Як ШІ впливає на навколишнє середовище?

Як ШІ впливає на навколишнє середовище?

Коротка відповідь: ШІ впливає на навколишнє середовище головним чином через використання електроенергії в центрах обробки даних (як для навчання, так і для повсякденного логічного висновку), а також через воду для охолодження, а також через вплив виробництва обладнання та електронних відходів. Якщо використання масштабується до мільярдів запитів, логічний висновок може переважити навчання; якщо мережі чистіші, а системи ефективніші, вплив зменшується, тоді як переваги можуть зростати.

Ключові висновки:

Електроенергія : Відстежуйте використання обчислювальних ресурсів; викиди зменшуються, коли робочі навантаження працюють у чистіших мережах.

Вода : Рішення щодо вибору охолодження змінюють свій вплив; методи на основі води мають найбільше значення в регіонах з обмеженою кількістю ресурсів.

Апаратне забезпечення : Чіпи та сервери мають суттєвий вплив; подовжують термін служби та надають пріоритет оновленню.

Відскок : Ефективність може підвищити загальний попит; вимірюйте результати, а не лише приріст кожного завдання.

Операційні важелі : правильний розмір моделей, оптимізація логічних висновків та прозора звітність про показники для кожного запиту.

Як ШІ впливає на довкілля? Інфографіка

Статті, які вам, можливо, буде цікаво прочитати після цієї:

🔗 Чи шкідливий ШІ для навколишнього середовища?
Дослідіть вуглецевий слід штучного інтелекту, споживання електроенергії та вимоги центрів обробки даних.

🔗 Чому штучний інтелект шкідливий для суспільства?
Зверніть увагу на упередженість, перебої в роботі, дезінформацію та зростання соціальної нерівності.

🔗 Чому ШІ поганий? Темна сторона ШІ
Розумійте такі ризики, як стеження, маніпуляції та втрата людського контролю.

🔗 Чи зайшов ШІ надто далеко?
Дебати щодо етики, регулювання та того, де інновації повинні розмежовуватися.

Як ШІ впливає на довкілля: короткий огляд ⚡🌱

Якщо ви пам'ятаєте лише кілька пунктів, зробіть це так:

А ще є те, про що люди забувають: масштаб . Один запит до ШІ може бути невеликим, але мільярди таких запитів — це зовсім інша справа… як крихітна снігова куля, яка якимось чином перетворюється на лавину розміром з диван. (Ця метафора трохи невлучна, але ви зрозуміли.) МЕА: Енергетика та ШІ

Екологічний слід ШІ — це не щось одне, це ціла низка 🧱🌎

Коли люди сперечаються про штучний інтелект та сталий розвиток, вони часто ігнорують одне одного, оскільки вказують на різні рівні:

1) Обчисліть електрику

  • Навчання великих моделей може вимагати тривалої роботи великих кластерів. МЕА: Енергетика та ШІ

  • Висновок (щоденне використання) з часом може стати більшим впливом, оскільки він відбувається постійно та всюди. МЕА: Енергетика та ШІ

2) Накладні витрати центру обробки даних

3) Вода та тепло

4) Ланцюг поставок обладнання

5) Поведінка та ефекти відскоку

Тож, коли хтось запитує, як ШІ впливає на довкілля, пряма відповідь: це залежить від того, який шар ви вимірюєте, і що означає «ШІ» в цій ситуації.

Навчання проти логічного висновку: різниця, яка змінює все 🧠⚙️

Люди люблять говорити про навчання, бо це звучить драматично — «одна модель використовувала енергію X». Але логічний висновок — це тихий гігант. IEA: Енергія та ШІ

Тренування (велике будівництво)

Навчання схоже на будівництво заводу. Ви сплачуєте початкові витрати: важкі обчислення, тривалий час виконання, безліч спроб і помилок (і так, безліч ітерацій типу «ой, не спрацювало, спробуйте ще раз»). Навчання можна оптимізувати, але воно все одно може бути суттєвим. МЕА: Енергетика та ШІ.

Висновок (щоденне використання)

Висновок — це як фабрика, що працює щодня, для всіх, у великому масштабі:

  • Чат-боти відповідають на запитання

  • Генерація зображень

  • Рейтинг у пошуку

  • Рекомендації

  • Перетворення мовлення на текст

  • Виявлення шахрайства

  • Копілоти в документах та інструментах коду

Навіть якщо кожен запит відносно невеликий, обсяг використання може затьмарити навчання. Це класична ситуація «одна соломинка — ніщо, мільйон соломинок — це проблема». IEA: Енергетика та ШІ

Невелике зауваження: деякі завдання ШІ набагато складніші за інші. Створення зображень або довгих відео, як правило, потребує більше енергії, ніж класифікація коротких текстів. Тож об’єднувати «ШІ» в одне відро трохи схоже на порівняння велосипеда з вантажним судном і називати їх обох «транспортом». МЕА: Енергетика та ШІ

Центри обробки даних: живлення, охолодження та та тиха історія про воду 💧🏢

Центри обробки даних не є чимось новим, але штучний інтелект змінює їхню інтенсивність. Високопродуктивні прискорювачі можуть споживати багато енергії у тісних просторах, що перетворюється на тепло, яке необхідно контролювати. LBNL (2024): Звіт про використання енергії центрами обробки даних США (PDF) МЕА: Енергетика та штучний інтелект

Основи охолодження (спрощено, але практично)

Ось у чому полягає компроміс: іноді можна знизити споживання електроенергії, спираючись на водяне охолодження. Залежно від місцевої нестачі води, це може бути нормально… або ж це може бути справжньою проблемою. Лі та ін. (2023): Як зробити штучний інтелект менш «спраглим» (PDF)

Також вплив на навколишнє середовище значною мірою залежить від:

Якщо бути відвертим: у публічних розмовах «центр обробки даних» часто трактується як чорна скринька. Це не зло, це не магія. Це інфраструктура. Вона поводиться як інфраструктура.

Чіпи та обладнання: частина, яку люди пропускають, бо вона менш сексуальна 🪨🔧

Штучний інтелект живе на апаратному забезпеченні. Апаратне забезпечення має життєвий цикл, і вплив життєвого циклу може бути значним. Агентство з охорони навколишнього середовища США: Напівпровідникова промисловість. ITU: Глобальний моніторинг електронних відходів 2024 року.

Де проявляється вплив на навколишнє середовище

Електронні відходи та «абсолютно бездоганні» сервери

Багато шкоди для навколишнього середовища виникає не через один існуючий пристрій, а через його передчасну заміну, оскільки вона більше не є економічно ефективною. Штучний інтелект прискорює цей процес, оскільки стрибки в продуктивності можуть бути значними. Спокуса оновити обладнання є реальною. ITU: Глобальний моніторинг електронних відходів 2024 року

Практичний момент: продовження терміну служби обладнання, покращення використання та оновлення можуть мати таке ж значення, як і будь-яке модне налаштування моделі. Іноді найекологічніший графічний процесор — це той, який ви не купуєте. (Це звучить як гасло, але це також… певною мірою правда.)

Як ШІ впливає на довкілля: цикл поведінки «люди забувають про це» 🔁😬

А ось і незручна соціальна частина: штучний інтелект спрощує життя, завдяки чому люди роблять більше речей. Це може бути чудово — вища продуктивність, більше креативності, більше доступу. Але це також може означати більше загального використання ресурсів. ОЕСР (2012): Численні переваги покращення енергоефективності (PDF)

Приклади:

  • Якщо штучний інтелект зробить створення відео дешевим, люди створюватимуть більше відео.

  • Якщо ШІ робить рекламу ефективнішою, відображається більше реклами, розкручується більше циклів взаємодії.

  • Якщо штучний інтелект зробить логістику доставки ефективнішою, електронна комерція може масштабуватися ще більше.

Це не привід для паніки. Це привід вимірювати результати, а не лише ефективність.

Недосконала, але цікава метафора: ефективність ШІ — це як дати підлітку більший холодильник — так, зберігання їжі покращується, але якимось чином холодильник знову порожній через день. Не ідеальна метафора, але… ви бачили, як це відбувається 😅

Перевага: ШІ може справді допомогти довкіллю (за умови правильного націлювання) 🌿✨

Тепер про ту частину, яку недооцінюють: ШІ може зменшити викиди та відходи в існуючих системах, які… відверто кажучи, неелегантні. МЕА: ШІ для оптимізації енергії та інновацій

Галузі, де ШІ може допомогти

Важливий нюанс: «допомога» ШІ не компенсує автоматично його вплив. Це залежить від того, чи ШІ фактично розгортається, чи фактично використовується, і чи призводить він до реального скорочення витрат, а не просто до покращення інформаційних панелей. Але так, потенціал реальний. МЕА: ШІ для оптимізації енергоспоживання та інновацій

Що робить екологічний ШІ гарною версією? ✅🌍

Це розділ «добре, то що нам робити?». Гарна екологічно відповідальна система штучного інтелекту зазвичай має:

  • Чітка цінність варіанту використання : якщо модель не змінює рішення чи результати, це просто химерні обчислення.

  • Вбудовані вимірювання : показники енергії, оцінки викидів вуглецю, використання та ефективності відстежуються як будь-який інший ключовий показник ефективності (KPI). CodeCarbon: Методологія

  • Моделі правильного розміру : Використовуйте менші моделі, коли менші моделі працюють. Ефективність не є моральним недоліком.

  • Ефективне проектування логічного висновку : кешування, пакетна обробка, квантування, пошук та хороші шаблони підказок. Голамі та ін. (2021): Огляд методів квантування (PDF) Льюїс та ін. (2020): Генерація з доповненим пошуком

  • Обізнаність щодо обладнання та розташування : виконувати робочі навантаження там, де мережа чистіша, а інфраструктура ефективна (коли це можливо). API інтенсивності викидів вуглецю (ВБ).

  • Довший термін служби обладнання : максимізація використання, повторного використання та відновлення. ITU: Глобальний моніторинг електронних відходів 2024 року

  • Пряма журналістика : уникайте «зеленого» жаргону та розпливчастих тверджень на кшталт «екологічно чистий штучний інтелект» без цифр.

Якщо ви все ще відстежуєте, як ШІ впливає на довкілля, то саме в цьому моменті відповідь перестає бути філософською та стає операційною: він впливає на нього на основі вашого вибору.

Порівняльна таблиця: інструменти та підходи, які фактично зменшують вплив 🧰⚡

Нижче наведено коротку, практичну таблицю. Вона не ідеальна, і так, деякі клітинки дещо упереджені… бо саме так працює справжній вибір інструментів.

Інструмент / Підхід Аудиторія Ціна Чому це працює
Бібліотеки відстеження вуглецю/енергії (оцінювачі часу виконання) Команди машинного навчання Вільний Забезпечує видимість – що вже половина справи, навіть якщо оцінки дещо нечіткі… CodeCarbon
Моніторинг живлення обладнання (телеметрація графічного процесора/процесора) Інфра + машинне навчання Безкоштовно Вимірює реальне споживання; добре підходить для бенчмаркінгу (непомітно, але виглядає чудово)
Модель дистиляції Інженери машинного навчання Безкоштовно (вартість часу 😵) Менші моделі студентів часто відповідають показникам зі значно меншою вартістю висновків Хінтон та ін. (2015): Дистиляція знань у нейронній мережі
Квантування (висновок з нижчою точністю) ML + продукт Безкоштовно Зменшує затримку та енергоспоживання; іноді з незначними компромісами в якості, іноді без них Голамі та ін. (2021): Огляд методів квантування (PDF)
Кешування + пакетне виведення Продукт + платформа Безкоштовно Зменшує надлишкові обчислення; особливо зручно для повторюваних запитів або подібних запитів
Генерація з доповненим пошуком (RAG) Команди додатків Змішаний Розвантажує «пам'ять» для пошуку; може зменшити потребу у величезних контекстних вікнах Льюїс та ін. (2020): Генерація з доповненим пошуком даних
Планування робочих навантажень за вуглецевою інтенсивністю Інфраструктура/операції Змішаний Переводить гнучкі робочі місця на чистіші електричні склопідйомники, хоча й вимагає координації API інтенсивності вуглецю (GB)
Фокус на ефективності центру обробки даних (використання, консолідація) Керівництво в ІТ Платно (зазвичай) Найменш привабливий важіль, але часто найбільший – припинити використовувати напівпорожні системи Зелена мережа: PUE
Проекти повторного використання тепла Зручності Це залежить Перетворює відпрацьоване тепло на цінність; не завжди можливо, але коли це можливо, це досить красиво
«Чи потрібен нам тут взагалі штучний інтелект?» – перевірте Усі Безкоштовно Запобігає безглуздим обчисленням. Найпотужніша оптимізація — це сказати «ні» (іноді)

Помітили, чого не вистачає? «Купи чарівну зелену наліпку». Такої не існує 😬

Практичний посібник: зменшення впливу ШІ без руйнування продукту 🛠️🌱

Якщо ви створюєте або купуєте системи штучного інтелекту, ось реалістична послідовність, яка працює на практиці:

Крок 1: Почніть з вимірювання

  • Відстежуйте споживання енергії або постійно оцінюйте його. CodeCarbon: Методологія

  • Вимірювання для кожного навчального запуску та для кожного запиту на висновок.

  • Контролюйте використання – неактивні ресурси мають звичку ховатися на видноті. Зелена мережа: PUE

Крок 2: Підберіть розмір моделі відповідно до завдання

  • Використовуйте менші моделі для класифікації, вилучення, маршрутизації.

  • Важку модель прибережіть для складних корпусів.

  • Розглянемо «каскад моделей»: спочатку маленька модель, більша модель лише за потреби.

Крок 3: Оптимізація логічного висновку (саме тут масштаб вирішує проблему)

  • Кешування : зберігання відповідей на повторювані запити (з ретельним контролем конфіденційності).

  • Пакетування : групування запитів для підвищення ефективності обладнання.

  • Коротші результати : довгі результати коштують дорожче — іноді есе не потрібне.

  • Дисципліна підказок : неохайні підказки створюють довші обчислювальні шляхи… і так, більше токенів.

Крок 4: Покращення гігієни даних

Це звучить не пов'язано, але це не так:

  • Чистіші набори даних можуть зменшити відтік перенавчальних кадрів.

  • Менше шуму означає менше експериментів і менше марних прогонів.

Крок 5: Ставтеся до обладнання як до активу, а не як до одноразового використання

Крок 6: Розумний вибір розгортання

  • Виконуйте гнучкі завдання, де енергія є чистішою, якщо це можливо. Індекс вуглецевої інтенсивності API (Велика Британія)

  • Зменште непотрібне повторення.

  • Підтримуйте реалістичні цільові показники затримки (наднизька затримка може призвести до неефективних налаштувань постійної роботи).

І так… іноді найкращим кроком буде просто: не запускати найбільшу модель автоматично для кожної дії користувача. Ця звичка є екологічним еквівалентом того, щоб залишати кожне світло увімкненим, бо підходити до вимикача дратує.

Поширені міфи (і що ближче до правди) 🧠🧯

Міф: «Штучний інтелект завжди гірший за традиційне програмне забезпечення»

Правда: ШІ може бути більш обчислювально містким, але він також може замінити неефективні ручні процеси, зменшити відходи та оптимізувати системи. Це залежить від ситуації. МЕА: ШІ для оптимізації енергоспоживання та інновацій

Міф: «Проблема лише в навчанні»

Правда: З часом висновок у масштабі може домінувати. Якщо використання вашого продукту стрімко зростає, це стає головною темою. МЕА: Енергетика та ШІ

Міф: «Відновлювані джерела енергії вирішують це миттєво»

Правда: Чистіша електроенергія дуже допомагає, але не зменшує вплив обладнання, використання води чи ефектів відскоку. Однак це все ще важливо. МЕА: Енергетика та ШІ

Міф: «Якщо це ефективно, то це стало»

Правда: Ефективність без контролю попиту все ще може збільшити загальний вплив. Це пастка відскоку. ОЕСР (2012): Численні переваги покращення енергоефективності (PDF)

Управління, прозорість і відсутність театральності 🧾🌍

Якщо ви компанія, саме тут будується або втрачається довіра.

Саме тут люди закочують очі, але це важливо. Відповідальні технології — це не лише розумна інженерія. Йдеться також про те, щоб не вдавати, що компромісів не існує.

Заключний висновок: короткий огляд того, як ШІ впливає на довкілля 🌎✅

Вплив ШІ на довкілля зводиться до додаткового навантаження: електроенергії, води (іноді) та попиту на обладнання. МЕА: Енергетика та ШІ. Лі та ін. (2023): Як зробити ШІ менш «спраглим» (PDF). Він також пропонує потужні інструменти для скорочення викидів та відходів в інших секторах. МЕА: ШІ для оптимізації енергії та інновацій. Кінцевий результат залежить від масштабу, чистоти мережі, вибору ефективності та того, чи вирішує ШІ реальні проблеми, чи просто створює новизну заради новизни. МЕА: Енергетика та ШІ.

Якщо ви хочете найпростіший практичний рецепт на винос:

  • Виміряйте.

  • Правильного розміру.

  • Оптимізуйте висновок.

  • Подовжити термін служби обладнання.

  • Будьте відвертими щодо компромісів.

А якщо ви відчуваєте пригніченість, ось вам заспокійлива істина: невеликі операційні рішення, повторені тисячу разів, зазвичай перевершують одну велику заяву про сталий розвиток. Щось на кшталт чищення зубів. Не гламурно, але працює… 😄🪥

Найчастіші запитання

Як штучний інтелект впливає на навколишнє середовище у повсякденному використанні, не лише у великих дослідницьких лабораторіях?

Більша частина впливу штучного інтелекту походить від електроенергії, яка живить центри обробки даних, що працюють з графічними та центральними процесорами, як під час навчання, так і під час щоденного «виведення». Один запит може бути невеликим, але у великих масштабах ці запити швидко накопичуються. Вплив також залежить від того, де розташований центр обробки даних, наскільки чистою є локальна мережа та наскільки ефективно працює інфраструктура.

Чи навчання моделі штучного інтелекту гірше для навколишнього середовища, ніж її використання (логічний висновок)?

Навчання може бути великим початковим сплеском обчислень, але логічний висновок з часом може займати більше місця, оскільки він працює постійно та у великих масштабах. Якщо інструментом користуються мільйони людей щодня, повторні запити можуть перевищити одноразові витрати на навчання. Ось чому оптимізація часто зосереджується на ефективності логічного висновку.

Чому ШІ використовує воду, і чи завжди це проблема?

Штучний інтелект може використовувати воду головним чином тому, що деякі центри обробки даних покладаються на охолодження на водній основі, або тому, що вода споживається опосередковано через виробництво електроенергії. У певних кліматичних умовах випарне охолодження може знизити споживання електроенергії, одночасно збільшуючи споживання води, створюючи справжній компроміс. Чи є це «поганим», залежить від місцевого дефіциту води, конструкції охолодження та того, чи вимірюється та управляється використання води.

Який вплив штучного інтелекту на навколишнє середовище походить від апаратного забезпечення та електронних відходів?

Штучний інтелект залежить від чіпів, серверів, мережевого обладнання, будівель та ланцюгів поставок, що означає видобуток корисних копалин, виробництво, доставку та остаточну утилізацію. Виробництво напівпровідників є енергоємним, а швидкі цикли оновлення можуть збільшити викиди та електронні відходи. Подовження терміну служби обладнання, його реконструкція та покращення його використання можуть значно зменшити вплив, іноді навіть конкуруючи зі змінами на рівні моделі.

Чи вирішує використання відновлюваної енергії проблему впливу штучного інтелекту на навколишнє середовище?

Чистіша електроенергія може зменшити викиди від обчислень, але вона не скасовує інші наслідки, такі як використання води, виробництво обладнання та електронні відходи. Вона також не вирішує автоматично «ефект відскоку», коли дешевші обчислення призводять до збільшення використання загалом. Відновлювані джерела енергії є важливим важелем, але вони лише одна частина стеку впливу.

Що таке ефект відскоку, і чому він важливий для штучного інтелекту та сталого розвитку?

Ефект відскоку виникає, коли підвищення ефективності робить щось дешевшим або простішим, тому люди роблять це більше – іноді це зводить нанівець заощадження. Завдяки штучному інтелекту, дешевше виробництво або автоматизація можуть збільшити загальний попит на контент, обчислення та послуги. Ось чому вимірювання результатів на практиці важливіше, ніж відзначення ефективності окремо.

Які практичні способи зменшити вплив штучного інтелекту без шкоди для продукту?

Поширений підхід полягає в тому, щоб почати з вимірювання (оцінки енергії та вуглецю, використання), потім підібрати моделі відповідно до завдання та оптимізувати логічний висновок за допомогою кешування, пакетної обробки та коротших результатів. Такі методи, як квантування, дистиляція та генерація з доповненим пошуком, можуть скоротити обчислювальні потреби. Операційні рішення, такі як планування робочого навантаження за вуглецевою інтенсивністю та довший термін служби обладнання, часто призводять до значних виграшів.

Як ШІ може допомогти довкіллю, а не завдати йому шкоди?

Штучний інтелект може зменшити викиди та відходи, якщо його використовувати для оптимізації реальних систем: прогнозування енергосистеми, реагування на попит, управління системами опалення, вентиляції та кондиціонування повітря в будівлях, маршрутизації логістики, прогнозного обслуговування та виявлення витоків. Він також може підтримувати моніторинг навколишнього середовища, такий як сповіщення про вирубку лісів та виявлення метану. Ключовим є те, чи змінює система рішення та забезпечує вимірювані скорочення, а не лише покращення інформаційних панелей.

Які показники повинні звітувати компанії, щоб уникнути заяв про «зелений вошинг» у сфері ШІ?

Більш суттєво звітувати про показники для кожного завдання або запиту, ніж лише про великі загальні цифри, оскільки це показує ефективність на рівні одиниці. Відстеження використання енергії, оцінки викидів вуглецю, використання та – де це доречно – впливу на воду створює чіткішу підзвітність. Також важливо: визначити межі (що включено) та уникати розпливчастих термінів, таких як «екологічний ШІ» без кількісних доказів.

Посилання

  1. Міжнародне енергетичне агентство (МЕА) - Енергетика та штучний інтелект - iea.org

  2. Міжнародне енергетичне агентство (МЕА) - Штучний інтелект для оптимізації енергетики та інновацій - iea.org

  3. Міжнародне енергетичне агентство (МЕА) - Цифровізація - iea.org

  4. Національна лабораторія імені Лоуренса в Берклі (LBNL) - Звіт про використання енергії центрами обробки даних США (2024) (PDF) - lbl.gov

  5. Лі та ін. - Як зробити ШІ менш «спраглим» (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Поява та розширення рідинного охолодження в основних центрах обробки даних (PDF) - ashrae.org

  7. Зелена сітка - PUE-Комплексний аналіз метрики - thegreengrid.org

  8. Міністерство енергетики США (DOE) - FEMP - Можливості підвищення ефективності охолоджувальної води для федеральних центрів обробки даних - energy.gov

  9. Міністерство енергетики США (DOE) - FEMP - Енергоефективність у центрах обробки даних - energy.gov

  10. Агентство з охорони навколишнього середовища США (EPA) - Напівпровідникова промисловість - epa.gov

  11. Міжнародний союз електрозв'язку (МСЕ) - Глобальний моніторинг електронних відходів 2024 - itu.int

  12. ОЕСР - Численні переваги покращення енергоефективності (2012) (PDF) - oecd.org

  13. API інтенсивності вуглецю (Велика Британія) - carbonintensity.org.uk

  14. imec - Зменшення впливу на навколишнє середовище у виробництві мікросхем - imec-int.com

  15. ЮНЕП - Як працює MARS - unep.org

  16. Глобальна лісова варта - сповіщення GLAD про вирубку лісів - globalforestwatch.org

  17. Інститут Алана Тюрінга - Штучний інтелект та автономні системи для оцінки біорізноманіття та здоров'я екосистем - turing.ac.uk

  18. CodeCarbon - Методологія - mlco2.github.io

  19. Голамі та ін. - Огляд методів квантування (2021) (PDF) - arxiv.org

  20. Льюїс та ін. - Генерація з доповненим пошуком даних (2020) - arxiv.org

  21. Хінтон та ін. - Дистиляція знань у нейронній мережі (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Знайдіть найновіший штучний інтелект в офіційному магазині помічників зі штучним інтелектом

Про нас

Повернутися до блогу