- Mākslīgais intelekts rada milzīgu ekoloģisko ietekmi datu centru elektroenerģijas patēriņa un milzīgā ūdens daudzuma dēļ, kas nepieciešams to dzesēšanai.
- Pastāv tehniska dilemma, kas pazīstama kā līdzsvars starp precizitāti un ilgtspējību, kur visprecīzākie modeļi parasti rada vislielāko piesārņojumu.
- Tiek īstenotas zaļās mākslīgā intelekta stratēģijas, lai optimizētu algoritmus un pārietu uz enerģijas infrastruktūru, kuras pamatā ir atjaunojamie resursi.
Mūsdienās mākslīgais intelekts šķiet kā kaut kas gandrīz maģisks, kas peld mākonī, taču patiesībā tam ir ļoti sarežģīta fiziskā infrastruktūra . Sākot ar TV seriāla ieteikšanu un beidzot ar e-pasta sūtīšanu mums, aizkulisēs darbojas milzīga mašīna, un tas rada ietekmi uz vidi, ko mēs bieži vien nepamanām, baudot algoritmu ērtības.
Runa nav tikai par nedaudz lielāku elektroenerģijas patēriņu; mēs runājam par globālu serveru infrastruktūru , kas patērē resursus ļoti strauji. Šajā ziņā izpratne par to, kā izmērīt un mazināt mākslīgā intelekta radīto oglekļa pēdu, ir ļoti svarīga, ja nevēlamies, lai tehnoloģiskais progress kļūtu par slogu mūsu planētas veselībai.
No kurienes rodas mākslīgā intelekta radītais piesārņojums?
Lai ķertos pie lietas, mums jānošķir divi galvenie momenti: apmācība un secinājumu izdarīšana. Apmācība ir visprasīgākā fāze , kurā modelis apstrādā miljoniem datu punktu, lai mācītos, kam nepieciešama milzīga skaitļošanas jauda. Piemēram, GPT-3 apmācība emitēja aptuveni 552 tonnas CO₂, kas ir salīdzināms ar vairāku automašīnu emisijām visā to kalpošanas laikā.
Tad mums ir secinājumi, kas būtībā notiek, kad mēs uzdodam tērzēšanas robotam jautājumu. Lai gan viens vaicājums patērē maz enerģijas, apjoms ir tik milzīgs, ka ietekme uzkrājas. Tiek lēsts, ka mijiedarbība ar ģeneratīvu sistēmu var patērēt desmit reizes vairāk elektroenerģijas nekā parasta Google meklēšana, izmantojot līdz pat 3 Wh uz vienu atbildi.
Šis enerģijas trūkums ir koncentrēts datu centros, kas ir rūpniecības ēkas, kas piepildītas ar grafiskajiem procesoriem un serveriem, kuri darbojas dienu un nakti. 2022. gadā šī nozare jau veidoja 2% no globālā elektroenerģijas pieprasījuma, un prognozes liecina, ka patēriņš līdz 2030. gadam varētu strauji pieaugt, īpaši tādās valstīs kā Amerikas Savienotās Valstis, kur elektrotīkla slodze jau ir ļoti acīmredzama.
Neredzamā problēma: ūdens un aparatūra
Lai gan CO₂ ir galvenā uzmanības centrā, ūdens ir aizmirstais elements. Serveri rada milzīgu siltuma daudzumu un tiem nepieciešama pastāvīga dzesēšana. Daudzos gadījumos tiek izmantots milzīgs daudzums saldūdens , lai novērstu iekārtu pārkaršanu. Tiek lēsts, ka uz katru patērēto kWh var iztvaikot aptuveni 2 litri ūdens, radot satraucošu ūdens trūkumu apgabalos, kuros jau tā ir sausums.
Turklāt mēs nedrīkstam aizmirst, ka mākslīgais intelekts nav tikai programmatūra; tam ir nepieciešamas mikroshēmas. Grafisko procesoru (GPU) ražošana ir atkarīga no kritiski svarīgu minerālu un retzemju elementu ieguves , kas rada toksisku atkritumu un ķīmisku emisiju pēdas. Tam visam klāt nāk paātrināta novecošana: iekārtas tiek nomainītas ik pēc dažiem gadiem, lai atbilstu veiktspējas prasībām, radot elektronisko atkritumu kalnu, ko ir grūti pārstrādāt.
Dilemma starp precizitāti un ekoloģiju
Šeit lietas kļūst sarežģītas. Pastāv tāda parādība kā precizitātes un ilgtspējības kompromiss . Būtībā, ja vēlaties, lai mākslīgais intelekts būtu ārkārtīgi precīzs un saprātīgs, jums ir nepieciešams modelis ar miljardiem parametru, kas strauji palielina enerģijas patēriņu. Kodolīgāki modeļi ir daudz videi draudzīgāki, taču tie pieļauj vairāk kļūdu vai sniedz mazāk detalizētas atbildes.
Nesen veikts pētījums atklāja, ka daži sarežģīti uzdevumi, piemēram, abstraktas algebras problēmu risināšana, var radīt līdz pat 50 reizēm vairāk emisiju nekā vienkāršs vēstures jautājums. Tas mums norāda, ka ne visa mākslīgā intelekta sistēma rada vienādu piesārņojumu; tas ir pilnībā atkarīgs no modeļa arhitektūras un tā, ko mēs tam lūdzam darīt.
Stratēģijas zaļākam mākslīgajam intelektam
Lai novērstu šīs situācijas rašanos katastrofā, ir radusies zaļā mākslīgā intelekta (MI) koncepcija . Atšķirībā no "sarkanā MI", kas tiecas tikai pēc maksimālas precizitātes neatkarīgi no izmaksām, zaļais MI koncentrējas uz efektivitāti. Tas ietver vieglāku algoritmu izstrādi, modeļu destilācijas metožu izmantošanu un koda optimizēšanu, lai tas prasītu mazāk matemātisku darbību.
Vēl viens risinājums ir datu centru pārvietošana. Apstrādes pārvietošana uz reģioniem ar vēsāku klimatu vai atjaunojamiem enerģijas avotiem (piemēram, vēja enerģiju Īrijā vai saules enerģiju Spānijā) ievērojami samazina oglekļa pēdas nospiedumu. Tiek testēti pat ekstremāli risinājumi, piemēram, serveru iegremdēšana ūdenstilpnēs vai siltuma pārpalikuma izmantošana pilsētu ēku apsildīšanai.
Enerģētikas jomā tendence ir pilnīga dekarbonizācija . Tādi giganti kā Microsoft un Google cenšas līdz 2030. gadam sasniegt nulles neto emisijas, izmantojot tīras enerģijas iepirkuma līgumus vai izpētot kodolenerģijas iespējas, izmantojot mazus modulārus reaktorus (SMR), lai darbinātu savas serveru saimniecības, neradot siltumnīcefekta gāzes.
Mākslīgais intelekts kā vides sabiedrotais
Ne viss ir tik slikti. Ir interesanti, ka tā pati tehnoloģija, kas rada piesārņojumu, varētu būt instruments, kas mūs glābj. Mākslīgais intelekts ir izcils procesu optimizēšanā. Piemēram, to izmanto, lai pārvaldītu viedos tīklus , kas reāllaikā līdzsvaro piedāvājumu un pieprasījumu, labāk izmantojot vēja vai saules enerģiju maksimālās ražošanas periodos.
Lauksaimniecībā algoritmi ļauj precīzi lietot ūdeni un mēslojumu, izmantojot precīzo lauksaimniecību , tādējādi novēršot atkritumus. Transportā mākslīgā intelekta nodrošināta maršrutu optimizācija samazina loģistikas flotes degvielas patēriņu. Būtībā, ja to izmanto saprātīgi, mākslīgais intelekts var palīdzēt samazināt globālās emisijas par 5–10 % līdz desmitgades beigām.
Pāreja uz ilgtspējīgām tehnoloģijām ir atkarīga no uzņēmumu pārredzamības attiecībā uz saviem datiem un no mums kā lietotājiem, lai mēs kļūtu apzinīgāki. Galu galā līdzsvara atrašana starp skaitļošanas jaudu un dabas resursu saudzēšanu ir vienīgais veids, kā mākslīgais intelekts var būt patiesi inteliģents, nevis tikai vēl viens slogs Zemei.
