Vänta lite – spara mycket: Forskningen visar hur AI kan bli klimatsmart utan att tappa kraft

Grön AI är möjlig – men den kräver medvetna val

Det finns en tendens i branschen att behandla AI:s energiförbrukning som ett nödvändigt ont – ett pris vi betalar för framsteg. Men två färska forskningsstudier från arXiv utmanar den bilden på ett välkommet sätt. De visar att det inte handlar om att välja mellan kapabilitet och klimathänsyn. Det handlar om att bygga smartare.

Vänta lite – och välj rätt plats

AI-agenter är en av de snabbast växande kategorierna inom artificiell intelligens. Till skillnad från ett enkelt fråga-och-svar med en språkmodell utför agenter komplexa, flerstegiga uppgifter – de anropar modeller upprepade gånger, fattar beslut längs vägen och kan köra i timmar. Det genererar betydande beräkningskostnader, och med dem: koldioxidutsläpp.

Nu presenterar forskare ett verktyg kallat AgentDecarbonizer som angriper problemet med elegant enkelhet. Grundinsikten är att många agentuppgifter inte måste köras just nu. Det finns ofta en tidsfrist – och i det utrymmet finns det en möjlighet.

AgentDecarbonizer utnyttjar den flexibiliteten genom att antingen vänta tills elnätet har lägre koldioxidintensitet, eller flytta beräkningarna till en annan region där elen för tillfället är grönare. Det låter enkelt, men implementationen kräver noggrannhet: körtiden för en agentuppgift är osäker, och om beräkningarna flyttas geografiskt måste cachad kontext räknas om. Verktyget hanterar detta genom att göra konservativa uppskattningar av uppgiftens varaktighet och bara välja scheman som med god marginal ryms inom den angivna tidsfristen.

Resultaten är imponerande. I tester med 60 agentuppgifter över fyra olika elnät minskade AgentDecarbonizer utsläppen med upp till 57,9 procent jämfört med ett klimatookänsligt alternativ. Det är inte en marginell förbättring – det är nära nog en halvering.

Fel som en funktion, inte ett problem

Från ett helt annat håll kommer den andra studien – och den är minst lika tankeväckande. Forskargruppen bakom den undersökte vad som händer när man medvetet sänker spänningen till en GPU under träning av neurala nätverk.

Låg spänning innebär störningar i beräkningarna på bitnivå – slumpmässiga fel som uppstår i hårdvaran. Det låter som ett problem. Men forskarna visar att dessa fel i praktiken fungerar som en form av inbyggd regularisering: de motverkar överanpassning och gör modellerna mer generaliserbara. Och det märks tydligast när modellerna utsätts för fientliga angrepp – manipulerade indata som är utformade för att lura nätverket.

Tester på välkända nätverksarkitekturer som LeNet, VGG-6 och MobileNetV3, tränade på bilddatauppsättningarna MNIST och CIFAR-10, visar att modeller tränade under undersänkt spänning konsekvent klarar sig bättre mot sådana angrepp än modeller tränade vid normal spänning.

Men det stannar inte där. Energiförbrukningen minskar kvadratiskt med spänningssänkningen – det vill säga en liten minskning i spänning ger en oproportionerligt stor energibesparing. Och metoden kräver inga ändringar i träningsalgoritmer. Den är, som forskarna uttrycker det, direkt tillämpbar i praktiken.

Två vägar mot samma mål

Det är lätt att se dessa två studier som orelaterade – den ena handlar om schemaläggning av agentuppgifter, den andra om hårdvaruegenskaper under träning. Men de delar en gemensam poäng som jag tycker är viktig att lyfta fram:

Energieffektivitet och prestanda behöver inte stå i motsättning till varandra. Ibland är det smartaste valet också det grönaste.

Som systemutvecklare vet jag hur lätt det är att optimera för det som är lättast att mäta – latens, noggrannhet, genomströmning. Koldioxidavtryck hamnar sällan i kravspecifikationen. Men den forskning som nu publiceras ger oss konkreta verktyg för att ändra på det. Och det borde vi ta på allvar.