Jaki jest ślad materiałowy AI?

Model AI może wydawać się oprogramowaniem widocznym na ekranie, ale jego działanie wymaga długiego łańcucha fizycznej infrastruktury. Kopalnie i zakłady rafinacji dostarczają surowce, fabryki półprzewodników wytwarzają procesory i pamięć, producenci sprzętu montują serwery, a centra danych zapewniają zasilanie, łączność sieciową i chłodzenie.

To rozróżnienie jest istotne, ponieważ energia elektryczna zużywana podczas eksploatacji stanowi tylko część cyklu życia. Zanim serwer przetworzy pierwszy prompt, energia i materiały zostały już wykorzystane do produkcji jego układów scalonych, płytek drukowanych, zasilaczy, pamięci masowej i urządzeń chłodzących oraz do budowy obiektu, w którym się znajdują.

Żadna pojedyncza liczba nie oddaje całego tego śladu. Granice analiz różnią się między badaniami: niektóre uwzględniają tylko sprzęt komputerowy, inne także budynki, infrastrukturę elektroenergetyczną, wodę, sieci, cykle wymiany sprzętu lub postępowanie po zakończeniu eksploatacji. Wiarygodne oszacowanie musi określać, co obejmuje.

Akceleratory AI łączą procesory, pamięć o wysokiej przepustowości, płytki drukowane, elementy chłodzenia i złożone technologie obudowywania układów scalonych. Ich produkcja wymaga ściśle kontrolowanych warunków, wielokrotnych etapów obróbki, ultraczystej wody, energii elektrycznej, gazów specjalistycznych i substancji chemicznych.

Mniejsze węzły technologiczne półprzewodników mogą zapewniać większą wydajność obliczeniową, ale ich produkcja nadal wywiera wpływ na środowisko. Przegląd The Shift Project wskazuje, że zużycie energii i wody oraz emisje gazów cieplarnianych na jednostkę powierzchni krzemu mogą rosnąć wraz z zaawansowaniem procesów produkcyjnych, podczas gdy publiczne dane dotyczące poszczególnych produktów pozostają niepełne.

Efektywność trzeba zatem rozpatrywać na dwóch poziomach. Nowszy akcelerator może wykonywać te same zadania przy mniejszym zużyciu energii elektrycznej, ale przedwczesna wymiana sprzętu tworzy kolejny ślad produkcyjny. Najlepszy wynik zależy od efektywności wykonywania zadań, okresu użytkowania, stopnia wykorzystania i dalszego losu wymienionego sprzętu.

Serwery zawierają stal, aluminium, miedź i krzem, a także mniejsze ilości wielu specjalistycznych materiałów stosowanych w elektronice, akumulatorach, magnesach, złączach i układach zasilania. Badania ADEME podsumowane przez The Shift Project wskazują, że w sprzęcie cyfrowym może występować ponad 50 metali.

Znaczenie ma nie tylko masa poszczególnych materiałów. Wydobycie, rafinacja i produkcja komponentów odbywają się w różnych krajach, w bardzo różnych warunkach pod względem zużycia energii i wody, zanieczyszczeń, pracy i zarządzania. Niewielka ilość materiału trudnego do rafinacji może wywierać wpływ, którego nie widać w masie gotowego serwera.

Łańcuchy dostaw są również skoncentrowane geograficznie. AI Index Uniwersytetu Stanforda zwraca uwagę na koncentrację produkcji zaawansowanych półprzewodników i mocy obliczeniowej AI w niewielkiej liczbie krajów. Może to tworzyć wąskie gardła w przemyśle i prowadzić do nierównego rozkładu korzyści oraz obciążeń środowiskowych.

Infrastruktura AI wymaga więcej niż szaf z akceleratorami. Centra danych wykorzystują beton, stal konstrukcyjną, stacje elektroenergetyczne, systemy rezerwowe, akumulatory, transformatory, rozdzielnice, kable, pompy, wymienniki ciepła, wieże chłodnicze i urządzenia sieciowe.

Emisje wbudowane związane z produkcją i budową są często mniejsze niż emisje eksploatacyjne przy zasilaniu z sieci w dużym stopniu opartej na paliwach kopalnych, ale nie są pomijalne. Ich względne znaczenie rośnie wraz ze spadkiem emisyjności energii elektrycznej, ponieważ beton, stal, elektronika i sprzęt wymieniany podczas eksploatacji pozostają częścią cyklu życia.

Obiekty i sprzęt IT starzeją się też w różnym tempie. Dokument złożony w 2026 roku dotyczący centrum danych Agate firmy Google w Nebrasce opisuje typowy projektowy okres użytkowania obiektu przekraczający 25 lat oraz okres użytkowania konstrukcji budynku wynoszący od 30 do 50 lat, podczas gdy wewnętrzne podsystemy komputerowe, elektryczne i chłodzące są wymieniane lub modernizowane modułowo. To opis jednego centrum danych przedstawiony przez operatora, a nie uniwersalna zasada branżowa.

Popyt na szybsze akceleratory może w praktyce skracać cykle wymiany sprzętu, nawet gdy starsze urządzenia nadal działają. Nowy sprzęt może poprawiać wydajność na wat, ale jego produkcja wymaga kolejnej puli materiałów, energii przemysłowej, transportu i prac instalacyjnych.

Sprzęt wycofany z eksploatacji nie staje się automatycznie odpadem. Niektóre serwery i komponenty można przeznaczyć do mniej wymagających zadań, zregenerować, odsprzedać lub wykorzystać jako części zamienne. Bezpieczne postępowanie z danymi, kompatybilność, efektywność energetyczna i koszty konserwacji decydują o praktycznej możliwości ponownego użycia.

To, czego nie można ponownie wykorzystać, trafia do systemu zagospodarowania elektroodpadów. Raport UNU-INWEH przytacza prognozę wskazującą na nawet 2.5 miliona ton elektroodpadów związanych z AI rocznie do 2030 roku. Jest to prognoza, a nie zmierzona obecna wielkość, i w dużym stopniu zależy od założeń dotyczących wdrażania i wymiany sprzętu.

Produkcja półprzewodników i elektroniki może zużywać wodę oraz wiązać się z użyciem rozpuszczalników, gazów specjalistycznych i trwałych substancji chemicznych. PFAS są wykorzystywane w niektórych procesach produkcji półprzewodników i zastosowaniach związanych z wymianą ciepła, ale publiczne dane nie pozwalają przypisać dokładnej globalnej ilości PFAS wyłącznie AI.

Kolejnym aspektem zakresu analizy jest zajęcie terenu. Kopalnie, fabryki, instalacje wytwarzania energii, linie przesyłowe i kompleksy centrów danych zajmują przestrzeń, ale wyniki oceny śladu przestrzennego silnie zależą od źródła energii elektrycznej i metody obliczeń. Raport UNU-INWEH pokazuje, dlaczego rozwiązania niskoemisyjne oraz oszczędzające wodę i teren nie zawsze są tymi samymi rozwiązaniami.

Te oddziaływania mogą występować daleko od użytkowników końcowej usługi. Surowce mineralne mogą być wydobywane w jednym regionie, rafinowane w innym, przetwarzane na układy scalone w kolejnym, a następnie instalowane w centrach danych obsługujących użytkowników na całym świecie. Analiza cyklu życia pomaga uwidocznić te rozproszone skutki, nie zakładając, że można je wszystkie sprowadzić do jednej oceny.

Najbardziej bezpośrednie działania to wydłużanie okresu użytkowania sprzętu, wysoki stopień wykorzystania serwerów, systemy modułowe i nadające się do naprawy, ponowne użycie przed recyklingiem, czystsza produkcja oraz skuteczniejszy odzysk cennych materiałów. Operatorzy mogą też publikować dane o śladzie poszczególnych produktów i zasady wymiany sprzętu, aby umożliwić weryfikację postępów.

Znaczenie mają również decyzje dotyczące oprogramowania. Mniejsze modele dopasowane do zadania, wydajna inferencja, przetwarzanie wsadowe, kwantyzacja i kierowanie prostych zadań do mniej zasobochłonnych systemów pozwalają uzyskiwać użyteczne wyniki z istniejącego sprzętu. Efektywność zmniejsza całkowity ślad tylko wtedy, gdy wzrost popytu nie niweluje oszczędności.

Niezbędne są lepsze pomiary. Raportowanie powinno oddzielać energię elektryczną zużywaną podczas eksploatacji od emisji wbudowanych, określać granice cyklu życia i odróżniać średnie dla całej firmy od danych dla poszczególnych obiektów. Celem nie jest przypisanie każdemu promptowi jednej dokładnej wartości śladu materiałowego, lecz zwiększenie przejrzystości i porównywalności decyzji dotyczących infrastruktury.