Energie en koolstof van AI: trainen of gebruiken
Een AI-model verbruikt energie bij het trainen en bij het gebruik. Ordes van grootte uit studies, en gewoonten voor redelijk gebruik.
Op deze pagina
In 30 seconden
- Waar het gebeurt
- Bij elke vraag aan een AI-assistent[1], en eerder al tijdens het trainen van de modellen, dat aanzienlijke rekenmiddelen en energie vraagt[2].
- Wat de metingen opleveren
- De mediane tekstprompt van Gemini Apps verbruikt volgens Google 0,24 Wh[1]; de uiteindelijke training van BLOOM heeft volgens de auteurs ongeveer 24,7 ton CO2-equivalent uitgestoten (alleen het dynamische vermogen), en 50,5 ton als alle processen worden meegeteld[2].
- De reflex
- Een model kiezen dat bij de taak past en onnodige verzoeken vermijden.
Waar gaat het over
Een AI-model verbruikt op twee momenten energie: wanneer het wordt getraind, en daarna telkens wanneer men het gebruikt. Het tweede moment heeft een naam, inferentie: het gebruik van een reeds getraind model om voorspellingen, tekst of beelden te produceren[1].
Dit artikel geeft ordes van grootte uit gepubliceerde studies. Het zijn schattingen, en de cijfers verschillen sterk van studie tot studie. Het eindigt met de gewoonten die een medewerker dagelijks kan aannemen.
Directe vragen
Wat noemt men trainen?
Het is de fase waarin het model wordt gebouwd. De auteurs van de studie over BLOOM, een taalmodel met 176 miljard parameters, schrijven dat het trainen van modellen aanzienlijke middelen aan rekenkracht, energie en materialen vraagt[2]. Voor BLOOM schatten zij dat de uiteindelijke training ongeveer 24,7 ton CO2-equivalent heeft uitgestoten als men alleen het dynamische energieverbruik meetelt, en 50,5 ton als men alle processen meetelt, van de productie van de apparatuur tot het energieverbruik[2].
Al in 2019 hebben onderzoekers de geschatte financiële en milieukosten van het trainen van verschillende modellen voor taalverwerking becijferd. Volgens hen hangen de winsten in nauwkeurigheid van deze modellen af van uitzonderlijke rekenmiddelen, die een even groot energieverbruik vereisen[3].
Wat noemt men inferentie?
Het is het moment waarop een getraind model antwoordt op een verzoek[1]. De studie over BLOOM onderzoekt ook de energie en de uitstoot van de inzet ervan: het model ontvangt realtime verzoeken van gebruikers via een toegangsinterface (API)[2].
Hoeveel verbruikt een verzoek?
Dat hangt af van de meetmethode, het model en het bedrijf. Google schat dat de mediane tekstprompt van Gemini Apps 0,24 Wh verbruikt, 0,03 gCO2e uitstoot en 0,26 mL water verbruikt, ongeveer vijf druppels[1]. De energie per prompt komt volgens Google overeen met minder dan negen seconden televisie[1]. Deze cijfers berusten op een eenmalige analyse van de gegevens van mei 2025; Google preciseert dat ze niet de impact van alle tekstprompts van Gemini Apps weergeven en niets zeggen over toekomstige prestaties[1].
Een ander team heeft 30 modellen vergeleken in commerciële datacenters. Het vindt dat een kort verzoek van 0,42 Wh, vermenigvuldigd met 700 miljoen verzoeken per dag, uitkomt op een jaarlijks elektriciteitsverbruik dat vergelijkbaar is met dat van 35.000 Amerikaanse huishoudens[6]. In zijn resultaten overschrijden de meest verbruikende modellen 29 Wh voor een lange prompt, meer dan 65 keer de meest efficiënte systemen[6].
Waarom verschillen de cijfers zo sterk?
Vier factoren vallen op in de studies.
- De rekenmethode. Google telt het vermogen van de actieve versnellers mee, maar ook de inactieve machines die klaarstaan om verkeerspieken op te vangen, de processor en het geheugen van de servers, en het verbruik van de datacenters (koeling, elektriciteitsdistributie)[1]. Door alleen de actieve TPU's en GPU's te tellen, komt Google op 0,10 Wh voor de mediane prompt, en beoordeelt dat cijfer als optimistisch en sterk onderschat ten opzichte van de werkelijke voetafdruk[1].
- De plaats. Bij het trainen variëren het aandeel koolstofvrije energie en de uitstoot in CO2-equivalent met een factor van ongeveer 5 tot 10, zelfs binnen hetzelfde land en voor dezelfde organisatie[4].
- Het datacenter en de processor. Cloud-datacenters kunnen ongeveer 1,4 tot 2 keer energiezuiniger zijn dan typische datacenters, en de speciaal voor machine learning bestemde versnellers ongeveer 2 tot 5 keer efficiënter dan in de handel verkrijgbare systemen[4].
- Het type model. Zeer grote neurale netwerken met gedeeltelijke activering kunnen minder dan een tiende van de energie van dichte netwerken verbruiken, zonder verlies van nauwkeurigheid[4].
De auteurs van deze laatste studie schatten dat de keuze van het netwerk, het datacenter en de processor de koolstofvoetafdruk kan verlagen tot een factor van ongeveer 100 tot 1.000[4]. Zij voegen eraan toe dat deze verschillen schattingen achteraf moeilijk maken[4].
Hoe het werkt
De voetafdruk van een AI beperkt zich niet tot de elektriciteit van de chips. Onderzoekers hebben de ontwikkelcyclus van modellen in industriële toepassingen en de levenscyclus van de apparatuur onderzocht: zij tellen de koolstofvoetafdruk van het gebruik en die van de productie mee[7].
Aan de kant van de inferentie beschrijft Google verschillende hefbomen voor efficiëntie bij Gemini. Architecturen van het type Mixture-of-Experts activeren slechts een klein deel van een groot model om een verzoek te beantwoorden, wat de berekeningen en gegevensoverdrachten volgens Google met een factor van 10 tot 100 vermindert[1]. Distillatie maakt kleinere modellen (Gemini Flash en Flash-Lite) uit grotere modellen[1]. Google vermeldt een gemiddelde PUE van 1,09 voor al zijn datacenters; deze indicator meet de energie die de infrastructuur rond de informaticaapparatuur verbruikt[1].
Volgens Google zijn over twaalf maanden de energie en de totale koolstofvoetafdruk van de mediane prompt van Gemini Apps gedaald met een factor van 33 en van 44[1]. Google preciseert dat deze vergelijking betrekking heeft op mei 2024 en mei 2025 en dat de gegevens niet zijn geverifieerd door een onafhankelijke derde partij[1].
Wat u doet
- Kies het model naar gelang van de taak. In de studie over 30 modellen overschrijdt het verschil tussen de meest verbruikende en de meest efficiënte modellen een factor van 65 voor een lange prompt[6]. Google biedt zelf kleinere modellen aan om verzoeken af te handelen[1].
- Vermijd onnodige verzoeken. Een kort verzoek van 0,42 Wh lijkt verwaarloosbaar, maar vermenigvuldigd met 700 miljoen verzoeken per dag vertegenwoordigt het volgens dit team de jaarlijkse elektriciteit van 35.000 Amerikaanse huishoudens[6]. Het beschrijft een paradox: wanneer AI goedkoper en sneller wordt, zorgt de wereldwijde adoptie ervan voor een onevenredig grote consumptie van middelen[6].
- Houd de ordes van grootte in gedachten zonder ze als zekerheden aan te halen: ze hangen af van de studie, het model en de plaats.
De valkuilen
- Cijfers vergelijken die uit verschillende methoden komen. Het cijfer van 0,24 Wh van Google omvat de inactieve machines en de energie van de datacenters, wat veel huidige berekeningen volgens Google niet meenemen[1]. De auteurs van de studie van Google zeggen ook dat vóór hun studie geen enkele studie deze indicatoren van een AI-dienst in een productieomgeving had gemeten[5].
- Een cijfer van Google aanzien voor een onafhankelijke waarde. Google preciseert dat de vergelijking tussen mei 2024 en mei 2025 (daling met een factor van 33 en van 44) niet is geverifieerd door een onafhankelijke derde partij[1].
- Geloven dat een cijfer voor alle modellen geldt. Google preciseert dat de energie van de mediane prompt kan veranderen wanneer nieuwe modellen worden toegevoegd, wanneer de architectuur evolueert en wanneer het gedrag van de gebruikers verandert[1].
- De training vergeten. De auteurs van de studie van 2021 schatten dat energie en uitstoot tot de evaluatie-indicatoren van modellen zouden moeten behoren[4].
Bronnen
- Google, “How much energy does Google’s AI use? We did the math”, 21 augustus 2025. https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference (geraadpleegd op 14 november 2026)
- arXiv, “Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model”, 3 november 2022. https://arxiv.org/abs/2211.02001 (geraadpleegd op 14 november 2026)
- arXiv, “Energy and Policy Considerations for Deep Learning in NLP”, 5 juni 2019. https://arxiv.org/abs/1906.02243 (geraadpleegd op 14 november 2026)
- arXiv, “Carbon Emissions and Large Neural Network Training”, 21 april 2021. https://arxiv.org/abs/2104.10350 (geraadpleegd op 14 november 2026)
- arXiv, “Measuring the environmental impact of delivering AI at Google Scale”, 21 augustus 2025. https://arxiv.org/abs/2508.15734 (geraadpleegd op 14 november 2026)
- arXiv, “How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference”, 14 mei 2025. https://arxiv.org/abs/2505.09598 (geraadpleegd op 14 november 2026)
- arXiv, “Sustainable AI: Environmental Implications, Challenges and Opportunities”, 30 oktober 2021. https://arxiv.org/abs/2111.00364 (geraadpleegd op 14 november 2026)
Dit artikel citeren
Brain, “Energie en koolstof van AI: trainen of gebruiken”, Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp270_nl_2026,
author = {Brain},
title = {Energie en koolstof van AI: trainen of gebruiken},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/nl/articles/ai-energie-training-inferentie/},
note = {CC BY 4.0}
}