Πώς επηρεάζει η Τεχνητή Νοημοσύνη το Περιβάλλον; [Βίντεο και Κουίζ]

Σύντομη απάντηση: Η Τεχνητή Νοημοσύνη επηρεάζει το περιβάλλον κυρίως μέσω της χρήσης ηλεκτρικής ενέργειας σε κέντρα δεδομένων (τόσο στην εκπαίδευση όσο και στην καθημερινή εξαγωγή συμπερασμάτων), παράλληλα με το νερό για ψύξη, καθώς και τις ενσωματωμένες επιπτώσεις της κατασκευής υλικού και των ηλεκτρονικών αποβλήτων. Εάν η χρήση κλιμακωθεί σε δισεκατομμύρια ερωτήματα, η εξαγωγή συμπερασμάτων μπορεί να υπερτερήσει της εκπαίδευσης. Εάν τα δίκτυα είναι καθαρότερα και τα συστήματα είναι αποτελεσματικά, οι επιπτώσεις μειώνονται, ενώ τα οφέλη μπορούν να αυξηθούν.

Βασικά συμπεράσματα:

Ηλεκτρική ενέργεια: Παρακολούθηση της χρήσης υπολογιστικών συστημάτων. Οι εκπομπές μειώνονται όταν οι φόρτοι εργασίας εκτελούνται σε καθαρότερα δίκτυα.

Νερό: Οι επιλογές ψύξης μεταβάλλουν τις επιπτώσεις. Οι μέθοδοι που βασίζονται στο νερό έχουν τη μεγαλύτερη σημασία σε περιοχές με περιορισμένη ζήτηση.

Υλικό: Τα τσιπ και οι διακομιστές έχουν σημαντικές ενσωματωμένες επιπτώσεις, παρατείνουν τη διάρκεια ζωής και δίνουν προτεραιότητα στην ανακαίνιση.

Ανάκαμψη: Η αποδοτικότητα μπορεί να αυξήσει τη συνολική ζήτηση· να μετρήσει τα αποτελέσματα, όχι μόνο τα κέρδη ανά εργασία.

Λειτουργικοί μοχλοί: Μοντέλα σωστού μεγέθους, βελτιστοποίηση συμπερασμάτων και αναφορά μετρήσεων ανά αίτημα με διαφάνεια.

Άρθρα που ίσως σας ενδιαφέρουν μετά από αυτό:

🔗 Είναι η Τεχνητή Νοημοσύνη επιβλαβής για το περιβάλλον;
Εξερευνήστε το αποτύπωμα άνθρακα της Τεχνητής Νοημοσύνης, την κατανάλωση ηλεκτρικής ενέργειας και τις απαιτήσεις των κέντρων δεδομένων.

🔗 Γιατί η Τεχνητή Νοημοσύνη είναι κακή για την κοινωνία;
Εξετάστε την προκατάληψη, τη διακοπή της εργασίας, την παραπληροφόρηση και την διεύρυνση της κοινωνικής ανισότητας.

🔗 Γιατί είναι κακή η Τεχνητή Νοημοσύνη; Η σκοτεινή πλευρά της Τεχνητής Νοημοσύνης
Κατανοήστε κινδύνους όπως η επιτήρηση, η χειραγώγηση και η απώλεια ανθρώπινου ελέγχου.

🔗 Μήπως η Τεχνητή Νοημοσύνη έχει παρατραβήξει τα πράγματα;
Συζητήσεις σχετικά με την ηθική, τη ρύθμιση και πού πρέπει να χαράσσονται όρια η καινοτομία.

Πώς η Τεχνητή Νοημοσύνη επηρεάζει το Περιβάλλον: μια γρήγορη επισκόπηση ⚡🌱

Αν θυμάστε μόνο μερικά σημεία, σημειώστε τα ως εξής:

• Η Τεχνητή Νοημοσύνη χρησιμοποιεί ενέργεια - κυρίως σε κέντρα δεδομένων που χρησιμοποιούν GPU/CPU για εκπαίδευση και για καθημερινή «συμπερασματολογία» (χρησιμοποιώντας το μοντέλο). IEA: Ενέργεια και Τεχνητή Νοημοσύνη

• Η ενέργεια μπορεί να σημαίνει εκπομπές - ανάλογα με το τοπικό μείγμα δικτύου και τις συμβάσεις ηλεκτρικής ενέργειας. IEA: Ενέργεια και Τεχνητή Νοημοσύνη

• Η τεχνητή νοημοσύνη μπορεί να χρησιμοποιήσει μια εκπληκτική ποσότητα νερού - κυρίως για ψύξη σε ορισμένες εγκαταστάσεις κέντρων δεδομένων. Li et al. (2023): Κάνοντας την τεχνητή νοημοσύνη λιγότερο «διψασμένη» (PDF) US DOE FEMP: Ευκαιρίες αποδοτικότητας νερού ψύξης για ομοσπονδιακά κέντρα δεδομένων

• Η τεχνητή νοημοσύνη εξαρτάται από φυσικά πράγματα - τσιπ, διακομιστές, εξοπλισμό δικτύωσης, μπαταρίες, κτίρια... που σημαίνει εξόρυξη, κατασκευή, αποστολή και τελικά ηλεκτρονικά απόβλητα. US EPA: Βιομηχανία Ημιαγωγών ITU: Η Παγκόσμια Παρακολούθηση Ηλεκτρονικών Αποβλήτων 2024

• Η Τεχνητή Νοημοσύνη μπορεί να μειώσει τις περιβαλλοντικές επιπτώσεις και αλλού - βελτιστοποιώντας την εφοδιαστική, εντοπίζοντας διαρροές, βελτιώνοντας την αποδοτικότητα, επιταχύνοντας την έρευνα και καθιστώντας τα συστήματα λιγότερο σπάταλα. IEA: Τεχνητή Νοημοσύνη για ενεργειακή βελτιστοποίηση και καινοτομία

Και μετά υπάρχει και το κομμάτι που ξεχνούν οι άνθρωποι: η κλίμακα. Ένα ερώτημα τεχνητής νοημοσύνης μπορεί να είναι μικρό, αλλά δισεκατομμύρια από αυτά είναι εντελώς διαφορετικά... σαν μια μικροσκοπική χιονόμπαλα που με κάποιο τρόπο γίνεται χιονοστιβάδα στο μέγεθος ενός καναπέ. (Αυτή η μεταφορά είναι λίγο λανθασμένη, αλλά το καταλαβαίνετε.) IEA: Ενέργεια και Τεχνητή Νοημοσύνη

Το περιβαλλοντικό αποτύπωμα της Τεχνητής Νοημοσύνης δεν είναι ένα πράγμα - είναι μια στοίβα 🧱🌎

Όταν οι άνθρωποι διαφωνούν για την Τεχνητή Νοημοσύνη και τη βιωσιμότητα, συχνά δεν συμφωνούν επειδή υποδεικνύουν διαφορετικά επίπεδα:

1) Υπολογισμός ηλεκτρικής ενέργειας

• Η εκπαίδευση μεγάλων μοντέλων μπορεί να απαιτήσει μεγάλα clusters που λειτουργούν εντατικά για μεγάλα χρονικά διαστήματα. IEA: Ενέργεια και Τεχνητή Νοημοσύνη (AI)

• Η συμπερασματολογία (καθημερινή χρήση) μπορεί να γίνει το μεγαλύτερο αποτύπωμα με την πάροδο του χρόνου, επειδή συμβαίνει συνεχώς, παντού. IEA: Ενέργεια και Τεχνητή Νοημοσύνη

2) Γενικά έξοδα κέντρου δεδομένων

• Ψύξη, απώλειες διανομής ισχύος, συστήματα δημιουργίας αντιγράφων ασφαλείας, εξοπλισμός δικτύωσης. LBNL (2024): Έκθεση Χρήσης Ενέργειας Κέντρου Δεδομένων των Ηνωμένων Πολιτειών (PDF)

• Ο ίδιος υπολογισμός μπορεί να έχει διαφορετική επίδραση στο έδαφος ανάλογα με την απόδοση. Το Πράσινο Πλέγμα: PUE—Μια ολοκληρωμένη εξέταση του μετρικού συστήματος

3) Νερό και θερμότητα

• Πολλές εγκαταστάσεις χρησιμοποιούν νερό άμεσα ή έμμεσα για τη διαχείριση της θερμότητας. US DOE FEMP: Ευκαιρίες Απόδοσης Ψύξης Νερού για Ομοσπονδιακά Κέντρα Δεδομένων Li et al. (2023): Κάνοντας την Τεχνητή Νοημοσύνη Λιγότερη «Δίψα» (PDF)

• Η απορριπτόμενη θερμότητα μπορεί να ανακτηθεί ή μπορεί απλώς… να φύγει ως ζεστός αέρας. (Δεν είναι ιδανικό.)

4) Αλυσίδα εφοδιασμού υλικού

• Εξόρυξη και διύλιση υλικών.

• Κατασκευή τσιπ και διακομιστών (ενεργοβόρων). US EPA: Βιομηχανία ημιαγωγών imec: Μείωση των περιβαλλοντικών επιπτώσεων στην κατασκευή τσιπ

• Αποστολή, συσκευασία, αναβαθμίσεις, αντικαταστάσεις.

5) Συμπεριφορά και επιδράσεις ανάκαμψης

• Η Τεχνητή Νοημοσύνη κάνει τις εργασίες φθηνότερες και ευκολότερες, έτσι ώστε οι άνθρωποι να τις εκτελούν περισσότερες. ΟΟΣΑ (2012): Τα πολλαπλά οφέλη των βελτιώσεων στην ενεργειακή απόδοση (PDF)

• Τα κέρδη από την αποδοτικότητα μπορούν να εξουδετερωθούν από την αυξημένη ζήτηση. Αυτό είναι το σημείο που με κάνει να αναστενάζω λίγο. ΟΟΣΑ (2012): Τα πολλαπλά οφέλη των βελτιώσεων στην ενεργειακή απόδοση (PDF)

Έτσι, όταν κάποιος ρωτάει πώς η Τεχνητή Νοημοσύνη επηρεάζει το Περιβάλλον, η ευθεία απάντηση είναι: εξαρτάται από το επίπεδο που μετράτε και τι σημαίνει «Τεχνητή Νοημοσύνη» σε αυτήν την περίπτωση.

Εκπαίδευση vs Συμπερασματολογία: η διαφορά που τα αλλάζει όλα 🧠⚙️

Οι άνθρωποι λατρεύουν να μιλάνε για εκπαίδευση επειδή ακούγεται δραματικό - «ένα μοντέλο χρησιμοποίησε ενέργεια Χ». Αλλά η συμπερασματολογία είναι ο ήσυχος γίγαντας. IEA: Ενέργεια και Τεχνητή Νοημοσύνη

Εκπαίδευση (η μεγάλη κατασκευή)

Η εκπαίδευση είναι σαν την κατασκευή ενός εργοστασίου. Πληρώνετε το αρχικό κόστος: βαριά υπολογιστική ισχύς, μεγάλοι χρόνοι εκτέλεσης, πολλές δοκιμές και σφάλματα (και ναι, πολλές επαναλήψεις τύπου «όχι, αν δεν λειτούργησε, δοκιμάστε ξανά»). Η εκπαίδευση μπορεί να βελτιστοποιηθεί, αλλά μπορεί να είναι και σημαντική. IEA: Ενέργεια και Τεχνητή Νοημοσύνη

Συμπερασματολογία (η καθημερινή χρήση)

Η συμπερασματολογία είναι σαν το εργοστάσιο που λειτουργεί καθημερινά, για όλους, σε μεγάλη κλίμακα:

• Chatbots απαντούν σε ερωτήσεις

• Δημιουργία εικόνας

• Κατάταξη αναζήτησης

• Συστάσεις

• Μετατροπή ομιλίας σε κείμενο

• Ανίχνευση απάτης

• Συγκυβερνήτες σε έγγραφα και εργαλεία κώδικα

Ακόμα κι αν κάθε αίτημα είναι σχετικά μικρό, ο όγκος χρήσης μπορεί να επισκιάσει την εκπαίδευση. Πρόκειται για την κλασική περίπτωση «ένα καλαμάκι δεν είναι τίποτα, ένα εκατομμύριο καλαμάκια είναι πρόβλημα». IEA: Ενέργεια και Τεχνητή Νοημοσύνη

Μια μικρή σημείωση - ορισμένες εργασίες τεχνητής νοημοσύνης είναι πολύ πιο δύσκολες από άλλες. Η δημιουργία εικόνων ή βίντεο μεγάλης διάρκειας τείνει να απαιτεί περισσότερη ενέργεια από την ταξινόμηση σύντομων κειμένων. Έτσι, η συγκέντρωση της «Τεχνητής Νοημοσύνης» σε έναν κάδο είναι σαν να συγκρίνουμε ένα ποδήλατο με ένα φορτηγό πλοίο και να τα αποκαλούμε και τα δύο «μεταφορικά». IEA: Ενέργεια και ΤΝ

Κέντρα δεδομένων: ενέργεια, ψύξη και αυτή η ιστορία με το ήσυχο νερό 💧🏢

Τα κέντρα δεδομένων δεν είναι κάτι καινούργιο, αλλά η τεχνητή νοημοσύνη αλλάζει την ένταση. Οι επιταχυντές υψηλής απόδοσης μπορούν να απορροφήσουν πολλή ισχύ σε στενούς χώρους, η οποία μετατρέπεται σε θερμότητα, η οποία πρέπει να διαχειρίζεται. LBNL (2024): Έκθεση Χρήσης Ενέργειας για το Κέντρο Δεδομένων των Ηνωμένων Πολιτειών (PDF) IEA: Ενέργεια και Τεχνητή Νοημοσύνη

Βασικά στοιχεία ψύξης (απλουστευμένα, αλλά πρακτικά)

• Ψύξη αέρα: ανεμιστήρες, ψυχρός αέρας, σχεδιασμός θερμού/ψυχρού διαδρόμου. US DOE FEMP: Ενεργειακή απόδοση σε κέντρα δεδομένων

• Υγρή ψύξη: πιο αποτελεσματική σε πυκνές εγκαταστάσεις, αλλά μπορεί να περιλαμβάνει διαφορετικές υποδομές. ASHRAE (TC 9.9): Εμφάνιση και επέκταση της υγρής ψύξης σε κύρια κέντρα δεδομένων (PDF)

• Ψύξη με εξάτμιση: μπορεί να μειώσει την κατανάλωση ηλεκτρικής ενέργειας σε ορισμένα κλίματα, αλλά συχνά αυξάνει την κατανάλωση νερού. US DOE FEMP: Ευκαιρίες για την αποδοτικότητα του νερού ψύξης για ομοσπονδιακά κέντρα δεδομένων.

Αυτό είναι το αντάλλαγμα: μερικές φορές μπορείτε να μειώσετε την κατανάλωση ηλεκτρικής ενέργειας βασιζόμενοι στην ψύξη με βάση το νερό. Ανάλογα με την τοπική λειψυδρία, αυτό μπορεί να είναι εντάξει... ή μπορεί να είναι ένα πραγματικό πρόβλημα. Li et al. (2023): Κάνοντας την Τεχνητή Νοημοσύνη λιγότερο «διψασμένη» (PDF)

Επίσης, το περιβαλλοντικό αποτύπωμα εξαρτάται σε μεγάλο βαθμό από:

• Πού βρίσκεται το κέντρο δεδομένων (οι εκπομπές δικτύου ποικίλλουν) Ένταση άνθρακα API (GB) IEA: Ενέργεια και Τεχνητή Νοημοσύνη

• Πόσο αποτελεσματικά λειτουργεί (η αξιοποίηση έχει μεγάλη σημασία) Το Πράσινο Πλέγμα: PUE—Μια ολοκληρωμένη εξέταση του μετρικού

• Εάν η απορριπτόμενη θερμότητα επαναχρησιμοποιείται

• Επιλογές προμήθειας ενέργειας (ανανεώσιμες πηγές ενέργειας, μακροπρόθεσμες συμβάσεις κ.λπ.)

Για να είμαστε ειλικρινείς: η δημόσια συζήτηση συχνά αντιμετωπίζει το «κέντρο δεδομένων» σαν ένα μαύρο κουτί. Δεν είναι κακό, δεν είναι μαγικό. Είναι υποδομή. Συμπεριφέρεται σαν υποδομή.

Τσιπς και μεταλλικά μέρη: το κομμάτι που ο κόσμος παραλείπει επειδή είναι λιγότερο σέξι 🪨🔧

Η Τεχνητή Νοημοσύνη ζει μέσα στο υλικό. Το υλικό έχει κύκλο ζωής και οι επιπτώσεις στον κύκλο ζωής μπορεί να είναι μεγάλες. US EPA: Βιομηχανία Ημιαγωγών ITU: Η Παγκόσμια Παρακολούθηση Ηλεκτρονικών Αποβλήτων 2024

Πού εκδηλώνονται οι περιβαλλοντικές επιπτώσεις

• Εξόρυξη υλικών: εξόρυξη και διύλιση μετάλλων και σπάνιων υλικών.

• Κατασκευή: η κατασκευή ημιαγωγών είναι πολύπλοκη και ενεργοβόρα. US EPA: Βιομηχανία ημιαγωγών imec: Μείωση των περιβαλλοντικών επιπτώσεων στην κατασκευή τσιπ

• Μεταφορές: οι παγκόσμιες αλυσίδες εφοδιασμού μετακινούν εξαρτήματα παντού.

• Σύντομοι κύκλοι αντικατάστασης: οι γρήγορες αναβαθμίσεις μπορούν να αυξήσουν τα ηλεκτρονικά απόβλητα και τις ενσωματωμένες εκπομπές. ITU: Η Παγκόσμια Παρακολούθηση Ηλεκτρονικών Αποβλήτων 2024

Ηλεκτρονικά απόβλητα και «άψογοι» διακομιστές

Πολλές περιβαλλοντικές ζημιές δεν προέρχονται από μία μόνο υπάρχουσα συσκευή - αλλά από την πρόωρη αντικατάστασή της επειδή δεν είναι πλέον οικονομικά αποδοτική. Η τεχνητή νοημοσύνη επιταχύνει αυτό επειδή τα άλματα απόδοσης μπορεί να είναι μεγάλα. Ο πειρασμός για ανανέωση του υλικού είναι πραγματικός. ITU: Η Παγκόσμια Παρακολούθηση Ηλεκτρονικών Αποβλήτων 2024

Ένα πρακτικό σημείο: η παράταση της διάρκειας ζωής του υλικού, η βελτίωση της αξιοποίησης και η ανακαίνιση μπορούν να έχουν την ίδια σημασία με οποιαδήποτε φανταχτερή τροποποίηση του μοντέλου. Μερικές φορές η πιο οικολογική GPU είναι αυτή που δεν αγοράζετε. (Αυτό ακούγεται σαν σύνθημα, αλλά είναι επίσης... κάπως αληθινό.)

Πώς η Τεχνητή Νοημοσύνη επηρεάζει το Περιβάλλον: ο βρόχος συμπεριφοράς «οι άνθρωποι το ξεχνούν αυτό» 🔁😬

Να το αμήχανο κοινωνικό κομμάτι: Η Τεχνητή Νοημοσύνη κάνει τα πράγματα ευκολότερα, έτσι ώστε οι άνθρωποι να κάνουν περισσότερα πράγματα. Αυτό μπορεί να είναι υπέροχο - περισσότερη παραγωγικότητα, περισσότερη δημιουργικότητα, περισσότερη πρόσβαση. Αλλά μπορεί επίσης να σημαίνει μεγαλύτερη συνολική χρήση πόρων. ΟΟΣΑ (2012): Τα πολλαπλά οφέλη των βελτιώσεων στην ενεργειακή απόδοση (PDF)

Παραδείγματα:

• Αν η Τεχνητή Νοημοσύνη κάνει την παραγωγή βίντεο φθηνή, οι άνθρωποι παράγουν περισσότερο βίντεο.

• Αν η Τεχνητή Νοημοσύνη κάνει τη διαφήμιση πιο αποτελεσματική, θα προβάλλονται περισσότερες διαφημίσεις και θα περιστρέφονται περισσότεροι βρόχοι αλληλεπίδρασης.

• Εάν η Τεχνητή Νοημοσύνη κάνει την εφοδιαστική των πλοίων πιο αποτελεσματική, το ηλεκτρονικό εμπόριο μπορεί να κλιμακωθεί ακόμη περισσότερο.

Αυτός δεν είναι λόγος για πανικό. Είναι ένας λόγος για να μετράμε τα αποτελέσματα, όχι μόνο την αποτελεσματικότητα.

Μια ατελής αλλά διασκεδαστική μεταφορά: Η αποτελεσματικότητα της τεχνητής νοημοσύνης είναι σαν να δίνεις σε έναν έφηβο ένα μεγαλύτερο ψυγείο - ναι, η αποθήκευση τροφίμων βελτιώνεται, αλλά με κάποιο τρόπο το ψυγείο αδειάζει ξανά σε μια μέρα. Δεν είναι η τέλεια μεταφορά, αλλά... το έχετε δει να συμβαίνει 😅

Τα θετικά: Η τεχνητή νοημοσύνη μπορεί πραγματικά να βοηθήσει το περιβάλλον (όταν στοχεύει σωστά) 🌿✨

Τώρα για το κομμάτι που υποτιμάται: Η Τεχνητή Νοημοσύνη μπορεί να μειώσει τις εκπομπές και τα απόβλητα σε υπάρχοντα συστήματα που είναι... ειλικρινά, άκομψα. IEA: Τεχνητή Νοημοσύνη για ενεργειακή βελτιστοποίηση και καινοτομία

Τομείς όπου η Τεχνητή Νοημοσύνη μπορεί να βοηθήσει

• Ενεργειακά δίκτυα: πρόβλεψη φορτίου, απόκριση ζήτησης, ενσωμάτωση μεταβλητών ανανεώσιμων πηγών ενέργειας. IEA: Τεχνητή Νοημοσύνη για ενεργειακή βελτιστοποίηση και καινοτομία

• Κτίρια: έξυπνος έλεγχος HVAC, προγνωστική συντήρηση, χρήση ενέργειας βάσει πληρότητας. IEA: Ψηφιοποίηση

• Μεταφορές: βελτιστοποίηση διαδρομών, διαχείριση στόλου, μείωση των κενών μιλίων. IEA: Τεχνητή Νοημοσύνη για βελτιστοποίηση ενέργειας και καινοτομία

• Παραγωγή: ανίχνευση ελαττωμάτων, ρύθμιση διεργασιών, μείωση των απορριμμάτων.

• Γεωργία: άρδευση ακριβείας, ανίχνευση παρασίτων, βελτιστοποίηση λιπασμάτων.

• Παρακολούθηση περιβάλλοντος: ανίχνευση διαρροών μεθανίου, παρακολούθηση σημάτων αποψίλωσης των δασών, χαρτογράφηση προτύπων βιοποικιλότητας. UNEP: Πώς λειτουργεί το MARS Global Forest Watch: Ειδοποιήσεις αποψίλωσης GLAD Το Ινστιτούτο Alan Turing: Τεχνητή Νοημοσύνη και αυτόνομα συστήματα για την αξιολόγηση της βιοποικιλότητας

• Κυκλική οικονομία: καλύτερη διαλογή και αναγνώριση στις ροές ανακύκλωσης.

Σημαντική λεπτομέρεια: Η «βοήθεια» της Τεχνητής Νοημοσύνης δεν αντισταθμίζει αυτόματα το αποτύπωμα της. Εξαρτάται από το αν η Τεχνητή Νοημοσύνη αναπτύσσεται πραγματικά, χρησιμοποιείται πραγματικά και αν οδηγεί σε πραγματικές μειώσεις και όχι απλώς σε καλύτερους πίνακες ελέγχου. Αλλά ναι, οι δυνατότητες είναι πραγματικές. IEA: Τεχνητή Νοημοσύνη για βελτιστοποίηση ενέργειας και καινοτομία

Τι κάνει μια φιλική προς το περιβάλλον έκδοση της Τεχνητής Νοημοσύνης καλή; ✅🌍

Αυτή είναι η ενότητα «εντάξει, λοιπόν, τι πρέπει να κάνουμε». Μια καλή περιβαλλοντικά υπεύθυνη εγκατάσταση τεχνητής νοημοσύνης συνήθως έχει:

• Σαφής αξία περίπτωσης χρήσης: Εάν το μοντέλο δεν αλλάζει τις αποφάσεις ή τα αποτελέσματα, πρόκειται απλώς για περίεργους υπολογισμούς.

• Ενσωματωμένες μετρήσεις: Μετρήσεις ενέργειας, εκτιμήσεων άνθρακα, αξιοποίησης και αποδοτικότητας που παρακολουθούνται όπως οποιοσδήποτε άλλος Δείκτης Απόδοσης (KPI). CodeCarbon: Μεθοδολογία

• Μοντέλα σωστού μεγέθους: Χρησιμοποιήστε μικρότερα μοντέλα όταν τα μικρότερα μοντέλα λειτουργούν. Δεν αποτελεί ηθική αποτυχία να είστε αποτελεσματικοί.

• Αποδοτικός σχεδιασμός συμπερασμάτων: προσωρινή αποθήκευση, ομαδοποίηση, κβαντοποίηση, ανάκτηση και καλά μοτίβα προτροπής. Gholami et al. (2021): Επισκόπηση μεθόδων κβαντοποίησης (PDF) Lewis et al. (2020): Επαυξημένη παραγωγή ανάκτησης

• Επίγνωση υλικού και τοποθεσίας: εκτέλεση φόρτων εργασίας όπου το δίκτυο είναι καθαρότερο και η υποδομή είναι αποτελεσματική (όταν είναι εφικτό). API Έντασης Άνθρακα (GB)

• Μεγαλύτερη διάρκεια ζωής υλικού: μεγιστοποίηση της αξιοποίησης, της επαναχρησιμοποίησης και της ανακαίνισης. ITU: Η Παγκόσμια Παρακολούθηση Ηλεκτρονικών Αποβλήτων 2024

• Ευθύγραμμη αναφορά: αποφύγετε την περιφρόνηση του περιβάλλοντος και τους αόριστους ισχυρισμούς όπως «φιλική προς το περιβάλλον Τεχνητή Νοημοσύνη» χωρίς αριθμούς.

Αν εξακολουθείτε να παρακολουθείτε πώς η Τεχνητή Νοημοσύνη επηρεάζει το Περιβάλλον, αυτό είναι το σημείο όπου η απάντηση σταματά να είναι φιλοσοφική και γίνεται λειτουργική: το επηρεάζει με βάση τις επιλογές σας.

Συγκριτικός Πίνακας: εργαλεία και προσεγγίσεις που μειώνουν πραγματικά τον αντίκτυπο 🧰⚡

Παρακάτω είναι ένας γρήγορος, πρακτικός πίνακας. Δεν είναι τέλειος, και ναι, μερικά κελιά είναι λίγο αισιόδοξα... επειδή έτσι λειτουργεί η πραγματική επιλογή εργαλείων.

Παρατήρησες τι λείπει; «Αγόρασε ένα μαγικό πράσινο αυτοκόλλητο». Αυτό δεν υπάρχει 😬

Πρακτικό εγχειρίδιο: μείωση του αντίκτυπου της τεχνητής νοημοσύνης χωρίς να καταστρέφεται το προϊόν 🛠️🌱

Αν κατασκευάζετε ή αγοράζετε συστήματα Τεχνητής Νοημοσύνης, ακολουθεί μια ρεαλιστική ακολουθία που λειτουργεί στην πράξη:

Βήμα 1: Ξεκινήστε με τη μέτρηση

• Παρακολουθήστε την κατανάλωση ενέργειας ή εκτιμήστε την με συνέπεια. CodeCarbon: Μεθοδολογία

• Μέτρηση ανά εκτέλεση εκπαίδευσης και ανά αίτημα συμπερασμάτων.

• Παρακολούθηση χρήσης - οι αδρανείς πόροι έχουν έναν τρόπο να κρύβονται σε κοινή θέα. Το Πράσινο Πλέγμα: PUE

Βήμα 2: Προσαρμόστε το μοντέλο στο σωστό μέγεθος για την εργασία

• Χρησιμοποιήστε μικρότερα μοντέλα για ταξινόμηση, εξαγωγή και δρομολόγηση.

• Κρατήστε το βαρύ μοντέλο για τις σκληρές θήκες.

• Σκεφτείτε μια «καταρράκτη μοντέλων»: πρώτα το μικρό μοντέλο, μεγαλύτερο μοντέλο μόνο εάν χρειάζεται.

Βήμα 3: Βελτιστοποίηση της συμπερασματολογίας (εδώ είναι που η κλίμακα κολλάει)

• Αποθήκευση στην προσωρινή μνήμη: αποθήκευση απαντήσεων για επαναλαμβανόμενα ερωτήματα (με προσεκτικούς ελέγχους απορρήτου).

• Μαζική επεξεργασία: ομαδοποίηση αιτημάτων για βελτίωση της αποδοτικότητας του υλικού.

• Σύντομες εκθέσεις: οι μεγάλες εκθέσεις κοστίζουν περισσότερο - μερικές φορές δεν χρειάζεστε το δοκίμιο.

• Πειθαρχία στις εντολές: οι ακατάστατες εντολές δημιουργούν μεγαλύτερες υπολογιστικές διαδρομές... και ναι, περισσότερα tokens.

Βήμα 4: Βελτίωση της υγιεινής των δεδομένων

Αυτό ακούγεται άσχετο, αλλά δεν είναι:

• Τα πιο καθαρά σύνολα δεδομένων μπορούν να μειώσουν την απώλεια προσωπικού από την επανεκπαίδευση.

• Λιγότερος θόρυβος σημαίνει λιγότερα πειράματα και λιγότερες χαμένες εκτελέσεις.

Βήμα 5: Αντιμετωπίστε το υλικό σαν περιουσιακό στοιχείο, όχι σαν κάτι μιας χρήσης

• Επεκτείνετε τους κύκλους ανανέωσης όπου είναι δυνατόν. ITU: Η Παγκόσμια Παρακολούθηση Ηλεκτρονικών Αποβλήτων 2024

• Επαναχρησιμοποιήστε παλαιότερο υλικό για ελαφρύτερους φόρτους εργασίας.

• Αποφύγετε την παροχή «πάντα σε περίοδο αιχμής».

Βήμα 6: Επιλέξτε την ανάπτυξη με σύνεση

• Εκτελέστε ευέλικτες θέσεις εργασίας όπου η ενέργεια είναι καθαρότερη, αν μπορείτε. API Έντασης Άνθρακα (GB)

• Μειώστε την περιττή αναπαραγωγή.

• Διατηρήστε τους στόχους καθυστέρησης ρεαλιστικούς (η εξαιρετικά χαμηλή καθυστέρηση μπορεί να επιβάλει αναποτελεσματικές ρυθμίσεις always-on).

Και ναι... μερικές φορές το καλύτερο βήμα είναι απλώς: μην εκτελείτε αυτόματα το μεγαλύτερο μοντέλο για κάθε ενέργεια χρήστη. Αυτή η συνήθεια είναι το περιβαλλοντικό ισοδύναμο του να αφήνετε όλα τα φώτα αναμμένα επειδή το περπάτημα προς τον διακόπτη είναι ενοχλητικό.

Κοινοί μύθοι (και τι είναι πιο κοντά στην αλήθεια) 🧠🧯

Μύθος: «Η Τεχνητή Νοημοσύνη είναι πάντα χειρότερη από το παραδοσιακό λογισμικό»

Αλήθεια: Η Τεχνητή Νοημοσύνη μπορεί να απαιτεί περισσότερο υπολογιστικό εξοπλισμό, αλλά μπορεί επίσης να αντικαταστήσει τις αναποτελεσματικές χειροκίνητες διαδικασίες, να μειώσει τα απόβλητα και να βελτιστοποιήσει τα συστήματα. Εξαρτάται από την κατάσταση. IEA: Τεχνητή Νοημοσύνη για βελτιστοποίηση ενέργειας και καινοτομία

Μύθος: «Η εκπαίδευση είναι το μόνο πρόβλημα»

Αλήθεια: Η εξαγωγή συμπερασμάτων σε κλίμακα μπορεί να κυριαρχήσει με την πάροδο του χρόνου. Εάν το προϊόν σας αυξηθεί κατακόρυφα σε χρήση, αυτό γίνεται το κύριο θέμα. IEA: Ενέργεια και Τεχνητή Νοημοσύνη

Μύθος: «Οι ανανεώσιμες πηγές ενέργειας το λύνουν άμεσα»

Αλήθεια: Η καθαρότερη ηλεκτρική ενέργεια βοηθάει πολύ, αλλά δεν εξαλείφει το αποτύπωμα του υλικού, την κατανάλωση νερού ή τις επιπτώσεις της ανάκαμψης. Ωστόσο, εξακολουθεί να είναι σημαντική. IEA: Ενέργεια και Τεχνητή Νοημοσύνη

Μύθος: «Αν είναι αποτελεσματικό, είναι και βιώσιμο»

Αλήθεια: Η αποδοτικότητα χωρίς έλεγχο της ζήτησης μπορεί να αυξήσει τον συνολικό αντίκτυπο. Αυτή είναι η παγίδα ανάκαμψης. ΟΟΣΑ (2012): Τα πολλαπλά οφέλη των βελτιώσεων στην ενεργειακή απόδοση (PDF)

Διακυβέρνηση, διαφάνεια και όχι θεατρικότητα 🧾🌍

Αν είστε εταιρεία, εδώ χτίζεται ή χάνεται η εμπιστοσύνη.

• Αναφέρετε σημαντικές μετρήσεις: ανά αίτημα, ανά χρήστη, ανά εργασία - όχι μόνο μεγάλα και τρομακτικά σύνολα. LBNL (2024): Έκθεση Χρήσης Ενέργειας Κέντρου Δεδομένων των Ηνωμένων Πολιτειών (PDF)

• Αποφύγετε τους αόριστους ισχυρισμούς: η «πράσινη τεχνητή νοημοσύνη» δεν σημαίνει τίποτα χωρίς αριθμούς και όρια.

• Λάβετε υπόψη το νερό και τις τοπικές επιπτώσεις: ο άνθρακας δεν είναι η μόνη περιβαλλοντική μεταβλητή. Li et al. (2023): Κάνοντας την Τεχνητή Νοημοσύνη λιγότερο «διψασμένη» (PDF)

• Σχεδιασμός για περιορισμό: προεπιλεγμένες συντομότερες αποκρίσεις, λειτουργίες χαμηλότερου κόστους, «οικολογικές» ρυθμίσεις που πραγματικά κάνουν κάτι.

• Σκεφτείτε την ισότητα: η χρήση μεγάλων πόρων σε μέρη με έλλειψη νερού ή εύθραυστα δίκτυα έχει συνέπειες πέρα ​​από το υπολογιστικό σας φύλλο. US DOE FEMP: Ευκαιρίες Αποδοτικότητας Ψυκτικού Νερού για Ομοσπονδιακά Κέντρα Δεδομένων

Αυτό είναι το σημείο όπου οι άνθρωποι κάνουν τα στραβά μάτια, αλλά έχει σημασία. Η υπεύθυνη τεχνολογία δεν αφορά μόνο την έξυπνη μηχανική. Αφορά επίσης το να μην προσποιούμαστε ότι δεν υπάρχουν συμβιβασμοί.

Τελική σύνοψη: μια συνοπτική ανακεφαλαίωση του πώς η Τεχνητή Νοημοσύνη επηρεάζει το Περιβάλλον 🌎✅

Ο τρόπος με τον οποίο η Τεχνητή Νοημοσύνη επηρεάζει το περιβάλλον εξαρτάται από το πρόσθετο φορτίο: ηλεκτρική ενέργεια, νερό (μερικές φορές) και ζήτηση υλικού. IEA: Ενέργεια και Τεχνητή Νοημοσύνη Li et al. (2023): Κάνοντας την Τεχνητή Νοημοσύνη λιγότερο «διψασμένη» (PDF) Προσφέρει επίσης ισχυρά εργαλεία για τη μείωση των εκπομπών και των αποβλήτων σε άλλους τομείς. IEA: Τεχνητή Νοημοσύνη για βελτιστοποίηση ενέργειας και καινοτομία Το καθαρό αποτέλεσμα εξαρτάται από την κλίμακα, την καθαριότητα του δικτύου, τις επιλογές απόδοσης και από το αν η Τεχνητή Νοημοσύνη λύνει πραγματικά προβλήματα ή απλώς δημιουργεί καινοτομία για χάρη της καινοτομίας. IEA: Ενέργεια και Τεχνητή Νοημοσύνη

Αν θέλετε το πιο απλό πρακτικό συμπλήρωμα:

• Μέτρο.

• Σωστό μέγεθος.

• Βελτιστοποιήστε την εξαγωγή συμπερασμάτων.

• Επεκτείνετε τη διάρκεια ζωής του υλικού.

• Να είστε ειλικρινείς σχετικά με τις ανταλλαγές.

Και αν νιώθετε ότι έχετε κουραστεί, ιδού μια καθησυχαστική αλήθεια: οι μικρές λειτουργικές αποφάσεις, που επαναλαμβάνονται χίλιες φορές, συνήθως υπερτερούν μιας μεγάλης δήλωσης βιωσιμότητας. Κάτι σαν το βούρτσισμα των δοντιών σας. Δεν είναι εντυπωσιακό, αλλά λειτουργεί.. 

Παράδειγμα από τον πραγματικό κόσμο: Μείωση του αποτυπώματος ενός βοηθού τεχνητής νοημοσύνης υποστήριξης πελατών 🌱🎧

Σενάριο

Φανταστείτε έναν μικρό διαδικτυακό λιανοπωλητή που θέλει να χρησιμοποιήσει την Τεχνητή Νοημοσύνη για να απαντήσει σε συνήθεις ερωτήσεις πελατών σχετικά με τους χρόνους παράδοσης, τις επιστροφές, τα κατεστραμμένα δέματα και το μέγεθος των προϊόντων.

Η πρώτη εκδοχή είναι σπάταλη: κάθε μήνυμα πελάτη πηγαίνει κατευθείαν στο μεγαλύτερο διαθέσιμο μοντέλο, ακόμα και όταν η ερώτηση είναι απλή. Ο βοηθός γράφει επίσης υπερβολικά μακροσκελείς απαντήσεις, επαναλαμβάνει κείμενο πολιτικής και απαντά ξανά στις ίδιες ερωτήσεις χιλιάδες φορές αντί να επαναχρησιμοποιεί εγκεκριμένες απαντήσεις.

Μια πιο λογική ρύθμιση δεν είναι «χωρίς τεχνητή νοημοσύνη». Είναι η τεχνητή νοημοσύνη σωστού μεγέθους: χρησιμοποιήστε ελαφρύτερα εργαλεία για εύκολες εργασίες, κρατήστε το μεγαλύτερο μοντέλο για σύνθετες περιπτώσεις και μετρήστε τον αντίκτυπο ανά επιλυμένο αίτημα.

Τι χρειάζεται ο βοηθός

Η ομάδα θα προετοιμάσει:

Μια τρέχουσα πολιτική επιστροφών

Κανόνες παράδοσης ανά περιοχή

Σημειώσεις για το μέγεθος του προϊόντος

Μια σύντομη πολιτική κλιμάκωσης για επιστροφές χρημάτων, παράπονα και νομικά ζητήματα

Μια λίστα με 50 συνήθεις ερωτήσεις πελατών

Εγκεκριμένες σύντομες απαντήσεις για επαναλαμβανόμενες ερωτήσεις

Ένα απλό φύλλο παρακολούθησης με: τύπο αιτήματος, μοντέλο που χρησιμοποιήθηκε, μήκος απόκρισης, εάν χρειαζόταν κλιμάκωση και εάν η απάντηση πέρασε τον ανθρώπινο έλεγχο

Παράδειγμα οδηγιών

Χρησιμοποιήστε πρώτα το μικρότερο κατάλληλο μοντέλο ή την απάντηση που βασίζεται σε κανόνες. Χρησιμοποιήστε το μεγαλύτερο μοντέλο μόνο όταν η ερώτηση του πελάτη είναι ασαφής, συναισθηματική, περιέχει πολλαπλά ζητήματα ή απαιτεί συνδυασμό πληροφοριών από περισσότερες από μία πολιτικές. Κρατήστε τις απαντήσεις κάτω από 120 λέξεις, εκτός εάν ο πελάτης ζητήσει λεπτομέρειες. Εάν η εμπιστοσύνη είναι χαμηλή, κάντε μία διευκρινιστική ερώτηση ή προωθήστε την σε έναν άνθρωπο. Μην επινοείτε ημερομηνίες παράδοσης, εγκρίσεις επιστροφής χρημάτων ή εξαιρέσεις πολιτικής.

Πώς να το δοκιμάσετε

Εκτελέστε μια δοκιμή 50 εισιτηρίων πριν από την κυκλοφορία:

10 ερωτήσεις παράδοσης

10 ερωτήσεις επιστροφής

10 ερωτήσεις σχετικά με το μέγεθος προϊόντων

10 καταγγελίες για κατεστραμμένα αντικείμενα

10 μικτά ή ασαφή μηνύματα

Για κάθε απάντηση, ελέγξτε:

Χρησιμοποιήθηκε η σωστή πολιτική;

Θα μπορούσε μια προσωρινά αποθηκευμένη εγκεκριμένη απάντηση να το είχε λύσει;

Χρειαζόταν το μεγαλύτερο μοντέλο;

Ήταν σύντομη η απάντηση του βοηθού;

Μήπως κάποια απάντηση επινόησε πληροφορίες;

Κλιμακώθηκαν σωστά οι ευαίσθητες υποθέσεις;

Μια λογική βαθμολογία επιτυχίας θα ήταν περίπου: 95% ακρίβεια πολιτικής, 0 επινοημένες υποσχέσεις επιστροφής χρημάτων και 100% κλιμάκωση σε παράπονα που αφορούν διαφορές πληρωμών ή νομικές απειλές.

Αποτέλεσμα

Ενδεικτικό αποτέλεσμα, βασισμένο στον χρονισμό και την καταμέτρηση μιας δοκιμής 50 εισιτηρίων πριν και μετά τη βελτιστοποίηση:

Πριν από τη βελτιστοποίηση, και τα 50 αιτήματα χρησιμοποιούσαν το μεγαλύτερο μοντέλο, με μέσο μήκος απάντησης 210 λέξεων.

Μετά τη βελτιστοποίηση, 31 αιτήματα χρησιμοποίησαν εγκεκριμένες απαντήσεις που είχαν αποθηκευτεί στην προσωρινή μνήμη, 14 χρησιμοποίησαν ένα μικρότερο μοντέλο και μόνο 5 χρησιμοποίησαν το μεγαλύτερο μοντέλο.

Το μέσο μήκος απάντησης μειώθηκε από 210 λέξεις σε 92 λέξεις.

Ο χρόνος ανθρώπινης αξιολόγησης μειώθηκε από 4 ώρες και 10 λεπτά σε 1 ώρα και 25 λεπτά.

Η ομάδα βρήκε 2 λανθασμένες απαντήσεις πολιτικής στην πρώτη δοκιμαστική εκτέλεση και, στη συνέχεια, 0 λανθασμένες απαντήσεις πολιτικής μετά την ενημέρωση των πηγαίων εγγράφων και την προσθήκη σαφέστερων κανόνων κλιμάκωσης.

Αυτό δεν αποδεικνύει ότι ο βοηθός είναι «πράσινος». Απλώς δείχνει το είδος της μέτρησης που καθιστά τον περιβαλλοντικό ισχυρισμό ελέγξιμο: λιγότερες κλήσεις βαρέως μοντέλου, μικρότερες εξόδους, λιγότερες επαναλαμβανόμενες γενιές και λιγότεροι κύκλοι αναθεώρησης που μπορούν να αποφευχθούν.

Τι μπορεί να πάει στραβά

Ο βοηθός μπορεί να εξακολουθεί να σπαταλά υπολογιστικά χρήματα αν κάθε αόριστο μήνυμα δρομολογείται στο μεγαλύτερο μοντέλο «για κάθε ενδεχόμενο».

Οι αποθηκευμένες στην προσωρινή μνήμη απαντήσεις μπορεί να γίνουν επικίνδυνες εάν αλλάξει η πολιτική επιστροφών και κανείς δεν τις ενημερώσει.

Οι σύντομες απαντήσεις μπορούν να απογοητεύσουν τους πελάτες εάν αφαιρούν σημαντικές λεπτομέρειες.

Οι ισχυρισμοί περί άνθρακα ή ενέργειας μπορούν να θεωρηθούν ως «πράσινο ξέπλυμα» εάν η εταιρεία αναφέρει μόνο ποσοστό εξοικονόμησης χωρίς να δείχνει τη μέθοδο μέτρησης.

Το μεγαλύτερο λάθος είναι η αντιμετώπιση της επιλογής μοντέλου ως του μοναδικού μοχλού. Στην πράξη, η πιο οικολογική ροή εργασίας προέρχεται από τη δρομολόγηση, την προσωρινή αποθήκευση, τις μικρότερες εξόδους, τα καλύτερα έγγραφα πηγής και τον ανθρώπινο έλεγχο για περιπτώσεις υψηλού κινδύνου.

Πρακτικό πακέτο

Ένα σύστημα Τεχνητής Νοημοσύνης με χαμηλότερο αντίκτυπο συνήθως δεν είναι και το πιο φανταχτερό. Είναι αυτό που μετρά την πραγματική χρήση, αποφεύγει την περιττή βαριά συμπερασματολογία, επαναχρησιμοποιεί εγκεκριμένες απαντήσεις όπου είναι δυνατόν και εξακολουθεί να δίνει στους ανθρώπους τον έλεγχο των αποφάσεων που έχουν σημασία.

Συχνές ερωτήσεις

Πώς επηρεάζει η Τεχνητή Νοημοσύνη το περιβάλλον στην καθημερινή χρήση, όχι μόνο στα μεγάλα ερευνητικά εργαστήρια;

Το μεγαλύτερο μέρος του αποτυπώματος της Τεχνητής Νοημοσύνης προέρχεται από την ηλεκτρική ενέργεια που τροφοδοτεί τα κέντρα δεδομένων που χρησιμοποιούν GPU και CPU τόσο κατά την εκπαίδευση όσο και κατά την καθημερινή «συμπερασματολογία». Ένα μόνο αίτημα μπορεί να είναι μέτριο, αλλά σε κλίμακα αυτά τα αιτήματα συσσωρεύονται γρήγορα. Ο αντίκτυπος εξαρτάται επίσης από το πού βρίσκεται το κέντρο δεδομένων, πόσο καθαρό είναι το τοπικό δίκτυο και πόσο αποτελεσματικά λειτουργεί η υποδομή.

Είναι η εκπαίδευση ενός μοντέλου Τεχνητής Νοημοσύνης χειρότερη για το περιβάλλον από τη χρήση του (συμπερασματικά);

Η εκπαίδευση μπορεί να είναι μια μεγάλη, προκαταρκτική έκρηξη υπολογισμών, αλλά η συμπερασματική επεξεργασία μπορεί να γίνει το μεγαλύτερο αποτύπωμα με την πάροδο του χρόνου, επειδή εκτελείται συνεχώς και σε τεράστια κλίμακα. Εάν ένα εργαλείο χρησιμοποιείται από εκατομμύρια ανθρώπους κάθε μέρα, τα επαναλαμβανόμενα αιτήματα μπορούν να αντισταθμίσουν το εφάπαξ κόστος εκπαίδευσης. Γι' αυτό το λόγο η βελτιστοποίηση συχνά επικεντρώνεται στην αποτελεσματικότητα της συμπερασματικής επεξεργασίας.

Γιατί η Τεχνητή Νοημοσύνη χρησιμοποιεί νερό και αποτελεί πάντα πρόβλημα;

Η Τεχνητή Νοημοσύνη μπορεί να χρησιμοποιεί νερό κυρίως επειδή ορισμένα κέντρα δεδομένων βασίζονται στην ψύξη με βάση το νερό ή επειδή το νερό καταναλώνεται έμμεσα μέσω της παραγωγής ηλεκτρικής ενέργειας. Σε ορισμένα κλίματα, η ψύξη με εξάτμιση μπορεί να μειώσει την κατανάλωση ηλεκτρικής ενέργειας, ενώ παράλληλα να αυξήσει τη χρήση νερού, δημιουργώντας ένα πραγματικό συμβιβασμό. Το αν είναι «κακό» εξαρτάται από την τοπική λειψυδρία, τον σχεδιασμό ψύξης και το αν η χρήση νερού μετριέται και διαχειρίζεται.

Ποια μέρη του περιβαλλοντικού αποτυπώματος της Τεχνητής Νοημοσύνης προέρχονται από το υλικό και τα ηλεκτρονικά απόβλητα;

Η Τεχνητή Νοημοσύνη εξαρτάται από τσιπ, διακομιστές, εξοπλισμό δικτύωσης, κτίρια και αλυσίδες εφοδιασμού - πράγμα που σημαίνει εξόρυξη, κατασκευή, αποστολή και τελική διάθεση. Η κατασκευή ημιαγωγών είναι ενεργοβόρα και οι γρήγοροι κύκλοι αναβάθμισης μπορούν να αυξήσουν τις ενσωματωμένες εκπομπές και τα ηλεκτρονικά απόβλητα. Η παράταση της διάρκειας ζωής του υλικού, η ανακαίνιση και η βελτίωση της χρήσης μπορούν να μειώσουν σημαντικά τον αντίκτυπο, μερικές φορές ανταγωνιζόμενες τις αλλαγές σε επίπεδο μοντέλου.

Η χρήση ανανεώσιμων πηγών ενέργειας επιλύει το πρόβλημα των περιβαλλοντικών επιπτώσεων της Τεχνητής Νοημοσύνης;

Η καθαρότερη ηλεκτρική ενέργεια μπορεί να μειώσει τις εκπομπές από την υπολογιστική, αλλά δεν εξαλείφει άλλες επιπτώσεις όπως η χρήση νερού, η κατασκευή υλικού και τα ηλεκτρονικά απόβλητα. Επίσης, δεν αντιμετωπίζει αυτόματα τα «φαινόμενα ανάκαμψης», όπου η υπολογιστική χαμηλότερου κόστους οδηγεί σε μεγαλύτερη χρήση συνολικά. Οι ανανεώσιμες πηγές ενέργειας αποτελούν σημαντικό μοχλό, αλλά αποτελούν μόνο ένα μέρος του αποτυπώματος.

Τι είναι το φαινόμενο ανάκαμψης και γιατί έχει σημασία για την Τεχνητή Νοημοσύνη και τη βιωσιμότητα;

Το φαινόμενο ανάκαμψης συμβαίνει όταν τα κέρδη στην αποδοτικότητα καθιστούν κάτι φθηνότερο ή ευκολότερο, επομένως οι άνθρωποι το κάνουν περισσότερο - μερικές φορές εξαλείφοντας τις εξοικονομήσεις. Με την Τεχνητή Νοημοσύνη, η φθηνότερη παραγωγή ή ο αυτοματισμός μπορούν να αυξήσουν τη συνολική ζήτηση για περιεχόμενο, υπολογιστές και υπηρεσίες. Γι' αυτό η μέτρηση των αποτελεσμάτων στην πράξη έχει μεγαλύτερη σημασία από τον εορτασμό της αποδοτικότητας μεμονωμένα.

Ποιοι είναι οι πρακτικοί τρόποι για να μειωθεί ο αντίκτυπος της Τεχνητής Νοημοσύνης χωρίς να βλάψει το προϊόν;

Μια συνηθισμένη προσέγγιση είναι να ξεκινάμε με τη μέτρηση (εκτιμήσεις ενέργειας και άνθρακα, αξιοποίηση), στη συνέχεια να δημιουργούμε μοντέλα κατάλληλου μεγέθους για την εργασία και να βελτιστοποιούμε την εξαγωγή συμπερασμάτων με προσωρινή αποθήκευση, ομαδοποίηση και μικρότερες εξόδους. Τεχνικές όπως η κβαντοποίηση, η απόσταξη και η παραγωγή με επαυξημένη ανάκτηση μπορούν να μειώσουν τις υπολογιστικές ανάγκες. Οι λειτουργικές επιλογές - όπως ο προγραμματισμός φόρτου εργασίας με βάση την ένταση άνθρακα και η μεγαλύτερη διάρκεια ζωής του υλικού - συχνά αποφέρουν μεγάλες νίκες.

Πώς μπορεί η Τεχνητή Νοημοσύνη να βοηθήσει το περιβάλλον αντί να το βλάψει;

Η Τεχνητή Νοημοσύνη μπορεί να μειώσει τις εκπομπές και τα απόβλητα όταν αναπτύσσεται για τη βελτιστοποίηση πραγματικών συστημάτων: πρόβλεψη δικτύου, απόκριση ζήτησης, έλεγχος HVAC κτιρίου, δρομολόγηση εφοδιαστικής, προγνωστική συντήρηση και ανίχνευση διαρροών. Μπορεί επίσης να υποστηρίξει την περιβαλλοντική παρακολούθηση, όπως ειδοποιήσεις αποψίλωσης των δασών και ανίχνευση μεθανίου. Το κλειδί είναι αν το σύστημα αλλάζει τις αποφάσεις και παράγει μετρήσιμες μειώσεις, όχι απλώς καλύτερους πίνακες ελέγχου.

Ποιες μετρήσεις θα πρέπει να αναφέρουν οι εταιρείες για να αποφύγουν τους ισχυρισμούς περί τεχνητής νοημοσύνης που βασίζονται σε «πράσινο ξέπλυμα»;

Είναι πιο σημαντικό να αναφέρετε μετρήσεις ανά εργασία ή ανά αίτημα παρά μόνο μεγάλους συνολικούς αριθμούς, επειδή αυτό δείχνει την αποτελεσματικότητα σε επίπεδο μονάδας. Η παρακολούθηση της χρήσης ενέργειας, των εκτιμήσεων άνθρακα, της αξιοποίησης και - όπου είναι σχετικό - των επιπτώσεων στο νερό δημιουργεί σαφέστερη λογοδοσία. Επίσης σημαντικό: ορίστε όρια (τι περιλαμβάνεται) και αποφύγετε αόριστες ετικέτες όπως «φιλική προς το περιβάλλον Τεχνητή Νοημοσύνη» χωρίς ποσοτικοποιημένα στοιχεία.

Αναφορές

1. Διεθνής Οργανισμός Ενέργειας (IEA) - Ενέργεια και Τεχνητή Νοημοσύνη - iea.org

2. Διεθνής Οργανισμός Ενέργειας (IEA) - Τεχνητή Νοημοσύνη για ενεργειακή βελτιστοποίηση και καινοτομία - iea.org

3. Διεθνής Οργανισμός Ενέργειας (IEA) - Ψηφιοποίηση - iea.org

4. Εθνικό Εργαστήριο Lawrence Berkeley (LBNL) - Έκθεση Χρήσης Ενέργειας Κέντρου Δεδομένων των Ηνωμένων Πολιτειών (2024) (PDF) - lbl.gov

5. Li et al. - Κάνοντας την Τεχνητή Νοημοσύνη λιγότερο «διψασμένη» (2023) (PDF) - arxiv.org

6. ASHRAE (TC 9.9) - Εμφάνιση και επέκταση της υγροψύξης σε κύρια κέντρα δεδομένων (PDF) - ashrae.org

7. Το Πράσινο Πλέγμα - PUE-Μια Ολοκληρωμένη Εξέταση της Μετρικής - thegreengrid.org

8. Υπουργείο Ενέργειας των ΗΠΑ (DOE) - FEMP - Ευκαιρίες Απόδοσης Ψύξης Νερού για Ομοσπονδιακά Κέντρα Δεδομένων - energy.gov

9. Υπουργείο Ενέργειας των ΗΠΑ (DOE) - FEMP - Ενεργειακή Απόδοση σε Κέντρα Δεδομένων - energy.gov

10. Υπηρεσία Προστασίας Περιβάλλοντος των ΗΠΑ (EPA) - Βιομηχανία Ημιαγωγών - epa.gov

11. Διεθνής Ένωση Τηλεπικοινωνιών (ITU) - Παγκόσμιος Πίνακας Παρακολούθησης Ηλεκτρονικών Αποβλήτων 2024 - itu.int

12. ΟΟΣΑ - Τα Πολλαπλά Οφέλη των Βελτιώσεων της Ενεργειακής Απόδοσης (2012) (PDF) - oecd.org

13. API Έντασης Άνθρακα (GB) - carbonintensity.org.uk

14. imec - Μείωση των περιβαλλοντικών επιπτώσεων στην κατασκευή τσιπ - imec-int.com

15. UNEP - Πώς λειτουργεί ο MARS - unep.org

16. Παγκόσμια Παρακολούθηση Δασών - Ειδοποιήσεις αποψίλωσης GLAD - globalforestwatch.org

17. Ινστιτούτο Alan Turing - Τεχνητή Νοημοσύνη και αυτόνομα συστήματα για την αξιολόγηση της βιοποικιλότητας και της υγείας των οικοσυστημάτων - turing.ac.uk

18. CodeCarbon - Μεθοδολογία - mlco2.github.io

19. Gholami et al. - Επισκόπηση Μεθόδων Κβαντοποίησης (2021) (PDF) - arxiv.org

20. Lewis et al. - Επαυξημένη Γενιά Ανάκτησης (2020) - arxiv.org

21. Hinton et al. - Απόσταξη της Γνώσης σε ένα Νευρωνικό Δίκτυο (2015) - arxiv.org

22. CodeCarbon - codecarbon.io

Βρείτε την τελευταία λέξη της Τεχνητής Νοημοσύνης στο επίσημο κατάστημα βοηθών τεχνητής νοημοσύνης

Σχετικά με εμάς