Lyginamoji AI elektros energijos suvartojimo, anglies dioksido išmetimo, vandens naudojimo ir skaičiavimo intensyvumo apžvalga.
— kWh
Dirbtinio intelekto sistemos priklauso nuo didelės apimties skaičiavimo infrastruktūros. Jų poveikis aplinkai priklauso nuo elektros energijos poreikio, duomenų centrų efektyvumo, tinklo anglies dioksido intensyvumo, aušinimo technologijos ir mokymo bei išvadų darymo apkrovų apimties. TheAIMeters pateikia skaidrius įverčius, kad šias tendencijas būtų lengviau suprasti.
Dirbtinio intelekto infrastruktūra sunaudoja daug elektros energijos, aušinimo vandens ir skaičiavimo išteklių. Šie skaičiai tampa lengviau suprantami, kai juos palyginame su pažįstama realaus pasaulio veikla.
Didelės dirbtinio intelekto sistemos nuolat vartoja elektros energiją duomenų centruose, kuriuose yra GPU ir specializuota techninė įranga. Mokymo ir išvadų darymo krūviams gali prireikti energijos, prilygstančios tūkstančiams namų ūkių.
Su dirbtiniu intelektu susijęs išmetamo anglies dioksido kiekis labai priklauso nuo energijos rūšių derinio, kuriuo maitinami duomenų centrai. Iškastiniu kuru gaminama elektra palieka daug didesnį poveikį aplinkai nei atsinaujinantys energijos šaltiniai.
Šiuolaikinei dirbtinio intelekto infrastruktūrai reikia didelių aušinimo pajėgumų. Daugelis duomenų centrų naudoja vandens aušinimo sistemas, todėl vandens suvartojimas tampa vis svarbesne AI tvarumo diskusijų dalimi.
Elektros energija yra dirbtinio intelekto infrastruktūros pagrindas. GPU, serveriai, tinklo ir aušinimo sistemos - visa tai didina energijos poreikį.
Skaityti daugiauSu dirbtiniu intelektu susijęs išmetamo CO₂e kiekis priklauso nuo naudojamos elektros energijos ir duomenų centrus maitinančių tinklų anglies dioksido intensyvumo.
Skaityti daugiauPriklausomai nuo regiono ir infrastruktūros, vanduo gali būti naudojamas tiesiogiai aušinant duomenų centrus ir netiesiogiai gaminant elektros energiją.
Skaityti daugiauDirbtinio intelekto poveikį aplinkai daro tiek didelių modelių mokymas, tiek milijardų išvadų užklausų aptarnavimas kiekvieną dieną. Mokymo darbams reikia didžiulių skaičiavimo pajėgumų, o išvadų darymo krūviai sukuria nuolatinį ilgalaikį pasaulinės infrastruktūros poreikį.
Mokslininkai ir infrastruktūros teikėjai aktyviai didina dirbtinio intelekto efektyvumą naudodami geresnius lustus, optimizuotus modelius, atsinaujinančiais energijos šaltiniais maitinamus duomenų centrus ir efektyvesnes aušinimo sistemas. Tačiau pasaulinis AI diegimas taip pat auga itin sparčiai, o tai gali atsverti kai kuriuos iš šių pasiekimų.
Šiuose rodikliuose derinami vieši duomenys, infrastruktūros prielaidos ir periodiškai atnaujinami duomenys. Išsamias prielaidas galima rasti Metodikos puslapyje Metodika.
Realiuoju laiku atliekami AI išmetamo anglies dioksido kiekio (CO₂e) įverčiai - šiandien ir nuo metų pradžios - remiantis viešais šaltiniais ir skaidriomis prielaidomis.
Šiuolaikinės dirbtinio intelekto sistemos remiasi didžiuliais duomenų centrais, kuriuose yra GPU, tinklo įranga, aušinimo sistemos ir didelio tankio infrastruktūra. Šie įrenginiai užtikrina dirbtinio intelekto mokymą, išvadų darymą, vaizdų generavimą ir didelės apimties kalbos modelius.
Dirbtinio intelekto elektros energijos suvartojimas susijęs su skaičiavimo infrastruktūra, reikalinga šiuolaikinėms dirbtinio intelekto sistemoms mokyti, paleisti ir plėsti.
Realiuoju laiku atliekami AI sunaudojamos elektros energijos įverčiai - šiandien ir nuo metų pradžios - remiantis viešais šaltiniais ir skaidriomis prielaidomis.
Dirbtinio intelekto duomenų centrai vandenį daugiausia naudoja aušinimui. Dideli GPU klasteriai generuoja milžiniškus šilumos kiekius, todėl daugelis įrenginių, norėdami palaikyti saugią darbinę temperatūrą, remiasi vandens aušinimo sistemomis.
Dirbtinis intelektas ne visur naudoja vandenį vienodai, tačiau dideli duomenų centrai gali padidinti vietinį vandens poreikį priklausomai nuo aušinimo sistemų, klimato ir energijos šaltinių.