer nehmen KI häufig als etwas Unkörperliches wahr, das in der „Cloud“ existiert. Tatsächlich besteht diese Cloud jedoch aus riesigen Gebäuden voller Servern (Rechenzentren), die enorme Mengen Strom und Tausende Liter Wasser zur Kühlung verbrauchen. Das Problem hat zwei Phasen: Training und Nutzung. Das Training hochmoderner Modelle wie GPT-5.2 oder Gemini 3 erfordert enorme Rechenleistung und verursacht einen CO₂-Fußabdruck, der dem einer kleinen Stadt im Vollbetrieb entspricht. Doch die tägliche Nutzung (Inferenz) ist der „stille Killer“: Immer wenn Millionen Menschen ein Bild generieren oder komplexe Texte anfordern, steigt der Verbrauch sprunghaft an. Um hier ein Gleichgewicht zu schaffen, bin ich der Meinung, dass die Lösung nicht darin besteht, Innovation zu bremsen, sondern sich auf echte Effizienz zu konzentrieren. Heute verwenden wir manchmal „einen Vorschlaghammer, um eine Nuss zu knacken“: Wir setzen riesige, teure Modelle für einfache Aufgaben ein, etwa um eine kurze E-Mail zusammenzufassen. Die Zukunft sollte daher kleineren, spezialisierten Modellen (SLMs) gehören, die deutlich weniger Ressourcen verbrauchen. Gleichzeitig muss die Hardware optimiert werden, damit jede einzelne Eingabe die Umwelt nicht übermäßig belastet.Ibai Martinez, Spanien, Student der Künstlichen Intelligenz an der Universität des Baskenlandes (UPV/EHU)
Leer en español (ES)
Este es uno de los aspectos menos conocidos de la IA. Los usuarios finales suelen percibirla como algo intangible que existe en «la nube», pero esa nube está formada en realidad por enormes edificios llenos de servidores (centros de datos) que consumen cantidades industriales de electricidad y miles de litros de agua para su refrigeración. El problema tiene dos fases: el entrenamiento y el uso. Entrenar modelos de vanguardia como GPT-5.2 o Gemini 3 requiere una enorme capacidad de cálculo y deja una huella de carbono equivalente a la de una pequeña ciudad funcionando a pleno rendimiento. Sin embargo, el uso diario (la inferencia) es el «asesino silencioso»: cada vez que millones de personas generan una imagen o solicitan un texto complejo, el consumo se dispara. Para equilibrar esta situación, creo que la solución no consiste en frenar la innovación, sino en centrarse en la eficiencia real. Hoy en día, a veces «usamos un mazo para cascar una nuez»: recurrimos a modelos gigantes y costosos para tareas sencillas, como resumir un correo electrónico. El futuro debe apostar por modelos más pequeños y especializados (SLM), que consuman muchos menos recursos, y por optimizar el hardware para que cada consulta no tenga un coste medioambiental tan elevado para el planeta.Ibai Martinez, España, estudiante de Inteligencia Artificial en la Universidad del País Vasco (UPV/EHU)
Прочетете на български (BG)
Това е един от по-малко познатите аспекти на изкуствения интелект. Крайните потребители често възприемат ИИ като нещо нематериално, което съществува в „облака“, но всъщност този облак се състои от огромни сгради, пълни със сървъри (центрове за данни), които консумират промишлени количества електроенергия и хиляди литри вода за охлаждане. Проблемът има две фази: обучение и използване. Обучението на най-съвременни модели като GPT-5.2 или Gemini 3 изисква огромна изчислителна мощност и оставя въглероден отпечатък, сравним с този на малък град, работещ с пълен капацитет. Ежедневната употреба (инференцията) обаче е „тихият убиец“: всеки път, когато милиони хора генерират изображение или заявят сложен текст, потреблението рязко нараства. За да постигнем баланс, смятам, че решението не е да забавяме иновациите, а да се съсредоточим върху реалната ефективност. Днес понякога „използваме чук за разбиване на орех“: прибягваме до огромни и скъпи модели за елементарни задачи, като например обобщаване на обикновен имейл. Бъдещето трябва да разчита на по-малки, специализирани модели (SLM), които консумират значително по-малко ресурси, както и на оптимизиран хардуер, така че всяка заявка да не нанася толкова голям екологичен отпечатък върху планетата.Ibai Martinez, Испания, студент по изкуствен интелект в Университета на Страната на баските (UPV/EHU)
Juan Agustin Veliz — Could cleaner energy technologies help power the future of AI?
In short, by becoming better at producing energy. Astronomy measures a civilization’s technological advancement based on their consumption of energy and it’s not really farfetched. It was the need to consume energy that sparked humans to come up with better and safer ways to harness it, and we can already see the effects of the AI fever today: There has never been bigger breakthroughs in fusion energy, as this last decade, driven by the ever-growing energy needs.
Fusion, if harnessed, could be the ultimate, clean, almost infinite energy source that modern physics can feasible produce, and it would mean no more carbon emissions, no more radioactive waste.
Even if we don’t reach fusion, we’ve also been finding better alternatives than water (as superheated steam) to harness the power of nuclear fission, something that was a staple for almost a century already.
Juan Agustin Veliz, Germany, AI Expert
Læs på dansk (DK)
Kort sagt handler det om at blive bedre til at producere energi. Inden for astronomien vurderes en civilisations teknologiske udvikling ud fra dens energiforbrug, og det er faktisk ikke så langt ude. Behovet for at forbruge energi har fået mennesker til at udvikle bedre og sikrere måder at udnytte den på, og vi kan allerede se virkningerne af AI-boomet i dag: Der har ikke været større gennembrud inden for fusionsenergi end i det seneste årti, drevet af det stadigt voksende energibehov. Hvis det lykkes at udnytte fusion, kan den blive den ultimative, rene og næsten uudtømmelige energikilde, som den moderne fysik realistisk kan frembringe. Det ville betyde ingen CO₂-udledninger og intet radioaktivt affald. Selv hvis vi ikke når frem til fusionsenergi, har vi også fundet bedre alternativer til vand i form af overophedet damp til at udnytte energien fra nuklear fission, en teknologi, der allerede har været en grundpille i næsten et århundrede.Juan Agustin Veliz, Tyskland, AI-ekspert
Auf Deutsch lesen (DE)
Kurz gesagt geht es darum, Energie besser zu erzeugen. In der Astronomie wird der technologische Entwicklungsstand einer Zivilisation anhand ihres Energieverbrauchs beurteilt, und dieser Gedanke ist keineswegs abwegig. Das Bedürfnis, Energie zu nutzen, hat die Menschen dazu angetrieben, bessere und sicherere Wege zu ihrer Gewinnung zu entwickeln. Die Auswirkungen des KI-Booms sind bereits heute sichtbar: Im vergangenen Jahrzehnt gab es größere Durchbrüche bei der Fusionsenergie als je zuvor, angetrieben durch den stetig wachsenden Energiebedarf. Wenn es gelingt, die Kernfusion nutzbar zu machen, könnte sie die ultimative, saubere und nahezu unerschöpfliche Energiequelle sein, die mit den Möglichkeiten der modernen Physik realisierbar ist. Das würde keine Kohlenstoffemissionen und keinen radioaktiven Abfall bedeuten. Selbst wenn wir die Kernfusion nicht verwirklichen, haben wir auch bessere Alternativen zu Wasser in Form von überhitztem Dampf gefunden, um die Energie der Kernspaltung zu nutzen – einer Technologie, die bereits seit fast einem Jahrhundert eine wichtige Rolle spielt.Juan Agustin Veliz, Deutschland, KI-Experte
Leer en español (ES)
En pocas palabras, se trata de mejorar nuestra capacidad para producir energía. En astronomía, el avance tecnológico de una civilización se mide en función de su consumo energético, y esta idea no es tan descabellada. La necesidad de consumir energía impulsó a la humanidad a desarrollar formas mejores y más seguras de aprovecharla, y hoy ya podemos ver los efectos del auge de la IA: en la última década se han producido avances sin precedentes en la energía de fusión, impulsados por unas necesidades energéticas cada vez mayores. Si conseguimos aprovecharla, la fusión podría convertirse en la fuente de energía definitiva: limpia, prácticamente inagotable y viable desde el punto de vista de la física moderna. Esto supondría eliminar las emisiones de carbono y los residuos radiactivos. Aunque no lleguemos a dominar la fusión, también hemos encontrado alternativas mejores que el agua en forma de vapor sobrecalentado para aprovechar la energía de la fisión nuclear, una tecnología que lleva casi un siglo desempeñando un papel fundamental.Juan Agustin Veliz, Alemania, experto en IA
Прочетете на български (BG)
Накратко, става дума за това да станем по-добри в производството на енергия. В астрономията технологичното развитие на една цивилизация се оценява според нейното потребление на енергия и тази идея всъщност не е толкова пресилена. Именно нуждата от енергия е подтикнала хората да разработват по-добри и по-безопасни начини за нейното използване. Днес вече виждаме последиците от бума на изкуствения интелект: през последното десетилетие бяха постигнати безпрецедентни пробиви в областта на термоядрената енергия, подхранвани от непрекъснато нарастващите енергийни нужди. Ако успеем да я използваме, термоядрената енергия би могла да се превърне в идеалния чист и почти неизчерпаем енергиен източник, който съвременната физика е в състояние реалистично да осигури. Това би означавало липса на въглеродни емисии и радиоактивни отпадъци. Дори ако не успеем да овладеем термоядрения синтез, вече намираме и по-добри алтернативи на водата под формата на прегрята пара за оползотворяване на енергията от ядреното делене – технология, която играе важна роля от почти един век.Juan Agustin Veliz, Германия, експерт по изкуствен интелект
Nikolai Dimitrov — Can AI help protect the environment while reducing its own impact?
The truth is, I’m not personally very familiar with what measures can be taken at this stage to balance the use of AI with the protection of nature and the environment. This largely depends on the decisions that large corporations make regarding how they power their generators and the cost they bear for everything they do and continue to expand. If people in leadership positions think more about the footprint they leave behind and about alternative methods to replace current ones, perhaps a solution to this problem will be found. For example, using renewable energy or reusing pre-trained models would reduce unnecessary energy consumption. Of course, as a tool, I believe that artificial intelligence can be used to protect nature—through observations, research, and helping scientists predict the future.
Nikolai Dimitrov, Bulgaria, AI Enthusiast
Læs på dansk (DK)
Sandheden er, at jeg personligt ikke har særlig stort kendskab til, hvilke tiltag der på nuværende tidspunkt kan gennemføres for at skabe balance mellem brugen af AI og beskyttelsen af naturen og miljøet. Det afhænger i høj grad af de beslutninger, som store virksomheder træffer om, hvordan de forsyner deres generatorer med energi, og hvilke omkostninger de er villige til at påtage sig i forbindelse med deres aktiviteter og fortsatte ekspansion. Hvis personer i ledende stillinger tænker mere over det aftryk, de efterlader, og over alternative metoder, der kan erstatte de nuværende, kan der måske findes en løsning på problemet. For eksempel ville brugen af vedvarende energi eller genbrug af allerede fortrænede modeller kunne reducere unødvendigt energiforbrug. Jeg mener naturligvis også, at kunstig intelligens som værktøj kan bruges til at beskytte naturen gennem observationer, forskning og hjælp til forskere med at forudsige fremtidige udviklinger.Nikolai Dimitrov, Bulgarien, AI-entusiast
Auf Deutsch lesen (DE)
Die Wahrheit ist, dass ich mich persönlich nicht besonders gut damit auskenne, welche Maßnahmen derzeit ergriffen werden können, um die Nutzung von KI mit dem Schutz der Natur und der Umwelt in Einklang zu bringen. Dies hängt weitgehend von den Entscheidungen großer Unternehmen darüber ab, wie sie ihre Generatoren mit Energie versorgen und welche Kosten sie für ihre Tätigkeiten und ihre weitere Expansion zu tragen bereit sind. Wenn Menschen in Führungspositionen stärker über die ökologischen Spuren nachdenken, die sie hinterlassen, und alternative Methoden zur Ablösung bestehender Verfahren in Betracht ziehen, lässt sich vielleicht eine Lösung für dieses Problem finden. Die Nutzung erneuerbarer Energien oder die Wiederverwendung vortrainierter Modelle würde beispielsweise unnötigen Energieverbrauch reduzieren. Natürlich bin ich der Meinung, dass künstliche Intelligenz als Werkzeug auch zum Schutz der Natur eingesetzt werden kann – durch Beobachtungen, Forschung und Unterstützung von Wissenschaftlern bei der Vorhersage zukünftiger Entwicklungen.Nikolai Dimitrov, Bulgarien, KI-Enthusiast
Leer en español (ES)
La verdad es que, personalmente, no conozco demasiado bien qué medidas pueden adoptarse actualmente para equilibrar el uso de la IA con la protección de la naturaleza y el medioambiente. Esto depende en gran medida de las decisiones que tomen las grandes empresas sobre cómo suministran energía a sus generadores y qué costes están dispuestas a asumir por sus actividades y su expansión continua. Si las personas que ocupan puestos de liderazgo reflexionan más sobre la huella que dejan y sobre métodos alternativos que permitan sustituir los actuales, quizá se pueda encontrar una solución a este problema. Por ejemplo, utilizar energías renovables o reutilizar modelos preentrenados permitiría reducir el consumo energético innecesario. Por supuesto, también creo que la inteligencia artificial, como herramienta, puede utilizarse para proteger la naturaleza mediante la observación, la investigación y el apoyo a los científicos para predecir acontecimientos futuros.Nikolai Dimitrov, Bulgaria, entusiasta de la IA
Прочетете на български (BG)
Истината е, че лично аз не съм много запознат с мерките, които могат да се предприемат на този етап, за да се постигне баланс между използването на ИИ и опазването на природата и околната среда. Това до голяма степен зависи от решенията на големите корпорации относно начина, по който осигуряват енергия за своите генератори, както и от разходите, които са готови да поемат за дейността си и за по-нататъшното си разрастване. Ако хората на ръководни позиции обръщат повече внимание на екологичния отпечатък, който оставят, и на алтернативните методи, с които могат да заменят настоящите, може би ще бъде намерено решение на този проблем. Например използването на възобновяема енергия или повторното използване на предварително обучени модели би намалило ненужното потребление на енергия. Разбира се, смятам, че изкуственият интелект може да се използва и като инструмент за защита на природата чрез наблюдения, научни изследвания и подпомагане на учените при прогнозирането на бъдещи събития.Nikolai Dimitrov, България, ентусиаст в областта на изкуствения интелект
Valentin Zmiycharov — Could AI improve energy efficiency rather than just consume more?
This is not entirely true. This brings enormous improvements in energy consumption. Also there are many more use cases of inefficient electricity usage.
Valentin Zmiycharov, PhD in AI, Bulgaria, AI Expert
Læs på dansk (DK)
Det er ikke helt rigtigt. Dette medfører enorme forbedringer af energieffektiviteten. Der findes også mange andre anvendelsesområder, hvor elektricitet bruges ineffektivt.Valentin Zmiycharov, ph.d. i AI, Bulgarien, AI-ekspert
Auf Deutsch lesen (DE)
Das stimmt nicht ganz. Dies führt zu erheblichen Verbesserungen der Energieeffizienz. Außerdem gibt es viele weitere Anwendungsbereiche, in denen Strom ineffizient genutzt wird.Valentin Zmiycharov, promovierter KI-Experte, Bulgarien
Leer en español (ES)
Esto no es del todo cierto. Esto supone mejoras enormes en el consumo energético. Además, existen muchos otros usos de la electricidad en los que se produce un consumo ineficiente.Valentin Zmiycharov, doctor en IA, Bulgaria, experto en IA
Прочетете на български (BG)
Това не е съвсем вярно. Това води до значителни подобрения в енергийната ефективност. Освен това има много други приложения, при които електроенергията се използва неефективно.Valentin Zmiycharov, доктор по изкуствен интелект, България, експерт по ИИ
