Druga część naszej serii poświęconej wpływowi generatywnej sztucznej inteligencji na środowisko dotyczy tego, co naukowcy i inżynierowie robią, aby zmniejszyć znaczny ślad węglowy tej przyspieszającej technologii. Generatywna sztuczna inteligencja, bez wątpienia rozwijająca się w dość zdumiewającym tempie, ma swoje zapotrzebowanie na energię, które dotrzymuje jej kroku. Zgodnie z przewidywaniami Międzynarodowej Agencji Energii, światowe zużycie energii elektrycznej przez centra danych może zasadniczo podwoić się do 2030 roku, wynosząc około 945 terawatogodzin. To więcej niż roczne zużycie energii elektrycznej w kraju takim jak Japonia!
Główną przyczyną tego gwałtownego wzrostu zapotrzebowania na energię jest nasza rosnąca potrzeba szkolenia i uruchamiania ogromnych modeli sztucznej inteligencji. Nic więc dziwnego, że najnowsza analiza Goldman Sachs Research wskazuje, iż około 60% tego zapotrzebowania na energię zostanie zaspokojone przez paliwa kopalne, co potencjalnie spowoduje emisję aż 220 milionów ton dwutlenku węgla do atmosfery rocznie.
Kiedy mówimy o wpływie sztucznej inteligencji na środowisko, uwaga skupia się przede wszystkim na emisjach związanych z eksploatacją – głównie na emisjach powstających podczas pracy procesorów graficznych (GPU) i systemów chłodzenia. Jest jednak druga strona medalu. Według Vijaya Gadepally'ego z MIT Lincoln Laboratory w dyskusji tej często pomija się kwestię “wbudowanego węgla”, czyli emisji powstających podczas budowy i modernizacji centrów danych. Te ogromne konstrukcje, wypełnione milami okablowania i najnowocześniejszym sprzętem, zbudowane ze stali i betonu, również odgrywają znaczącą rolę w tym kontekście.
Z drugiej strony wiele firm, w tym Meta i Google, bada obecnie ekologiczne materiały budowlane, takie jak drewno masywne, aby obniżyć ten ukryty koszt emisji dwutlenku węgla. Jednak nasza walka z emisjami nie kończy się na tym. Czasami rozwiązanie jest tak proste, jak przyciemnienie świateł lub po prostu uruchomienie procesorów graficznych przy zaledwie 30% ich maksymalnego zużycia energii. Co zaskakujące, ma to minimalny wpływ na wydajność modeli, a jednocześnie znacznie zmniejsza zapotrzebowanie na chłodzenie.
Tutaj inżynierowie również mają pole do popisu. Mogą zdecydować się na mniej energochłonny sprzęt lub użyć mniej precyzyjnych procesorów zoptymalizowanych pod kątem określonych zadań. Co więcej, stosując wczesne zatrzymanie uczenia modelu - zatrzymując proces przed uzyskaniem ostatnich kilku punktów procentowych dokładności - możemy zmniejszyć zużycie energii o połowę.
Dobre wieści nie ograniczają się wyłącznie do sprzętu. Neil Thompson z projektu badawczego FutureTech przy MIT przedstawia nam potencjał ulepszeń algorytmicznych, dzięki którym efektywność energetyczna wzrasta dwukrotnie niemal co 8–9 miesięcy. Thompson zaproponował termin “negaflop”, który odnosi się do operacji obliczeniowych zaoszczędzonych dzięki inteligentniejszym algorytmom, podobnie jak “negawatt” odnosi się do zaoszczędzonej energii elektrycznej. Niektóre z tych innowacyjnych technik obejmują usuwanie zbędnych elementów sieci neuronowych oraz stosowanie kompresji. Obie te strategie radykalnie zmniejszają wymagania obliczeniowe bez utraty wydajności.
Chociaż powyższe strategie są obiecujące, czas zdecydowanie ma znaczenie! Deepjyoti Deka z MIT Energy Initiative sugeruje, że nie każda energia elektryczna jest sobie równa. Intensywność emisji dwutlenku węgla jednej kilowatogodziny może się znacznie różnić w zależności od pory dnia i źródła energii. Planując niepilne obciążenia AI w okresach obfitości energii odnawialnej, centra danych mogą znacznie zmniejszyć swój ślad węglowy.
Lokalizacja może również odgrywać rolę w ograniczaniu wpływu na środowisko. Przykładowo, chłodniejsze klimaty, takie jak północna Szwecja, mogą drastycznie zmniejszyć zapotrzebowanie na energochłonne systemy chłodzenia. Niektóre rządy rozważają nawet budowę centrów danych na Księżycu, gdzie operacje mogłyby potencjalnie działać całkowicie na energii odnawialnej. Choć wciąż jest to futurystyczna koncepcja, daje nam to wgląd w to, co może przynieść nam przyszłość.
Nie da się zaprzeczyć, że istnieje pewna ironia w tym, iż sama sztuczna inteligencja mogłaby pomóc w ograniczeniu swojego własnego wpływu na środowisko. Jennifer Turliuk, była stypendystka programu MIT Sloan Fellow, zwraca uwagę, że sztuczna inteligencja może przyspieszyć integrację energii odnawialnej z siecią energetyczną. Modele generatywne mogłyby radykalnie przyspieszyć badania dotyczące przyłączeń do sieci, których zakończenie obecnie zajmuje lata. Sztuczna inteligencja może również optymalizować prognozy dotyczące wytwarzania energii odnawialnej, przeprowadzać konserwację predykcyjną paneli słonecznych oraz identyfikować najbardziej efektywne lokalizacje dla nowej infrastruktury. Prawidłowe zastosowanie tych rozwiązań mogłoby znacznie przyspieszyć wdrażanie technologii czystej energii i przyczynić się do podejmowania mądrzejszych decyzji politycznych na rzecz przyszłości przyjaznej dla środowiska.
Z pomocą Turliuk i jej zespołu być może uda nam się precyzyjnie oszacować te kompromisy. Opracowali oni wskaźnik “Net Climate Impact Score” – ramy służące do oceny pełnych kosztów i korzyści środowiskowych projektów związanych ze sztuczną inteligencją. Jej zdaniem współpraca między środowiskiem akademickim, przemysłem i organami regulacyjnymi ma kluczowe znaczenie dla zapewnienia większej zrównoważoności sztucznej inteligencji. Jak słusznie zauważa Turliuk: „Każdy dzień ma znaczenie. Mamy niepowtarzalną okazję, by wprowadzać innowacje i zmniejszyć emisję dwutlenku węgla przez systemy sztucznej inteligencji, zanim skutki zmian klimatycznych staną się nieodwracalne”.”
Aby zagłębić się w ten temat, zapoznaj się z artykułem oryginalny artykuł w MIT News.
Ta strona używa plików cookie.