Темы - Экологическое влияние генеративного ИИ
Ошеломляющие энергетические потребности генеративного ИИ
Вычислительная мощность, необходимая для обучения моделей генеративного ИИ, таких как GPT-4 от OpenAI, огромна и требует электроэнергии, что часто напрямую приводит к выбросам углекислого газа. Например, обучение только GPT-3 потребовало приблизительно 1287 мегаватт-часов электроэнергии — достаточно, чтобы обеспечить энергией 120 среднестатистических американских домов в течение года — и привело к выбросу около 552 тонн CO2. Эта энергоемкость обусловлена моделями с миллиардами параметров, что заставляет центры обработки данных работать с плотностью мощности в семь-восемь раз выше, чем при типичных вычислительных нагрузках.
По мере ускорения «золотой лихорадки» генеративного ИИ расширение центров обработки данных часто опирается на электростанции на ископаемом топливе для удовлетворения растущих потребностей в электроэнергии. Эксперты, такие как Номан Башир из MIT, предупреждают, что этот неустойчивый темп усугубляет нагрузку на энергосистемы и климатические последствия. Экологическая цена заключается не только в потребляемой электроэнергии; она распространяется на системные последствия, включая увеличение выбросов от производства и транспортировки высокопроизводительного оборудования. Понимание этого полного жизненного цикла имеет решающее значение для оценки истинного углеродного следа генеративного ИИ.
Углеродная цена масштабирования
К 2030 году прогнозы указывают, что центры обработки данных могут выбрасывать в три раза больше CO2 по сравнению с уровнями до бума ИИ, что примерно эквивалентно 40% текущих годовых выбросов США. Этот всплеск подпитывается массовым внедрением, когда миллиарды ежедневных взаимодействий, от запросов к ChatGPT до генерации изображений, накапливают потребление энергии еще долго после первоначального обучения.
Вода: Скрытый расход ресурсов
Помимо электроэнергии, генеративный ИИ накладывает значительный водный след, в основном для охлаждения оборудования в центрах обработки данных. Обучение такой модели, как GPT-3, может напрямую испарить до 700 000 литров чистой пресной воды — что эквивалентно воде, необходимой для производства 370 автомобилей BMW. Это потребление напрягает муниципальные запасы и нарушает местные экосистемы, особенно в засушливых регионах, где часто располагаются центры обработки данных.
Эффективность использования воды варьируется, но в некоторых случаях центры обработки данных могут требовать до 5 миллионов галлонов в день, что соответствует потреблению небольшого города. «Где» и «когда» происходят операции, имеет значение; запуск моделей в районах с дефицитом воды в пиковые сезоны усиливает экологический стресс. По мере роста спроса на ИИ возрастает и потребность в инновационных решениях для охлаждения, таких как замкнутые системы и использование непитьевой воды, чтобы смягчить этот скрытый расход.
От чипов до электронных отходов: Аппаратный след
Экологическое влияние генеративного ИИ простирается глубоко в цепочку поставок, начиная с производства специализированного оборудования, такого как графические процессоры (GPU). Производство этих компонентов связано с грязными горнодобывающими процессами и токсичными химикатами, способствуя загрязнению и истощению ресурсов. В 2023 году в центры обработки данных было поставлено более 3,85 миллиона GPU, и ожидается, что это число резко возрастет, что приведет к косвенным выбросам от транспортировки и производства.
В конце своего жизненного цикла это оборудование пополняет самый быстрорастущий в мире поток отходов: электронные отходы. Исследования прогнозируют, что генеративный ИИ может способствовать накоплению 16 миллионов тонн электронных отходов к 2030 году. Решение этой проблемы требует подхода циркулярной экономики, сосредоточенного на переработке, долговечном дизайне и сокращении морального устаревания, чтобы обуздать поток выбрасываемой электроники.
Помимо обучения: Долгосрочное влияние инференса
Хотя обучение моделей привлекает заголовки, фаза инференса — когда инструменты ИИ, такие как ChatGPT, отвечают на запросы пользователей — может иметь столь же глубокое экологическое воздействие. Каждый запрос к ChatGPT потребляет примерно в пять раз больше электроэнергии, чем простой веб-поиск, и при миллиардах ежедневных взаимодействий выбросы от использования могут быстро превысить выбросы от обучения в течение недель или месяцев для популярных моделей.
Это постоянное потребление энергии подчеркивает важность оптимизации развернутых моделей. Улучшения эффективности, такие как заявленное Google 33-кратное снижение энергопотребления на запрос для Gemini, показывают, что прогресс возможен. Однако масштаб остается проблемой; по мере того как генеративный ИИ внедряется в повседневную жизнь, от электронных писем до творческих инструментов, его совокупный след растет, что требует постоянных инноваций в оптимизации программного обеспечения и моделей соответствующего размера.
Балансирование: Эффективность против спроса
Улучшения эффективности на один запрос обнадеживают, но они должны опережать растущий спрос. Фокус индустрии на более крупных и мощных моделях часто конфликтует с целями устойчивого развития, подчеркивая необходимость компромиссов между производительностью и экологической ценой.
В перспективе: ИИ против повседневной деятельности
Контекстуализация следа генеративного ИИ выявляет удивительные сравнения. Например, средний текстовый запрос к Gemini использует около 0,24 ватт-часа энергии — что сопоставимо с просмотром девяти секунд телевизора — и 0,26 миллилитра воды, примерно пять капель. Эти крошечные воздействия на единицу резко контрастируют с такими видами деятельности, как поездка на автомобиле, где 15-мильная поездка туда и обратно выбрасывает ~6 кг CO2, что эквивалентно десяткам миллионов запросов.
Тем не менее, масштаб преобразует эти скромные цифры; миллиарды ежедневных запросов плюс воздействие от обучения и оборудования складываются в значительную экологическую нагрузку. Центры обработки данных питают гораздо больше, чем ИИ, поддерживая все, от потоковой передачи до облачного хранилища, поэтому нагрузка от ИИ является частью более крупной цифровой экосистемы. Эта перспектива побуждает использовать ИИ там, где он заменяет виды деятельности с большим следом, а не там, где он добавляет ненужную нагрузку.
Прокладывая путь к устойчивому будущему
Смягчение экологического вреда генеративного ИИ требует многогранной стратегии. Ключевые подходы включают использование чистой энергии для центров обработки данных, повышение эффективности оборудования и внедрение водоэкономящих технологий охлаждения. Как подчеркивают исследователи MIT, комплексные оценки должны учитывать экономические, социальные и экологические факторы, чтобы направлять развитие с учетом климата.
Политика и сотрудничество в отрасли необходимы; стимулы для «зеленых» вычислений и прозрачность отчетности могут стимулировать изменения. Например, быстрые сокращения Google выбросов углерода и потребления воды на запрос демонстрируют, что инновации могут приносить быстрые результаты. Расставляя приоритеты в области устойчивого развития в исследованиях и разработках ИИ, мы можем направить технологию по пути, который поддерживает, а не подрывает глобальные климатические цели.
Генеративный ИИ: Инструмент для экологического блага?
Генеративный ИИ играет двойную роль: он может усугублять экологические проблемы, но также предлагает решения. При разумном применении ИИ может помочь сократить от 5 до 10% глобальных выбросов парниковых газов к 2030 году за счет таких приложений, как оптимизация энергосистем, улучшение интеграции возобновляемых источников и сокращение отходов в цепочках поставок. Его способность моделировать сложные системы помогает в прогнозировании климата и усилиях по сохранению, потенциально компенсируя часть собственного следа.
Будущее зависит от осознанного проектирования и использования. Используя ИИ для устойчивого развития — например, для удаленного сотрудничества, чтобы сократить поездки, или для точного земледелия для экономии воды — мы можем использовать его силу во благо. В конечном счете, экологическое воздействие генеративного ИИ не предопределено; оно формируется выборами, которые мы делаем сегодня, уравновешивая инновации с ответственностью, чтобы обеспечить более экологичную цифровую эпоху.