Hogyan befolyásolja a mesterséges intelligencia a környezetet?

Hogyan befolyásolja a mesterséges intelligencia a környezetet?

Rövid válasz: A mesterséges intelligencia elsősorban az adatközpontokban felhasznált villamosenergia-fogyasztáson (mind a betanítás, mind a mindennapi következtetések), a hűtésre használt víz, valamint a hardvergyártás és az elektronikai hulladék megtestesült hatásain keresztül hat a környezetre. Ha a felhasználás több milliárd lekérdezésre skálázódik, a következtetés felülmúlhatja a betanítást; ha a hálózatok tisztábbak és a rendszerek hatékonyak, a hatások csökkennek, míg az előnyök növekedhetnek.

Főbb tanulságok:

Villamosság : Számítástechnikai felhasználás nyomon követése; a kibocsátások csökkennek, ha a munkaterhelések tisztább hálózatokon futnak.

Víz : A hűtési lehetőségek megváltoztatják a hatásokat; a vízalapú módszerek a szűkös régiókban a legfontosabbak.

Hardver : A chipek és szerverek jelentős megtestesült hatással bírnak; hosszabbítsák meg az élettartamukat, és kezeljék prioritásként a felújítást.

Visszapattanás : A hatékonyság növelheti a teljes keresletet; az eredményeket is mérni kell, nem csak a feladatonkénti eredményeket.

Műveleti eszközök : Megfelelő méretű modellek, optimalizált következtetések és átlátható jelentéskészítés kérésenkénti metrikák alapján.

Hogyan befolyásolja a mesterséges intelligencia a környezetet? Infografika

Cikkek, amiket esetleg ezután érdemes elolvasnod:

🔗 Káros a környezetre a mesterséges intelligencia?
Fedezze fel a mesterséges intelligencia szénlábnyomát, áramfogyasztását és az adatközpontok igényeit.

🔗 Miért rossz a mesterséges intelligencia a társadalomnak?
Vizsgáljuk meg az elfogultságot, a munkahelyek megzavarását, a félretájékoztatást és a növekvő társadalmi egyenlőtlenséget.

🔗 Miért rossz a mesterséges intelligencia? A mesterséges intelligencia sötét oldala
Értse meg az olyan kockázatokat, mint a megfigyelés, a manipuláció és az emberi kontroll elvesztése.

🔗 Túl messzire ment a mesterséges intelligencia?
Viták az etikáról, a szabályozásról és arról, hogy hol kellene meghúzni a határokat az innovációnak.

Hogyan hat a mesterséges intelligencia a környezetre: egy gyors áttekintés ⚡🌱

Ha csak néhány pontra emlékszel, akkor ezekre emlékezz:

És akkor ott van az a rész, amit az emberek elfelejtenek: a skálázás . Egy MI-lekérdezés lehet kicsi, de a milliárdnyi már egészen más dolog... mint egy apró hógolyó, ami valahogy kanapé méretű lavinává válik. (Ez a metafora kicsit téves, de értitek.) IEA: Energia és MI

A mesterséges intelligencia környezeti lábnyoma nem egyetlen dolog, hanem egy összetett dolog 🧱🌎

Amikor az emberek a mesterséges intelligenciáról és a fenntarthatóságról vitatkoznak, gyakran elbeszélnek egymás mellett, mert különböző rétegekre mutatnak rá:

1) Számítsa ki az elektromos áramot

2) Adatközpont rezsiköltségei

3) Víz és fűtés

4) Hardver ellátási lánc

5) Viselkedés és visszapattanási hatások

Tehát, amikor valaki megkérdezi, hogy a mesterséges intelligencia hogyan befolyásolja a környezetet, az egyenes válasz az, hogy attól függ, melyik réteget mérjük, és mit jelent az „MI” ebben a helyzetben.

Betanítás vs. következtetés: a különbség, ami mindent megváltoztat 🧠⚙️

Az emberek szeretnek a képzésről beszélni, mert drámaian hangzik – „egy modell X energiát használt”. De a következtetés a csendes óriás. IEA: Energia és MI

Edzés (a nagy építkezés)

A betanítás olyan, mint egy gyár felépítése. Kifizeted az előzetes költségeket: nagy számítási igény, hosszú futási idők, rengeteg próbálkozás és hiba (és igen, rengeteg „hoppá, ami nem működött, próbáld újra” iteráció). A betanítás optimalizálható, de még mindig jelentős lehet. IEA: Energia és mesterséges intelligencia

Következtetés (a mindennapi használat)

A következtetés olyan, mint egy gyár, amely minden nap, mindenki számára, nagy léptékben működik:

  • Chatbotok válaszolnak a kérdésekre

  • Képgenerálás

  • Keresési rangsorolás

  • Ajánlások

  • Beszéd szöveggé alakítása

  • Csalásészlelés

  • Másodpilóták dokumentumokban és kódeszközökben

Még ha az egyes kérések viszonylag kicsik is, a használati mennyiség eltörpülhet a betanítás mellett. Ez a klasszikus „egy szalmaszál semmi, egymillió szalmaszál probléma” helyzet. IEA: Energia és mesterséges intelligencia

Egy apró megjegyzés – egyes mesterséges intelligencia által végzett feladatok sokkal nehezebbek, mint mások. A képek vagy hosszú videók generálása általában több energiát igényel, mint a rövid szövegek osztályozása. Tehát az „MI” egy vödörbe sorolása olyan, mintha egy kerékpárt egy teherhajóhoz hasonlítanánk, és mindkettőt „szállításnak” neveznénk. IEA: Energia és MI

Adatközpontok: energia, hűtés és a csendes víz története 💧🏢

Az adatközpontok nem újak, de a mesterséges intelligencia megváltoztatja az intenzitást. A nagy teljesítményű gyorsítók szűk helyeken is sok energiát tudnak feldolgozni, ami hővé alakul, amit kezelni kell. LBNL (2024): Az Egyesült Államok adatközpontjainak energiafelhasználási jelentése (PDF) IEA: Energia és mesterséges intelligencia

Hűtés alapjai (egyszerűsítve, de praktikusan)

Ez a kompromisszum: néha csökkenthetjük az áramfogyasztást a víz alapú hűtésre támaszkodva. A helyi vízhiánytól függően ez lehet, hogy rendben van... vagy valódi probléma. Li et al. (2023): A mesterséges intelligencia kevésbé „szomjassá” tétele (PDF)

A környezeti lábnyom emellett nagymértékben függ a következőktől:

Őszintén szólva: a nyilvános párbeszéd gyakran úgy kezeli az „adatközpontot”, mint egy fekete dobozt. Nem gonosz, nem varázslatos. Ez infrastruktúra. Úgy viselkedik, mint az infrastruktúra.

Chipek és hardverek: az a rész, amit az emberek kihagynak, mert kevésbé szexi 🪨🔧

A mesterséges intelligencia hardveren él. A hardvernek van egy életciklusa, és az életciklus hatásai nagyok lehetnek. US EPA: Félvezetőipar ITU: Globális E-hulladék Monitor 2024

Ahol a környezeti hatás megmutatkozik

Elektronikai hulladék és „tökéletesen működő” szerverek

A környezeti károk nagy része nem egyetlen meglévő eszközből származik, hanem abból, hogy idő előtt lecserélik, mivel már nem költséghatékony. A mesterséges intelligencia felgyorsítja ezt, mert a teljesítménybeli ugrások nagyok lehetnek. A hardverek frissítésének kísértése valós. ITU: The Global E-waste Monitor 2024

Egy gyakorlati szempont: a hardver élettartamának meghosszabbítása, a kihasználtság javítása és a felújítás ugyanolyan fontos lehet, mint bármely divatos modell-módosítás. Néha a legzöldebb GPU az, amit nem veszel meg. (Ez szlogennek hangzik, de… részben igaz is.)

Hogyan hat a mesterséges intelligencia a környezetre: az „emberek elfelejtik ezt” viselkedési ciklus 🔁😬

És itt jön a kínos társadalmi rész: a mesterséges intelligencia megkönnyíti a dolgokat, így az emberek több dolgot csinálnak. Ez csodálatos lehet – nagyobb termelékenység, nagyobb kreativitás, több hozzáférés. De ez általánosságban nagyobb erőforrás-felhasználást is jelenthet. OECD (2012): Az energiahatékonysági fejlesztések többszörös előnyei (PDF)

Példák:

  • Ha a mesterséges intelligencia olcsóvá teszi a videógenerálást, az emberek több videót generálnak.

  • Ha a mesterséges intelligencia hatékonyabbá teszi a hirdetéseket, több hirdetés jelenik meg, és több interakciós ciklus alakul ki.

  • Ha a mesterséges intelligencia hatékonyabbá teszi a szállítási logisztikát, az e-kereskedelem még nehezebben skálázható.

Ez nem ok a pánikra. Inkább az eredményeket kell mérni, nem csak a hatékonyságot.

Egy tökéletlen, de szórakoztató metafora: a mesterséges intelligencia hatékonysága olyan, mintha egy tinédzsernek nagyobb hűtőszekrényt adnánk – igen, az élelmiszertárolás javul, de valahogy a hűtő egy nap múlva újra üres. Nem tökéletes metafora, de… láttad már ezt megtörténni 😅

A jó oldala: A mesterséges intelligencia valóban segíthet a környezetnek (ha jól célozzák) 🌿✨

Most pedig térjünk át arra a részre, amelyet alábecsülnek: a mesterséges intelligencia csökkentheti a kibocsátásokat és a hulladékot a meglévő rendszerekben, amelyek… őszintén szólva nem elegánsak. IEA: MI az energiaoptimalizálásért és az innovációért

Területek, ahol a mesterséges intelligencia segíthet

Fontos árnyalatnyi különbség: A mesterséges intelligencia „segítsége” nem ellensúlyozza automatikusan a mesterséges intelligencia ökológiai lábnyomát. Attól függ, hogy a mesterséges intelligenciát ténylegesen alkalmazzák-e, ténylegesen használják-e, és hogy valódi csökkentésekhez vezet-e, ahelyett, hogy csak jobb irányítópultokat eredményezne. De igen, a potenciál valós. IEA: MI az energiaoptimalizálásért és az innovációért

Mitől lesz egy környezetbarát mesterséges intelligencia jó? ✅🌍

Ez a „na jó, akkor mit tegyünk?” rész. Egy jó, környezettudatos mesterséges intelligencia rendszer általában a következőket tartalmazza:

  • Egyértelmű használati eset érték : Ha a modell nem változtatja meg a döntéseket vagy az eredményeket, akkor csak képzelőerő-számításról van szó.

  • Beépített mérés : Az energia-, szén-dioxid-kibocsátási becslések, a felhasználás és a hatékonysági mutatók nyomon követése, mint bármely más KPI. CodeCarbon: Módszertan

  • Megfelelő méretű modellek : Használjunk kisebb modelleket, ha a kisebb modellek működnek. A hatékonyság nem erkölcsi kudarc.

  • Hatékony következtetéstervezés : gyorsítótárazás, kötegelés, kvantálás, visszakeresés és jó promptminták. Gholami et al. (2021): Kvantálási módszerek áttekintése (PDF) Lewis et al. (2020): Visszakereséssel kiterjesztett generálás

  • Hardver- és helytudatosság : olyan helyeken futtassa a munkafolyamatokat, ahol a hálózat tisztább és az infrastruktúra hatékony (amennyiben megvalósítható). Szén-dioxid-intenzitás API (GB)

  • Hosszabb hardver élettartam : a kihasználtság, az újrafelhasználás és a felújítás maximalizálása. ITU: The Global E-waste Monitor 2024

  • Egyenes tudósítás : kerüljük a zöldre festést és a homályos állításokat, mint például a számok nélküli „környezetbarát mesterséges intelligencia”.

Ha még mindig azt követed nyomon, hogy a mesterséges intelligencia hogyan hat a környezetre, akkor ez az a pont, ahol a válasz már nem filozofikus, hanem működőképessé válik: a döntéseid alapján befolyásolja azt.

Összehasonlító táblázat: eszközök és megközelítések, amelyek valóban csökkentik a hatást 🧰⚡

Az alábbi gyors, praktikus táblázat nem tökéletes, és igen, néhány cella kissé véleményes... mert így működik az igazi eszközkiválasztás.

Eszköz / Megközelítés Közönség Ár Miért működik
Szén-/energiakövető könyvtárak (futásidejű becslők) ML csapatok Szabad-szerű Átláthatóságot biztosít – ami már a siker fele, még akkor is, ha a becslések kissé homályosak… CodeCarbon
Hardveres energiafogyasztás-figyelés (GPU/CPU telemetria) Infra + gépi tanulás Ingyenes Valós fogyasztást mér; jó összehasonlító tesztekhez (nem hivalkodó, de aranyat ér)
Modelldesztilláció ML mérnökök Ingyenes (időköltség 😵) A kisebb diákmodellek gyakran jóval alacsonyabb következtetési költséggel érik el a kívánt teljesítményt Hinton és munkatársai (2015): A tudás leszűrése egy neurális hálózatban
Kvantálás (alacsonyabb pontosságú következtetés) ML + termék Ingyenes Csökkenti a késleltetést és az energiafogyasztást; néha apró minőségi kompromisszumokkal, néha semmilyen kompromisszummal Gholami és munkatársai (2021): Kvantálási módszerek áttekintése (PDF)
Gyorsítótárazás + kötegelt feldolgozás következtetése Termék + platform Ingyenes Csökkenti a redundáns számítási igényt; különösen hasznos ismétlődő kérések vagy hasonló kérések esetén
Visszakereséssel kiterjesztett generáció (RAG) Alkalmazáscsapatok Vegyes A „memóriát” átveszi a visszakeresés javára; csökkentheti a hatalmas kontextuális ablakok szükségességét Lewis és munkatársai (2020): Visszakereséssel kiterjesztett generáció
Munkaterhelések ütemezése szén-dioxid-intenzitás szerint Infra/műveletek Vegyes A rugalmas munkakörök áthelyezése a tisztább elektromos ablakemelőkre – ehhez azonban koordinációra van szükség Szén-dioxid-intenzitás API (GB)
Adatközpont-hatékonyságra összpontosítva (kihasználtság, konszolidáció) IT vezetés Fizetős (általában) A legkevésbé vonzó, de gyakran a legnagyobb emelőkar - hagyjuk abba a félig üres rendszerek működtetését A Zöld Háló: PUE
Hő-újrahasznosítási projektek Berendezések Attól függ A hulladékhőt értékké alakítja; nem mindig megvalósítható, de amikor igen, akkor gyönyörű
„Szükség van ide egyáltalán mesterséges intelligenciára?” Mindenki Ingyenes Megakadályozza a felesleges számítást. A leghatékonyabb optimalizálás a nemet mondás (néha)

Észrevetted, mi hiányzik? „Vegyél egy varázs zöld matricát.” Az nem létezik 😬

Gyakorlati útmutató: a mesterséges intelligencia hatásának csökkentése a termék leállítása nélkül 🛠️🌱

Ha mesterséges intelligencia rendszereket építesz vagy vásárolsz, itt egy reális, a gyakorlatban is működőképes sorrend:

1. lépés: Kezdje a méréssel

  • Kövesse nyomon az energiafelhasználást, vagy becsülje meg azt következetesen. CodeCarbon: Módszertan

  • Mérés betanítási futtatásonként és következtetési kérésenként.

  • Kihasználtság figyelése – a tétlen erőforrások hajlamosak elrejtőzni a szem elől. A Zöld Rács: PUE

2. lépés: A modell megfelelő mérete a feladathoz igazítva

  • Használjon kisebb modelleket osztályozáshoz, kinyeréshez és útvonaltervezéshez.

  • A nehéz modellt tartogasd a kemény tokokhoz.

  • Vegyünk egy „modellkaszkádot”: először egy kis modell, nagyobb modell csak akkor, ha szükséges.

3. lépés: A következtetés optimalizálása (itt harap a skála)

  • Gyorsítótárazás : válaszok tárolása ismételt lekérdezések esetén (gondos adatvédelmi beállításokkal).

  • Kötegelt feldolgozás : csoportos kérések a hardverhatékonyság javítása érdekében.

  • Rövidebb kimenetek : a hosszú kimenetek többe kerülnek – néha nincs is szükség az esszére.

  • Promptfegyelem : a rendezetlen promptok hosszabb számítási utakat hoznak létre... és igen, több tokent.

4. lépés: Az adathigiénia javítása

Ez nem tűnik ehhez kapcsolódónak, de mégsem az:

  • A tisztább adathalmazok csökkenthetik az átképzési lemorzsolódást.

  • Kevesebb zaj kevesebb kísérletet és kevesebb elvesztegetett futtatást jelent.

5. lépés: A hardvert eszközként, ne eldobható tárgyként kezelje

  • Növelje a frissítési ciklusokat, ahol lehetséges. ITU: Globális E-hulladék Monitor 2024

  • Használjon újra régebbi hardvereket a könnyebb munkaterhelésekhez.

  • Kerüld a „mindig csúcsidőszakos” kiépítést.

6. lépés: Válassza ki a telepítési helyet bölcsen

  • Végezzen rugalmas munkákat, ahol az energia tisztább, ha lehetséges. Szén-dioxid-intenzitás API (GB)

  • Csökkentse a felesleges replikációt.

  • Tartsa reálisnak a késleltetési célokat (a rendkívül alacsony késleltetés nem hatékony, állandóan bekapcsolt beállításokat kényszeríthet ki).

És igen… néha a legjobb lépés egyszerűen az, hogy ne futtassuk le automatikusan a legnagyobb modellt minden egyes felhasználói művelethez. Ez a szokás környezetvédelmi szempontból ugyanolyan, mintha minden lámpát égve hagynánk, mert idegesítő a kapcsolóhoz sétálni.

Gyakori mítoszok (és mi áll közelebb az igazsághoz) 🧠🧯

Mítosz: „A mesterséges intelligencia mindig rosszabb, mint a hagyományos szoftverek”

Igazság: A mesterséges intelligencia számításigényesebb lehet, de a nem hatékony manuális folyamatokat is helyettesítheti, csökkentheti a hulladékot és optimalizálhatja a rendszereket. Szituációs. IEA: MI az energiaoptimalizálásért és az innovációért

Tévhit: „Az edzés az egyetlen probléma”

Igazság: A nagy léptékű következtetés idővel dominálhat. Ha a terméked használata robbanásszerűen növekszik, akkor ez lesz a fő sztori. IEA: Energia és mesterséges intelligencia

Mítosz: „A megújuló energiaforrások azonnal megoldják”

Igazság: A tisztább elektromosság sokat segít, de nem szünteti meg a hardver lábnyomát, a vízfogyasztást vagy a visszapattanó hatásokat. De ettől függetlenül fontos. IEA: Energia és mesterséges intelligencia

Tévhit: „Ha hatékony, fenntartható”

Igazság: A keresletvezérelt szabályozás nélküli hatékonyság továbbra is növelheti az összhatást. Ez a visszapattanás csapdája. OECD (2012): Az energiahatékonysági fejlesztések többszörös előnyei (PDF)

Irányítás, átláthatóság, és hogy ne teátrálisan foglalkozzunk vele 🧾🌍

Ha cég vagy, itt épül fel vagy vész el a bizalom.

Ez az a rész, ahol az emberek forgatják a szemüket, de ez számít. A felelős technológia nem csak az okos mérnöki munkáról szól. Arról is, hogy ne tegyenek úgy, mintha nem léteznének kompromisszumok.

Záró összefoglaló: a mesterséges intelligencia környezetre gyakorolt ​​hatásának rövid összefoglalása 🌎✅

A mesterséges intelligencia környezetre gyakorolt ​​hatása a többletterhelésen múlik: az áramon, a vízen (néha) és a hardverigényen. IEA: Energia és mesterséges intelligencia Li et al. (2023): A mesterséges intelligencia kevésbé „szomjassá tétele” (PDF) Hatékony eszközöket kínál a kibocsátások és a hulladék csökkentésére más ágazatokban is. IEA: MI az energiaoptimalizálásért és innovációért A végeredmény a mérettől, a hálózat tisztaságától, a hatékonysági döntésektől és attól függ, hogy a mesterséges intelligencia valódi problémákat old-e meg, vagy csak az újdonság kedvéért generál-e újdonságot. IEA: Energia és mesterséges intelligencia

Ha a legegyszerűbb, gyakorlatias tanulságra vágysz:

  • Intézkedés.

  • Megfelelő méretű.

  • Optimalizálja a következtetést.

  • Növelje a hardver élettartamát.

  • Légy őszinte a kompromisszumokkal kapcsolatban.

És ha túlterheltnek érzed magad, íme egy megnyugtató igazság: az apró, ezerszer megismételt operatív döntések általában felülmúlnak egy nagy fenntarthatósági kijelentést. Olyan, mint a fogmosás. Nem elbűvölő, de működik... 😄🪥

GYIK

Hogyan befolyásolja a mesterséges intelligencia a környezetet a mindennapi használatban, nem csak a nagy kutatólaboratóriumokban?

A mesterséges intelligencia ökológiai lábnyomának nagy részét az az elektromosság adja, amely a GPU-kat és CPU-kat futtató adatközpontokat táplálja mind a betanítás, mind a mindennapi „következtetés” során. Egyetlen kérés szerénynek tűnhet, de nagy léptékben ezek a kérések gyorsan felhalmozódnak. A hatás attól is függ, hogy hol található az adatközpont, mennyire tiszta a helyi hálózat, és mennyire hatékonyan üzemeltetik az infrastruktúrát.

Rosszabb-e a környezetnek egy MI-modell betanítása, mint a használata (következtetés)?

A betanítás nagy, kezdeti számítási igényt jelenthet, de a következtetés idővel nagyobb lábnyomot jelenthet, mivel folyamatosan és hatalmas léptékben fut. Ha egy eszközt naponta emberek milliói használnak, az ismételt kérések meghaladhatják az egyszeri betanítási költségeket. Ezért az optimalizálás gyakran a következtetési hatékonyságra összpontosít.

Miért használ vizet a mesterséges intelligencia, és ez mindig problémát jelent?

A mesterséges intelligencia főként azért használhat vizet, mert egyes adatközpontok vízalapú hűtésre támaszkodnak, vagy mert a vizet közvetve, áramtermelés révén fogyasztják. Bizonyos éghajlatokon a párologtató hűtés csökkentheti az áramfogyasztást, miközben növeli a vízfogyasztást, ami valódi kompromisszumot eredményez. Az, hogy „rossz”, a helyi vízhiánytól, a hűtés kialakításától és attól függ, hogy a vízfogyasztást mérik és kezelik-e.

A mesterséges intelligencia környezeti lábnyomának mely részei származnak hardverekből és elektronikai hulladékból?

A mesterséges intelligencia chipektől, szerverektől, hálózati eszközöktől, épületektől és ellátási láncoktól függ – ami bányászatot, gyártást, szállítást és végül ártalmatlanítást jelent. A félvezetők gyártása energiaigényes, és a gyors frissítési ciklusok növelhetik a megtestesült kibocsátásokat és az elektronikai hulladékot. A hardverek élettartamának meghosszabbítása, felújítása és a kihasználtság javítása jelentősen csökkentheti a hatást, néha vetekedve a modellszintű változtatásokkal.

Vajon a megújuló energia használata megoldja a mesterséges intelligencia környezeti hatásait?

A tisztább villamos energia csökkentheti a számítástechnikából származó kibocsátásokat, de nem szünteti meg az olyan egyéb hatásokat, mint a vízfogyasztás, a hardvergyártás és az elektronikai hulladék. Nem kezeli automatikusan a „visszapattanó hatásokat” sem, ahol az alacsonyabb költségű számítástechnika összességében nagyobb felhasználáshoz vezet. A megújuló energiaforrások fontos mozgatórugók, de csak egy részét képezik a ökológiai lábnyomnak.

Mi a visszapattanó hatás, és miért fontos a mesterséges intelligencia és a fenntarthatóság szempontjából?

A visszapattanó hatás akkor jelentkezik, amikor a hatékonyságnövekedés valamit olcsóbbá vagy egyszerűbbé tesz, így az emberek többet csinálnak belőle – néha eltörölve a megtakarításokat. A mesterséges intelligencia segítségével az olcsóbb termelés vagy automatizálás növelheti a tartalom, a számítástechnika és a szolgáltatások iránti összkeresletet. Ezért fontosabb a gyakorlati eredmények mérése, mint a hatékonyság önmagában történő ünneplése.

Milyen gyakorlati módok vannak a mesterséges intelligencia hatásának csökkentésére a termék károsítása nélkül?

Egy gyakori megközelítés, hogy méréssel kezdik (energia- és szén-dioxid-kibocsátás becslése, hasznosítás), majd a feladathoz megfelelő méretű modelleket hoznak létre, és optimalizálják a következtetéseket gyorsítótárazás, kötegelt feldolgozás és rövidebb kimenetek segítségével. Az olyan technikák, mint a kvantálás, a desztilláció és a visszakereséssel kiegészített generálás csökkenthetik a számítási igényeket. Az operatív döntések – mint például a szén-dioxid-intenzitás szerinti munkaterhelés-ütemezés és a hosszabb hardver-élettartam – gyakran nagy sikereket hoznak.

Hogyan segítheti a mesterséges intelligencia a környezetet ahelyett, hogy károsítaná?

A mesterséges intelligencia csökkentheti a kibocsátásokat és a hulladékot, ha valós rendszerek optimalizálására alkalmazzák: hálózati előrejelzés, keresletoldali válasz, épület HVAC-vezérlés, logisztikai útvonaltervezés, prediktív karbantartás és szivárgásészlelés. Támogathatja a környezeti monitorozást is, például az erdőirtási riasztásokat és a metánérzékelést. A kulcs az, hogy a rendszer megváltoztatja-e a döntéseket, és mérhető csökkentést eredményez-e, ne csak jobb irányítópultokat.

Milyen mutatókat kellene a vállalatoknak jelenteniük, hogy elkerüljék a mesterséges intelligenciával kapcsolatos „zöldrefestés” állításokat?

Jelentősebb feladatonként vagy kérésenkénti mutatókat jelenteni, mint csak nagy összesített számokat, mivel ez egységszinten mutatja a hatékonyságot. Az energiafelhasználás, a szén-dioxid-kibocsátás becslése, a hasznosítás és – ahol releváns – a vízhatások nyomon követése egyértelműbb elszámoltathatóságot eredményez. Fontos az is, hogy meghatározzuk a határokat (mi tartozik bele), és kerüljük a számszerűsített bizonyítékok nélküli homályos címkéket, mint például a „környezetbarát mesterséges intelligencia”.

Referenciák

  1. Nemzetközi Energiaügynökség (IEA) - Energia és mesterséges intelligencia - iea.org

  2. Nemzetközi Energiaügynökség (IEA) - Mesterséges intelligencia az energiaoptimalizálásért és innovációért - iea.org

  3. Nemzetközi Energiaügynökség (IEA) - Digitalizáció - iea.org

  4. Lawrence Berkeley Nemzeti Laboratórium (LBNL) - Egyesült Államok adatközpontjainak energiafelhasználási jelentése (2024) (PDF) - lbl.gov

  5. Li és munkatársai - A mesterséges intelligencia kevésbé „szomjassá tétele” (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - A folyadékhűtés megjelenése és terjeszkedése a hagyományos adatközpontokban (PDF) - ashrae.org

  7. A Zöld Rács - PUE - A Mérőszámok Átfogó Vizsgálata - thegreengrid.org

  8. Az Egyesült Államok Energiaügyi Minisztériuma (DOE) - FEMP - Hűtővíz-hatékonysági lehetőségek szövetségi adatközpontok számára - energy.gov

  9. Az Egyesült Államok Energiaügyi Minisztériuma (DOE) - FEMP - Energiahatékonyság az adatközpontokban - energy.gov

  10. Az Egyesült Államok Környezetvédelmi Ügynöksége (EPA) - Félvezetőipar - epa.gov

  11. Nemzetközi Távközlési Unió (ITU) - A globális elektronikai hulladék monitor 2024 - itu.int

  12. OECD - Az energiahatékonysági fejlesztések számos előnye (2012) (PDF) - oecd.org

  13. Szén-dioxid-intenzitás API (GB) - carbonintensity.org.uk

  14. imec - A chipgyártás környezeti hatásainak csökkentése - imec-int.com

  15. UNEP - Hogyan működik a MARS - unep.org

  16. Global Forest Watch - GLAD erdőirtási riasztások - globalforestwatch.org

  17. Az Alan Turing Intézet - MI és autonóm rendszerek a biológiai sokféleség és az ökoszisztéma egészségének felmérésére - turing.ac.uk

  18. CodeCarbon - Módszertan - mlco2.github.io

  19. Gholami és munkatársai - Kvantálási módszerek áttekintése (2021) (PDF) - arxiv.org

  20. Lewis és munkatársai - Visszakereséssel kiterjesztett generáció (2020) - arxiv.org

  21. Hinton és munkatársai - Tudás kinyerése egy neurális hálózatban (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Találd meg a legújabb mesterséges intelligenciát a hivatalos AI Assistant áruházban

Rólunk

Vissza a bloghoz