TheAIMeters Logo

Mikä on tekoälyn materiaalijalanjälki?

Tekoäly on riippuvainen fyysisestä toimitusketjusta, johon kuuluu mineraaleja, puolijohdetehtaita, kehittyneitä siruja, palvelimia, jäähdytysjärjestelmiä ja datakeskuksia. Sen jalanjälki jatkuu vielä sähkön kuluttamisen jälkeenkin.

AI material supply chain from mineral extraction and semiconductor manufacturing to chips, servers and datacenters
Tekoälyn taustalla oleva fyysinen ketju ulottuu raaka-aineiden louhinnasta ja puolijohteiden valmistuksesta palvelimiin, jäähdytyslaitteisiin ja datakeskusrakennuksiin.

Keskeinen huomio

Tekoälyn jalanjälki ei rajoitu koulutuksen ja päättelyn aikana käytettyyn sähköön. Myös sirujen ja palvelimien valmistus, datakeskusten rakentaminen, laitteiston uusiminen ja elektroniikkajätteen käsittely vaativat materiaaleja, vettä, energiaa ja teollista kapasiteettia.

Tässä oppaassa

Tekoälyllä on fyysinen infrastruktuuri

Tekoälymalli saattaa näyttäytyä ohjelmistona näytöllä, mutta sen käyttö vaatii pitkän fyysisen ketjun. Kaivokset ja jalostamot toimittavat raaka-aineet, puolijohdetehtaat valmistavat prosessorit ja muistit, laitevalmistajat kokoavat palvelimet ja datakeskukset tarjoavat sähkön, verkkoyhteydet ja jäähdytyksen.

Tämä ero on tärkeä, koska käytönaikainen sähkö on vain yksi osa elinkaarta. Jo ennen kuin palvelin käsittelee ensimmäisen kehotteensa, energiaa ja materiaaleja on käytetty sen sirujen, piirilevyjen, virtalähteiden, tallennuslaitteiden ja jäähdytyslaitteiston valmistamiseen sekä niitä ympäröivän rakennuksen rakentamiseen.

Mikään yksittäinen luku ei kuvaa koko tätä jalanjälkeä. Rajaukset vaihtelevat tutkimusten välillä: osa laskee mukaan vain tietotekniset laitteet, kun taas toiset kattavat rakennukset, sähköinfrastruktuurin, veden, verkot, uusimisvälit tai elinkaaren lopun käsittelyn. Uskottavan arvion on kerrottava, mitä siihen sisältyy.

Kehittyneillä siruilla on jalanjälki toimitusketjun alkupäässä

Tekoälykiihdyttimet yhdistävät prosessoreita, suuren kaistanleveyden muistia, piirilevyjä, jäähdytyskomponentteja ja monimutkaista sirukotelointia. Niiden valmistus vaatii äärimmäisen tarkasti hallittuja tuotanto-olosuhteita, toistuvia käsittelyvaiheita, ultrapuhdasta vettä, sähköä, erikoiskaasuja ja kemikaaleja.

Pienemmät puolijohteiden prosessisolmut voivat lisätä laskentatehoa, mutta valmistuksesta ei tule vaikutuksetonta. The Shift Projectin katsaus toteaa, että energiankulutus, vedenkulutus ja kasvihuonekaasuvaikutukset piipinta-alan yksikköä kohti voivat kasvaa valmistusprosessien kehittyessä, samalla kun julkiset tuotetiedot ovat yhä puutteellisia.

Tehokkuutta on siksi tarkasteltava kahdella tasolla. Uudempi kiihdytin saattaa suorittaa saman työkuorman pienemmällä sähkönkulutuksella, mutta laitteiston ennenaikainen uusiminen synnyttää myös uuden valmistuksen jalanjäljen. Paras lopputulos riippuu työkuorman käsittelyn tehokkuudesta, käyttöiästä, käyttöasteesta ja siitä, mitä korvatulle laitteistolle tapahtuu.

Tekoälylaitteisto käyttää monia metalleja ja keskittyneitä toimitusketjuja

Palvelimet sisältävät terästä, alumiinia, kuparia, piitä sekä pienempiä määriä monia erikoismateriaaleja, joita käytetään elektroniikassa, akuissa, magneeteissa, liittimissä ja sähköjärjestelmissä. The Shift Projectin kokoaman ADEME-tutkimuksen mukaan digitaalisissa laitteissa voi esiintyä yli 50 metallia.

Kyse ei ole pelkästään kunkin materiaalin massasta. Kaivostoiminta, jalostus ja komponenttien valmistus tapahtuvat eri maissa, joissa energiaan, veteen, saastumiseen, työoloihin ja hallintoon liittyvät olosuhteet voivat erota suuresti. Pienellä määrällä vaikeasti jalostettavaa materiaalia voi olla vaikutus, joka ei näy valmiin palvelimen painossa.

Toimitusketjut ovat myös maantieteellisesti keskittyneitä. Stanfordin AI Index korostaa kehittyneiden puolijohteiden valmistuksen ja tekoälyn laskentakapasiteetin keskittymistä harvoihin maihin. Tämä keskittyminen voi synnyttää teollisia pullonkauloja ja jakaa hyödyt ja ympäristöhaitat epätasaisesti.

Myös palvelimia ympäröivä rakennus on laskettava mukaan

Tekoälyinfrastruktuuri vaatii muutakin kuin kiihdyttimiä sisältäviä laitetelineitä. Datakeskuksissa käytetään betonia, rakenneterästä, sähköasemia, varajärjestelmiä, akkuja, muuntajia, kytkinlaitteistoja, kaapeleita, pumppuja, lämmönvaihtimia, jäähdytystorneja ja verkkolaitteita.

Valmistukseen ja rakentamiseen sitoutuneet päästöt ovat usein käytönaikaisia päästöjä pienemmät, kun sähköverkko perustuu vahvasti fossiiliseen energiaan, mutta ne eivät ole merkityksettömiä. Niiden suhteellinen merkitys kasvaa sähkön hiili-intensiteetin pienentyessä, sillä betoni, teräs, elektroniikka ja korvaavat laitteet kuuluvat edelleen elinkaareen.

Laitos ja tietotekniset laitteet myös ikääntyvät eri tahtiin. Googlen Nebraskassa sijaitsevasta Agate-datakeskuksesta vuonna 2026 tehdyssä ilmoituksessa laitoksen tyypilliseksi suunnittelukäyttöiäksi kuvataan yli 25 vuotta ja rakennuksen rungon ja vaipan käyttöiäksi 30–50 vuotta. Sisäiset tietotekniset, sähköiset ja jäähdytyksen osajärjestelmät puolestaan uusitaan tai nykyaikaistetaan moduuleittain. Tämä on yhden toimijan kuvaus yhdestä datakeskuksesta, ei koko alan yleispätevä sääntö.

AI hardware lifecycle from manufacturing and datacenter operation to reuse and materials recovery
Tekoälyinfrastruktuurissa pitkäikäiset rakennukset yhdistyvät laitteiden lyhyempiin uusimisväleihin. Huolto, uudelleenkäyttö, kunnostus ja vastuullinen materiaalien talteenotto voivat muuttaa elinkaaren aikaista jalanjälkeä.

Laitteiston uusiminen synnyttää uuden jalanjäljen

Nopeampien kiihdyttimien kysyntä voi lyhentää käytännön uusimisvälejä, vaikka vanhempi laitteisto toimisi edelleen. Uudet laitteet voivat parantaa suorituskykyä wattia kohti, mutta niiden valmistus vaatii jälleen materiaaleja, teollisuuden energiaa, kuljetuksia ja asennuksia.

Käytöstä poistettu laitteisto ei automaattisesti muutu jätteeksi. Osa palvelimista ja komponenteista voidaan siirtää vähemmän vaativiin työkuormiin, kunnostaa, myydä edelleen tai käyttää varaosina. Turvallinen tietojenkäsittely, yhteensopivuus, energiatehokkuus ja huoltokustannukset ratkaisevat, onko uudelleenkäyttö käytännössä mahdollista.

Se, mitä ei voida käyttää uudelleen, päätyy elektroniikkajätteen käsittelyyn. UNU-INWEHin raportti viittaa ennusteeseen, jonka mukaan tekoälyyn liittyvää elektroniikkajätettä voi syntyä jopa 2,5 miljoonaa tonnia vuodessa vuoteen 2030 mennessä. Tämä on tulevaisuutta koskeva arvio eikä nykytilanteen mitattu kokonaismäärä, ja se riippuu vahvasti käyttöönottoa ja uusimista koskevista oletuksista.

Hiilipäästöt eivät ole materiaalien ainoa ympäristövaikutus

Puolijohteiden ja elektroniikan valmistus voi kuluttaa vettä ja edellyttää liuottimia, erikoiskaasuja ja pysyviä kemikaaleja. PFAS-yhdisteitä käytetään joissakin puolijohdeprosesseissa ja lämmönsiirtosovelluksissa, mutta julkinen näyttö ei mahdollista tarkan maailmanlaajuisen PFAS-kokonaismäärän kohdistamista pelkästään tekoälylle.

Maankäyttö on toinen tarkastelun rajaus. Kaivokset, tehtaat, sähköntuotanto, voimajohdot ja datakeskusalueet vievät kaikki tilaa, mutta maankäytön jalanjälkeä koskevat tulokset riippuvat voimakkaasti sähkön lähteestä ja laskentamenetelmästä. UNU-INWEHin raportti osoittaa, miksi vähähiilisin, vähiten vettä kuluttava ja vähiten maa-alaa vaativa vaihtoehto eivät aina ole sama vaihtoehto.

Näitä vaikutuksia voi syntyä kaukana lopullisen palvelun käyttäjistä. Mineraalit voidaan louhia yhdellä alueella, jalostaa toisella, valmistaa siruiksi muualla ja asentaa datakeskuksiin, jotka palvelevat käyttäjiä ympäri maailmaa. Elinkaariarviointi auttaa tekemään nämä hajallaan syntyvät vaikutukset näkyviksi väittämättä, että ne kaikki voitaisiin pelkistää yhdeksi pisteluvuksi.

Voidaanko tekoälyn materiaalijalanjälkeä pienentää?

Suorimmat keinot ovat laitteiston pidempi käyttöikä, palvelimien korkea käyttöaste, korjattavat ja modulaariset järjestelmät, uudelleenkäyttö ennen kierrätystä, puhtaampi valmistus ja arvokkaiden materiaalien parempi talteenotto. Toimijat voivat myös julkaista tuotekohtaisia jalanjälkitietoja ja uusimiskäytäntöjään, jotta parannukset voidaan todentaa.

Myös ohjelmistovalinnoilla on merkitystä. Pienemmät, käyttötarkoitukseen sopivat mallit, tehokas päättely, eräkäsittely, kvantisointi ja yksinkertaisten tehtävien ohjaaminen kevyempiin järjestelmiin voivat tuottaa hyödyllistä työtä nykyisellä laitteistolla. Tehostaminen pienentää kokonaisjalanjälkeä vain, jos kysynnän kasvu ei kumoa säästöjä.

Parempi mittaaminen on olennaista. Raportoinnissa tulisi erottaa käytönaikainen sähkö sitoutuneista päästöistä, määritellä elinkaaren rajaukset ja erottaa koko yrityksen keskiarvot laitoskohtaisista tiedoista. Tavoitteena ei ole liittää jokaiseen kehotteeseen yhtä tarkkaa materiaalilukua, vaan tehdä infrastruktuuripäätöksistä läpinäkyvämpiä ja vertailukelpoisempia.

Lisätietoa ja lähteet

Aiheeseen liittyvät sivut

Aiheeseen liittyvät artikkelit

Ovatko tekoälyä hyödyntävät datakeskukset haitallisia ympäristölle?

Tekoälyn datakeskukset eivät ole automaattisesti haitallisia ympäristölle, mutta niiden vaikutukset riippuvat sähkönkulutuksesta, sähköverkon tuotantokoostumuksesta, vedenkulutuksesta, jäähdytysratkaisuista, paikallisista rajoitteista ja avoimuudesta.

Miksi tekoälyn datakeskukset kuluttavat niin paljon vettä?

Tekoälyn datakeskuksissa käytetään vettä, koska tiheästi pakatut GPU-palvelimet tuottavat lämpöä, joka on poistettava jatkuvasti. Vesijäähdytys voi olla tehokasta, mutta sen paikalliset vaikutukset riippuvat ilmastosta, jäähdytysjärjestelmän suunnittelusta, sähköntuotannosta ja veden saatavuudesta.

Tietokeskuksen melusaaste

Tietokeskukset voivat aiheuttaa melua, koska jäähdytysjärjestelmät, tuulettimet, jäähdytyslaitteet, muuntajat, varageneraattorit ja tiheästi sijoitettu infrastruktuuri voivat olla jatkuvassa käytössä lähellä asuinalueita.

Miltä AI:n kulutus näyttää

Katso AI:n vedenkäyttö, sähkönkulutus ja hiilidioksidipäästöt muunnettuna arjen mittakaavoihin.

Miksi tekoäly kuluttaa niin paljon sähköä?

Tekoäly käyttää niin paljon sähköä, koska koulutus, inferenssi ja maailmanlaajuinen käyttöönotto perustuvat laskentaintensiiviseen infrastruktuuriin.

Mikä on MCP AI:ssa? Model Context Protocol selitettynä

MCP eli Model Context Protocol on avoin protokolla, joka yhdistää AI-sovelluksia ulkoisiin työkaluihin, tietolähteisiin ja työnkulkuihin standardin rajapinnan kautta.

Aiheeseen liittyvät kysymykset

Jaa tämä sivu