موضوعات - تأثیر زیستمحیطی هوش مصنوعی مولد
تقاضای سرسامآور انرژی هوش مصنوعی مولد
قدرت محاسباتی مورد نیاز برای آموزش مدلهای هوش مصنوعی مولد، مانند GPT-4 شرکت OpenAI، عظیم است و به برقی نیاز دارد که اغلب مستقیماً به انتشار دیاکسید کربن منجر میشود. به عنوان مثال، آموزش مدل GPT-3 به تنهایی تقریباً ۱۲۸۷ مگاوات-ساعت برق مصرف کرد که برای تأمین انرژی ۱۲۰ خانه متوسط در ایالات متحده به مدت یک سال کافی است و حدود ۵۵۲ تن CO2 تولید کرد. این شدت انرژی توسط مدلهایی با میلیاردها پارامتر هدایت میشود که مراکز داده را وادار میکند با چگالی توانی هفت تا هشت برابر بیشتر از بارهای محاسباتی معمولی کار کنند.
با تسریع "تب طلای" هوش مصنوعی مولد، گسترش مراکز داده اغلب برای تأمین نیازهای فزاینده برق، به نیروگاههای مبتنی بر سوختهای فسیلی متکی است. کارشناسانی مانند نعمان بشیر از MIT هشدار میدهند که این سرعت ناپایدار، فشار بر شبکه و تأثیرات اقلیمی را تشدید میکند. هزینه زیستمحیطی فقط مربوط به برق مصرفی نیست؛ بلکه به پیامدهای سیستمی، از جمله افزایش انتشار گازهای گلخانهای ناشی از تولید و حمل سختافزارهای پرکاربرد نیز گسترش مییابد. درک این چرخه کامل حیات برای ارزیابی ردپای واقعی هوش مصنوعی مولد حیاتی است.
هزینه کربنی مقیاس
پیشبینیها نشان میدهد که تا سال ۲۰۳۰، مراکز داده میتوانند سه برابر سطح قبل از رونق هوش مصنوعی CO2 منتشر کنند که معادل تقریباً ۴۰٪ از انتشار سالانه کنونی ایالات متحده است. این افزایش ناشی از پذیرش گسترده است، جایی که میلیاردها تعامل روزانه، از پرسشهای ChatGPT تا تولید تصویر، مدتها پس از آموزش اولیه، مصرف انرژی را تشدید میکنند.
آب: هدررفت پنهان منابع
فراتر از برق، هوش مصنوعی مولد ردپای آبی قابل توجهی تحمیل میکند که عمدتاً برای خنکسازی سختافزار در مراکز داده است. آموزش یک مدل مانند GPT-3 میتواند مستقیماً تا ۷۰۰۰۰۰ لیتر آب شیرین را تبخیر کند که معادل آبی است که برای تولید ۳۷۰ خودروی BMW نیاز است. این مصرف، منابع شهری را تحت فشار قرار داده و اکوسیستمهای محلی را مختل میکند، به ویژه در مناطق خشکی که مراکز داده اغلب در آنجا مستقر هستند.
اثربخشی مصرف آب متفاوت است، اما در برخی موارد، مراکز داده میتوانند روزانه تا ۵ میلیون گالن آب نیاز داشته باشند که با مصرف یک شهر کوچک برابری میکند. «مکان» و «زمان» عملیات مهم است؛ اجرای مدلها در مناطق تحت تنش آبی در فصل اوج، فشار زیستمحیطی را تشدید میکند. با افزایش تقاضا برای هوش مصنوعی، نیاز به راهحلهای نوآورانه خنکسازی، مانند سیستمهای حلقه بسته و منابع آب غیرشرب، برای کاهش این هدررفت پنهان نیز بیشتر میشود.
از تراشه تا زباله الکترونیکی: ردپای سختافزار
تأثیر زیستمحیطی هوش مصنوعی مولد به عمق زنجیره تأمین گسترش مییابد و با تولید سختافزارهای تخصصی مانند واحدهای پردازش گرافیکی (GPU) آغاز میشود. تولید این قطعات شامل فرآیندهای استخراج کثیف و مواد شیمیایی سمی است که به آلودگی و تخلیه منابع کمک میکند. در سال ۲۰۲۳، بیش از ۳.۸۵ میلیون GPU به مراکز داده ارسال شد، رقمی که انتظار میرود به شدت افزایش یابد و انتشار غیرمستقیم ناشی از حملونقل و ساخت را افزایش دهد.
در پایان چرخه عمر، این سختافزارها به سریعترین جریان رو به رشد زباله در جهان میافزایند: زباله الکترونیکی. مطالعات پیشبینی میکنند که هوش مصنوعی مولد میتواند تا سال ۲۰۳۰ به ۱۶ میلیون تن زباله الکترونیکی انباشته کمک کند. پرداختن به این موضوع نیازمند رویکردی مبتنی بر اقتصاد چرخشی است که بر بازیافت، طراحی بادوام و کاهش منسوخشدگی برای مهار جریان الکترونیکهای دورریز تمرکز دارد.
فراتر از آموزش: تأثیر پایدار استنتاج
در حالی که آموزش مدلها تیتر خبرها را به خود اختصاص میدهد، فاز استنتاج - جایی که ابزارهای هوش مصنوعی مانند ChatGPT به پرسشهای کاربر پاسخ میدهند - میتواند تأثیر زیستمحیطی به همان اندازه عمیقی داشته باشد. هر درخواست ChatGPT حدود پنج برابر بیشتر از یک جستجوی ساده وب برق مصرف میکند و با میلیاردها تعامل روزانه، انتشار ناشی از استفاده میتواند به سرعت در عرض هفتهها یا ماهها برای مدلهای محبوب از انتشار ناشی از آموزش پیشی بگیرد.
این مصرف مداوم انرژی، اهمیت بهینهسازی مدلهای مستقر را برجسته میکند. پیشرفتهای کارایی، مانند کاهش ۳۳ برابری انرژی گزارششده گوگل برای هر درخواست در مدل Gemini، نشان میدهد که پیشرفت امکانپذیر است. با این حال، مقیاس همچنان یک چالش است؛ با جاسازی هوش مصنوعی مولد در زندگی روزمره، از ایمیلها تا ابزارهای خلاقانه، ردپای تجمعی آن رشد میکند و نیازمند نوآوری مستمر در سادهسازی نرمافزار و مدلهای با اندازه مناسب است.
عملکرد متعادل: کارایی در مقابل تقاضا
بهبودهای کارایی برای هر درخواست امیدوارکننده است، اما باید از افزایش تقاضا پیشی بگیرد. تمرکز صنعت بر مدلهای بزرگتر و تواناتر اغلب با اهداف پایداری در تضاد است که نیاز به مصالحه بین عملکرد و هزینه زیستمحیطی را برجسته میکند.
در نظر گرفتن آن در چشمانداز: هوش مصنوعی در مقابل فعالیتهای روزمره
قرار دادن ردپای هوش مصنوعی مولد در بافت، مقایسههای شگفتانگیزی را آشکار میکند. به عنوان مثال، یک درخواست متنی متوسط Gemini حدود ۰.۲۴ وات-ساعت انرژی مصرف میکند که معادل تماشای نه ثانیه تلویزیون است و ۰.۲۶ میلیلیتر آب، تقریباً پنج قطره. این تأثیرات کوچک در هر واحد، به شدت با فعالیتهایی مانند رفت و آمد با ماشین در تضاد است، جایی که یک سفر رفت و برگشت ۱۵ مایلی حدود ۶ کیلوگرم CO2 منتشر میکند که معادل دهها میلیون درخواست است.
با این حال، مقیاس این اعداد متوسط را متحول میکند؛ میلیاردها درخواست روزانه، به علاوه تأثیرات آموزش و سختافزار، به بارهای زیستمحیطی قابل توجهی میافزایند. مراکز داده بسیار فراتر از هوش مصنوعی را پشتیبانی میکنند و از استریمینگ تا ذخیرهسازی ابری را شامل میشوند، بنابراین بار هوش مصنوعی بخشی از یک اکوسیستم دیجیتال بزرگتر است. این چشمانداز، استفاده از هوش مصنوعی را در جایی تشویق میکند که فعالیتهای با ردپای بالاتر را جابجا میکند، نه جایی که بار غیرضروری اضافه میکند.
ترسیم مسیری پایدار به پیش
کاهش آسیب زیستمحیطی هوش مصنوعی مولد نیازمند یک استراتژی چندوجهی است. رویکردهای کلیدی شامل تأمین انرژی پاک برای مراکز داده، بهبود کارایی سختافزار و اتخاذ فناوریهای خنککننده صرفهجویی در آب است. همانطور که محققان MIT برجسته کردهاند، ارزیابیهای جامع باید عوامل اقتصادی، اجتماعی و زیستمحیطی را برای هدایت توسعه آگاه از اقلیم بسنجند.
همکاری سیاست و صنعت ضروری است؛ مشوقها برای رایانش سبز و شفافیت در گزارشدهی میتوانند تغییر را هدایت کنند. به عنوان مثال، کاهش سریع گوگل در مصرف کربن و آب برای هر درخواست نشان میدهد که نوآوری میتواند به پیروزیهای سریع منجر شود. با اولویتدهی به پایداری در تحقیق و توسعه هوش مصنوعی، میتوانیم این فناوری را به سمت مسیری هدایت کنیم که از اهداف جهانی اقلیمی حمایت کند، نه آن را تضعیف.
هوش مصنوعی مولد: ابزاری برای خیر زیستمحیطی؟
هوش مصنوعی مولد نقش دوگانهای دارد: میتواند مسائل زیستمحیطی را تشدید کند اما راهحلهایی نیز ارائه میدهد. هنگامی که به طور عاقلانه به کار گرفته شود، هوش مصنوعی میتواند با کاربردهایی مانند بهینهسازی شبکههای انرژی، بهبود ادغام انرژیهای تجدیدپذیر و کاهش ضایعات در زنجیرههای تأمین، به کاهش ۵ تا ۱۰ درصد از انتشار گازهای گلخانهای جهانی تا سال ۲۰۳۰ کمک کند. توانایی آن در مدلسازی سیستمهای پیچیده به پیشبینی اقلیم و تلاشهای حفاظتی کمک میکند و به طور بالقوه بخشی از ردپای خود را جبران میکند.
آینده به طراحی و استفاده آگاهانه بستگی دارد. با بهرهگیری از هوش مصنوعی برای پایداری - مانند همکاری از راه دور برای کاهش سفر یا کشاورزی دقیق برای صرفهجویی در آب - میتوانیم قدرت آن را برای خیر به کار گیریم. در نهایت، تأثیر زیستمحیطی هوش مصنوعی مولد از پیش تعیین شده نیست؛ بلکه توسط انتخابهایی که امروز میکنیم شکل میگیرد و نوآوری را با مسئولیتپذیری متعادل میکند تا عصر دیجیتال سبزتری را تضمین کند.