Van FLOPs naar Voetafdruk: De Resourcenkosten van Kunstmatige Intelligentie
From FLOPs to Footprints: The Resource Cost of Artificial Intelligence
December 3, 2025
Auteurs: Sophia Falk, Nicholas Kluge Corrêa, Sasha Luccioni, Lisa Biber-Freudenberger, Aimee van Wynsberghe
cs.AI
Samenvatting
Naarmate de computationele eisen blijven stijgen, vereist het beoordelen van de ecologische voetafdruk van AI een verschuiving voorbij energie- en waterverbruik naar de materiaalbehoeften van gespecialiseerde hardware. Deze studie kwantificeert de materiaalvoetafdruk van AI-training door computationele workloads te koppelen aan fysieke hardwarebehoeften. De elementaire samenstelling van de Nvidia A100 SXM 40 GB grafische verwerkingseenheid (GPU) werd geanalyseerd met behulp van optische emissiespectrometrie met geïnduceerd gekoppeld plasma, waarbij 32 elementen werden geïdentificeerd. De resultaten tonen aan dat AI-hardware voor ongeveer 90% uit zware metalen bestaat en slechts sporen van edelmetalen bevat. De elementen koper, ijzer, tin, silicium en nikkel domineren de GPU-samenstelling qua massa. In een multi-stap methodologie integreren we deze metingen met de computationele doorvoer per GPU over variërende levensduren, rekening houdend met de computationele vereisten voor het trainen van specifieke AI-modellen bij verschillende trainingsrendementen. Scenario-analyses onthullen dat, afhankelijk van de Model FLOPs Utilisatie (MFU) en de hardwarelevensduur, het trainen van GPT-4 tussen de 1.174 en 8.800 A100 GPU's vereist, wat overeenkomt met de winning en uiteindelijke verwijdering van tot 7 ton giftige elementen. Gecombineerde software- en hardware-optimalisatiestrategieën kunnen de materiaalbehoefte verminderen: het verhogen van de MFU van 20% naar 60% vermindert de GPU-behoefte met 67%, terwijl het verlengen van de levensduur van 1 naar 3 jaar vergelijkbare besparingen oplevert; de implementatie van beide maatregelen samen reduceert de GPU-behoefte met tot 93%. Onze bevindingen benadrukken dat incrementele prestatieverbeteringen, zoals waargenomen tussen GPT-3.5 en GPT-4, gepaard gaan met onevenredig hoge materiaalkosten. De studie onderstreept de noodzaak om materiaalgebruik mee te nemen in discussies over AI-schaalbaarheid, en benadrukt dat toekomstige vooruitgang in AI in lijn moet zijn met de principes van resource-efficiëntie en milieurechtvaardigheid.
English
As computational demands continue to rise, assessing the environmental footprint of AI requires moving beyond energy and water consumption to include the material demands of specialized hardware. This study quantifies the material footprint of AI training by linking computational workloads to physical hardware needs. The elemental composition of the Nvidia A100 SXM 40 GB graphics processing unit (GPU) was analyzed using inductively coupled plasma optical emission spectroscopy, which identified 32 elements. The results show that AI hardware consists of about 90% heavy metals and only trace amounts of precious metals. The elements copper, iron, tin, silicon, and nickel dominate the GPU composition by mass. In a multi-step methodology, we integrate these measurements with computational throughput per GPU across varying lifespans, accounting for the computational requirements of training specific AI models at different training efficiency regimes. Scenario-based analyses reveal that, depending on Model FLOPs Utilization (MFU) and hardware lifespan, training GPT-4 requires between 1,174 and 8,800 A100 GPUs, corresponding to the extraction and eventual disposal of up to 7 tons of toxic elements. Combined software and hardware optimization strategies can reduce material demands: increasing MFU from 20% to 60% lowers GPU requirements by 67%, while extending lifespan from 1 to 3 years yields comparable savings; implementing both measures together reduces GPU needs by up to 93%. Our findings highlight that incremental performance gains, such as those observed between GPT-3.5 and GPT-4, come at disproportionately high material costs. The study underscores the necessity of incorporating material resource considerations into discussions of AI scalability, emphasizing that future progress in AI must align with principles of resource efficiency and environmental responsibility.