Menneskeheten forbruker mye mer av klodens ressurser enn det naturen tåler og kan reprodusere. En viktig del av årsaken til forbruksveksten er selvfølgelig at verdens befolkning, nå godt over 8 milliarder, øker og vil fortsette å øke i mange år fremover. Når stadig flere mennesker løftes ut av fattigdom vil vi, uavhengig av befolkningsvekst, få stadig større utfordringer knyttet til forbruk av klodens ressurser. Men det er også andre grunner til at forbruket av ressurser øker.
En av årsakene er det vi omtaler som kunstig intelligens (KI). Gjennom sin globale vekst har KI blitt en særdeles grådig forbruker av ressurser. De store generative KI-modellene fyller datasentre verden over med data og beregninger. I tillegg forbruker datasentrene rent vann til kjøling av datasystemene, og det tekniske utstyret som installeres i disse sentrene er storbrukere av mineraler hentet fra en sårbar natur.
Forbruket av energi øker kraftig og det påvirker andre forbrukere av energi gjennom tilgjengelighet og pris, som igjen har konsekvenser for miljøet. Det internasjonale energibyrået (IEA) mer enn antyder at veksten i datasentre verden over – i stor utstrekning drevet av KI-utviklingen – vil bidra sterkt til en utsettelse av verdens evne til å redusere forbruket fossil energi[1]. Denne utsettelsen betyr mer utslipp av klimagasser og ytterligere økning av gjennomsnittstemperaturen på jorda, med de alvorlige konsekvenser det har.
Å løse klimautfordringen krever store omlegginger i hvordan vi produserer og forbruker energi og andre råvarer. Videre må byrdene og godene ved en slik omlegging fordeles reelt rettferdig, mellom land og innad i samfunn. Kortversjonen er at menneskeheten må bli mer nøysom – spesielt den rikeste delen av menneskeheten. Men hva med KI? Kan vi gjøre KI mer nøysom, det vil si mer effektiv i forhold til forbruk av ressurser som må hentes fra naturen? Kan KI potensielt være en del av løsningen og danne grunnlaget for en ny positiv velferdsutvikling med en fordeling av byrder og goder som faktisk er rettferdig?
Selv om mye av KI-bruken er luksus og unødvendig, er det ikke opplagt at bruken verken skal eller kan reduseres. Sannsynligvis vil KI-bruken øke kraftig i årene som kommer, så fornuftig regulering og skatt vil kunne være et av flere bidrag til økt KI-nøysomhet.
KI øker ressursbruken, men selv om KI er en del av problemet kan KI potensielt være en del av løsningen og danne grunnlaget for en ny positiv velferdsutvikling.
Kunnskap om ressursbruk, nytte og velferdsvekst knyttet til KI bør derfor være i fokus. Mye tyder på at fremveksten av KI også kan utfordre vår forståelse av velferd og verdiskaping. Videre kan bruken av KI medføre strukturelle endringer som kan kreve at samfunnets produktivitetsgevinster omfordeles annerledes enn i dag. En gjennomgang av mulighetsområdet er dermed nødvendig og det ser ikke bare mørkt ut, selv om noen krevende erkjennelser må håndteres.
Hvem skal betale regningen for KIs sult – de som bruker teknologien, de som eier teknologien, eller naturen?
Regulering og skattlegging
Sannsynligvis vil KI-bruken øke kraftig i årene som kommer, så fornuftig regulering og skatt vil kunne være et av flere bidrag til økt KI-nøysomhet.
Det er flere grunner til at KI bør reguleres og skattlegges. En viktig grunn er å gjøre KI samlet sett mer nøysom. Slik verden er skrudd sammen er det vanskelig å få til signifikante reduksjoner i bruken av KI uten fornuftige reguleringer. Det må skje på tvers av landegrenser, og det er vanskelig å se for seg en utvikling mot mer nøysom KI uten at både tilbydere og brukere av KI, på en eller annen måte, skattlegges for det forbruket som kan knyttes til KI.
Tilbyderne av KI-løsninger kan for eksempel skattlegges for bruk av våre data – som i stor utstrekning tilhører fellesskapet. Samtidig kan avgifter benyttes for å styre brukerne mot mer nøysomme og grønnere KI-løsninger. De fleste KI-løsninger som brukes i dag er grådige, til dels svært grådige.
Uansett hvordan man snur og vender på dette bør KI skattlegges for sitt forbruk av ressurser. Derfor anbefaler vi at det igangsettes et grundig arbeid for å finne ut hvordan en slik skattlegging kan implementeres.
Skattleggingen av tilbydere og brukere av KI må gjøres progressiv, slik at den premierer nøysomhet og støtter mekanismer som understøtter sirkulære verdikjeder. Det er selvfølgelig ikke nok at et slikt skattesystem innføres i Norge. Det må skje globalt. Inntil videre er EU løsningen for Norge, men det dukker stadig opp sterke stemmer som peker i denne retningen også utenfor Europa. Skattlegging kan føre til endring i prosesser knyttet til utvikling og bruk av KI, ikke nødvendigvis lavere produksjon og lavere forbruk av KI-tjenester.
Mindre modeller og smartere arkitektur
For å gjøre KI mer nøysom må vi redusere KI-systemenes behov for å operere i ressurskrevende datasentre, der strømmen alltid må stå på. Det er mulig å utvikle kompakte KI-modeller som kan kjøres på lokale maskiner. Det dukker da opp et spørsmål om kvalitet. Blir modellenes presisjon dårligere når modellene blir mindre? En annen mulighet er å dele opp KI-modellene slik at hver del utfører sine spesialiserte oppgaver på ulike steder og samhandler om det endelige svaret. Slike modeller eksisterer og bør videreutvikles med nøysomhet som grunnleggende prinsipp. Et tredje alternativ er å utvikle hierarkier av KI-modeller der noen få store modeller kjører i datasenter og tilbyr tjenester til mindre, lokale modeller når de trenger det. Dette bør skje i et større omfang enn i dag, som bidrar til at KI oppnår et nøysomt forbruk av ressurser.
Det er også mulig å tenke helt nytt og skape mer nøysomme KI-modeller enn vi har i dag. Et innsatsområde som vokser i omfang omtales gjerne som intelligens på kanten («edge intelligence»). Det innebærer at KIs operasjoner flyttes til eller nær der data samles og resultatene av beregningene skal anvendes.
“Kjekt å ha” sang Øystein Sunde. Trenger vi alle disse dataene, eller har vi bare vent oss til å samle data uten å tenke at det meste er overflødig og i all hovedsak søppel (på digital form)?
Data og lagring
Et annet vesentlig spørsmål knyttet til ressursbruk er hvor mye data av tilfredsstillende kvalitet som kreves for å skape en høykvalitets KI-modell. Det er grunn til å hevde at dagens modeller kan klare seg med langt mindre data enn hva de faktisk bruker.Sensorer, dataproduserende enheter og våre aktiviteter i sosiale medier og andre steder fyller lagringsmedier med data i et forrykende tempo– også store mengder data som med stor sannsynlighet aldri vil bli brukt. Det er også en utfordring at KI selv genererer mer og mer data? Lagring av data krever ressurser, selv om ikke alt lagres på aktive medier, det vil si steder der strømmen står påslått.
Det gjøres en god del for å redusere dataflommen, men mye mer kan gjøres. Alle virksomheter og privatpersoner bør stimuleres til ikke å samle inn og bruke mer data en nødvendig og selvfølgelig også kaste data som ikke brukes. For å lykkes må det skapes en bevissthet rundt den samlede dataflommens forbruk av ressurser som må hentes fra naturen. Men, det er trolig ikke nok og vi foreslår derfor at det utredes muligheten for å innføre en progressiv miljøbeskatning på bruk av ressurskrevende lagringsmedier.
Mer effektive algoritmer
En annen og viktig vei mot nøysom KI går gjennom algoritmene som utfører de beregninger som er nødvendige. Deler av det samlede energiforbruket til dagens KI-systemer skyldes ikke bare størrelsen på modellene, men måten de er konstruert og trent på.
Forskning viser at smartere treningsmetoder, mer effektive arkitekturer og komprimeringsteknikker som kvantisering og beskjæring («pruning») kan redusere ressursbehovet dramatisk, uten at kvaliteten forringes tilsvarende. Kvantisering innebærer å representere modellens parametere med færre «bits and bytes», mens beskjæring handler om å fjerne forbindelser i KI-modellen (det nevrale nettverket) som ikke bidrar eller bidrar lite til resultatet. Begge teknikker reduserer energiforbruket ved kjøring av modellen. I tillegg arbeides det med forenklede versjoner av de mest beregningsintensive mekanismene som ligger i hjertet av KI-modellene.
Det arbeides også med metoder og algoritmer som forfiner og reduserer datagrunnlaget før KI-modellene opprettes, samt ulike avbildninger fra grunnlagsdata som bidrar til at KI-modellene blir mindre regnekrevende når de tas i bruk. I dette ligger det også en utvikling av mer spesialiserte KI-modeller, det vil si KI-modeller som bidrar innenfor et begrenset område. Dersom formålet med en aktuell KI-modell er å oppdage utbrudd av epidemier så raskt som mulig, spørs det hvor stor modellen må være for at et varsel om et utbrudd med en passende høy sannsynlighet er korrekt.
Nevromorf og optisk maskinvare
Parallelt med algoritmisk utvikling pågår viktig forskning og utvikling knyttet til den maskinvaren som brukes. Konvensjonelle prosessorer er kraftige, men energikrevende. To lovende alternativer peker seg ut: nevromorf og optisk databehandling. Kvantedatamaskiner kan også bli viktige i denne sammenheng, men nøysom KI kan ikke vente til kvantemaskiner blir «hyllevare».
Nevromorf maskinvare er inspirert av hjernens arkitektur og behandler informasjon på en fundamentalt annen måte enn tradisjonelle prosessorer. I stedet for kontinuerlig forbruk av strøm, aktiveres kretser kun når det er nødvendig – slik nevroner i hjernen avfyres bare når de har noe å bidra med. Flere forskningsmiljøer kan nå vise at nevromorf maskinvare kan utføre visse KI-oppgaver med en brøkdel av energien som kreves av konvensjonell maskinvare. For oppgaver som mønstergjenkjenning i bilder og prosessering av tidsserier fra sensorer er gevinstene særlig store.
Optisk databehandling bruker lys i stedet for elektriske signaler til å utføre operasjoner. Lys kan transportere store mengder data med minimalt varmetap. Det gjør det naturlig egnet for matriseoperasjoner, som det er særdeles mye av i kjernen av KI-systemene. Lite varmetap reduserer også behovet for kjøling, som i sin tur vil kunne redusere vannforbruket i datasentre. Selv om denne teknologien ennå er i en tidlig fase, vil optiske akseleratorer innen få år kunne tilby radikalt lavere energiforbruk for spesifikke oppgaver i KI-modellene.
Til sammen peker nevromorf og optisk maskinvare mot en fremtid der det vi trekker ut av KI blir langt mer ressurseffektivt enn slik det er i dag. Selv om dette kommer, må det ikke være en sovepute for å skape mer nøysom KI allerede i dag.
Kan den samme teknologien som tapper kloden for ressurser, samtidig gi oss nøkkelen til å redde den?
Nøysom KI – mer enn bærekraftig KI
I tillegg til at nøysom KI vil være mer miljømessig bærekraftig, har nøysom KI en rekke andre fordeler. En kompakt KI-modell kan benyttes i omgivelser eller på steder med begrenset tilgang på ressurser – i avsidesliggende strøk uten stabil kraftforsyning, på satellitter, i medisinsk utstyr i lavinntektsland, eller integrert i hverdagslige enheter uten tilkobling til «skyløsninger».
Mer nøysom KI vil bringe avanserte analyseverktøy til aktører som i dag er utelukket fordi de ikke har råd til eller tilgang på kraftige datasentre. Nøysom KI vil derfor understøtte demokratiske prinsipper, i motsetning til grådig KI som med voldsom kraft flytter makt til noen få mennesker, som i tillegg opererer i lukkede rom.
Gjort riktig kan nøysom KI også bidra til bedre personvern og sikkerhet. Når modellen kjøres lokalt på brukerens enhet, forlater ikke dataene de lokale maskinene. Dette er avgjørende viktig på mange områder i samfunnet – for eksempel i helsesektoren – og det er viktig for hver og en av oss som ønsker kontroll over våre egne data.
Nøysomme systemer kan også i mange sammenhenger være mer robuste og sikre enn store grådige systemer. De er mindre avhengige av nettverkstilgang, vil kunne tåle avbrudd bedre og kan operere i kritisk infrastruktur der pålitelighet er viktigere enn rå ytelse. Sikkerhet står høyt på dagsorden når det gjelder KI. Nøysomhet er ikke hele svaret, men vil åpenbart kunne bidra til utviklingen av bedre sikkerhet rundt KI-systemer.
I nøysom KI finner vi også geopolitiske aspekter. Land og regioner som er avhengige av å leie kapasitet i datasentre eid av utenlandske teknologiselskaper, er sårbare. Nøysom KI, som kan kjøres på nasjonal eller lokal infrastruktur, styrker teknologisk suverenitet og vil, innført på klokt vis, redusere verdens avhengighet av et lite antall globale aktører.
KI som katalysator for grønn omstilling – og ny velstandsforståelse
Så langt har vi diskutert hvordan KI kan bli mer nøysom. Men kan KI selv bidra til at resten av samfunnet bruker færre ressurser – og dermed akselerere den grønne omstillingen vi sårt trenger? Det er et like viktig og et enda mer ambisiøst spørsmål.
Historisk har økonomisk vekst vært uløselig knyttet til økt ressursuttak – mer produksjon har krevd mer energi, mer areal og mer materialer. «The European Green Deal»[2] bygger på en hypotese om at denne koblingen kan brytes, at det er mulig å skape økt velstand uten tilsvarende vekst i forbruk og utslipp.
Teknologiske skifter kan øke produksjonspotensialet i en økonomi. Vi kan produsere mer og dermed konsumere mer. Slike teknologiskifter vil ofte føre til større eller mindre strukturelle endringer i økonomien. KI vil helt klart føre til vesentlige strukturelle endringer. Foreløpig ser vi bare konturene av noen av disse endringene, og vi vet lite om hvordan de samlet vil påvirke økonomien, maktforhold, fordeling og verdikjeder - i Norge og globalt.
Norge har noen særpreg ved at vi er velsignet med rike naturressurser. Vi har næringsrik kyst, olje og gass, og fjell og fossefall - for å nevne noe. Dette har vi utnyttet til å skape næringer som produserer en velstand som historisk er helt unik. Forvaltningen og fordelingen er også unik. Dette gjør at vi har høy grad av utdanning, høy tillit, stor offentlig sektor og er flinke til å ta i bruk ny teknologi.
Det er imidlertid få studier som har sett grundig på hvilke konsekvenser KI vil få for det norske samfunnet, men endringene kan komme nær sagt overalt. Videre er det grunn til å tro at den endelige verdiskapingen fra KI ikke vil tilfalle noen få aktører. Dette mener vi må skje, selv om de store USA-baserte teknologiselskapene og løsninger fra Kina dominerer dagens bilde. Gjennom at stadig flere modeller blir åpne vil teknologien enkelt kunne kopieres, og det er mange aktører som jobber med å utvikle og tilby KI-løsninger. Med mange tilbydere av KI-løsninger vil effekten komme i nær sagt alle bransjer og i alle ledd i verdikjeder. En slik utvikling vil kunne bety at konkurransekraften representert ved KI på forholdsvis kort sikt vil bli konkurrert vekk fra toppen og nedover i verdikjedene. Dette vil medføre at produktivitetsgevinsten til slutt vil havne hos konsumentene.
Denne utviklingen kan også utfordre vårt syn på velstandsutvikling. Økonomisk vekst og økt tilgang på materielle ressurser handler ofte om det vi kan måle gjennom kroner og øre. Men hvis produktivitetsgevinsten havner hos konsumentene, ved at man betaler mindre for samme eller bedre goder, vil ikke dette bli synlig selv om velstanden stiger.
Denne ekstra nytten av KI – økt konsumentoverskudd i livskvalitet og velferd – ser vi ikke i regnskapene. KI kan hjelpe individer direkte med læring, problemløsning, helseoppfølging, økonomisk planlegging og deltakelse i arbeids- og samfunnsliv, og den kan gjøre offentlige og kommersielle virksomheter mer effektive slik at de produserer mer med mindre innsats. Da kan vi i prinsippet komme i en situasjon der velstanden i samfunnet stiger, mens den økonomiske produksjonen vi faktisk kan måle – kostnader og verdiskaping – er konstant eller synkende.
I dette bildet ligger det en vridning i både produksjons- og nyttefunksjoner, og potensielt store muligheter for å bytte til et mer miljøvennlig ressursforbruk på flere områder. Enkeltindivider får et kraftfullt verktøy til å styre eget liv og egen hverdag, og offentlige og kommersielle virksomheter kan produsere mer, med lavere ressursforbruk. Det vil være utfordrende å måle nytte- og miljøeffektene, og vanskelig å knytte dem direkte til bruken av KI-løsninger, og dermed vil det også kunne være vanskelig å knytte korrigerende avgifter til bruken. I det store bildet kan dette kanskje fanges opp ved å studere hvordan datasentre etableres, opereres og nedlegges – noe som krever internasjonalt samarbeid og reguleringer på tvers av landegrenser.
Denne frikoblingen reiser samtidig et fordelingsspørsmål. Vi ser allerede effekter i arbeidsmarkedet gjennom synkende rekruttering til juniorstillinger i mange bransjer, og riktig prising av KI-bruk – gjerne gjennom skattlegging – er et tema som ikke kan legges bort. Det synes derfor å være behov for mer radikale og kanskje hittil ubrukte omfordelingsgrep gjennom skattesystemet.
Er vi villige til å premiere nøysomhet like sterkt som vi historisk har premiert vekst, eller vil KI bare forsterke gamle vekstmønster?
Hva nå?
Heldigvis arbeides det ganske mye med nøysomme KI-løsninger verden over, både i akademia og i noen kommersielle selskaper. Mye av forskningen på algoritmer, på ny maskinvare og smarte arkitekturer peker i retning av mer nøysomhet, men denne forskningen må få sterkere støtte fra hele bredden av samfunnet.
I tillegg til mer forskning på området må det etableres en sterkere politisk vilje for å regulere KI slik at vi, så raskt som mulig, kan redusere KIs miljømessige fotavtrykk. Dette krever reguleringer som setter grenser for forbruket, skattlegging som gjenspeiler de reelle samfunnsmessige kostnadene ved bruk av KI, og internasjonale avtaler som sikrer at alle land drar i samme retning. KI vil forbli grådig så lenge det ikke koster noe å la den være det. Verden trenger en dugnad for nøysom KI for vekst og velferd, for alle - overalt. Men for at vi skal kunne trekke dette i riktig retning, globalt og nasjonalt, trenger vi mer kunnskap om hvordan individer og samfunn blir påvirket av KI-utviklingen. Mye av denne kunnskapsutviklingen vil skje i årene som kommer, men myndighetene bør raskest mulig stimulere til mer forskning på området.
Nøysom KI er mer enn et spørsmål om å redusere KIs forbruk av energi, vann og mineraler. Det er et spørsmål om hvilken type vekst verden trenger, og hvem den veksten skal komme til gode. Bruken av KI kan medføre strukturelle endringer som kan kreve at samfunnets produktivitetsgevinster omfordeles annerledes enn i dag.
Klarer vi å gjøre KI nøysom, samtidig som vi lar teknologien bidra til reell velstandsvekst uten tilsvarende ressursforbruk, kan KI bli et av de kraftigste verktøyene vi har for å skape en bærekraftig fremtid. Klarer vi det ikke, vil KI i stedet kunne bli en av de sterkeste driverne for ytterligere forverring av klima og tap av naturressurser.
[1]World Energy Outlook 2025, IEA
Eskil Sønju Le Bruyn Goldeng er professor ved Institutt for økonomi, historie og samfunnsvitenskap, Universitetet i Sør-øst Norge (USN), Morten Dæhlen er professor ved Institutt for informatikk, Universitetet i Oslo og tilknyttet The Norwegian Centre for Trustworthy AI (TRUST).
