Теми - Вплив генеративного штучного інтелекту на навколишнє середовище
Вражаючі енергетичні вимоги генеративного ШІ
Обчислювальна потужність, необхідна для навчання моделей генеративного штучного інтелекту, таких як GPT-4 від OpenAI, є колосальною, вимагаючи електроенергії, що часто безпосередньо перетворюється на викиди вуглекислого газу. Наприклад, навчання лише GPT-3 спожило приблизно 1287 мегават-годин електроенергії — достатньо, щоб забезпечити енергією 120 середніх американських домівок протягом року — і призвело до викиду близько 552 тонн CO2. Ця енергоємність зумовлена моделями з мільярдами параметрів, що змушує центри обробки даних працювати з щільністю потужності у сім-вісім разів вищою, ніж при типових обчислювальних навантаженнях.
У міру прискорення «золотої лихоманки» генеративного ШІ розширення центрів обробки даних часто покладається на електростанції на викопному паливі для задоволення стрімко зростаючих потреб в електроенергії. Експерти, такі як Номан Башир з MIT, попереджають, що такий нестійкий темп посилює тиск на енергосистему та вплив на клімат. Екологічна вартість стосується не лише спожитої електроенергії; вона поширюється на системні наслідки, включаючи збільшені викиди від виробництва та транспортування високопродуктивного обладнання. Розуміння цього повного життєвого циклу є ключовим для оцінки справжнього сліду генеративного ШІ.
Вуглецева вартість масштабу
До 2030 року прогнози вказують, що центри обробки даних можуть викидати втричі більше CO2 порівняно з рівнями до буму ШІ, що приблизно дорівнює 40% поточних щорічних викидів США. Цей стрибок спричинений масовим впровадженням, коли мільярди щоденних взаємодій, від запитів у ChatGPT до генерації зображень, посилюють споживання енергії ще довго після початкового навчання.
Вода: Приховане споживання ресурсів
Окрім електроенергії, генеративний ШІ має значний водний слід, в основному для охолодження обладнання в центрах обробки даних. Навчання моделі, такої як GPT-3, може безпосередньо випарувати до 700 000 літрів чистої прісної води — що еквівалентно воді, необхідній для виробництва 370 автомобілів BMW. Це споживання створює навантаження на муніципальні запаси та порушує локальні екосистеми, особливо в посушливих регіонах, де часто розташовуються центри обробки даних.
Ефективність використання води різниться, але в деяких випадках центрам обробки даних може знадобитися до 5 мільйонів галонів на день, що відповідає споживанню невеликого міста. «Де» та «коли» працюють моделі, має значення; запуск моделей у районах з дефіцитом води під час пікових сезонів посилює екологічний стрес. У міру зростання попиту на ШІ зростає і потреба в інноваційних рішеннях для охолодження, таких як замкнуті системи та використання непитної води, щоб пом'якшити це приховане споживання.
Від чіпів до електронних відходів: Слід обладнання
Вплив генеративного ШІ на навколишнє середовище поширюється глибоко в ланцюг постачання, починаючи з виробництва спеціалізованого обладнання, такого як GPU. Виробництво цих компонентів включає забруднюючі гірничі процеси та токсичні хімікати, сприяючи забрудненню та виснаженню ресурсів. У 2023 році понад 3,85 мільйона GPU було відправлено до центрів обробки даних, і це число очікується на різке зростання, що збільшує непрямі викиди від транспортування та виробництва.
Наприкінці свого життєвого циклу це обладнання поповнює найшвидше зростаючий у світі потік відходів: електронні відходи. Дослідження прогнозують, що генеративний ШІ може сприяти утворенню 16 мільйонів тонн кумулятивних електронних відходів до 2030 року. Вирішення цієї проблеми вимагає підходу циркулярної економіки, зосередженого на переробці, довговічному дизайні та зменшенні морального старіння, щоб стримати потік викинутої електроніки.
Поза навчанням: Тривалий вплив інференції
Хоча навчання моделей привертає заголовки, фаза інференції — коли інструменти ШІ, такі як ChatGPT, відповідають на запити користувачів — може мати однаково глибокий вплив на навколишнє середовище. Кожен запит у ChatGPT споживає приблизно в п'ять разів більше електроенергії, ніж простий веб-пошук, і з мільярдами щоденних взаємодій викиди від використання можуть швидко перевищити викиди від навчання протягом тижнів або місяців для популярних моделей.
Це постійне споживання енергії підкреслює важливість оптимізації розгорнутих моделей. Покращення ефективності, такі як звітне Google 33-кратне зменшення енергії на запит для Gemini, показують, що прогрес можливий. Однак масштаб залишається проблемою; у міру впровадження генеративного ШІ у повсякденне життя, від електронних листів до творчих інструментів, його сукупний слід зростає, що вимагає постійних інновацій у спрощенні програмного забезпечення та створенні моделей відповідного розміру.
Баланс: Ефективність проти Попиту
Покращення ефективності на один запит є обнадійливими, але вони повинні випереджати зростаючий попит. Фокус галузі на більших, потужніших моделях часто конфліктує з цілями сталості, підкреслюючи необхідність компромісів між продуктивністю та екологічною вартістю.
У перспективі: ШІ проти повсякденної діяльності
Контекстуалізація сліду генеративного ШІ виявляє несподівані порівняння. Наприклад, середній текстовий запит Gemini використовує близько 0,24 ват-години енергії — порівняно з переглядом дев'яти секунд телебачення — і 0,26 мілілітра води, приблизно п'ять крапель. Ці крихітні впливи на одиницю різко контрастують з такими діями, як поїздка на роботу на автомобілі, де 15-мильна поїздка в обидва кінці викидає ~6 кг CO2, що еквівалентно десяткам мільйонів запитів.
Однак масштаб перетворює ці скромні цифри; мільярди щоденних запитів плюс вплив навчання та обладнання складаються в значне екологічне навантаження. Центри обробки даних живлять набагато більше, ніж ШІ, підтримуючи все, від стрімінгу до хмарного сховища, тому навантаження від ШІ є частиною більшої цифрової екосистеми. Така перспектива заохочує використовувати ШІ там, де він замінює діяльність з більшим слідом, а не там, де він додає непотрібне навантаження.
Прокладання сталого шляху вперед
Пом'якшення екологічної шкоди від генеративного ШІ вимагає багатогранної стратегії. Ключові підходи включають використання чистої енергії для центрів обробки даних, покращення ефективності обладнання та впровадження водозберігаючих технологій охолодження. Як підкреслюють дослідники MIT, комплексні оцінки повинні зважувати економічні, соціальні та екологічні фактори, щоб керувати кліматично свідомим розвитком.
Політика та співпраця в галузі є необхідними; стимули для «зелених» обчислень та прозорість у звітності можуть сприяти змінам. Наприклад, швидке зменшення Google викидів вуглецю та споживання води на запит демонструє, що інновації можуть давати швидкі результати. Пріоритизуючи сталість у дослідженнях та розробці ШІ, ми можемо направити технологію на шлях, який підтримує, а не підриває глобальні кліматичні цілі.
Генеративний ШІ: Інструмент для екологічного блага?
Генеративний ШІ має подвійну роль: він може посилювати екологічні проблеми, але також пропонує рішення. При мудрому застосуванні ШІ міг би допомогти пом'якшити 5-10% глобальних викидів парникових газів до 2030 року завдяки таким застосуванням, як оптимізація енергосистем, покращення інтеграції відновлюваних джерел та зменшення відходів у ланцюгах постачання. Його здатність моделювати складні системи допомагає в кліматичному прогнозуванні та зусиллях зі збереження, потенційно компенсуючи частину власного сліду.
Майбутнє залежить від свідомого проектування та використання. Використовуючи ШІ для сталості — наприклад, для віддаленої співпраці, щоб скоротити поїздки, або для точного землеробства, щоб зберегти воду — ми можемо використати його силу на благо. Зрештою, вплив генеративного ШІ на навколишнє середовище не є визначеним заздалегідь; він формується виборами, які ми робимо сьогодні, балансуючи інновації з відповідальністю, щоб забезпечити більш зелений цифровий вік.