Kako umjetna inteligencija utječe na okoliš?

Kako umjetna inteligencija utječe na okoliš?

Kratak odgovor: Umjetna inteligencija utječe na okoliš uglavnom kroz korištenje električne energije u podatkovnim centrima (i obuka i svakodnevno zaključivanje), uz vodu za hlađenje, plus utjelovljene utjecaje proizvodnje hardvera i elektroničkog otpada. Ako se upotreba proširi na milijarde upita, zaključivanje može nadmašiti obuku; ako su mreže čišće, a sustavi učinkoviti, utjecaji se smanjuju, dok koristi mogu rasti.

Ključne zaključke:

Električna energija: Praćenje korištenja računalstva; emisije se smanjuju kada se radna opterećenja izvode na čistijim mrežama.

Voda: Izbori hlađenja mijenjaju utjecaje; metode na bazi vode najvažnije su u rijetkim regijama.

Hardver: Čipovi i serveri imaju značajan utjecaj; produžuju vijek trajanja i daju prioritet obnovi.

Oporavak: Učinkovitost može povećati ukupnu potražnju; mjerite rezultate, ne samo dobitke po zadatku.

Operativne poluge: Odredite modele prave veličine, optimizirajte zaključivanje i transparentno izvještavajte o metrikama po zahtjevu.

Kako umjetna inteligencija utječe na okoliš? Infografika

Članci koje biste možda željeli pročitati nakon ovog:

🔗 Je li umjetna inteligencija loša za okoliš?
Istražite ugljični otisak umjetne inteligencije, potrošnju električne energije i zahtjeve podatkovnih centara.

🔗 Zašto je umjetna inteligencija loša za društvo?
Pogledajte pristranost, poremećaje u radu, dezinformacije i sve veću društvenu nejednakost.

🔗 Zašto je umjetna inteligencija loša? Tamna strana umjetne inteligencije
Razumjeti rizike poput nadzora, manipulacije i gubitka ljudske kontrole.

🔗 Je li umjetna inteligencija otišla predaleko?
Rasprave o etici, regulaciji i gdje bi inovacije trebale povući granice.

Kako umjetna inteligencija utječe na okoliš: brzi pregled ⚡🌱

Ako se sjećate samo nekoliko točaka, neka budu ove:

A onda postoji dio koji ljudi zaboravljaju: skala. Jedan upit umjetne inteligencije može biti malen, ali milijarde njih su sasvim druga zvijer... poput malene grude snijega koja nekako postane lavina veličine sofe. (Ta metafora je malo čudna, ali shvaćate.) IEA: Energija i umjetna inteligencija

Ekološki otisak umjetne inteligencije nije jedna stvar - to je hrpa 🧱🌎

Kada se ljudi prepiru o umjetnoj inteligenciji i održivosti, često zanemaruju jedni druge jer ukazuju na različite slojeve:

1) Izračunajte električnu energiju

2) Troškovi podatkovnog centra

3) Voda i toplina

4) Lanac opskrbe hardverom

5) Ponašanje i povratni učinci

Dakle, kada netko pita kako umjetna inteligencija utječe na okoliš, izravan odgovor je: ovisi o tome koji sloj mjerite i što "umjetna inteligencija" znači u toj situaciji.

Trening vs. zaključivanje: razlika koja mijenja sve 🧠⚙️

Ljudi vole pričati o obuci jer zvuči dramatično - „jedan model je koristio X energije.“ Ali inferencija je tihi div. IEA: Energija i umjetna inteligencija

Trening (velika gradnja)

Obuka je kao gradnja tvornice. Plaćate početne troškove: opterećenje računanjem, dugo vrijeme izvođenja, puno pokušaja i pogrešaka (i da, puno iteracija tipa "ups, nije uspjelo, pokušajte ponovno"). Obuka se može optimizirati, ali i dalje može biti značajna. IEA: Energija i umjetna inteligencija

Zaključivanje (svakodnevna upotreba)

Zaključivanje je poput tvornice koja radi svaki dan, za sve, u velikom obimu:

  • Chatbotovi odgovaraju na pitanja

  • Generiranje slike

  • Rangiranje u pretraživanju

  • Preporuke

  • Pretvaranje govora u tekst

  • Otkrivanje prijevara

  • Kopiloti u dokumentima i alatima za kodiranje

Čak i ako je svaki zahtjev relativno malen, količina korištenja može zasjeniti obuku. To je klasična situacija „jedna slamka nije ništa, milijun slamki je problem“. IEA: Energija i umjetna inteligencija

Mala napomena - neki zadaci umjetne inteligencije puno su teži od drugih. Generiranje slika ili dugih videozapisa obično troši više energije nego klasifikacija kratkog teksta. Dakle, svrstavanje „umjetne inteligencije“ u jednu kategoriju pomalo je kao usporedba bicikla s teretnim brodom i nazivanje oba „prijevozom“. IEA: Energija i umjetna inteligencija

Podatkovni centri: napajanje, hlađenje i ta tiha priča o vodi 💧🏢

Podatkovni centri nisu novost, ali umjetna inteligencija mijenja intenzitet. Visokoučinkoviti akceleratori mogu u skučenim prostorima povlačiti puno energije, što se pretvara u toplinu, kojom se mora upravljati. LBNL (2024.): Izvješće o korištenju energije podatkovnih centara Sjedinjenih Država (PDF) IEA: Energija i umjetna inteligencija

Osnove hlađenja (pojednostavljeno, ali praktično)

To je kompromis: ponekad možete smanjiti potrošnju električne energije oslanjajući se na hlađenje na bazi vode. Ovisno o lokalnoj nestašici vode, to može biti u redu... ili može biti stvarni problem. Li i sur. (2023.): Kako učiniti umjetnu inteligenciju manje „žednom“ (PDF)

Također, utjecaj na okoliš uvelike ovisi o:

Iskreno rečeno: u javnom razgovoru se „podatkovni centar“ često tretira kao crna kutija. Nije zlo, nije magično. To je infrastruktura. Ponaša se kao infrastruktura.

Čipovi i hardver: dio koji ljudi preskaču jer je manje seksi 🪨🔧

Umjetna inteligencija živi od hardvera. Hardver ima životni ciklus, a utjecaji na životni ciklus mogu biti veliki. US EPA: Industrija poluvodiča ITU: Globalni monitor elektroničkog otpada 2024.

Gdje se očituje utjecaj na okoliš

E-otpad i "savršeno ispravni" serveri

Velika šteta za okoliš ne proizlazi iz jednog postojećeg uređaja - već iz njegove rane zamjene jer više nije isplativ. Umjetna inteligencija to ubrzava jer skokovi u performansama mogu biti veliki. Iskušenje osvježavanja hardvera je stvarno. ITU: Globalni monitor elektroničkog otpada 2024.

Praktična stvar: produljenje vijeka trajanja hardvera, poboljšanje iskorištenosti i obnova mogu biti jednako važni kao i bilo koje otmjeno podešavanje modela. Ponekad je najzeleniji GPU onaj koji ne kupite. (To zvuči kao slogan, ali je također... donekle istinito.)

Kako umjetna inteligencija utječe na okoliš: petlja ponašanja „ljudi to zaboravljaju“ 🔁😬

Evo neugodnog društvenog dijela: umjetna inteligencija olakšava stvari, pa ljudi rade više stvari. To može biti divno - veća produktivnost, više kreativnosti, veći pristup. Ali to također može značiti veću ukupnu upotrebu resursa. OECD (2012.): Višestruke koristi poboljšanja energetske učinkovitosti (PDF)

Primjeri:

  • Ako umjetna inteligencija pojeftinjuje generiranje videa, ljudi će generirati više videa.

  • Ako umjetna inteligencija učini oglašavanje učinkovitijim, prikazat će se više oglasa i zavrtjeti će se više petlji angažmana.

  • Ako umjetna inteligencija učini logistiku dostave učinkovitijom, e-trgovina se može još više skalirati.

Ovo nije razlog za paniku. To je razlog za mjerenje rezultata, ne samo učinkovitosti.

Nesavršena, ali zabavna metafora: Učinkovitost umjetne inteligencije je kao da tinejdžeru date veći hladnjak - da, pohrana hrane se poboljšava, ali nekako je hladnjak opet prazan za jedan dan. Nije savršena metafora, ali... vidjeli ste da se to događa 😅

Prednost: Umjetna inteligencija može istinski pomoći okolišu (kada je pravilno usmjerena) 🌿✨

A sada dio koji se podcjenjuje: umjetna inteligencija može smanjiti emisije i otpad u postojećim sustavima koji su... iskreno, neelegantni. IEA: umjetna inteligencija za optimizaciju energije i inovacije

Područja u kojima umjetna inteligencija može pomoći

Važna nijansa: „pomaganje“ umjetne inteligencije ne umanjuje automatski utjecaj umjetne inteligencije. Ovisi o tome je li umjetna inteligencija stvarno implementirana, stvarno korištena i dovodi li do stvarnih smanjenja, a ne samo do boljih nadzornih ploča. Ali da, potencijal je stvaran. IEA: Umjetna inteligencija za optimizaciju energije i inovacije

Što čini dobru verziju ekološki prihvatljive umjetne inteligencije? ✅🌍

Ovo je odjeljak „u redu, što bismo trebali učiniti“. Dobra ekološki odgovorna umjetna inteligencija obično ima:

Ako još uvijek pratite kako umjetna inteligencija utječe na okoliš, ovo je točka u kojoj odgovor prestaje biti filozofski i postaje operativan: utječe na njega na temelju vaših izbora.

Tablica usporedbe: alati i pristupi koji zapravo smanjuju utjecaj 🧰⚡

Ispod je brza, praktična tablica. Nije savršena i da, nekoliko ćelija je pomalo neodređeno... jer tako funkcionira pravi odabir alata.

Alat / Pristup Publika Cijena Zašto to funkcionira
Biblioteke za praćenje ugljika/energije (estimatori za vrijeme izvođenja) Timovi strojnog učenja Slobodno Pruža vidljivost - što je pola bitke, čak i ako su procjene malo nejasne… CodeCarbon
Praćenje hardverske potrošnje energije (telemetrija GPU/CPU-a) Infra + strojno učenje Besplatno Mjeri stvarnu potrošnju; dobro za mjerenje performansi (ne blještavo, ali zlatno)
Modelna destilacija Inženjeri strojnog učenja Besplatno (uzima vrijeme i novac 😵) Manji studentski modeli često postižu rezultate uz puno manje troškove zaključivanja Hinton i dr. (2015.): Destilacija znanja u neuronskoj mreži
Kvantizacija (zaključivanje niže preciznosti) ML + proizvod Besplatno Smanjuje latenciju i potrošnju energije; ponekad s malim kompromisima u kvaliteti, ponekad bez ikakvih Gholami i dr. (2021): Pregled metoda kvantizacije (PDF)
Predmemoriranje + zaključivanje o grupiranju Proizvod + platforma Besplatno Smanjuje redundantno računanje; posebno korisno za ponovljene upite ili slične zahtjeve
Generiranje proširenim pronalaženjem (RAG) Timovi za aplikacije Mješovito Preusmjerava "memoriju" na dohvaćanje; može smanjiti potrebu za ogromnim kontekstnim prozorima Lewis i dr. (2020.): Generiranje proširenim pronalaženjem
Raspoređivanje radnih opterećenja prema intenzitetu ugljika Infrastruktura/operacije Mješovito Prebacuje fleksibilne poslove na čišće električne prozore - međutim, potrebna je koordinacija API za intenzitet ugljika (GB)
Fokus na učinkovitost podatkovnog centra (iskorištenost, konsolidacija) IT vodstvo Plaćeno (obično) Najmanje glamurozna poluga, ali često najveća - prestanite pokretati poluprazne sustave Zelena mreža: PUE
Projekti ponovne upotrebe topline Sadržaji Ovisi Pretvara otpadnu toplinu u vrijednost; nije uvijek izvedivo, ali kada jest, nekako je lijepo
"Treba li nam uopće umjetna inteligencija ovdje?" provjeri Svi Besplatno Sprječava besmisleno računanje. Najmoćnija optimizacija je reći ne (ponekad)

Primjećuješ li što nedostaje? „Kupi čarobnu zelenu naljepnicu.“ Ta ne postoji 😬

Praktični priručnik: smanjenje utjecaja umjetne inteligencije bez uništavanja proizvoda 🛠️🌱

Ako gradite ili kupujete AI sustave, evo realističnog slijeda koji funkcionira u praksi:

Korak 1: Započnite s mjerenjem

  • Pratite potrošnju energije ili je dosljedno procjenjujte. CodeCarbon: Metodologija

  • Mjeri se po izvođenju obuke i po zahtjevu za zaključivanje.

  • Pratite iskorištenost - neaktivni resursi imaju tendenciju da se skrivaju na vidljivom mjestu. Zelena mreža: PUE

Korak 2: Prilagodite model veličini posla

  • Koristite manje modele za klasifikaciju, ekstrakciju, usmjeravanje.

  • Teški model sačuvajte za tvrde slučajeve.

  • Razmotrite „kaskadu modela“: prvo mali model, veći model samo ako je potrebno.

Korak 3: Optimizirajte zaključivanje (tu je bitan faktor skaliranja)

  • Predmemoriranje: pohrani odgovore za ponovljene upite (uz pažljive kontrole privatnosti).

  • Grupiranje: grupiranje zahtjeva za poboljšanje učinkovitosti hardvera.

  • Kraći radovi: dugi radovi koštaju više - ponekad vam esej nije potreban.

  • Disciplina promptova: neuredni prompti stvaraju duže računalne putove... i da, više tokena.

Korak 4: Poboljšajte higijenu podataka

Ovo zvuči nepovezano, ali nije:

  • Čistiji skupovi podataka mogu smanjiti odliv korisnika prilikom prekvalifikacije.

  • Manje buke znači manje eksperimenata i manje izgubljenih pokusa.

Korak 5: Tretirajte hardver kao imovinu, a ne kao jednokratnu robu

Korak 6: Mudro odaberite raspoređivanje

  • Obavljajte fleksibilne poslove gdje je energija čišća ako je moguće. Carbon Intensity API (GB)

  • Smanjite nepotrebno repliciranje.

  • Održavajte realne ciljeve latencije (ultra niska latencija može uzrokovati neučinkovite postavke stalnog uključivanja).

I da… ponekad je najbolji korak jednostavno: nemojte automatski pokretati najveći model za svaku pojedinu radnju korisnika. Ta je navika ekološki ekvivalent ostavljanja svakog svjetla upaljenim jer je hodanje do prekidača dosadno.

Uobičajeni mitovi (i što je bliže istini) 🧠🧯

Mit: „Umjetna inteligencija je uvijek gora od tradicionalnog softvera“

Istina: Umjetna inteligencija može biti računalno zahtjevnija, ali može i zamijeniti neučinkovite ručne procese, smanjiti otpad i optimizirati sustave. To je situacijsko. IEA: Umjetna inteligencija za optimizaciju energije i inovacije

Mit: „Trening je jedini problem“

Istina: Zaključivanje na velikoj skali može dominirati tijekom vremena. Ako upotreba vašeg proizvoda eksplodira, to postaje glavna priča. IEA: Energija i umjetna inteligencija

Mit: „Obnovljivi izvori to rješavaju odmah“

Istina: Čišća električna energija puno pomaže, ali ne briše utjecaj hardvera, potrošnju vode ili povratne efekte. Ipak je i dalje važna. IEA: Energija i umjetna inteligencija

Mit: „Ako je nešto učinkovito, onda je održivo“

Istina: Učinkovitost bez kontrole potražnje i dalje može povećati ukupni utjecaj. To je zamka povratnog efekta. OECD (2012.): Višestruke koristi poboljšanja energetske učinkovitosti (PDF)

Upravljanje, transparentnost i ne pretjerivanje 🧾🌍

Ako ste tvrtka, ovdje se gradi ili gubi povjerenje.

Ovo je dio gdje ljudi prevrću očima, ali je važno. Odgovorna tehnologija nije samo pametno inženjerstvo. Također se radi o tome da se ne pretvaramo da kompromisi ne postoje.

Završni sažetak: sažeti pregled utjecaja umjetne inteligencije na okoliš 🌎✅

Utjecaj umjetne inteligencije na okoliš svodi se na dodatno opterećenje: struju, vodu (ponekad) i potražnju za hardverom. IEA: Energija i umjetna inteligencija Li i dr. (2023.): Kako učiniti umjetnu inteligenciju manje „žednom“ (PDF) Također nudi moćne alate za smanjenje emisija i otpada u drugim sektorima. IEA: Umjetna inteligencija za optimizaciju energije i inovacije Neto rezultat ovisi o opsegu, čistoći mreže, izborima učinkovitosti i rješava li umjetna inteligencija stvarne probleme ili samo stvara novost radi novosti. IEA: Energija i umjetna inteligencija

Ako želite najjednostavniji praktični recept za van:

  • Mjera.

  • Prave veličine.

  • Optimizirajte zaključivanje.

  • Produžite vijek trajanja hardvera.

  • Budite iskreni oko kompromisa.

A ako se osjećate preopterećeno, evo jedne umirujuće istine: male operativne odluke, ponovljene tisuću puta, obično pobjeđuju jednu veliku izjavu o održivosti. Pomalo kao pranje zubi. Nije glamurozno, ali djeluje… 

Primjer iz stvarnog svijeta: Smanjenje utjecaja AI asistenta za korisničku podršku 🌱🎧

Scenarij

Zamislite da mali online trgovac želi koristiti umjetnu inteligenciju kako bi odgovorio na uobičajena pitanja kupaca o rokovima dostave, povratima, oštećenim paketima i veličinama proizvoda.

Prva verzija je rasipna: svaka poruka kupca ide izravno najvećem dostupnom modelu, čak i kada je pitanje jednostavno. Asistent također piše preduge odgovore, ponavlja tekst pravila i ponovno odgovara na ista pitanja tisuće puta umjesto da ponovno koristi odobrene odgovore.

Razumnija postavka nije "bez umjetne inteligencije". To je umjetna inteligencija prave veličine: koristite lakše alate za jednostavne zadatke, rezervirajte veći model za složene slučajeve i mjerite utjecaj po riješenom zahtjevu.

Što asistentu treba

Tim bi pripremio:

Važeća politika povrata

Pravila dostave po regijama

Napomene o veličini proizvoda

Kratka politika eskalacije za povrate novca, pritužbe i pravna pitanja

Popis od 50 uobičajenih pitanja kupaca

Odobreni kratki odgovori za ponovljena pitanja

Jednostavan popis za praćenje s: vrstom zahtjeva, korištenim modelom, duljinom odgovora, je li bila potrebna eskalacija i je li odgovor prošao ljudsku provjeru

Primjer upute

Prvo koristite najmanji prikladni model ili odgovor temeljen na pravilima. Veći model koristite samo kada je pitanje kupca nejasno, emocionalno, sadrži više problema ili zahtijeva kombiniranje informacija iz više od jedne politike. Odgovori trebaju biti kraći od 120 riječi, osim ako kupac ne traži detalje. Ako je samopouzdanje nisko, postavite jedno pojašnjavajuće pitanje ili eskalirajte čovjeku. Nemojte izmišljati datume isporuke, odobrenja povrata novca ili iznimke od politike.

Kako to testirati

Prije lansiranja provedite test s 50 ulaznica:

10 pitanja o dostavi

10 pitanja o povratu

10 pitanja o veličini proizvoda

10 pritužbi na oštećene artikle

10 miješanih ili nejasnih poruka

Za svaki odgovor, označite:

Je li korištena ispravna politika?

Je li keširani odobreni odgovor mogao riješiti problem?

Je li bio potreban veći model?

Je li asistent bio kratak?

Je li ikakav odgovor izmišljena informacija?

Jesu li osjetljivi slučajevi pravilno eskalirali?

Razumna prolazna ocjena bila bi nešto poput: 95% točnosti politika, 0 izmišljenih obećanja povrata novca i 100% eskalacije pritužbi koje uključuju sporove o plaćanju ili pravne prijetnje.

Proizlaziti

Ilustrativni rezultat, temeljen na mjerenju vremena i brojanju testa s 50 ulaznica prije i poslije optimizacije:

Prije optimizacije, svih 50 tiketa koristilo je veći model, s prosječnom duljinom odgovora od 210 riječi.

Nakon optimizacije, 31 tiket je koristio predmemorirane odobrene odgovore, 14 je koristilo manji model, a samo 5 je koristilo veći model.

Prosječna duljina odgovora pala je s 210 riječi na 92 ​​riječi.

Vrijeme ljudskog pregleda palo je s 4 sata i 10 minuta na 1 sat i 25 minuta.

Tim je u prvom testnom pokretanju pronašao 2 netočna odgovora na pravila, a zatim 0 netočnih odgovora na pravila nakon ažuriranja izvornih dokumenata i dodavanja jasnijih pravila eskalacije.

To ne dokazuje da je asistent „zelen“. To jednostavno pokazuje vrstu mjerenja koja čini tvrdnju o utjecaju na okoliš provjerljivom: manje poziva teških modela, kraći izlazi, manje ponovljenih generacija i manje ciklusa pregleda koji se mogu izbjeći.

Što može poći po zlu

Asistent i dalje može rasipati računalne resurse ako se svaka nejasna poruka usmjerava najvećem modelu "za svaki slučaj".

Spremljeni odgovori mogu postati rizični ako se promijeni politika povrata, a nitko ih ne ažurira.

Kratki odgovori mogu frustrirati kupce ako izostavljaju važne detalje.

Tvrdnje o ugljiku ili energiji mogu postati greenwashing ako tvrtka prijavljuje samo postotne uštede bez prikazivanja metode mjerenja.

Najveća pogreška je tretiranje izbora modela kao jedine poluge. U praksi, zeleniji tijek rada dolazi od usmjeravanja, keširanja, kraćih izlaza, boljih izvornih dokumenata i ljudskog pregleda za slučajeve visokog rizika.

Praktična informacija

Sustav umjetne inteligencije s manjim utjecajem obično nije najmoderniji. To je onaj koji mjeri stvarnu upotrebu, izbjegava nepotrebne preteške zaključke, ponovno koristi odobrene odgovore gdje je to moguće i dalje daje ljudima kontrolu nad važnim odlukama.

Često postavljana pitanja

Kako umjetna inteligencija utječe na okoliš u svakodnevnoj upotrebi, ne samo u velikim istraživačkim laboratorijima?

Većina utjecaja umjetne inteligencije dolazi od električne energije koja napaja podatkovne centre koji pokreću GPU-ove i CPU-ove tijekom obuke i svakodnevnog "zaključivanja". Jedan zahtjev može biti skroman, ali u velikim razmjerima ti se zahtjevi brzo akumuliraju. Utjecaj također ovisi o tome gdje se podatkovni centar nalazi, koliko je čista lokalna mreža i koliko se učinkovito upravlja infrastrukturom.

Je li treniranje AI modela gore za okoliš od njegovog korištenja (inferencija)?

Obuka može biti veliki, početni nalet računalstva, ali zaključivanje može s vremenom postati veći otisak jer se izvodi stalno i u velikim razmjerima. Ako alat koriste milijuni ljudi svaki dan, ponovljeni zahtjevi mogu nadmašiti jednokratni trošak obuke. Zato se optimizacija često usredotočuje na učinkovitost zaključivanja.

Zašto umjetna inteligencija koristi vodu i je li to uvijek problem?

Umjetna inteligencija može koristiti vodu uglavnom zato što se neki podatkovni centri oslanjaju na hlađenje na bazi vode ili zato što se voda neizravno troši proizvodnjom električne energije. U određenim klimama, evaporativno hlađenje može smanjiti potrošnju električne energije, a istovremeno povećati potrošnju vode, stvarajući pravi kompromis. Je li to „loše“ ovisi o lokalnoj nestašici vode, dizajnu hlađenja i mjeri li se i upravlja li se potrošnjom vode.

Koji dijelovi ekološkog otiska umjetne inteligencije dolaze od hardvera i elektroničkog otpada?

Umjetna inteligencija ovisi o čipovima, poslužiteljima, mrežnoj opremi, zgradama i lancima opskrbe - što znači rudarstvo, proizvodnju, otpremu i konačno odlaganje. Proizvodnja poluvodiča je energetski intenzivna, a brzi ciklusi nadogradnje mogu povećati utjelovljene emisije i elektronički otpad. Produljenje vijeka trajanja hardvera, obnova i poboljšanje iskorištenosti mogu značajno smanjiti utjecaj, ponekad konkurirajući promjenama na razini modela.

Rješava li korištenje obnovljivih izvora energije utjecaj umjetne inteligencije na okoliš?

Čišća električna energija može smanjiti emisije iz računalstva, ali ne briše druge utjecaje poput potrošnje vode, proizvodnje hardvera i elektroničkog otpada. Također ne rješava automatski „efekte povratka“, gdje jeftinije računalstvo dovodi do veće ukupne upotrebe. Obnovljivi izvori energije važna su poluga, ali samo su jedan dio utjecaja na okoliš.

Što je povratni efekt i zašto je važan za umjetnu inteligenciju i održivost?

Efekt povratka je kada povećanje učinkovitosti nešto pojeftinjuje ili olakšava, pa ljudi to rade više - ponekad brišući uštede. S umjetnom inteligencijom, jeftinija proizvodnja ili automatizacija mogu povećati ukupnu potražnju za sadržajem, računalstvom i uslugama. Zato je mjerenje rezultata u praksi važnije od slavljenja učinkovitosti izolirano.

Koji su praktični načini za smanjenje utjecaja umjetne inteligencije bez narušavanja proizvoda?

Uobičajeni pristup je započeti s mjerenjem (procjene energije i ugljika, iskorištenost), zatim prilagoditi modele zadatku i optimizirati zaključivanje predmemoriranjem, grupiranjem i kraćim izlazima. Tehnike poput kvantizacije, destilacije i generiranja proširenog pronalaženjem mogu smanjiti računalne potrebe. Operativni izbori - poput raspoređivanja radnog opterećenja prema intenzitetu ugljika i dulji vijek trajanja hardvera - često donose velike dobitke.

Kako umjetna inteligencija može pomoći okolišu, a ne naštetiti mu?

Umjetna inteligencija može smanjiti emisije i otpad kada se primijeni za optimizaciju stvarnih sustava: predviđanje mreže, odgovor na potražnju, upravljanje HVAC sustavima u zgradama, usmjeravanje logistike, prediktivno održavanje i otkrivanje curenja. Također može podržati praćenje okoliša poput upozorenja o deforestaciji i otkrivanja metana. Ključno je mijenja li sustav odluke i proizvodi li mjerljiva smanjenja, a ne samo bolje nadzorne ploče.

Koje bi metrike tvrtke trebale izvještavati kako bi izbjegle tvrdnje o „zelenom pranju“ u vezi s umjetnom inteligencijom?

Značajnije je izvještavati o metrikama po zadatku ili zahtjevu nego samo o velikim ukupnim brojkama, jer to pokazuje učinkovitost na razini jedinice. Praćenje potrošnje energije, procjena ugljika, iskorištenja i - gdje je relevantno - utjecaja na vodu stvara jasniju odgovornost. Također je važno: definirati granice (što je uključeno) i izbjegavati nejasne oznake poput „ekološki prihvatljiva umjetna inteligencija“ bez kvantificiranih dokaza.

Reference

  1. Međunarodna agencija za energiju (IEA) - Energija i umjetna inteligencija - iea.org

  2. Međunarodna agencija za energiju (IEA) - Umjetna inteligencija za optimizaciju energije i inovacije - iea.org

  3. Međunarodna agencija za energiju (IEA) - Digitalizacija - iea.org

  4. Nacionalni laboratorij Lawrence Berkeley (LBNL) - Izvješće o korištenju energije u podatkovnim centrima Sjedinjenih Država (2024.) (PDF) - lbl.gov

  5. Li i dr. - Kako učiniti umjetnu inteligenciju manje „žednom“ (2023.) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Pojava i širenje tekućeg hlađenja u glavnim podatkovnim centrima (PDF) - ashrae.org

  7. Zelena mreža - PUE-Sveobuhvatni pregled metrike - thegreengrid.org

  8. Ministarstvo energetike SAD-a (DOE) - FEMP - Mogućnosti učinkovitosti rashladne vode za savezne podatkovne centre - energy.gov

  9. Ministarstvo energetike SAD-a (DOE) - FEMP - Energetska učinkovitost u podatkovnim centrima - energy.gov

  10. Američka agencija za zaštitu okoliša (EPA) - Industrija poluvodiča - epa.gov

  11. Međunarodna telekomunikacijska unija (ITU) - Globalni monitor elektroničkog otpada 2024. - itu.int

  12. OECD - Višestruke koristi poboljšanja energetske učinkovitosti (2012.) (PDF) - oecd.org

  13. API za intenzitet ugljika (GB) - carbonintensity.org.uk

  14. imec - Smanjenje utjecaja na okoliš u proizvodnji čipova - imec-int.com

  15. UNEP - Kako MARS funkcionira - unep.org

  16. Global Forest Watch - GLAD upozorenja o deforestaciji - globalforestwatch.org

  17. Institut Alan Turing - Umjetna inteligencija i autonomni sustavi za procjenu bioraznolikosti i zdravlja ekosustava - turing.ac.uk

  18. CodeCarbon - Metodologija - mlco2.github.io

  19. Gholami i dr. - Pregled metoda kvantizacije (2021.) (PDF) - arxiv.org

  20. Lewis i dr. - Generiranje proširenim pronalaženjem (2020.) - arxiv.org

  21. Hinton i dr. - Destilacija znanja u neuronskoj mreži (2015.) - arxiv.org

  22. CodeCarbon - codecarbon.io

Pronađite najnoviju umjetnu inteligenciju u službenoj trgovini AI Assistant

O nama

Natrag na blog

Dodatna često postavljana pitanja

  • Kako umjetna inteligencija utječe na potrošnju energije?

    Umjetna inteligencija značajno utječe na potrošnju energije, prvenstveno putem električne energije koja se koristi u podatkovnim centrima za modele obuke i obradu svakodnevnih zadataka (inferencija). Kako se količina zahtjeva povećava, potrošnja energije može se brzo akumulirati.

  • Kakvu ulogu voda igra u utjecaju umjetne inteligencije na okoliš?

    Voda se uglavnom koristi za hlađenje u određenim postavkama podatkovnih centara. Izbor metoda hlađenja može značajno utjecati na ukupnu potrošnju vode, posebno u područjima koja se suočavaju s nestašicom vode.

  • Jesu li utjecaji umjetne inteligencije na okoliš ograničeni na korištenje električne energije?

    Ne, utjecaj umjetne inteligencije na okoliš proteže se dalje od potrošnje električne energije. To uključuje i utjecaje proizvodnje hardvera, poput čipova i servera, kao i eventualni elektronički otpad koji nastaje kada se ti uređaji odbace.

  • Kako se umjetna inteligencija može optimizirati za smanjenje utjecaja na okoliš?

    Optimizacija umjetne inteligencije može uključivati ​​nekoliko strategija, uključujući pravilno dimenzioniranje modela, poboljšanje učinkovitosti zaključivanja, produljenje vijeka trajanja hardvera i korištenje čišćih izvora energije. Korištenje tehnika poput predmemoriranja i grupiranja zahtjeva također pomaže u smanjenju potrošnje energije.

  • Kakav je povratni učinak u kontekstu umjetne inteligencije i održivosti?

    Povratni učinak javlja se kada povećanje učinkovitosti u umjetnoj inteligenciji dovodi do povećane upotrebe. Na primjer, ako umjetna inteligencija određene zadatke učini jeftinijima i lakšima, ljudi ih mogu obavljati češće, što potencijalno poništava koristi od učinkovitosti.

  • Kako umjetna inteligencija pozitivno doprinosi održivosti okoliša?

    Umjetna inteligencija može pomoći u povećanju učinkovitosti u raznim sektorima, optimizaciji logistike, poboljšanju upravljanja energijom i smanjenju otpada, što u konačnici može dovesti do nižih emisija i manjeg ukupnog utjecaja na okoliš.

  • Koje bi se metrike trebale koristiti za procjenu utjecaja umjetne inteligencije na okoliš?

    Značajne metrike uključuju praćenje potrošnje energije, emisija ugljika po zahtjevu i iskorištenosti resursa. Ove metrike pružaju jasniju sliku utjecaja umjetne inteligencije na okoliš i pomažu u preciznijoj procjeni njezine održivosti.

  • Može li korištenje obnovljivih izvora energije u potpunosti ublažiti utjecaj umjetne inteligencije na okoliš?

    Iako korištenje obnovljive energije može značajno smanjiti emisije povezane s potrošnjom električne energije umjetne inteligencije, ne rješava probleme poput utjecaja proizvodnje hardvera i elektroničkog otpada. Potreban je holistički pristup koji uzima u obzir sve čimbenike.