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.
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:
-
A mesterséges intelligencia energiát használ – főként adatközpontokban, ahol GPU-k/CPU-k futnak a betanításhoz és a mindennapi „következtetésekhez” (a modell használatával). IEA: Energia és a mesterséges intelligencia
-
Az energia kibocsátást is jelenthet – a helyi hálózatösszetételtől és az energiaszerződésektől függően. IEA: Energia és mesterséges intelligencia
-
A mesterséges intelligencia meglepően sok vizet képes felhasználni – főként egyes adatközpontok hűtésére. Li et al. (2023): A mesterséges intelligencia „szomjasabbá tétele” (PDF) US DOE FEMP: Hűtővíz-hatékonysági lehetőségek a szövetségi adatközpontok számára
-
A mesterséges intelligencia fizikai dolgoktól függ – chipektől, szerverektől, hálózati eszközöktől, akkumulátoroktól, épületektől… ami bányászatot, gyártást, szállítást és végül az elektronikai hulladékot is jelenti. US EPA: Félvezetőipar ITU: Globális elektronikai hulladékfigyelő 2024
-
A mesterséges intelligencia máshol is csökkentheti a környezeti terhelést – a logisztika optimalizálásával, a szivárgások észlelésével, a hatékonyság javításával, a kutatás felgyorsításával és a rendszerek pazarlásának csökkentésével. IEA: MI az energiaoptimalizálásért és az innovációért
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
-
A nagy modellek betanításához nagy klaszterek hosszú ideig tartó, intenzív futtatása szükséges. IEA: Energia és mesterséges intelligencia
-
A következtetés (mindennapi használat) idővel nagyobb lábnyomot jelenthet, mivel folyamatosan, mindenhol előfordul. IEA: Energia és mesterséges intelligencia
2) Adatközpont rezsiköltségei
-
Hűtés, energiaelosztási veszteségek, tartalék rendszerek, hálózati berendezések. LBNL (2024): Az Egyesült Államok adatközpontjainak energiafelhasználási jelentése (PDF)
-
Ugyanaz a számítás eltérő helyszíni hatással lehet a hatékonyságtól függően. A Zöld Hálózat: PUE – A mutató átfogó vizsgálata
3) Víz és fűtés
-
Sok létesítmény közvetlenül vagy közvetve vizet használ a hőtermeléshez. US DOE FEMP: Hűtővíz-hatékonysági lehetőségek a szövetségi adatközpontok számára Li et al. (2023): A mesterséges intelligencia kevésbé „szomjassá tétele” (PDF)
-
A hulladékhő visszanyerhető, vagy egyszerűen… forró levegőként távozhat. (Nem ideális.)
4) Hardver ellátási lánc
-
Bányászati és finomító anyagok.
-
Chipek és szerverek gyártása (energiaigényes). US EPA: Félvezetőipar IMEC: A környezeti hatások csökkentése a chipgyártásban
-
Szállítás, csomagolás, fejlesztések, cserék.
5) Viselkedés és visszapattanási hatások
-
A mesterséges intelligencia olcsóbbá és könnyebbé teszi a feladatokat, így az emberek többet végeznek el belőlük. OECD (2012): Az energiahatékonysági fejlesztések többszörös előnyei (PDF)
-
A hatékonyságnövekedést felemésztheti a megnövekedett kereslet. Ez az a rész, amitől egy kicsit sóhajtok. OECD (2012): Az energiahatékonysági fejlesztések többszörös előnyei (PDF)
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)
-
Léghűtés: ventilátorok, hűtött levegő, meleg/hideg folyosós kialakítás. US DOE FEMP: Energiahatékonyság adatközpontokban
-
Folyadékhűtés: hatékonyabb sűrű rendszerekben, de eltérő infrastruktúrát igényelhet. ASHRAE (TC 9.9): A folyadékhűtés megjelenése és terjeszkedése a mainstream adatközpontokban (PDF)
-
Párologtató hűtés: bizonyos éghajlatokon csökkentheti az áramfogyasztást, de gyakran növeli a vízfogyasztást. US DOE FEMP: Hűtővíz-hatékonysági lehetőségek szövetségi adatközpontok számára.
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:
-
Az adatközpont helye (a hálózati kibocsátások eltérőek) Szén-dioxid-intenzitás API (GB) IEA: Energia és mesterséges intelligencia
-
Mennyire hatékonyan működik (a kihasználtság sokat számít) A Zöld Hálózat: PUE – A mutató átfogó vizsgálata
-
A hulladékhő újrafelhasználása
-
Energiabeszerzési lehetőségek (megújuló energiaforrások, hosszú távú szerződések stb.)
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
-
Anyagkitermelés: fémek és ritka anyagok bányászata és finomítása.
-
Gyártás: a félvezetők gyártása összetett és energiaigényes. US EPA: Félvezetőipar IMEC: A chipgyártás környezeti hatásainak csökkentése
-
Szállítás: a globális ellátási láncok mindenhová szállítanak alkatrészeket.
-
Rövid csereciklusok: a gyors fejlesztések növelhetik az elektronikus hulladék mennyiségét és a befektetett kibocsátásokat. ITU: The Global E-waste Monitor 2024
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
-
Energiahálózatok: terheléselőrejelzés, keresletoldali válasz, változó megújuló energiaforrások integrálása. IEA: Mesterséges intelligencia az energiaoptimalizáláshoz és innovációhoz
-
Épületek: intelligensebb HVAC-vezérlés, prediktív karbantartás, jelenlét-alapú energiafelhasználás. IEA: Digitalizáció
-
Közlekedés: útvonaloptimalizálás, flottakezelés, üresen megtett kilométerek csökkentése. IEA: MI az energiaoptimalizálásért és az innovációért
-
Gyártás: hibakeresés, folyamathangolás, selejtcsökkentés.
-
Mezőgazdaság: precíziós öntözés, kártevőirtás, műtrágya-optimalizálás.
-
Környezeti monitoring: metánszivárgások észlelése, erdőirtási jelek nyomon követése, biodiverzitási minták feltérképezése. UNEP: Hogyan működik a MARS? Global Forest Watch: GLAD erdőirtási riasztások. Az Alan Turing Intézet: MI és autonóm rendszerek a biodiverzitás értékelésére.
-
Körforgásos gazdaság: jobb válogatás és azonosítás az újrahasznosítási folyamatokban.
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.
-
Jelentsen értelmes mutatókat: kérésenként, felhasználónként, feladatonként – ne csak ijesztő, nagy összegeket. LBNL (2024): Az Egyesült Államok adatközpontjainak energiafelhasználási jelentése (PDF)
-
Kerüljük a homályos állításokat: a „zöld mesterséges intelligencia” semmit sem jelent számok és határok nélkül.
-
Vegyük figyelembe a vizet és a helyi hatásokat: a szén nem az egyetlen környezeti változó. Li et al. (2023): A mesterséges intelligencia „szomjasabbá tétele” (PDF)
-
Visszafogottságra törekvő tervezés: alapértelmezett rövidebb válaszok, olcsóbb módok, „öko” beállítások, amelyek ténylegesen hatásosak.
-
Gondoljon az egyenlőségre: a szűkös vízkészletekkel vagy törékeny hálózatokkal rendelkező helyeken az erőforrások intenzív felhasználása a táblázaton túlmutató következményekkel jár. US DOE FEMP: Hűtővíz-hatékonysági lehetőségek a szövetségi adatközpontok számára
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 működési döntések általában felülmúlnak egy nagy fenntarthatósági kijelentést. Olyan, mint a fogmosás. Nem elbűvölő, de működik…
Valós példa: Ügyfélszolgálati AI asszisztens lábnyomának csökkentése 🌱🎧
Forgatókönyv
Képzeljen el egy kis online kiskereskedőt, aki mesterséges intelligencia segítségével szeretne válaszolni a vásárlók gyakori kérdéseire a szállítási időkkel, a visszaküldésekkel, a sérült csomagokkal és a termékméretekkel kapcsolatban.
Az első verzió pazarló: minden ügyfélüzenet egyenesen a legnagyobb elérhető modellhez kerül, még akkor is, ha a kérdés egyszerű. Az asszisztens emellett túl hosszú válaszokat ír, megismétli a szabályzat szövegét, és ugyanazokat a kérdéseket több ezerszer válaszolja meg ahelyett, hogy a jóváhagyott válaszokat használná újra.
Egy ésszerűbb beállítás nem a „nincs mesterséges intelligencia”. Ez megfelelő méretű mesterséges intelligencia: könnyebb eszközöket használjunk az egyszerű feladatokhoz, a nagyobb modellt tartsuk fenn az összetett esetekre, és mérjük a hatást megoldott ticketenként.
Amire szüksége van az asszisztensnek
A csapat a következőket készítené elő:
Jelenlegi visszaküldési szabályzat
Szállítási szabályok régiónként
Termékméretezési megjegyzések
Rövid eszkalációs szabályzat visszatérítésekre, panaszokra és jogi problémákra vonatkozóan
50 gyakori vásárlói kérdés listája
Jóváhagyott rövid válaszok ismétlődő kérdésekre
Egy egyszerű nyomonkövető lap, amely tartalmazza a kérés típusát, a használt modellt, a válasz hosszát, hogy szükség volt-e eszkalációra, és hogy a válasz megfelelt-e az emberi ellenőrzésen
Példa utasítás
Először a legkisebb megfelelő modellt vagy szabályalapú választ használd. Csak akkor használd a nagyobb modellt, ha az ügyfél kérdése nem világos, érzelmes, több problémát tartalmaz, vagy egynél több szabályzatból származó információk kombinálását igényli. A válaszok terjedelme ne haladja meg a 120 szót, kivéve, ha az ügyfél részleteket kér. Ha a bizalom alacsony, tegyél fel egy tisztázó kérdést, vagy továbbítsd az ügyet egy személynek. Ne találj ki szállítási dátumokat, visszatérítési jóváhagyásokat vagy szabályzaton kívüli kivételeket.
Hogyan teszteljük
Futtasson le egy 50 jegyes tesztet az indulás előtt:
10 kérdés a kézbesítéssel kapcsolatban
10 visszatérési kérdés
10 kérdés a termék méretezésével kapcsolatban
10 sérült áruval kapcsolatos panasz
10 vegyes vagy nem egyértelmű üzenet
Minden válasznál ellenőrizd:
A helyes irányelvet alkalmazták?
Megoldhatta volna egy gyorsítótárazott, jóváhagyott válasz?
Szükség volt a nagyobb modellre?
Röviden válaszolt az asszisztens?
Volt olyan válasz, ami feltalált információt?
A kényes esetek megfelelően eszkalálódtak?
Egy elfogadható átmenő pontszám valami ilyesmi lenne: 95%-os szabályzatpontosság, 0 kitalált visszatérítési ígéret, és 100%-os eszkaláció a fizetési vitákkal vagy jogi fenyegetésekkel kapcsolatos panaszok esetén.
Eredmény
Szemléltető eredmény, egy 50 jegyes teszt időzítésén és számlálásán alapulva optimalizálás előtt és után:
Optimalizálás előtt mind az 50 jegy a nagyobb modellt használta, átlagosan 210 szónyi válaszhosszal.
Optimalizálás után 31 jegy használt gyorsítótárazott jóváhagyott válaszokat, 14 kisebb modellt, és csak 5 a nagyobbat.
Az átlagos válaszhossz 210 szóról 92 szóra csökkent.
Az emberi felülvizsgálat ideje 4 óra 10 percről 1 óra 25 percre csökkent.
A csapat az első tesztfuttatás során 2 helytelen választ talált a szabályzatra, majd a forrásdokumentumok frissítése és az egyértelműbb eszkalációs szabályok hozzáadása után 0 helytelen választ.
Ez nem bizonyítja, hogy az asszisztens „zöld”. Egyszerűen csak azt a fajta mérést mutatja, amely a környezetvédelmi állítás ellenőrizhetővé teszi: kevesebb nehézmodell-hívás, rövidebb kimenetek, kevesebb ismételt generálás és kevesebb elkerülhető felülvizsgálati ciklus.
Mi romolhat el
Az asszisztens továbbra is pazarolhatja a számítási kapacitást, ha minden homályos üzenetet a legnagyobb modellhez irányítanak „csak a biztonság kedvéért”.
A gyorsítótárazott válaszok kockázatossá válhatnak, ha megváltozik a visszaküldési szabályzat, és senki sem frissíti azokat.
A rövid válaszok frusztrálhatják az ügyfeleket, ha fontos részleteket hagynak ki.
A szén-dioxid-kibocsátásra vagy energiafelhasználásra vonatkozó állítások zöldre festéssé válhatnak, ha a vállalat csak százalékos megtakarítást közöl a mérési módszer bemutatása nélkül.
A legnagyobb hiba az, hogy a modellválasztást egyetlen eszközként kezeljük. A gyakorlatban a környezetbarátabb munkafolyamat az útvonalválasztásból, a gyorsítótárból, a rövidebb kimenetekből, a jobb forrásdokumentumokból és a magas kockázatú esetek emberi felülvizsgálatából származik.
Gyakorlati elvitel
Egy kisebb hatású mesterséges intelligenciarendszer általában nem a legmenőbb. Az, amelyik méri a valódi használatot, kerüli a felesleges, nehézkes következtetéseket, ahol lehetséges, újra felhasználja a jóváhagyott válaszokat, és továbbra is az emberek kezébe adja a fontos döntések feletti kontrollt.
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
-
Nemzetközi Energiaügynökség (IEA) - Energia és mesterséges intelligencia - iea.org
-
Nemzetközi Energiaügynökség (IEA) - Mesterséges intelligencia az energiaoptimalizálásért és innovációért - iea.org
-
Nemzetközi Energiaügynökség (IEA) - Digitalizáció - iea.org
-
Lawrence Berkeley Nemzeti Laboratórium (LBNL) - Egyesült Államok adatközpontjainak energiafelhasználási jelentése (2024) (PDF) - lbl.gov
-
Li és munkatársai - A mesterséges intelligencia kevésbé „szomjassá tétele” (2023) (PDF) - arxiv.org
-
ASHRAE (TC 9.9) - A folyadékhűtés megjelenése és terjeszkedése a hagyományos adatközpontokban (PDF) - ashrae.org
-
A Zöld Rács - PUE - A Mérőszámok Átfogó Vizsgálata - thegreengrid.org
-
Az Egyesült Államok Energiaügyi Minisztériuma (DOE) - FEMP - Hűtővíz-hatékonysági lehetőségek szövetségi adatközpontok számára - energy.gov
-
Az Egyesült Államok Energiaügyi Minisztériuma (DOE) - FEMP - Energiahatékonyság az adatközpontokban - energy.gov
-
Az Egyesült Államok Környezetvédelmi Ügynöksége (EPA) - Félvezetőipar - epa.gov
-
Nemzetközi Távközlési Unió (ITU) - A globális elektronikai hulladék monitor 2024 - itu.int
-
OECD - Az energiahatékonysági fejlesztések számos előnye (2012) (PDF) - oecd.org
-
Szén-dioxid-intenzitás API (GB) - carbonintensity.org.uk
-
imec - A chipgyártás környezeti hatásainak csökkentése - imec-int.com
-
UNEP - Hogyan működik a MARS - unep.org
-
Global Forest Watch - GLAD erdőirtási riasztások - globalforestwatch.org
-
Az Alan Turing Intézet - MI és autonóm rendszerek a biológiai sokféleség és az ökoszisztéma egészségének felmérésére - turing.ac.uk
-
CodeCarbon - Módszertan - mlco2.github.io
-
Gholami és munkatársai - Kvantálási módszerek áttekintése (2021) (PDF) - arxiv.org
-
Lewis és munkatársai - Visszakereséssel kiterjesztett generáció (2020) - arxiv.org
-
Hinton és munkatársai - Tudás kinyerése egy neurális hálózatban (2015) - arxiv.org
-
CodeCarbon - codecarbon.io