Tausta-aineisto kokoaa yhteen tekoälysuositusten tietopohjan sekä tukee koulutuksen järjestäjiä ja henkilöstöä tekoälyyn liittyvässä osaamisen kehittämisessä ja tekoälyn hyödyntämisessä paikallisesti.
Tausta-aineisto käsittelee eri teemoja, ja sitä tulisi hyödyntää teemakohtaisesta tarkastelusta huolimatta kokonaisuutena.

Kestävällä kehityksellä tarkoitetaan ihmisten hyvinvoinnin varmistamista maapallon kantokyvyn rajoissa.  Kestävän kehityksen keskeisin käsite on keskinäisriippuvuus. Keskinäisriippuvuudella tarkoitetaan sitä, että kestävän kehityksen kolme osa-aluetta eli sosiaalinen, taloudellinen ja ekologinen kestävyys liittyvät erottamattomasti toisiinsa. Esimerkiksi sosiaalista kestävyyttä ei voida saavuttaa, jos samalla ei ole turvattu taloudellista ja ympäristön kestävyyttä.

Digitalisaatiosta voi olla hyötyä kestävän kehityksen vahvistamisessa. Kyse on siitä, että teknologiaa hyödynnetään ympäristöystävällisten toimien kehittämiseen. Kestävä liiketoiminta tekee esimerkiksi toimitusketjuista läpinäkyviä, tuo elinkaarivaikutukset esille ja sisällyttää resurssitehokkuuden osaksi toimintaa. Toisaalta tulee tunnistaa digitalisaation aiheuttamat ympäristövaikutukset, muun muassa laitteiden valmistuksen materiaalitarve tai niiden käytön vaatima energia. Tässä luvussa keskitytään erityisesti tekoälyn ympäristönäkökulmiin.

Kestävää kehitystä voidaan mitata kuvaamalla toiminnan käden- ja jalanjälkeä. Jalanjäljen käsitettä käytetään kuvaamaan ihmisen toiminnan aiheuttamia kielteisiä ympäristövaikutuksia. Kädenjälki tarkoittaa myönteisiä vaikutuksia, joita saadaan aikaan kestävän kehityksen tukemiseksi. Hiilikädenjälki kuvaa tuotteiden ja palveluiden positiivista ilmastovaikutusta.

Takaisin ylös

Tekoälyn käytön nopea lisääntyminen on aiheuttanut ja tulee aiheuttamaan tulevaisuudessa haasteita ympäristön kestävyydelle. Datakeskukset ja kaikki digitaaliset laitteet ovat riippuvaisista kriittisistä mineraaleista ja harvinaisista maametalleista, joita louhitaan usein kestämättömästi. Datakeskukset kuluttavat paljon vettä ja käyttävät valtavasti sähköä. Lisäksi ne tuottavat sähkö- ja elektroniikkaromua, jotka sisältävät usein vaarallisia aineita. 

Datakeskukset kuluttivat arvioltaan 460 TWh (terawattituntia) energiaa vuonna 2022. International Energy Agencyn arvio vuodelle 2026 on, että datakeskusten, kryptovaluuttojen ja tekoälyn maailmanlaajuinen sähkönkulutus on 650 – 1 050 TWh. Arvion laaja vaihteluväli riippuu käyttöönoton tahdista, tehokkuusparannuksista sekä tekoälyn ja kryptovaluuttojen trendeistä. Lisäys vuodesta 2022 vastaa alimmassa kulutusennusteessa suunnilleen Ruotsin vuotuista ja korkeimmassa ennusteessa Saksan vuotuista sähkönkulutusta. Samalla tekoälyteollisuuden odotetaan kasvavan eksponentiaalisesti ja kuluttavan vuoteen 2026 mennessä vähintään kymmenkertaisen määrän energiaa vuoteen 2023 verrattuna [1].

Koneoppimismallien käytön energiankulutus ja hiilidioksidipäästöt ovat olleet pitkään tutkimaton alue. Käänne tapahtui vuonna 2019 jolloin ryhmä tutkijoita tutki ja kvantifioi luonnollisen kielen käsittelyssä (NLP) käytettyjen tekoälymallien energiankulutusta. Toisin sanoen vasta viime vuosina on alettu tutkia, kuinka paljon energiaa käytetään esimerkiksi suurten kielimallien (Large Language Model) koulutukseen ja käyttöön. Tekoälyn käyttö lisääntyi voimakkaasti, kun generatiivinen tekoäly tuli kaikkien saataville internetin välityksellä erilaisilla digitaalisilla laitteilla. Tämän seurauksena suurin osa tekoälyn aiheuttamasta kokonaisenergiankulutuksesta tulee itse käytöstä. 

Alla oleva infolaatikko sisältää tarkempaa tietoa energiankäytöstä koneoppimismallien käytössä, eli lukuihin ei ole esimerkiksi sisälletty tekoälymallien koulutusvaiheen sähkönkulutusta. Lisää tietoa löytyy tutkimuksessa [2] (englanniksi).

Tekoälyn energiankäyttöä on tutkittu vuonna 2024 toteutetussa tutkimuksessa. Tutkijat tarkastelivat 88 erilaista koneoppimismallia käyttäen 10 tehtävää viidestä erityyppisestä modaliteetista. Ne on jaettu seuraaviin luokkiin: a) Tekstin luokittelu b) Kuvan luokittelu c) Teksti tekstiksi d) Kuva tekstiksi e) Teksti kuvaksi. 

Tutkimuksen mukaan edellä mainitut erilaiset tehtävätyypit vaativat hyvin erisuuruisen energiamäärän. Tutkimukset osoittavat, että tekstin ja kuvien luokittelu vaatii huomattavasti vähemmän energiaa kuin tekstin ja kuvien tuottaminen. Tekstin luokittelu vaatii vähiten energiaa tarkasteltavista tehtävistä. Tietokoneteknisestä näkökulmasta tämä on luonnollista. Energiankulutuksen konkretisoimiseksi tutkimuksessa käytettiin vertailukohtana älypuhelimen lataamista, joka vaatii keskimäärin 22 Wh energiaa. Tuhat kehotetta tuottaa tekstiä vaati tämän tutkimuksen mukaan karkeasti keskimäärin kaksi älypuhelimen akun latausta. Tuotetun tekstin sisällöllä ja pituudella on merkitystä, myös tekoälymallin tehokkuus vaikuttaa. Kuvan luominen edellyttää, että kaikilla kuvan pikseleillä on värinsä. Teksti puolestaan koostuu merkkiriveistä (kirjaimista). Siksi kuvan generointi on paljon energiaintensiivisempää kuin tekstin tuottaminen. Tekoälymallit ovat tehokkuudeltaan erilaisia, mikä johtaa suureen vaihteluun energiankulutuksessa. Kymmenen kuvan luominen vähiten tehokkaalla kuvageneraattorilla vastaa puhelimen lataamista tyhjästä täyteen 5,2 kertaa. 

Tutkimuksessa tarkasteltiin myös parametrien lukumäärällä mitatun tekoälyjärjestelmän koon vaikutusta energian kulutukseen. Laajalti käytetyt suuret kuvia tuottavat tekoälymallit voivat käyttää jopa 6800 kertaa enemmän energiaa kuin vähiten energiaa kuluttava tekstigeneraattori. Energiaintensiivisin kuvantuottaja (stable diffusion-xl-base-1) vaati 1000 kuvan luomiseen noin 5,36 kWh energiaa. Konkretisoimalla tutkijat käyttivät netissä avoimesti olevaa muunninta: kyseinen energiamäärä vastaa heidän tutkimuspaikallaan 6,6 km ajoa keskivertaisella polttomoottoriautolla (kansallisella keskiarvolla 8,7 km). Energian ja CO2-ekvivalenttimäärän välisen suhteeseen vaikuttaa energian erilaiset tuotantotavat eri maailman asuinpaikoilla, eli suhteen vaihtelu voi tämän vuoksi olla merkittävä. Erään arvion mukaan elokuun 2023 mennessä oli jo ehtinyt luoda yhteensä 15,5 miljardia kuvaa tekoälyllä, ja arvioltaan 80 % näistä on luotu Stable Diffusioniin pohjautuvilla sovelluksilla. Olettaen, että tämä kehitys jatkuu, kuvien luomisella on merkittävä ekologinen jalanjälki.

Tutkimuksen mukaan monikäyttöisen (eng. multi-purpose) tekoälysovelluksen käyttö rajoitetumpaan tehtävään on energiaintensiivisempää kuin tiettyyn tarkoitukseen kehitetyn tehtäväkohtaisen tekoälysovelluksen käyttäminen. Tutkijat näkevät kielteisenä kehityksenä nykyisen suuntauksen käyttää generatiivista tekoälyä kaikenlaisiin tehtäviin. Esimerkkeinä tutkijat mainitsevat laajentuneen tiedonhaun ja navigoinnin netissä. He muistuttavat, että hyötyjä olisi punnittava tietoisemmin energiankäytön ja päästöjen lisääntymistä vastaan. Tämä ilmiö tunnetaan laajalti tekoälykehittäjien keskuudessa, ja jotkut yritykset investoivat kapeampiin tekoälysovelluksiin.

Miljoonat käyttäjät käyttävät päivittäin suuria kuvia luovia tekoälysovelluksia, mikä aiheuttaa huomattavan ekologisen jalanjäljen. Tutkimuksen perusteella on suositeltavaa rajoittaa tarpeetonta kuvien luomista. Liikkuvan kuvan ja musiikin luominen ei sisältynyt tähän tutkimukseen, ja multimediatuotoksien luomisen energiankulutus on tällä hetkellä tutkimaton alue. Jokainen tekoälyn käyttäjä voi vaikuttaa jalanjälkeen omalla harkinnallaan ja käyttäytymisellään. Esimerkiksi tavallinen tiedonhaku Open AI:n ChatGPT-sovelluksella vaatii IEA:n julkaisun mukaan noin 10 kertaa enemmän energiaa kuin tavallinen tiedonhaku Googlen hakukoneella [1].

Voimme odottaa, että tekoälyn vaatima osuus tieto- ja viestintäteknologian maailmanlaajuisesta energiankulutuksesta kasvaa, kun yhä useammat yritykset, hallitukset ja organisaatiot hyödyntävät tekoälyä toimintojensa ja tiimiensä tehokkuuden ja tuottavuuden lisäämiseksi.

Tekoälyjärjestelmien tai koneoppimismallien kouluttaminen vaatii myös paljon energiaa. Suurimmilla IT-yrityksillä on laskelmat koulutuksen ja käytön kokonaisenergiankulutuksen jakautumisesta. Tekoälyn tuottajat voivat vähentää merkittävästi energiankulutusta tekoälyn koulutuksen aikana parhaiden käytäntöjen avulla. Tutkijat kutsuvat näitä menetelmiä yhdessä nimellä 4M, joka suomeksi tarkoittaa mallia, konetta, koneistamista ja karttaa. He keskittyvät vain käyttökustannuksiin eli tekoälylaitteistojen ja datakeskusten käytön energiakustannuksiin. Se ei mene monimutkaiseen elinkaarianalyysiin, joka sisältää myös raaka-aineiden tuotannon päästöt ja kaikkien laitteistoon ja datakeskuksiin tarvittavien komponenttien valmistuksen. [2], [3]
Takaisin ylös

Kestävyyden kannalta tekoälyn tuottaman kokonaiskädenjäljen olisi ylitettävä kokonaisjalanjälki eli tekoälyn tuottamat hiilidioksidipäästöt ja muut kielteiset ympäristövaikutukset. Vielä ei ole olemassa tutkimuksia, jotka todistaisivat riittävän tarkasti, että hyödyt ylittäisivät haitat. Odotukset ovat suuria, että tekoälyn avulla voidaan saavuttaa sosiaalista hyvinvointia, kuten ajansäästöä erilaisissa työtehtävissä, mutta se tulisi tehdä ympäristöä liiaksi kuormittamatta. 

Tekoälyn avulla voidaan tehostaa erilaisia prosesseja ja tehtäviä esimerkiksi teollisuudessa ja koulutuksessa. Koulutuksessa sekä rehtorit että opettajat hyötyvät erikoistuneista tekoälyjärjestelmistä ja generatiivisesta tekoälystä. Tämä voi koskea kaikkea oppimisanalytiikan käytöstä erilaisiin käännösohjelmiin. 

Teknologinen kehitys ja tutkimus ovat edellytys sille, että voimme saavuttaa nyt ja tulevaisuudessa asetetut kunnianhimoiset ilmastotavoitteet.  Tutkimusraportti [4] sisältää tietoa siitä, miltä tulevaisuuden älykäs tuulivoimapuisto voisi näyttää. Ihmisen ja koneen vuorovaikutus on mallissa keskeinen ja se toimii yli tieteenrajojen: tämä vuorovaikutus pätee riippumatta siitä, onko kyse tekniikasta, lääketieteestä, taloudesta tai koulutuksesta. 

Toinen yhteinen piirre yli tieteenrajojen on, että tekoälyjärjestelmät voivat ehkäistä vaurioita, jotka voivat tapahtua ennen kuin ihmiset huomaavat sitä. Tekoälyn osittain valvomassa ja toiminnassa olevassa tuulivoimapuistossa tekoälyjärjestelmä voi löytää uusia vaurioita esim. tuuliturbiinista ennen kuin ihminen niitä havaitsee, jolloin vaurioiden korjaaminen onnistuu aiempaa huomattavasti pienemmillä kustannuksilla. Koulutuksessa voi olla kysymys siitä, että oppijan matematiikan vaikeudet havaitaan oppimisanalytiikan tai tekoälyn avulla varhaisessa vaiheessa ja siten tiedonaukot korjataan aikaisemmin. Oppijan kannalta tällä voi olla merkitystä oppimistulosten lisäksi hyvinvoinnille, mikäli hän pystyy ainakin osittain välttämään matematiikkaan liittyvän ahdistuksen, joka syntyy, jos hän ei saa tukea ja on jatkuvasti askeleen jäljessä. Matematiikka-ahdistus ilmiönä on suuri globaali ongelma sekä yksilön että yhteiskunnan tasolla.

Vuonna 2024 julkaistu tutkimus tarkastelee tekoälyn vaikutuksia ekologiseen jalanjälkeen, hiilidioksidipäästöihin ja energiamurrokseen. Johtopäätöksenä on, että tekoäly ja robotiikka edistävät keskimäärin ekologista kestävyyttä pienentämällä ekologista jalanjälkeä ja hiilipäästöjä sekä edistämällä energiamurrosta. Toisin sanoen tekoäly antaa positiivisen kädenjäljen. Toisaalta teollisuuden osuus kansantaloudesta on kaksiteräinen miekka: korkean teollisuusosuuden mailla on huomattavasti vahvempi vaikutus siihen, miten tekoäly edistää energiamurrosta, mutta tekoäly on myös osaltaan lisännyt hiilidioksidipäästöjä jossain määrin. On myös pidettävä mielessä, että tässä tutkimuksessa ei oteta huomioon koko elinkaariarviointia, joka esimerkiksi sisältää kaikki teollisuudessa käytettävät laitteistot ja näiden materiaalitarve. 
Tässä tutkimuksessa on kyse tekoälyn kehittämisestä korkeammalla tasolla tutkimuksessa ja teollisuudessa. Tämä on täysin eri asia kuin edellisen kappaleen keskustelu generatiivisen tekoälyn käytön aiheuttamasta negatiivisesta ekologisesta jalanjäljestä teollisuuden ja IT-alan ulkopuolella. [5]
Takaisin ylös

Generatiivisten tekoälyteknologioiden hyödyntäminen tarjoaa koulutuksessa sekä lupaavia mahdollisuuksia että merkittäviä haasteita. On tärkeää huomioida myös esimerkiksi sosiaalinen kestävyys, joka sisältää sekä oppijoiden että opetushenkilöstön hyvinvoinnin.

Interaktiiviset simulaatiot ja pelit, jotka hyödyntävät tekoälyä, voivat auttaa oppijaa ymmärtämään kestävyyshaasteita ja kokeilemaan erilaisia ratkaisuja käytännössä. Esimerkiksi tekoälyn avulla luodut ilmastonmuutossimulaatiot voivat visualisoida ihmisen toiminnan pitkän aikavälin vaikutuksia ympäristöön. Ne tarjoavat oppijille konkreettisia esimerkkejä ja elämyksiä. Näitä voi luoda varsin helposti jo olemassa oleville alustoille, kuten yhteisöllisille verkkopeleille.

Kielimallit voivat auttaa keräämään ja analysoimaan suuria ympäristödata-aineistoja. Näiden pohjalta voidaan luoda visuaalisesti vaikuttavia, informatiivisia ja vuorovaikutteisia esityksiä. Nämä visualisoinnit voivat olla arvokkaita työkaluja opetuksessa. Niiden avulla voidaan hahmottaa ja jäsentää monimutkaisia ja systeemisiä ympäristökysymyksiä ja edistää oppimista. Esimerkiksi oppilaitoksissa kerätään säätietoja sekä opistorakennuksen sähkönkulutusta havainnollistamaan energiankulutusta. 

Kielimallien mahdollisuudet yksinkertaistaa ja skaalata tekstiä eri taitotasoille ovat myös tärkeitä ekologisen kestävyyden kannalta. Niiden ja käännössovellusten avulla tiedon saavutettavuus eri ekologisen kestävyyden teemoista parantuu merkittävästi, eikä tarvitse esimerkiksi hankkia lisämateriaalia eri kielille, tai eri taitotasoille. Tämä on hyödyllistä ryhmissä, joissa on opiskelijoita eri kieli- ja kulttuuritaustoista. Muutoinkin oppimateriaalin räätälöinti ja eriyttäminen kielimalleilla tarjoaa mahdollisuuksia myös ekologisen kestävyyden tavoitteiden ymmärtämisessä ja sisäistämisessä, esimerkiksi miten saadaan erilaiset oppijat kiinnostumaan kiertotaloudesta.

Tekoälytiedon tuottaminen ja sen käyttö tarvitsee globaalisti paljon energiaa ja uusiutumattomia luonnonvaroja, joten tekoälyn käytön tulee aina olla perusteltua ja harkittua. Opetuksessa on hyvä tuoda esiin, että esimerkiksi ylimääräisiä kuvakokeilua ei ole syytä tehdä tai generatiivista tekoälyä ei ole tarpeen käyttää tavallisessa tiedonhaussa. Tekoälyä voidaan hyödyntää myös monipuolisesti kestävyyskysymysten opettamisessa ja oppimisessa. Lisäksi on tärkeä huomioida tekoälyn käytön hyvinvointivaikutukset. Oppimisen tulee tapahtua monipuolissa, pedagogisesti tarkoituksenmukaisissa ympäristöissä välttäen haitallista riippuvuutta digisovelluksista. Parhaimmillaan tekoälyä hyödyntävä oppimisympäristö voi rikastuttaa opetusta ja oppimista myös kestävyyden rajoissa.

Takaisin ylös

Tämän luvun lähteet ovat listattuja alla olevassa linkkilistassa.

Takaisin ylös
Päivitetty