de schaduwkant van AI: wat Silicon Valley liever verborgen houdt

tegenlicht > technologie > de prijs van ai

de schaduwkant van AI: wat Silicon Valley liever verborgen houdt

Dagelijks maken wij gebruik van AI: we vragen Siri naar het weer of laten Chat GPT onze werkmails uittikken. Maar wat is er nodig om al die apparaten, gedreven door kunstmatige intelligentie, te laten werken? Achter elk glanzend nieuw AI model gaat een wereld aan uitbuiting schuil.

Chiara Lampis Temmink, 29 juni 2023

dit artikel hoort bij het thema de prijs van ai

‘Elk klein gemak - of dat nou gaat om het beantwoorden van een vraag, het licht aandoen, of een nummer afspelen - vereist een enorm planetair netwerk van niet-hernieuwbare materialen, arbeid en data.’ 

Dit schrijven Vladan Joler en Kate Crawford over hun kaart ‘The Anatomy of an AI System’. Joler is docent Nieuwe Media aan de universiteit van Novi Sad. Samen met Kate Crawford, directeur van het AI Now Institute van New York University, bracht hij de onzichtbare wereld achter AI in kaart. Dit is 'The Anatomy of an AI System', een kaart die het licht schijnt op de menselijke en planetaire kosten van AI modellen.

© Vladan Joler

anatomy of an AI

De kaart gaat alle stappen langs die een AI ook aflegt: het productieproces van een AI, de stappen die een AI moet afleggen om een opdracht uit te voeren, en wat er met het elektronische afval van AI gebeurt. Zoom je in op een onderdeel van de kaart, dan zie je uit welke materialen of onderdelen die is opgemaakt, wie eraan gewerkt heeft en wat de bijkomende risico’s en gevaren zijn.

waarom wij AI-gegenereerde beelden hebben gebruikt

In lijn met het werk van Joler en Crawford wilde Tegenlicht de uitbuiting die schuilgaat achter deze nieuwe, glanzende AI systemen zichtbaar maken. Wij kozen ervoor de tools van Silicon Valley te gebruiken om in beeld te brengen wat zij liever verborgen houden. Daarom hebben wij ervoor gekozen om beeldmateriaal te genereren via Midjourney, een AI-tool die aan de hand van ‘prompts’ - oftewel: aanwijzingen - beelden maakt. 

Op deze manier hebben we verschillende beelden gegenereerd. Bijvoorbeeld een vrouw uit de Atacameño woestijn in Chili, waar lithium gewonnen wordt:

een vermoeide werknemer in een Amazon distributiecentrum:

en een siliciummijn in Xinjiang:

Let wel, deze beelden geven niet de werkelijkheid weer. Elk beeld is het statistische gemiddelde van een enorme dataset. Je ziet dus het meest waarschijnlijke beeld dat voortkomt uit de tekst die wij ingevoerd hebben. Hoe dat precies in zijn werk gaat, leggen we in dit artikel uit.