Generative AI (GenAI) represents a new emerging technology of machine learning models which enables the autonomous generation of content such as text, images and audio at request. While GenAI offers opportunities of innovation and solutions, questions have been raised regarding the environmental impact of GenAI. Important concerns regarding the environmental impacts of GenAI is the high energy consumption and material use related to training and operating AI models and its contribution to climate change. A possible suitable method to assess the impacts associated with GenAI models is Life Cycle Assessment (LCA), a method to quantify the potential environmental impacts of a system throughout its life cycle. LCA could provide valuable insights on how to improve GenAI models. However, currently there exists very few LCA studies on GenAI that assesses the full life cycle of it.

One recent application of GenAI has been developed at KTH called Stochastic Pirate Radio (KSPR), an AI generated radio station. The environmental impacts of KSPR were assessed in this study using LCA methodology. The focus of the study was to assess KSPR’s contribution to climate change. Therefore, data on energy consumption was primarily gathered by measurements at KTH (for the use phase) and through literature studies. While aiming at identifying the environmental impacts of KSPR, the aim was also to provide insights on the methodological challenges of conducting LCA of AI.

The results of the study showed that the most significant contributions to climate change came from the hardware (computer) needed to operate KSPR, the training and use of the text-to-speech model TorToise TTS and the end-user streaming of KSPR. For the LCA methodology on AI several challenges were identified, including lack of methodological standards and difficulties in data collection for both hardware and software due to scarce data availability and lack of transparency resulting in high uncertainty in results. The restricted information about AI models complicates the data collection, which forces the use of estimations and assumptions that have a significant impact on the reliability of the results.

In conclusion, by identifying the environmental hotspots of KSPR recommendations can be made on how to improve it: using pre-trained AI models that are used by many others and using optimized hardware while also trying to extend its lifetime as long as possible. To identify this, not only for KSPR but GenAI systems in general, LCA can be a useful tool, but further methodological developments are needed to increase certainty and reliability.

Generativ AI (Gen AI) är en ny maskininlärningsteknik som gör det möjligt att autonomt generera innehåll, såsom text, bilder och ljud. Samtidigt som GenAI kan vara innovativt, har frågor väckts kring dess påverkan på miljön. Några av de mest omdiskuterade frågorna är den höga energiförbrukningen och materialanvändningen som är förknippad med träning och drift av AI-modeller, inklusive deras påverkan på klimatet. En möjlig metod för att bedöma miljöpåverkan från GenAI-modeller är Livscykelanalys (LCA) där den potentiella miljöpåverkan från ett system genom hela dess livscykel kvantifieras. LCA skulle kunna ge värdefulla insikter kring hur AI kan förbättras. Däremot finns det endast ett fåtal LCA-studier gjorda på AI som tar hela livscykeln i beaktning.

En nyligen utvecklad tillämpning av GenAI har utvecklats vid KTH och kallas Stochastic Pirate Radio (KSPR), en AI-genererad radiostation. För att undersöka GenAI:s påverkan på miljön har KSPR undersökts i denna fallstudie med hjälp av LCA-metodiken. Studien fokuserade på att mäta KSPR:s bidrag till klimatförändringar. Därav samlades främst data kring energikonsumtion in genom mätningar på KTH (för användningsfasen) samt genom litteraturstudier. Syftet med studien var inte endast att identifiera miljöpåverkan från KSPR, utan också att ge insikter i de metodologiska utmaningar som finns med att genomföra LCA på AI.

Resultaten från studien visade att de största bidragen till klimatförändringar kom från den hårdvara (dator) som krävs för att driva KSPR, träningen och användningen av text-to-speech-modellen TorToise TTS samt slutanvändarnas streaming av KSPR. Flera utmaningar med LCA-metodiken applicerat på AI identifierades. Bland annat bristen på metodologiska standarder samt svårigheter att samla in både hårdvaru- och mjukvarudata, till följd av begränsad tillgänglighet och bristande transparens. Detta leder till stor osäkerhet i resultaten. Den begränsade informationen om AI-modeller försvårar datainsamlingen och därmed måste uppskattningar och antaganden göras som har stor påverkan på resultatens tillförlitlighet.

Slutsatserna av studien visar att genom att identifiera hotspots i KSPRs miljöpåverkan kan rekommendationer ges för hur radiostationen kan förbättras: att använda förtränade AI modeller som används av många andra samt att använda optimerad hårdvara samtidigt som hårdvarans livstid förlängs så länge som möjligt. För att identifiera hotspots, inte bara för KSPR men också GenAI-system generellt, kan LCA vara en användbar metod. Däremot krävs ytterligare utveckling av metoden för att öka säkerheten och trovärdigheten hos resultaten.