Tekoälykuvan generointi
Generating an AI image
Carbon well-measured by multiple peer-reviewed studies. Water has moderate uncertainty.
Yhden tekoälykuvan generointi (esim. DALL-E, Midjourney, Stable Diffusion) kuluttaa noin 0,002–0,007 kWh sähköä, mikä tuottaa noin 2–7 grammaa CO₂:ta. Tämä vastaa yhtä Google-hakua tai muutaman sähköpostin lähettämistä.
Miten tähän lukuun päädyttiin?
Truecost-arvo lasketaan absoluuttisista fysikaalisista arvoista. Jokainen rivi alla näyttää mitattavan arvon, miten se normalisoitiin, ja mistä lähteestä se tulee.
| Ulottuvuus | Absoluuttinen arvo | Vuosibudjetti | % budjetista | Paino | Painotettu % | Luotettavuus |
|---|---|---|---|---|---|---|
| Hiilipäästöt | 0.005 kg CO₂e | 950 kg CO₂e | <0.01% | ×0.35 | <0.01% | KORKEA |
| Vedenkulutus | 1.0 liters | 384,000 liters | <0.01% | ×0.2 | <0.01% | KESKITASO |
| Maankäyttö | 0.0 m²·year | 5,100 m²·year | 0.00% | ×0.2 | 0.00% | KORKEA |
| Jäte | 0.0 kg | 500 kg | 0.00% | ×0.15 | 0.00% | KORKEA |
| Myrkyllisyys | 0.0 µDALY | 16,200 µDALY | 0.00% | ×0.1 | 0.00% | KORKEA |
| Painotettu osuus vuosibudjetista → Truecost-arvo | <0.01% → 0.0 | |||||
Osuus vuotuisesta planeettabudjetistasi
Mistä absoluuttiset arvot tulevat?
- Luccioni et al. (2023): Power Hungry Processing — energy and carbon costs of generative AI inference
- IEA (2024): Electricity consumption of data centres, AI and crypto
Well-measured. Range 0.002–0.010 kg CO₂e depending on model size and hardware.
- Li et al. (2023): Making AI Less Thirsty
Varies significantly by data center location. Arid regions much higher.
Vertailut
- ~600x vähemmän CO₂:ta kuin 20km automatka kuvauksiin
- Vastaa puhelimen lataamista kerran
Metodologia
Based on GPU power consumption (300W for ~10 seconds inference) and average grid carbon intensity. Water impact from data center cooling estimated via WUE metrics.
Lähteet
- Luccioni et al. (2023): Power Hungry Processing
- IEA (2024): Electricity consumption of data centres, AI and crypto
- Li et al. (2023): Making AI Less Thirsty