Druga cz\u0119\u015b\u0107 naszej serii po\u015bwi\u0119conej wp\u0142ywowi generatywnej sztucznej inteligencji na \u015brodowisko dotyczy tego, co naukowcy i in\u017cynierowie robi\u0105, aby zmniejszy\u0107 znaczny \u015blad w\u0119glowy tej przyspieszaj\u0105cej technologii. Generatywna sztuczna inteligencja, bez w\u0105tpienia rozwijaj\u0105ca si\u0119 w do\u015b\u0107 zdumiewaj\u0105cym tempie, ma swoje zapotrzebowanie na energi\u0119, kt\u00f3re dotrzymuje jej kroku. Zgodnie z przewidywaniami Mi\u0119dzynarodowej Agencji Energii, \u015bwiatowe zu\u017cycie energii elektrycznej przez centra danych mo\u017ce zasadniczo podwoi\u0107 si\u0119 do 2030 roku, wynosz\u0105c oko\u0142o 945 terawatogodzin. To wi\u0119cej ni\u017c roczne zu\u017cycie energii elektrycznej w kraju takim jak Japonia!<\/p>\n
G\u0142\u00f3wn\u0105 przyczyn\u0105 tego gwa\u0142townego wzrostu zu\u017cycia energii mo\u017ce by\u0107 rosn\u0105ca potrzeba trenowania i uruchamiania ogromnych modeli sztucznej inteligencji. Nic wi\u0119c dziwnego, \u017ce niedawna analiza Goldman Sachs Research sugeruje, \u017ce oko\u0142o 60% tego zapotrzebowania na energi\u0119 zostanie zaspokojone przez paliwa kopalne, potencjalnie dodaj\u0105c do atmosfery a\u017c 220 milion\u00f3w ton dwutlenku w\u0119gla rocznie.<\/p>\n
Kiedy dyskutujemy o wp\u0142ywie sztucznej inteligencji na \u015brodowisko, skupiamy si\u0119 g\u0142\u00f3wnie na emisji dwutlenku w\u0119gla operacyjnego - g\u0142\u00f3wnie emisji wytwarzanych przez dzia\u0142aj\u0105ce uk\u0142ady GPU i systemy ch\u0142odzenia. Istnieje jednak druga strona medalu. Wed\u0142ug Vijaya Gadepally'ego z MIT Lincoln Laboratory, dyskusja ma tendencj\u0119 do pomijania \u201cw\u0119gla uciele\u015bnionego\u201d, kt\u00f3ry odnosi si\u0119 do emisji generowanych podczas budowy i modernizacji centr\u00f3w danych. Te ogromne konstrukcje wype\u0142nione kilometrami okablowania i sprz\u0119tem o najwy\u017cszej wydajno\u015bci, zbudowane ze stali i betonu, s\u0105 r\u00f3wnie\u017c du\u017cymi graczami w tej grze.<\/p>\n
Z drugiej strony, wiele firm, w tym Meta i Google, bada obecnie ekologiczne materia\u0142y budowlane, takie jak masywne drewno, aby obni\u017cy\u0107 ten ukryty koszt emisji dwutlenku w\u0119gla. Jednak nasza walka z emisjami nie ko\u0144czy si\u0119 tutaj. Czasami rozwi\u0105zanie jest tak proste, jak przyciemnienie \u015bwiate\u0142 lub po prostu uruchomienie procesor\u00f3w graficznych przy zaledwie 30% ich maksymalnego zu\u017cycia energii. Co zaskakuj\u0105ce, ma to minimalny wp\u0142yw na wydajno\u015b\u0107 modelu, jednocze\u015bnie znacznie zmniejszaj\u0105c zapotrzebowanie na ch\u0142odzenie.<\/p>\n
Tutaj in\u017cynierowie r\u00f3wnie\u017c maj\u0105 pole do popisu. Mog\u0105 zdecydowa\u0107 si\u0119 na mniej energoch\u0142onny sprz\u0119t lub u\u017cy\u0107 mniej precyzyjnych procesor\u00f3w zoptymalizowanych pod k\u0105tem okre\u015blonych zada\u0144. Co wi\u0119cej, stosuj\u0105c wczesne zatrzymanie uczenia modelu - zatrzymuj\u0105c proces przed uzyskaniem ostatnich kilku punkt\u00f3w procentowych dok\u0142adno\u015bci - mo\u017cemy zmniejszy\u0107 zu\u017cycie energii o po\u0142ow\u0119. <\/p>\n
Dobre wie\u015bci nie ograniczaj\u0105 si\u0119 do sprz\u0119tu. Neil Thompson z MIT's FutureTech Research Project przedstawia nam moc ulepsze\u0144 algorytmicznych, kt\u00f3re zwi\u0119kszaj\u0105 efektywno\u015b\u0107 energetyczn\u0105 dwukrotnie niemal co 8-9 miesi\u0119cy. Thompson zaproponowa\u0142 termin \u201cnegaflop\u201d, kt\u00f3ry odnosi si\u0119 do operacji obliczeniowych zaoszcz\u0119dzonych dzi\u0119ki inteligentniejszym algorytmom, podobnie jak \u201cnegawatt\u201d odnosi si\u0119 do zaoszcz\u0119dzonej energii elektrycznej. Niekt\u00f3re z tych innowacyjnych technik obejmuj\u0105 przycinanie niepotrzebnych komponent\u00f3w sieci neuronowych i stosowanie kompresji. Obie te strategie drastycznie zmniejszaj\u0105 wymagania obliczeniowe bez po\u015bwi\u0119cania wydajno\u015bci.<\/p>\n
Chocia\u017c powy\u017csze strategie s\u0105 obiecuj\u0105ce, czas zdecydowanie ma znaczenie! Deepjyoti Deka z MIT Energy Initiative sugeruje, \u017ce nie ka\u017cda energia elektryczna jest sobie r\u00f3wna. Intensywno\u015b\u0107 emisji dwutlenku w\u0119gla jednej kilowatogodziny mo\u017ce si\u0119 znacznie r\u00f3\u017cni\u0107 w zale\u017cno\u015bci od pory dnia i \u017ar\u00f3d\u0142a energii. Planuj\u0105c niepilne obci\u0105\u017cenia AI w okresach obfito\u015bci energii odnawialnej, centra danych mog\u0105 znacznie zmniejszy\u0107 sw\u00f3j \u015blad w\u0119glowy.<\/p>\n
Lokalizacja mo\u017ce r\u00f3wnie\u017c odgrywa\u0107 rol\u0119 w ograniczaniu wp\u0142ywu na \u015brodowisko. Przyk\u0142adowo, ch\u0142odniejsze klimaty, takie jak p\u00f3\u0142nocna Szwecja, mog\u0105 drastycznie zmniejszy\u0107 zapotrzebowanie na energoch\u0142onne systemy ch\u0142odzenia. Niekt\u00f3re rz\u0105dy rozwa\u017caj\u0105 nawet budow\u0119 centr\u00f3w danych na Ksi\u0119\u017cycu, gdzie operacje mog\u0142yby potencjalnie dzia\u0142a\u0107 ca\u0142kowicie na energii odnawialnej. Cho\u0107 wci\u0105\u017c jest to futurystyczna koncepcja, daje nam to wgl\u0105d w to, co mo\u017ce przynie\u015b\u0107 nam przysz\u0142o\u015b\u0107.<\/p>\n
Nie mo\u017cna zaprzeczy\u0107 ironii, \u017ce sama sztuczna inteligencja mo\u017ce pom\u00f3c z\u0142agodzi\u0107 sw\u00f3j wp\u0142yw na \u015brodowisko. Jennifer Turliuk, by\u0142a stypendystka MIT Sloan, wskazuje, \u017ce sztuczna inteligencja mo\u017ce przyspieszy\u0107 integracj\u0119 energii odnawialnej z sieci\u0105. Modele generatywne mog\u0105 znacznie przyspieszy\u0107 badania po\u0142\u0105cze\u0144 mi\u0119dzysystemowych, kt\u00f3rych uko\u0144czenie zajmuje obecnie lata. Sztuczna inteligencja mo\u017ce r\u00f3wnie\u017c optymalizowa\u0107 prognozy wytwarzania energii odnawialnej, przeprowadza\u0107 konserwacj\u0119 predykcyjn\u0105 paneli s\u0142onecznych i identyfikowa\u0107 najbardziej efektywne lokalizacje dla nowej infrastruktury. Prawid\u0142owo zastosowane rozwi\u0105zania mog\u0142yby znacznie przyspieszy\u0107 wdra\u017canie technologii czystej energii i informowa\u0107 o m\u0105drzejszych decyzjach politycznych dotycz\u0105cych przyjaznej dla \u015brodowiska przysz\u0142o\u015bci.<\/p>\n
Z pomoc\u0105 Turliuk i jej zespo\u0142u mo\u017cemy by\u0107 w stanie precyzyjnie okre\u015bli\u0107 ilo\u015bciowo te kompromisy. Opracowali Net Climate Impact Score - ramy do oceny pe\u0142nych koszt\u00f3w i korzy\u015bci \u015brodowiskowych projekt\u00f3w AI. Jej zdaniem wsp\u00f3\u0142praca mi\u0119dzy \u015brodowiskiem akademickim, przemys\u0142em i organami regulacyjnymi ma kluczowe znaczenie dla uczynienia sztucznej inteligencji bardziej zr\u00f3wnowa\u017con\u0105. Jak s\u0142usznie uj\u0105\u0142 to Turliuk: \u201cLiczy si\u0119 ka\u017cdy dzie\u0144. Mamy jedyn\u0105 w swoim rodzaju szans\u0119 na wprowadzenie innowacji i uczynienie system\u00f3w AI mniej emisyjnymi, zanim skutki zmian klimatycznych stan\u0105 si\u0119 nieodwracalne\u201d.\u201d<\/p>\n