Kā mākslīgais intelekts ietekmē vidi?

Kā mākslīgais intelekts ietekmē vidi?

Īsa atbilde: mākslīgais intelekts ietekmē vidi galvenokārt caur elektroenerģijas patēriņu datu centros (gan apmācībai, gan ikdienas secinājumiem), kā arī ūdens izmantošanu dzesēšanai, kā arī aparatūras ražošanas un elektronisko atkritumu ietekmi. Ja patēriņš sasniedz miljardus vaicājumu, secinājumi var atsvērt apmācību; ja tīkli ir tīrāki un sistēmas efektīvas, ietekme samazinās, bet ieguvumi var pieaugt.

Galvenie secinājumi:

Elektroenerģija : Izsekojiet skaitļošanas jaudu; emisijas samazinās, ja darba slodzes tiek veiktas tīrākos tīklos.

Ūdens : Dzesēšanas izvēles ietekmē situāciju; ūdens metodes ir visnozīmīgākās reģionos ar ierobežotiem resursiem.

Aparatūra : mikroshēmām un serveriem ir būtiska ietekme uz vidi; jāpagarina to kalpošanas laiks un jāpiešķir prioritāte atjaunošanai.

Atsitiens : efektivitāte var palielināt kopējo pieprasījumu; mērīt rezultātus, ne tikai ieguvumus katram uzdevumam.

Darbības sviras : pareiza izmēra modeļi, optimizēt secinājumus un pārredzami ziņot par katra pieprasījuma metriku.

Kā mākslīgais intelekts ietekmē vidi? Infografika

Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:

🔗 Vai mākslīgais intelekts ir kaitīgs videi?
Izpētiet mākslīgā intelekta oglekļa pēdas nospiedumu, elektroenerģijas patēriņu un datu centru prasības.

🔗 Kāpēc mākslīgais intelekts ir slikts sabiedrībai?
Apskatiet aizspriedumus, darba pārtraukumus, dezinformāciju un sociālās nevienlīdzības pieaugumu.

🔗 Kāpēc mākslīgais intelekts ir slikts? Mākslīgā intelekta tumšā puse
Izprast tādus riskus kā novērošana, manipulācijas un cilvēka kontroles zaudēšana.

🔗 Vai mākslīgais intelekts ir aizgājis par tālu?
Debates par ētiku, regulējumu un to, kur inovācijām vajadzētu novilkt robežas.

Kā mākslīgais intelekts ietekmē vidi: īss pārskats ⚡🌱

Ja atceraties tikai dažus punktus, dariet to šādi:

Un tad ir tā daļa, ko cilvēki aizmirst: mērogs . Viens mākslīgā intelekta vaicājums var būt mazs, bet miljardiem to ir pavisam cita būtne… kā niecīga sniega bumba, kas kaut kādā veidā pārvēršas dīvāna lieluma lavīnā. (Šī metafora ir nedaudz nepareiza, bet jūs sapratāt.) IEA: Enerģija un mākslīgais intelekts

Mākslīgā intelekta ietekme uz vidi nav viena lieta — tā ir vesela virkne 🧱🌎

Kad cilvēki strīdas par mākslīgo intelektu un ilgtspējību, viņi bieži runā viens otram garām, jo ​​norāda uz dažādiem slāņiem:

1) Aprēķiniet elektrību

2) Datu centra pieskaitāmās izmaksas

3) Ūdens un siltums

4) Aparatūras piegādes ķēde

5) Uzvedība un atsitiena efekti

Tātad, kad kāds jautā, kā mākslīgais intelekts ietekmē vidi, tiešā atbilde ir: tas atkarīgs no tā, kuru slāni jūs mērāt un ko “mākslīgais intelekts” nozīmē šajā situācijā.

Apmācība pret secinājumiem: atšķirība, kas visu maina 🧠⚙️

Cilvēkiem patīk runāt par apmācību, jo tas izklausās dramatiski — “viens modelis izmantoja X enerģiju”. Taču secinājumi ir klusais gigants. IEA: Enerģija un mākslīgais intelekts

Apmācība (lielā būvniecība)

Apmācība ir kā rūpnīcas būvniecība. Jūs maksājat sākotnējās izmaksas: lielu skaitļošanas apjomu, ilgu izpildes laiku, daudz izmēģinājumu un kļūdu (un jā, daudz iterāciju ar "ups, kas neizdevās, mēģiniet vēlreiz"). Apmācību var optimizēt, taču tā joprojām var būt ievērojama. IEA: Enerģija un mākslīgais intelekts

Secinājums (ikdienas lietošana)

Secinājumi ir kā rūpnīca, kas darbojas katru dienu, ikvienam, plašā mērogā:

  • Čatboti atbild uz jautājumiem

  • Attēlu ģenerēšana

  • Meklēšanas rangs

  • Ieteikumi

  • Runas pārveidošana tekstā

  • Krāpšanas atklāšana

  • Koplietošanas iespējas dokumentos un koda rīkos

Pat ja katrs pieprasījums ir relatīvi neliels, lietošanas apjoms var apdraudēt apmācību. Tā ir klasiska situācija "viens salmiņš nav nekas, miljons salmiņu ir problēma". IEA: Enerģija un mākslīgais intelekts

Neliela piezīme — daži mākslīgā intelekta uzdevumi ir daudz smagāki nekā citi. Attēlu vai garu video ģenerēšana parasti patērē vairāk enerģijas nekā īsu tekstu klasificēšana. Tāpēc “mākslīgā intelekta” apvienošana vienā grupā ir līdzīga velosipēda un kravas kuģa salīdzināšanai un abu nosaukšanai par “transportu”. IEA: Enerģija un mākslīgais intelekts

Datu centri: enerģija, dzesēšana un klusais ūdens stāsts 💧🏢

Datu centri nav nekas jauns, taču mākslīgais intelekts maina intensitāti. Augstas veiktspējas paātrinātāji šaurās telpās var patērēt daudz enerģijas, kas pārvēršas siltumā, kas ir jāpārvalda. LBNL (2024): Amerikas Savienoto Valstu datu centru enerģijas patēriņa ziņojums (PDF) IEA: Enerģija un mākslīgais intelekts

Dzesēšanas pamati (vienkāršoti, bet praktiski)

Tāds ir kompromiss: dažreiz elektroenerģijas patēriņu var samazināt, izmantojot ūdens dzesēšanu. Atkarībā no vietējā ūdens trūkuma tas var būt labi... vai arī tā var būt nopietna problēma. Li et al. (2023): Padarīt mākslīgo intelektu mazāk “slāpjušu” (PDF)

Tāpat ietekme uz vidi ir ļoti atkarīga no:

Atklāti sakot: publiskajā diskusijā "datu centrs" bieži tiek uzskatīts par melnu kasti. Tas nav ļaunums, tas nav maģisks. Tā ir infrastruktūra. Tā uzvedas kā infrastruktūra.

Mikroshēmas un aparatūra: daļa, ko cilvēki izlaiž, jo tā ir mazāk seksīga 🪨🔧

Mākslīgais intelekts balstās uz aparatūru. Aparatūrai ir dzīves cikls, un dzīves cikla ietekme var būt liela. ASV Vides aizsardzības aģentūra: Pusvadītāju rūpniecība ITU: Globālais elektronisko atkritumu monitorings 2024. gadam

Kur izpaužas ietekme uz vidi

Elektroniskie atkritumi un “pilnīgi labi” serveri

Liela daļa kaitējuma videi nerodas vienas esošas ierīces dēļ, bet gan no tās priekšlaicīgas nomaiņas, jo tā vairs nav rentabla. Mākslīgais intelekts to paātrina, jo veiktspējas lēcieni var būt lieli. Kārdinājums atjaunināt aparatūru ir reāls. ITU: Globālais elektronisko atkritumu monitorings 2024. gadam.

Praktisks apsvērums: aparatūras kalpošanas laika pagarināšana, izmantošanas uzlabošana un atjaunošana var būt tikpat svarīga kā jebkura izsmalcināta modeļa pielāgošana. Dažreiz videi draudzīgākais grafiskais procesors ir tas, ko nepērk. (Tas izklausās pēc saukļa, bet tas ir arī... zināmā mērā patiess.)

Kā mākslīgais intelekts ietekmē vidi: uzvedības cikls “cilvēki to aizmirst” 🔁😬

Lūk, neveiklā sociālā daļa: mākslīgais intelekts visu atvieglo, tāpēc cilvēki dara vairāk. Tas var būt brīnišķīgi — lielāka produktivitāte, lielāka radošums, plašāka piekļuve. Taču tas var nozīmēt arī lielāku kopējo resursu izmantošanu. ESAO (2012): Energoefektivitātes uzlabojumu daudzveidīgie ieguvumi (PDF)

Piemēri:

  • Ja mākslīgais intelekts padara video ģenerēšanu lētu, cilvēki ģenerē vairāk video.

  • Ja mākslīgais intelekts padara reklāmu efektīvāku, tiek rādīts vairāk reklāmu un veidojas vairāk iesaistes ciklu.

  • Ja mākslīgais intelekts padarīs pārvadājumu loģistiku efektīvāku, e-komercijas mērogojamība būs vēl sarežģītāka.

Tas nav iemesls panikai. Tas ir iemesls, lai mērītu rezultātus, ne tikai efektivitāti.

Nepilnīga, bet jautra metafora: mākslīgā intelekta efektivitāte ir kā pusaudzim iedot lielāku ledusskapi — jā, pārtikas uzglabāšana uzlabojas, bet kaut kā ledusskapis pēc dienas atkal ir tukšs. Ne perfekta metafora, bet… jūs jau esat to redzējuši notiekam 😅

Pozitīvais: Mākslīgais intelekts var patiesi palīdzēt videi (ja tas ir pareizi mērķēts) 🌿✨

Tagad par to daļu, kas tiek nepietiekami novērtēta: mākslīgais intelekts var samazināt emisijas un atkritumus esošajās sistēmās, kas ir… atklāti sakot, neeleganti. IEA: Mākslīgais intelekts enerģijas optimizācijai un inovācijām.

Jomas, kurās mākslīgais intelekts var palīdzēt

Svarīga nianse: mākslīgā intelekta “palīdzība” automātiski nekompensē mākslīgā intelekta ietekmi. Tas ir atkarīgs no tā, vai mākslīgais intelekts tiek faktiski ieviests, faktiski izmantots un vai tas noved pie reāliem samazinājumiem, nevis tikai labākiem informācijas paneļiem. Taču jā, potenciāls ir reāls. IEA: mākslīgais intelekts enerģijas optimizācijai un inovācijām.

Kas veido labu videi draudzīgu mākslīgā intelekta versiju? ✅🌍

Šī ir sadaļa “labi, un ko mums darīt”. Labai, videi draudzīgai mākslīgā intelekta sistēmai parasti ir:

  • Skaidra lietošanas gadījuma vērtība : ja modelis nemaina lēmumus vai rezultātus, tas ir tikai iedomāts aprēķins.

  • Iebūvēti mērījumi : Enerģijas, oglekļa emisiju aprēķini, izmantošana un efektivitātes rādītāji, kas tiek izsekoti tāpat kā jebkurš cits KPI. CodeCarbon: Metodoloģija

  • Pareiza izmēra modeļi : Izmantojiet mazākus modeļus, ja mazāki modeļi ir piemēroti. Būt efektīvam nav morāla kļūme.

  • Efektīva secinājumu izstrāde : kešatmiņa, partijveida apstrāde, kvantēšana, izguve un labi pamudinājumu modeļi. Gholami et al. (2021): Kvantēšanas metožu pārskats (PDF) Lewis et al. (2020): Izguves papildināta ģenerēšana

  • Aparatūras un atrašanās vietas apzināšanās : veiciet darba slodzes vietās, kur tīkls ir tīrāks un infrastruktūra ir efektīva (ja iespējams). Oglekļa intensitātes API (GB)

  • Ilgāks aparatūras kalpošanas laiks : maksimāla izmantošana, atkārtota izmantošana un atjaunošana. ITU: Globālais elektronisko atkritumu monitorings 2024. gadā.

  • Tieša ziņošana : izvairieties no zaļmaldināšanas valodas un neskaidriem apgalvojumiem, piemēram, “videi draudzīgs mākslīgais intelekts” bez skaitļiem.

Ja jūs joprojām sekojat līdzi, kā mākslīgais intelekts ietekmē vidi, tad šis ir brīdis, kad atbilde vairs nav filozofiska un kļūst operatīva: tā ietekmē to, pamatojoties uz jūsu izvēlēm.

Salīdzināšanas tabula: rīki un pieejas, kas faktiski samazina ietekmi 🧰⚡

Zemāk ir sniegta ātra un praktiska tabula. Tā nav perfekta, un jā, dažas šūnas ir nedaudz subjektīvas… jo tieši tā darbojas īsta rīku izvēle.

Rīks/pieeja Auditorija Cena Kāpēc tas darbojas
Oglekļa/enerģijas izsekošanas bibliotēkas (izpildes laika novērtētāji) Mūzikas spēles komandas Brīvības pieskaņa Nodrošina pārredzamību — kas ir puse no uzvaras, pat ja aprēķini ir nedaudz neskaidri… CodeCarbon
Aparatūras jaudas uzraudzība (GPU/CPU telemetrija) Infrasarkanā + mašīnmācīšanās Bezmaksas Mēra reālo patēriņu; labs salīdzinošai novērtēšanai (neuzkrītošs, bet zelta krāsā)
Modeļa destilācija Mašīnmācīšanās inženieri Bez maksas (laika izmaksas 😵) Mazāki studentu modeļi bieži vien atbilst veiktspējai ar daudz mazākām secinājumu izmaksām Hinton et al. (2015): Zināšanu destilēšana neironu tīklā
Kvantizācija (zemākas precizitātes secinājums) Mākslas darbs + produkts Bezmaksas Samazina latentumu un enerģijas patēriņu; dažreiz ar nelieliem kvalitātes kompromisiem, dažreiz bez tiem Gholami et al. (2021): Kvantēšanas metožu pārskats (PDF)
Kešatmiņas + partijveida apstrādes secinājumi Produkts + platforma Bezmaksas Samazina lieku aprēķinu apjomu; īpaši noderīgi atkārtotām uzvednēm vai līdzīgiem pieprasījumiem
Izguves paplašinātā ģenerēšana (RAG) Lietotņu komandas Jaukts Atslogo “atmiņu” izguvei; var samazināt nepieciešamību pēc lieliem konteksta logiem Lūiss un līdzautori (2020): Atgūšanas papildinātā ģenerēšana
Darba slodžu plānošana pēc oglekļa intensitātes Infrastruktūra/operācijas Jaukts Elastīgas darba vietas tiek pārceltas uz tīrāku elektrisko logu pacēlāju darbu — tomēr ir nepieciešama koordinācija Oglekļa intensitātes API (GB)
Datu centra efektivitātes fokuss (izmantošana, konsolidācija) IT vadība Apmaksāts (parasti) Vismazāk glaunā svira, bet bieži vien lielākā — pārtraukt darbināt pustukšas sistēmas Zaļais tīkls: PUE
Siltuma atkārtotas izmantošanas projekti Iekārtas Tas ir atkarīgs no Pārvērš siltuma pārpalikumu vērtībā; ne vienmēr tas ir iespējams, bet, kad tas ir iespējams, tas ir diezgan skaisti
"Vai mums šeit vispār ir vajadzīgs mākslīgais intelekts?" pārbaudiet Ikviens Bezmaksas Novērš bezjēdzīgu skaitļošanu. Visefektīvākā optimizācija ir atteikšanās (dažreiz)

Ievēro, kā trūkst? “Nopērc burvju zaļo uzlīmi.” Tādas nav 😬

Praktiska rokasgrāmata: mākslīgā intelekta ietekmes samazināšana, nenogalinot produktu 🛠️🌱

Ja veidojat vai iegādājaties mākslīgā intelekta sistēmas, šeit ir reālistiska secība, kas darbojas praksē:

1. darbība. Sāciet ar mērījumiem

  • Izsekojiet enerģijas patēriņu vai konsekventi novērtējiet to. CodeCarbon: Metodoloģija

  • Mērījums katrā apmācības reizē un katrā secinājumu pieprasījumā.

  • Noslodzes uzraudzība — dīkstāves resursi mēdz paslēpties redzamā vietā. Zaļais tīkls: PUE

2. darbība. Pielāgojiet modeli darbam atbilstoši izmēram

  • Klasifikācijai, ieguvei un maršrutēšanai izmantojiet mazākus modeļus.

  • Saglabājiet smago modeli cietajiem futrāļiem.

  • Apsveriet “modeļu kaskādi”: vispirms mazs modelis, lielāks modelis tikai nepieciešamības gadījumā.

3. darbība: secinājumu optimizēšana (šeit iedarbojas mērogs)

  • Kešatmiņa : saglabājiet atbildes atkārtotiem vaicājumiem (ar rūpīgu privātuma kontroli).

  • Partijas apstrāde : grupējiet pieprasījumus, lai uzlabotu aparatūras efektivitāti.

  • Īsāki rezultāti : gari rezultāti maksā vairāk — dažreiz eseja nav nepieciešama.

  • Uzvednes disciplīna : nekārtīgas uzvednes rada garākus aprēķinu ceļus… un jā, vairāk žetonu.

4. darbība. Uzlabojiet datu higiēnu

Tas izklausās nesaistīti, bet tā nav:

  • Tīrākas datu kopas var samazināt atkārtotas apmācības mainību.

  • Mazāk trokšņa nozīmē mazāk eksperimentu un mazāk izšķērdētu izmēģinājumu.

5. darbība. Izturieties pret aparatūru kā pret resursu, nevis kā pret vienreizlietojamu lietu

6. darbība. Gudri izvēlieties izvietošanu

  • Veiciet elastīgus darbus, kuros enerģija ir tīrāka, ja vien tas ir iespējams. Oglekļa intensitātes API (GB)

  • Samaziniet nevajadzīgo replikāciju.

  • Saglabājiet latentuma mērķus reālistiskus (ļoti zems latentums var piespiest neefektīvus vienmēr ieslēgtus iestatījumus).

Un jā… dažreiz labākais solis ir vienkārši: automātiski nepalaist lielāko modeli katrai lietotāja darbībai. Šis ieradums ir vides ziņā līdzvērtīgs visu gaismu atstāšanai ieslēgtas, jo iešana līdz slēdzim ir kaitinoša.

Izplatītākie mīti (un kas ir tuvāk patiesībai) 🧠🧯

Mīts: “Mākslīgais intelekts vienmēr ir sliktāks par tradicionālo programmatūru”

Patiesība: Mākslīgais intelekts var prasīt lielāku skaitļošanas jaudu, taču tas var arī aizstāt neefektīvus manuālus procesus, samazināt atkritumus un optimizēt sistēmas. Tas ir situatīvs. IEA: Mākslīgais intelekts enerģijas optimizācijai un inovācijām.

Mīts: “Apmācība ir vienīgā problēma”

Patiesība: Secinājumi mērogā var dominēt laika gaitā. Ja jūsu produkta lietošana strauji pieaug, tas kļūst par galveno stāstu. IEA: Enerģija un mākslīgais intelekts

Mīts: “Atjaunojamie energoresursi to atrisina acumirklī”

Patiesība: Tīrāka elektrība ļoti palīdz, taču neizdzēš aparatūras ietekmi, ūdens patēriņu vai atsitiena efektus. Tomēr tā joprojām ir svarīga. IEA: Enerģija un mākslīgais intelekts

Mīts: “Ja tas ir efektīvs, tas ir ilgtspējīgs”

Patiesība: Efektivitāte bez pieprasījuma kontroles joprojām var palielināt kopējo ietekmi. Tas ir atsitiena slazds. ESAO (2012): Energoefektivitātes uzlabojumu daudzpusīgās priekšrocības (PDF)

Pārvaldība, pārredzamība un ne teatralitāte 🧾🌍

Ja esat uzņēmums, tieši šeit tiek veidota vai zūd uzticēšanās.

Šajā brīdī cilvēki vienkārši iemīlas, bet tam ir nozīme. Atbildīga tehnoloģija nav tikai gudra inženierija. Tā ir arī neizlikšanās, ka kompromisu nav.

Noslēguma kopsavilkums: īss pārskats par to, kā mākslīgais intelekts ietekmē vidi 🌎✅

Kā mākslīgais intelekts ietekmē vidi, ir atkarīgs no papildu slodzes: elektrības, ūdens (dažreiz) un aparatūras pieprasījuma. IEA: Enerģētika un mākslīgais intelekts Li et al. (2023): Making AI Less “Thirsty” (PDF) Tas piedāvā arī jaudīgus rīkus emisiju un atkritumu samazināšanai citās nozarēs. IEA: Mākslīgais intelekts enerģijas optimizācijai un inovācijām Gala rezultāts ir atkarīgs no mēroga, tīkla tīrības, efektivitātes izvēlēm un no tā, vai mākslīgais intelekts risina reālas problēmas vai tikai rada jaunumu jaunuma pēc. IEA: Enerģētika un mākslīgais intelekts

Ja vēlaties vienkāršāko praktisko secinājumu:

  • Mērs.

  • Pareizais izmērs.

  • Optimizēt secinājumus.

  • Pagariniet aparatūras kalpošanas laiku.

  • Esiet atklāti par kompromisiem.

Un, ja jūtaties nomākts, lūk, nomierinoša patiesība: mazi operatīvi lēmumi, kas atkārtoti tūkstoš reižu, parasti pārspēj vienu lielu ilgtspējības apgalvojumu. Līdzīgi kā zobu tīrīšana. Nav glauns, bet tas darbojas… 😄🪥

Bieži uzdotie jautājumi

Kā mākslīgais intelekts ietekmē vidi ikdienas lietošanā, ne tikai lielās pētniecības laboratorijās?

Lielāko daļu mākslīgā intelekta ietekmes rada elektrība, kas darbina datu centrus, kuros darbojas GPU un CPU gan apmācības, gan ikdienas "secinājumu" laikā. Viens pieprasījums varētu būt neliels, taču lielā mērogā šie pieprasījumi ātri uzkrājas. Ietekme ir atkarīga arī no datu centra atrašanās vietas, vietējā tīkla tīrības un infrastruktūras darbības efektivitātes.

Vai mākslīgā intelekta modeļa apmācība ir videi kaitīgāka nekā tā izmantošana (secināšana)?

Apmācība var būt liels, sākotnējs skaitļošanas apjoms, taču secinājumu veikšana laika gaitā var kļūt par lielāku nospiedumu, jo tā darbojas pastāvīgi un milzīgā mērogā. Ja rīku katru dienu izmanto miljoniem cilvēku, atkārtotie pieprasījumi var atsvērt vienreizējās apmācības izmaksas. Tāpēc optimizācija bieži koncentrējas uz secinājumu efektivitāti.

Kāpēc mākslīgais intelekts izmanto ūdeni, un vai tā vienmēr ir problēma?

Mākslīgais intelekts var izmantot ūdeni galvenokārt tāpēc, ka daži datu centri izmanto ūdens dzesēšanu vai arī tāpēc, ka ūdens tiek patērēts netieši, ražojot elektroenerģiju. Noteiktos klimatiskajos apstākļos iztvaikošanas dzesēšana var samazināt elektroenerģijas patēriņu, vienlaikus palielinot ūdens patēriņu, radot patiesu kompromisu. Tas, vai tā ir “slikta”, ir atkarīgs no vietējā ūdens trūkuma, dzesēšanas projekta un no tā, vai ūdens patēriņš tiek mērīts un pārvaldīts.

Kura daļa no mākslīgā intelekta ietekmes uz vidi rodas no aparatūras un elektroniskajiem atkritumiem?

Mākslīgais intelekts ir atkarīgs no mikroshēmām, serveriem, tīkla iekārtām, ēkām un piegādes ķēdēm, kas nozīmē ieguvi, ražošanu, piegādi un galu galā utilizāciju. Pusvadītāju ražošana ir energoietilpīga, un ātri jaunināšanas cikli var palielināt ietvertās emisijas un elektroniskos atkritumus. Aparatūras kalpošanas laika pagarināšana, atjaunošana un izmantošanas uzlabošana var ievērojami samazināt ietekmi, dažkārt konkurējot ar izmaiņām modeļa līmenī.

Vai atjaunojamās enerģijas izmantošana atrisina mākslīgā intelekta ietekmi uz vidi?

Tīrāka elektroenerģija var samazināt skaitļošanas radītās emisijas, taču tā neizslēdz citas ietekmes, piemēram, ūdens patēriņu, aparatūras ražošanu un elektronisko atkritumus. Tā arī automātiski nenovērš "atsitiena efektu", kur zemākas skaitļošanas izmaksas kopumā palielina patēriņu. Atjaunojamie energoresursi ir svarīgs faktors, taču tie ir tikai viena daļa no ietekmes uz vidi.

Kas ir atsitiena efekts un kāpēc tas ir svarīgs mākslīgajam intelektam un ilgtspējībai?

Atsitiena efekts rodas, kad efektivitātes pieaugums padara kaut ko lētāku vai vienkāršāku, tāpēc cilvēki to dara vairāk, dažreiz ietaupījumi tiek iznīcināti. Izmantojot mākslīgo intelektu, lētāka enerģijas ražošana vai automatizācija var palielināt kopējo pieprasījumu pēc satura, skaitļošanas un pakalpojumiem. Tāpēc rezultātu mērīšana praksē ir svarīgāka nekā efektivitātes cildināšana atsevišķi.

Kādi ir praktiski veidi, kā samazināt mākslīgā intelekta ietekmi, nekaitējot produktam?

Izplatīta pieeja ir sākt ar mērījumiem (enerģijas un oglekļa emisiju aprēķini, izmantošana), pēc tam pielāgot uzdevumam atbilstoša izmēra modeļus un optimizēt secinājumus, izmantojot kešatmiņu, partijveida apstrādi un īsākus izvades laikus. Tādas metodes kā kvantizācija, destilācija un ar izgūšanu papildināta ģenerēšana var samazināt skaitļošanas vajadzības. Operacionālās izvēles, piemēram, darba slodzes plānošana pēc oglekļa emisiju intensitātes un ilgāks aparatūras kalpošanas laiks, bieži vien sniedz lielus ieguvumus.

Kā mākslīgais intelekts var palīdzēt videi, nevis tai kaitēt?

Mākslīgais intelekts var samazināt emisijas un atkritumus, ja to izmanto reālu sistēmu optimizēšanai: tīkla prognozēšanai, pieprasījuma reakcijai, ēku HVAC kontrolei, loģistikas maršrutēšanai, paredzamajai apkopei un noplūžu noteikšanai. Tas var arī atbalstīt vides monitoringu, piemēram, mežu izciršanas brīdinājumus un metāna noteikšanu. Galvenais ir tas, vai sistēma maina lēmumus un rada izmērāmus samazinājumus, ne tikai labākus informācijas paneļus.

Kādus rādītājus uzņēmumiem vajadzētu ziņot, lai izvairītos no mākslīgā intelekta "zaļmaldināšanas" apgalvojumiem?

Ir jēgpilnāk ziņot par metriku pa uzdevumiem vai pieprasījumiem, nevis tikai par lieliem kopējiem skaitļiem, jo ​​tas parāda efektivitāti vienības līmenī. Enerģijas patēriņa, oglekļa emisiju aprēķinu, izmantošanas un — attiecīgā gadījumā — ietekmes uz ūdeni izsekošana rada skaidrāku pārskatatbildību. Svarīgi ir arī definēt robežas (kas ir iekļauts) un izvairīties no neskaidriem apzīmējumiem, piemēram, “videi draudzīgs mākslīgais intelekts” bez kvantitatīviem pierādījumiem.

Atsauces

  1. Starptautiskā Enerģētikas aģentūra (IEA) — Enerģētika un mākslīgais intelekts — iea.org

  2. Starptautiskā Enerģētikas aģentūra (IEA) — Mākslīgais intelekts enerģijas optimizācijai un inovācijām — iea.org

  3. Starptautiskā Enerģētikas aģentūra (IEA) — Digitalizācija — iea.org

  4. Lorensa Bērklija Nacionālā laboratorija (LBNL) — Amerikas Savienoto Valstu datu centra enerģijas patēriņa ziņojums (2024. g.) (PDF) — lbl.gov

  5. Li et al. - Kā padarīt mākslīgo intelektu mazāk “izslāpušu” (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) — Šķidruma dzesēšanas parādīšanās un paplašināšanās tradicionālajos datu centros (PDF) — ashrae.org

  7. Zaļais tīkls — PUE — visaptveroša metrikas pārbaude — thegreengrid.org

  8. ASV Enerģētikas departaments (DOE) — FEMP — Dzesēšanas ūdens efektivitātes iespējas federālajiem datu centriem — energy.gov

  9. ASV Enerģētikas departaments (DOE) — FEMP — Energoefektivitāte datu centros — energy.gov

  10. ASV Vides aizsardzības aģentūra (EPA) — Pusvadītāju rūpniecība — epa.gov

  11. Starptautiskā Telekomunikāciju savienība (ITU) — Globālais elektronisko atkritumu monitorings 2024. gadam — itu.int

  12. ESAO — Energoefektivitātes uzlabojumu daudzpusējie ieguvumi (2012. g.) (PDF) — oecd.org

  13. Oglekļa intensitātes API (GB) — carbonintensity.org.uk

  14. imec — Mikroshēmu ražošanas ietekmes uz vidi samazināšana — imec-int.com

  15. UNEP — Kā darbojas MARS — unep.org

  16. Globālais mežu vērotājs — GLAD brīdinājumi par mežu izciršanu — globalforestwatch.org

  17. Alana Tjūringa institūts — mākslīgais intelekts un autonomās sistēmas bioloģiskās daudzveidības un ekosistēmu veselības novērtēšanai — turing.ac.uk

  18. CodeCarbon — Metodoloģija — mlco2.github.io

  19. Gholami et al. - Kvantēšanas metožu pārskats (2021) (PDF) - arxiv.org

  20. Lūiss un līdzautori — Atgūšanas papildinātā paaudze (2020. g.) — arxiv.org

  21. Hintons u. c. — Zināšanu destilēšana neironu tīklā (2015. gads) — arxiv.org

  22. CodeCarbon — codecarbon.io

Atrodiet jaunāko mākslīgo intelektu oficiālajā mākslīgā intelekta palīgu veikalā

Par mums

Atpakaļ uz emuāru