Praktisks pārskats par mākslīgā intelekta ietekmi uz vidi saistībā ar elektroenerģiju, ūdeni, oglekļa emisijām, datu centriem un skaitļošanas infrastruktūru.
Mākslīgā intelekta sistēmas ir atkarīgas no fiziskās infrastruktūras: grafiskajiem procesoriem (GPU), serveriem, datu centriem, elektrotīkliem, dzesēšanas sistēmām, ūdensapgādes sistēmām un globālajiem tīkliem. To ietekme uz vidi ir atkarīga no tā, cik daudz skaitļošanas jaudas tiek izmantots, kur tā darbojas, cik efektīvs ir datu centrs un kādi enerģijas un dzesēšanas resursi ir pieejami vietējā līmenī.
Vislabākais veids, kā izprast mākslīgā intelekta ietekmi, ir izdalīt galvenos faktorus: elektroenerģijas pieprasījumu, oglekļa intensitāti, ūdens patēriņu, apmācības ciklus, secinājumu apstrādes datu plūsmu un datu centru dzesēšanu. Turpmākajās lapās ir izskaidrots katrs no šiem aspektiem, neuzskatot „TheAIMeters“ aplēses par oficiāliem kopējiem rādītājiem.
Mākslīgā intelekta infrastruktūra patērē milzīgus elektroenerģijas, dzesēšanas ūdens un skaitļošanas resursu apjomus. Šos skaitļus ir vieglāk saprast, ja salīdzina ar pazīstamām reālās pasaules darbībām.
Lielas mākslīgā intelekta sistēmas nepārtraukti patērē elektroenerģiju, izmantojot datu centrus, kuros ir GPU un specializēta aparatūra. Apmācības un secinājumu darba slodzei var būt nepieciešama enerģija, kas pielīdzināma tūkstošiem mājsaimniecību.
Ar mākslīgo intelektu saistītās oglekļa emisijas lielā mērā ir atkarīgas no enerģijas veidu kombinācijas, kas nodrošina datu centru darbību. Fosilā kurināmā elektroenerģija rada daudz lielāku ietekmi uz vidi nekā atjaunojamie enerģijas avoti.
Mūsdienu mākslīgā intelekta infrastruktūrai nepieciešama ievērojama dzesēšanas jauda. Daudzi datu centri izmanto dzesēšanas sistēmas, kas balstītas uz ūdeni, tāpēc ūdens patēriņš kļūst arvien svarīgāka AI ilgtspējības diskusiju daļa.
Elektrība ir AI infrastruktūras pamats. GPU, serveri, tīkli un dzesēšanas sistēmas - visi tie palielina enerģijas pieprasījumu.
Lasīt vairākAr mākslīgo intelektu saistītās CO₂e emisijas ir atkarīgas no izmantotās elektroenerģijas un no datu centrus barojošo tīklu oglekļa intensitātes.
Lasīt vairākAtkarībā no reģiona un infrastruktūras ūdens var tikt iesaistīts tieši datu centru dzesēšanā un netieši - elektroenerģijas ražošanā.
Lasīt vairākMākslīgā intelekta ietekmi uz vidi rada gan lielu modeļu apmācība, gan miljardiem secinājumu pieprasījumu apkalpošana katru dienu. Lai gan apmācībai ir nepieciešami milzīgi skaitļošanas jaudas sprādzieni, secinājumu izdarīšanas slodzes rada pastāvīgu ilgtermiņa pieprasījumu pēc globālās infrastruktūras.
Mākslīgā intelekta datu centri koncentrē lielus skaitļošanas resursus blīvos GPU klasteros. Tādēļ dzesēšana, ūdens pieejamība, elektroenerģijas piegāde un vietējā elektrotīkla jauda ir galvenie faktori, kas ietekmē mākslīgā intelekta infrastruktūras ietekmi uz vidi.
Pētnieki un infrastruktūras nodrošinātāji aktīvi uzlabo mākslīgā intelekta efektivitāti, izmantojot labākas mikroshēmas, optimizētus modeļus, ar atjaunojamiem energoresursiem darbināmus datu centrus un efektīvākas dzesēšanas sistēmas. Tomēr globālā AI ieviešana arī ārkārtīgi strauji pieaug, kas var kompensēt dažus no šiem ieguvumiem.
Publiskotie dati ir nepilnīgi. Galīgo ietekmi uz vidi var ietekmēt gan modeļa izmērs, gan aparatūras tips, gan izmantošanas intensitāte, gan datu centra atrašanās vieta, gan dzesēšanas tehnoloģija, gan enerģijas avotu sadalījums, gan arī sadalījums starp apmācību un secinājumu izdarīšanu. TheAIMeters rādītāji ir jāuzskata par pārredzamām, orientējošām aplēsēm, nevis oficiāliem mērījumiem.
Šajos rādītājos apvienoti publiskie dati, infrastruktūras pieņēmumi un periodiski atjauninājumi. Detalizēti pieņēmumi ir pieejami metodikas lapā Metodoloģija.
Mākslīgā intelekta datu centri izmanto ūdeni, jo augstas blīvuma GPU serveri rada siltumu, kas nepārtraukti jānovada. Dzesēšana ar ūdeni var būt efektīva, taču tās ietekme konkrētajā vietā ir atkarīga no klimata, dzesēšanas sistēmas uzbūves, elektroenerģijas ražošanas un ūdens pieejamības.
Reāllaika aplēses par AI patērēto elektroenerģiju - šodien un no gada uz gadu, pamatojoties uz publiskiem avotiem un pārredzamiem pieņēmumiem.
AI oglekļa emisiju (CO₂e) aplēses reāllaikā - šodien un no gada līdz šim -, pamatojoties uz publiskiem avotiem un pārredzamiem pieņēmumiem.
Mūsdienu mākslīgā intelekta sistēmas ir atkarīgas no milzīgiem datu centriem, kuros ir GPU, tīkla iekārtas, dzesēšanas sistēmas un liela blīvuma infrastruktūra. Šīs iekārtas nodrošina AI apmācību, secinājumu izdarīšanu, attēlu ģenerēšanu un liela mēroga valodas modeļus.
AI izmanto tik daudz elektroenerģijas, jo trenēšana, inference un globāla mēroga izvietošana balstās uz aprēķiniem intensīvu infrastruktūru.
AI modeļi tiek trenēti, mācoties modeļus no lielām datu kopām, pielāgojot iekšējos parametrus un pēc tam izmantojot šos modeļus, lai atbildētu uz jauniem ievades datiem. Šis trenēšanas process ir AI modeļu darbības pamats.