- Η Τεχνητή Νοημοσύνη έχει τεράστιο οικολογικό αντίκτυπο λόγω της κατανάλωσης ηλεκτρικής ενέργειας των κέντρων δεδομένων και της τεράστιας ποσότητας νερού που απαιτείται για την ψύξη τους.
- Υπάρχει ένα τεχνικό δίλημμα γνωστό ως ισορροπία μεταξύ ακρίβειας και βιωσιμότητας, όπου τα πιο ακριβή μοντέλα τείνουν να είναι και τα πιο ρυπογόνα.
- Εφαρμόζονται στρατηγικές πράσινης τεχνητής νοημοσύνης για τη βελτιστοποίηση αλγορίθμων και τη μετάβαση σε ενεργειακές υποδομές που βασίζονται σε ανανεώσιμες πηγές.

Σήμερα, η τεχνητή νοημοσύνη μοιάζει με κάτι σχεδόν μαγικό που αιωρείται στο cloud, αλλά η πραγματικότητα είναι ότι διαθέτει μια πολύ βαριά φυσική υποδομή . Από το να μας προτείνετε μια τηλεοπτική σειρά μέχρι να μας γράψετε ένα email, υπάρχει μια κολοσσιαία μηχανή που εργάζεται στο παρασκήνιο, και αυτό συνοδεύεται από ένα περιβαλλοντικό κόστος που συχνά παραβλέπουμε ενώ απολαμβάνουμε την ευκολία των αλγορίθμων.
Δεν πρόκειται απλώς για τη χρήση λίγο περισσότερης ηλεκτρικής ενέργειας. Μιλάμε για μια παγκόσμια υποδομή διακομιστών που καταναλώνει πόρους με ιλιγγιώδη ρυθμό. Υπό αυτή την έννοια, η κατανόηση του τρόπου μέτρησης και του μετριασμού του αποτυπώματος άνθρακα της Τεχνητής Νοημοσύνης είναι ζωτικής σημασίας, αν δεν θέλουμε η τεχνολογική πρόοδος να γίνει βάρος για την υγεία του πλανήτη μας.
Από πού προέρχεται η ρύπανση από την Τεχνητή Νοημοσύνη;
Για να ξεκινήσουμε, πρέπει να διακρίνουμε δύο βασικές φάσεις: την εκπαίδευση και την εξαγωγή συμπερασμάτων. Η εκπαίδευση είναι η πιο απαιτητική φάση , όπου το μοντέλο επεξεργάζεται εκατομμύρια σημεία δεδομένων για να μάθει, απαιτώντας τεράστια υπολογιστική ισχύ. Για παράδειγμα, η εκπαίδευση του GPT-3 εξέπεμψε περίπου 552 τόνους CO₂, ποσότητα συγκρίσιμη με τις εκπομπές αρκετών αυτοκινήτων καθ' όλη τη διάρκεια ζωής τους.
Στη συνέχεια, έχουμε την εξαγωγή συμπερασμάτων, η οποία ουσιαστικά συμβαίνει όταν κάνουμε μια ερώτηση στο chatbot. Αν και ένα μόνο ερώτημα καταναλώνει λίγη ενέργεια, ο όγκος είναι τόσο μεγάλος που η επίδραση συσσωρεύεται. Εκτιμάται ότι μια αλληλεπίδραση με ένα γενετικό σύστημα μπορεί να καταναλώσει δέκα φορές περισσότερη ηλεκτρική ενέργεια από μια συμβατική αναζήτηση Google, χρησιμοποιώντας έως και 3Wh ανά απάντηση.

Αυτή η δίψα για ενέργεια επικεντρώνεται στα κέντρα δεδομένων, τα οποία είναι βιομηχανικά κτίρια γεμάτα με GPU και διακομιστές που λειτουργούν μέρα και νύχτα. Το 2022, αυτός ο τομέας αντιπροσώπευε ήδη το 2% της παγκόσμιας ζήτησης ηλεκτρικής ενέργειας και οι προβλέψεις δείχνουν ότι η κατανάλωση θα μπορούσε να εκτοξευθεί στα ύψη έως το 2030, ειδικά σε χώρες όπως οι Ηνωμένες Πολιτείες, όπου η πίεση στο ηλεκτρικό δίκτυο είναι ήδη πολύ εμφανής.
Το αόρατο πρόβλημα: Νερό και υλικό
Ενώ το CO₂ είναι το κύριο στοιχείο, το νερό είναι το ξεχασμένο στοιχείο. Οι σερβιτόροι παράγουν τεράστιες ποσότητες θερμότητας και απαιτούν συνεχή ψύξη. Σε πολλές περιπτώσεις, χρησιμοποιούνται τεράστιες ποσότητες γλυκού νερού για να αποτραπεί η υπερθέρμανση του εξοπλισμού. Εκτιμάται ότι για κάθε kWh που καταναλώνεται, περίπου 2 λίτρα νερού μπορούν να εξατμιστούν, δημιουργώντας ανησυχητική έλλειψη νερού σε περιοχές που είναι ήδη επιρρεπείς στην ξηρασία.
Επιπλέον, δεν μπορούμε να ξεχνάμε ότι η Τεχνητή Νοημοσύνη δεν είναι απλώς λογισμικό. Χρειάζεται τσιπ. Η κατασκευή GPU εξαρτάται από την εξόρυξη κρίσιμων ορυκτών και στοιχείων σπανίων γαιών , μια διαδικασία που αφήνει ίχνη τοξικών αποβλήτων και χημικών εκπομπών. Σε αυτό προστίθεται η επιταχυνόμενη απαξίωση: ο εξοπλισμός αντικαθίσταται κάθε λίγα χρόνια για να συμβαδίζει με τις απαιτήσεις απόδοσης, δημιουργώντας ένα βουνό ηλεκτρονικών αποβλήτων που είναι δύσκολο να ανακυκλωθούν.
Το δίλημμα μεταξύ ακρίβειας και οικολογίας
Εδώ είναι που τα πράγματα περιπλέκονται. Υπάρχει ένα φαινόμενο που ονομάζεται συμβιβασμός ακρίβειας-βιωσιμότητας . Βασικά, αν θέλετε μια τεχνητή νοημοσύνη να είναι εξαιρετικά ακριβής και να έχει συλλογιστική, χρειάζεστε ένα μοντέλο με δισεκατομμύρια παραμέτρους, κάτι που εκτινάσσει την κατανάλωση ενέργειας. Τα πιο συνοπτικά μοντέλα είναι πολύ πιο φιλικά προς το περιβάλλον, αλλά κάνουν περισσότερα λάθη ή παρέχουν λιγότερο λεπτομερείς απαντήσεις.
Μια πρόσφατη μελέτη αποκάλυψε ότι ορισμένες σύνθετες εργασίες, όπως η επίλυση αφηρημένων προβλημάτων άλγεβρας, μπορούν να δημιουργήσουν έως και 50 φορές περισσότερες εκπομπές από μια απλή ερώτηση ιστορικού. Αυτό μας λέει ότι δεν ρυπαίνουν όλες οι τεχνολογίες τεχνητής νοημοσύνης εξίσου. Εξαρτάται αποκλειστικά από την αρχιτεκτονική του μοντέλου και από το τι του ζητάμε να κάνει.
Στρατηγικές για μια πιο πράσινη Τεχνητή Νοημοσύνη
Για να αποφευχθεί η καταστροφή, έχει αναδυθεί η έννοια της Πράσινης Τεχνητής Νοημοσύνης . Σε αντίθεση με την «Κόκκινη Τεχνητή Νοημοσύνη», η οποία επιδιώκει μόνο τη μέγιστη ακρίβεια ανεξάρτητα από το κόστος, η Πράσινη Τεχνητή Νοημοσύνη εστιάζει στην αποτελεσματικότητα. Αυτό περιλαμβάνει το σχεδιασμό ελαφρύτερων αλγορίθμων, τη χρήση τεχνικών απόσταξης μοντέλων και τη βελτιστοποίηση του κώδικα ώστε να απαιτεί λιγότερες μαθηματικές πράξεις.
Μια άλλη λύση είναι η μετεγκατάσταση των κέντρων δεδομένων. Η μεταφορά της επεξεργασίας σε περιοχές με ψυχρότερα κλίματα ή ανανεώσιμες πηγές ενέργειας (όπως η αιολική ενέργεια στην Ιρλανδία ή η ηλιακή ενέργεια στην Ισπανία) μειώνει δραστικά το αποτύπωμα άνθρακα. Ακόμη και ακραίες λύσεις δοκιμάζονται, όπως η βύθιση διακομιστών σε υδάτινα σώματα ή η αξιοποίηση της απορριπτόμενης θερμότητας για τη θέρμανση αστικών κτιρίων.
Όσον αφορά την ενέργεια, η τάση είναι προς την πλήρη απαλλαγή από τον άνθρακα . Γίγαντες όπως η Microsoft και η Google προσπαθούν να επιτύχουν μηδενικές εκπομπές έως το 2030, χρησιμοποιώντας συμφωνίες αγοράς καθαρής ενέργειας ή διερευνώντας την πυρηνική ενέργεια μέσω μικρών αρθρωτών αντιδραστήρων (SMR) για να τροφοδοτήσουν τα πάρκα διακομιστών τους χωρίς να εκπέμπουν αέρια του θερμοκηπίου.
Η Τεχνητή Νοημοσύνη ως σύμμαχος του περιβάλλοντος
Δεν είναι όλα άσχημα. Είναι περίεργο το γεγονός ότι η ίδια τεχνολογία που ρυπαίνει θα μπορούσε να είναι το εργαλείο που θα μας σώσει. Η Τεχνητή Νοημοσύνη είναι εξαιρετική στη βελτιστοποίηση των διαδικασιών. Για παράδειγμα, χρησιμοποιείται για τη διαχείριση έξυπνων δικτύων που εξισορροπούν την προσφορά και τη ζήτηση σε πραγματικό χρόνο, αξιοποιώντας καλύτερα την αιολική ή την ηλιακή ενέργεια κατά τις περιόδους αιχμής της παραγωγής.
Στη γεωργία, οι αλγόριθμοι επιτρέπουν την ακριβή εφαρμογή νερού και λιπασμάτων μέσω της ακριβούς γεωργίας , αποτρέποντας τη σπατάλη. Στις μεταφορές, η βελτιστοποίηση διαδρομών με την υποστήριξη της Τεχνητής Νοημοσύνης μειώνει την κατανάλωση καυσίμων για τους στόλους logistics. Ουσιαστικά, εάν χρησιμοποιηθεί με σύνεση, η Τεχνητή Νοημοσύνη μπορεί να βοηθήσει στη μείωση των παγκόσμιων εκπομπών κατά 5% έως 10% μέχρι το τέλος της δεκαετίας.
Η μετάβαση σε βιώσιμη τεχνολογία εξαρτάται από το αν οι εταιρείες θα είναι διαφανείς με τα δεδομένα τους και από το αν εμείς, ως χρήστες, θα γίνουμε πιο ευαισθητοποιημένοι. Τελικά, η επίτευξη ισορροπίας μεταξύ της υπολογιστικής ισχύος και του σεβασμού των φυσικών πόρων είναι ο μόνος τρόπος για να είναι η τεχνητή νοημοσύνη πραγματικά έξυπνη και όχι απλώς ένα ακόμη βάρος για τη Γη.


