Как искусственный интеллект влияет на окружающую среду?

Как искусственный интеллект влияет на окружающую среду?

Краткий ответ: ИИ влияет на окружающую среду главным образом за счет потребления электроэнергии в центрах обработки данных (как для обучения, так и для повседневного выполнения вычислений), а также воды для охлаждения, плюс воздействие производства оборудования и электронных отходов. Если объем использования достигает миллиардов запросов, объем вычислений может превысить объем обучения; если же энергосети становятся экологичнее, а системы — эффективнее, воздействие снижается, а преимущества могут расти.

Основные выводы:

Электроэнергия: отслеживайте использование вычислительных ресурсов; выбросы снижаются, когда рабочие нагрузки выполняются в более чистых энергосетях.

Вода: Выбор методов охлаждения меняет последствия; методы, основанные на использовании воды, наиболее важны в регионах с дефицитом воды.

Аппаратное обеспечение: Производство микросхем и серверов сопряжено со значительными затратами; необходимо продлевать срок их службы и отдавать приоритет восстановлению.

Эффект отскока: повышение эффективности может увеличить общий спрос; измеряйте результаты, а не только выгоды от выполнения отдельных задач.

Операционные рычаги: оптимизация размеров моделей, оптимизация процесса вывода и прозрачное предоставление метрик по каждому запросу.

Как искусственный интеллект влияет на окружающую среду? Инфографика

Статьи, которые могут вас заинтересовать после этой:

🔗 Вреден ли искусственный интеллект для окружающей среды?
Изучите углеродный след, потребление электроэнергии и требования к центрам обработки данных в сфере искусственного интеллекта.

🔗 Почему искусственный интеллект вреден для общества?
Обратите внимание на предвзятость, сбои в работе, дезинформацию и растущее социальное неравенство.

🔗 Почему ИИ — это плохо? Тёмная сторона ИИ
Понимайте такие риски, как слежка, манипуляции и потеря контроля над ситуацией.

🔗 Не зашёл ли искусственный интеллект слишком далеко?
Дискуссии об этике, регулировании и о том, где должны проходить границы инноваций.

Как ИИ влияет на окружающую среду: краткий обзор ⚡🌱

Если вы запомните лишь несколько моментов, пусть это будут следующие:

А ещё есть то, о чём многие забывают: масштаб. Один запрос к ИИ может быть небольшим, но миллиарды таких запросов — это совсем другое дело… как крошечный снежный ком, который каким-то образом превращается в лавину размером с диван. (Эта метафора немного неуместна, но вы поняли.) IEA: Энергетика и ИИ

Экологический след ИИ — это не что-то одно, а целый комплекс факторов 🧱🌎

Когда люди спорят об искусственном интеллекте и устойчивом развитии, они часто не понимают друг друга, потому что указывают на разные аспекты:

1) Вычислите электроэнергию

  • Для обучения больших моделей может потребоваться работа крупных кластеров в интенсивном режиме в течение длительного времени. IEA: Energy and AI

  • Выводы (повседневное использование) со временем могут оказывать всё большее влияние, поскольку происходят постоянно и повсюду. IEA: Энергетика и ИИ

2) Накладные расходы центра обработки данных

3) Вода и тепло

4) Цепочка поставок оборудования

5) Поведенческие эффекты и эффекты отскока

Поэтому, когда кто-то спрашивает, как ИИ влияет на окружающую среду, прямой ответ таков: это зависит от того, какой слой вы измеряете и что означает «ИИ» в данном случае.

Обучение против вывода: разница, которая меняет всё 🧠⚙️

Люди любят говорить об обучении, потому что это звучит эффектно — «одна модель потребила X энергии». Но вывод — это тихий гигант. IEA: Энергетика и ИИ

Обучение (масштабное строительство)

Обучение похоже на строительство завода. Вы платите первоначальные затраты: ресурсоемкие вычисления, длительное время выполнения, множество проб и ошибок (и да, немало итераций типа «ой, не получилось, попробуем еще раз»). Обучение можно оптимизировать, но оно все равно может быть довольно трудоемким. IEA: Энергетика и ИИ

Умозаключение (ежедневное использование)

Вывод информации подобен работе фабрики, которая функционирует ежедневно, для всех и в больших масштабах:

  • Чат-боты, отвечающие на вопросы

  • генерация изображений

  • Рейтинг в поисковой выдаче

  • Рекомендации

  • Преобразование речи в текст

  • Выявление мошенничества

  • Вспомогательные инструменты для работы с документами и кодом

Даже если каждый запрос относительно невелик, объем использования может значительно превысить объем обучения. Это классическая ситуация «одна соломинка — ничто, миллион соломинок — проблема». IEA: Energy and AI

Небольшое замечание: некоторые задачи ИИ требуют гораздо больше энергии, чем другие. Генерация изображений или длинных видеороликов, как правило, более энергозатратна, чем классификация коротких текстов. Поэтому объединять «ИИ» в одну категорию — это все равно что сравнивать велосипед с грузовым кораблем и называть их оба «транспортом». IEA: Энергетика и ИИ

Центры обработки данных: электропитание, охлаждение и история о тихой воде 💧🏢

Центры обработки данных — не новое явление, но искусственный интеллект меняет ситуацию. Высокопроизводительные ускорители могут потреблять много энергии в ограниченном пространстве, которая превращается в тепло, требующее контроля. LBNL (2024): Отчет об энергопотреблении центров обработки данных в США (PDF) IEA: Энергетика и ИИ

Основы охлаждения (в упрощенном, но практичном виде)

В этом и заключается компромисс: иногда можно снизить потребление электроэнергии, используя водяное охлаждение. В зависимости от местной нехватки воды это может быть приемлемо… или же может стать настоящей проблемой. Ли и др. (2023): Как сделать ИИ менее «жаждущим» (PDF)

Кроме того, воздействие на окружающую среду в значительной степени зависит от:

Честно говоря, в публичных дискуссиях «центр обработки данных» часто воспринимается как «чёрный ящик». Это не зло, это не магия. Это инфраструктура. И ведёт себя как инфраструктура.

Микросхемы и аппаратное обеспечение: та часть, которую многие пропускают, потому что она менее привлекательна 🪨🔧

Искусственный интеллект существует на аппаратном обеспечении. У аппаратного обеспечения есть жизненный цикл, и влияние этого цикла может быть значительным. США: Полупроводниковая промышленность. Международный союз электросвязи: Глобальный мониторинг электронных отходов 2024.

Где проявляется воздействие на окружающую среду

Электронные отходы и «совершенно исправные» серверы

Значительный вред окружающей среде наносится не самим устройством, а его преждевременной заменой, поскольку это перестаёт быть экономически целесообразным. Искусственный интеллект ускоряет этот процесс, поскольку скачки в производительности могут быть существенными. Соблазн обновить оборудование вполне реален. ITU: Глобальный мониторинг электронных отходов 2024

Практический момент: продление срока службы оборудования, повышение эффективности его использования и восстановление могут иметь такое же значение, как и любые модификации модели. Иногда самая экологичная видеокарта — это та, которую вы не покупаете. (Это звучит как слоган, но в то же время… отчасти правда.)

Как ИИ влияет на окружающую среду: замкнутый круг поведения «люди забывают об этом» 🔁😬

Вот тут-то и начинается неловкая социальная сторона вопроса: ИИ упрощает жизнь, поэтому люди делают больше дел. Это может быть замечательно — повышение производительности, креативности, расширение доступа. Но это также может означать увеличение общего потребления ресурсов. ОЭСР (2012): Многочисленные преимущества повышения энергоэффективности (PDF)

Примеры:

  • Если искусственный интеллект сделает создание видео недорогим, люди будут создавать больше видео.

  • Если ИИ сделает рекламу более эффективной, то будет показано больше объявлений, и запустится больше циклов взаимодействия с аудиторией.

  • Если искусственный интеллект сделает логистику доставки более эффективной, электронная коммерция сможет масштабироваться еще эффективнее.

Это не повод для паники. Это повод оценивать результаты, а не только эффективность.

Несовершенная, но забавная метафора: эффективность ИИ — это как подарить подростку холодильник побольше: да, места для хранения продуктов становится больше, но почему-то через день холодильник снова пуст. Не идеальная метафора, но… вы наверняка видели такое 😅

Положительная сторона: ИИ действительно может помочь окружающей среде (при правильном применении) 🌿✨

Теперь о том, что часто недооценивают: ИИ может сократить выбросы и отходы в существующих системах, которые… откровенно говоря, не отличаются элегантностью. МЭА: ИИ для оптимизации и инноваций в энергетике.

Области, где ИИ может помочь

Важный нюанс: «помощь» ИИ не означает автоматическую компенсацию его воздействия на окружающую среду. Это зависит от того, будет ли ИИ фактически внедрен, фактически использован и приведет ли он к реальному сокращению потребления энергии, а не просто к улучшению информационных панелей. Но да, потенциал реален. МЭА: ИИ для оптимизации энергопотребления и инноваций

Что делает версию экологически чистого ИИ хорошей? ✅🌍

Это раздел «Итак, что же нам делать?». Хорошая, экологически ответственная система искусственного интеллекта обычно включает в себя:

  • Явная ценность для практического применения: если модель не меняет решения или результаты, это просто сложные вычисления.

  • Встроенные измерения: оценка энергопотребления, выбросов углерода, коэффициента использования и показателей эффективности отслеживаются как любые другие KPI. CodeCarbon: Методология

  • Модели оптимального размера: используйте модели меньшего размера, когда модели меньшего размера эффективны. Эффективность не является моральным недостатком.

  • Эффективный подход к проектированию вывода: кэширование, пакетная обработка, квантование, поиск и хорошие шаблоны подсказок. Голами и др. (2021): Обзор методов квантования (PDF) Льюис и др. (2020): Генерация с расширенным поиском

  • Учет аппаратных характеристик и местоположения: запуск рабочих нагрузок там, где энергосеть чище, а инфраструктура эффективнее (по возможности). API для расчета углеродной интенсивности (ГБ)

  • Увеличение срока службы оборудования: максимальное использование, повторное применение и восстановление. ITU: Глобальный монитор электронных отходов 2024

  • Прямолинейные репортажи: избегайте завуалированных заявлений о «зеленом камуфляже» и расплывчатых утверждений, таких как «экологически чистый ИИ», без конкретных цифр.

Если вы всё ещё следите за тем, как ИИ влияет на окружающую среду, то здесь ответ перестаёт быть философским и становится практическим: он влияет на неё в зависимости от ваших решений.

Сравнительная таблица: инструменты и подходы, которые действительно снижают негативное воздействие 🧰⚡

Ниже представлена ​​простая и практичная таблица. Она не идеальна, и да, некоторые ячейки содержат субъективные оценки… потому что именно так в реальности работает выбор инструмента.

Инструмент / Подход Аудитория Цена Почему это работает
Библиотеки для отслеживания выбросов углерода/потребления энергии (оценщики в режиме реального времени) команды машинного обучения почти бесплатно Обеспечивает прозрачность — а это уже половина дела, даже если оценки несколько расплывчаты… CodeCarbon
Мониторинг энергопотребления оборудования (телеметрия GPU/CPU) Инфраструктура + машинное обучение Бесплатно Измеряет реальное потребление; хорошо подходит для сравнительных тестов (неброский, но ценный показатель)
Модельная дистилляция инженеры машинного обучения Бесплатно (затраты времени 😵) Меньшие по размеру модели учащихся часто демонстрируют сопоставимую производительность при значительно меньших затратах на вывод результатов Хинтон и др. (2015): Извлечение знаний из нейронной сети
Квантование (вывод с более низкой точностью) ML + продукт Бесплатно Снижает задержку и энергопотребление; иногда с незначительным ухудшением качества, иногда без него Голами и др. (2021): Обзор методов квантования (PDF)
Кэширование + пакетная обработка результатов Продукт + платформа Бесплатно Уменьшает избыточные вычисления; особенно удобно для повторяющихся запросов или аналогичных обращений
Генерация с расширенным извлечением (RAG) Команды приложений смешанный Перекладывает «память» на функцию извлечения информации; может уменьшить потребность в больших контекстных окнах Льюис и др. (2020): Генерация с расширенными возможностями поиска
Планирование рабочих нагрузок в зависимости от углеродоемкости Инфраструктура/операции смешанный Перевод гибких рабочих мест на более экологичные варианты энергосбережения — однако это требует координации Индекс углеродной интенсивности API (GB)
Акцент на повышение эффективности центров обработки данных (использование, консолидация) ИТ-руководство Оплачено (обычно) Самый неприметный, но зачастую самый важный рычаг — прекратить работу систем, которые работают с перебоями Зелёная сеть: PUE
проекты по повторному использованию тепла Удобства Это зависит Превращает отработанное тепло в ценный ресурс; это не всегда осуществимо, но когда это удается, это по-своему прекрасно
«А нужен ли нам здесь вообще ИИ?» — проверено Каждый Бесплатно Предотвращает бессмысленные вычисления. Самая эффективная оптимизация — это сказать «нет» (иногда)

Обратите внимание, чего не хватает? «Купите волшебную зелёную наклейку». Такой не существует 😬

Практическое руководство: как уменьшить влияние ИИ, не убивая продукт 🛠️🌱

Если вы разрабатываете или приобретаете системы искусственного интеллекта, вот реалистичная последовательность действий, которая работает на практике:

Шаг 1: Начните с измерения

  • Отслеживайте или оценивайте потребление энергии с высокой точностью. CodeCarbon: Методология

  • Измерения проводятся для каждого запуска обучения и для каждого запроса на вывод результатов.

  • Мониторинг использования ресурсов — простаивающие ресурсы имеют свойство оставаться незамеченными. «Зеленая сеть»: PUE

Шаг 2: Подберите размер модели в соответствии с поставленной задачей

  • Используйте модели меньшего размера для классификации, извлечения данных и маршрутизации.

  • Тяжелые модели лучше оставить для жестких кейсов.

  • Рассмотрим «каскад моделей»: сначала небольшая модель, более крупная — только при необходимости.

Шаг 3: Оптимизация вывода (здесь начинаются проблемы с масштабированием)

  • Кэширование: хранение ответов на повторяющиеся запросы (с тщательным контролем конфиденциальности).

  • Пакетная обработка: группировка запросов для повышения эффективности работы оборудования.

  • Более короткие варианты: длинные варианты стоят дороже — иногда эссе и не требуется.

  • Неправильная обработка запросов: неаккуратные запросы приводят к увеличению вычислительных путей… и, да, к увеличению количества токенов.

Шаг 4: Улучшение качества данных

Это может показаться не связанным, но это не так:

  • Более чистые наборы данных могут снизить отток пользователей при переобучении.

  • Меньший уровень шума означает меньшее количество экспериментов и меньшее количество неудачных запусков.

Шаг 5: Относитесь к оборудованию как к активу, а не как к расходному материалу

  • По возможности увеличьте циклы обновления. МСЭ: Глобальный монитор электронных отходов 2024

  • Используйте старое оборудование повторно для выполнения задач с меньшей нагрузкой.

  • Избегайте выделения ресурсов в режиме "постоянного пикового потребления".

Шаг 6: Тщательно выбирайте способ развертывания

  • По возможности выполняйте гибкие задачи в регионах с более чистым энергоснабжением. Индекс углеродной интенсивности API (Великобритания)

  • Сократите ненужное дублирование.

  • Устанавливайте реалистичные целевые значения задержки (сверхнизкая задержка может привести к неэффективным конфигурациям с постоянной активацией).

И да… иногда лучший шаг — это просто: не запускайте автоматически самую большую модель для каждого действия пользователя. Эта привычка — это экологический эквивалент того, чтобы оставлять все лампы включенными, потому что идти к выключателю раздражает.

Распространенные мифы (и что ближе к истине) 🧠🧯

Миф: «Искусственный интеллект всегда хуже традиционного программного обеспечения»

Правда: Искусственный интеллект может быть более ресурсоемким с точки зрения вычислений, но он также может заменить неэффективные ручные процессы, сократить потери и оптимизировать системы. Все зависит от ситуации. МЭА: Искусственный интеллект для оптимизации энергопотребления и инноваций.

Миф: «Единственная проблема — это обучение»

Правда: Масштабные вычисления со временем могут стать доминирующими. Если использование вашего продукта резко возрастет, это станет главной темой. МЭА: Энергетика и ИИ

Миф: «Возобновляемые источники энергии решают проблему мгновенно»

Правда: Более чистая электроэнергия очень помогает, но не устраняет негативное воздействие оборудования, потребление воды или обратные эффекты. Тем не менее, это по-прежнему важно. МЭА: Энергетика и ИИ

Миф: «Если это эффективно, значит, это экологично»

Правда: Повышение эффективности без контроля спроса может все равно увеличить общий эффект. Это ловушка отскока. ОЭСР (2012): Многочисленные преимущества повышения энергоэффективности (PDF)

Управление, прозрачность и отсутствие театральности в этом вопросе 🧾🌍

Для компании это место, где формируется или теряется доверие.

Здесь многие закатывают глаза, но это важно. Ответственные технологии — это не только умные инженерные решения. Это также и отказ от попыток игнорировать компромиссы.

В заключение: краткий обзор того, как ИИ влияет на окружающую среду 🌎✅

Влияние ИИ на окружающую среду сводится к дополнительной нагрузке: электроэнергии, воды (иногда) и потребности в оборудовании. МЭА: Энергетика и ИИ Ли и др. (2023): Как сделать ИИ менее «жаждущим» (PDF). Он также предлагает мощные инструменты для сокращения выбросов и отходов в других секторах. МЭА: ИИ для оптимизации и инноваций в энергетике. Конечный результат зависит от масштаба, чистоты сети, выбора эффективности и от того, решает ли ИИ реальные проблемы или просто создает что-то новое ради самого нового. МЭА: Энергетика и ИИ

Если вам нужен самый простой практический вывод:

  • Мера.

  • Подходящий размер.

  • Оптимизировать вывод.

  • Продлите срок службы оборудования.

  • Будьте откровенны в отношении компромиссов.

А если вы чувствуете себя подавленным, вот вам успокаивающая истина: небольшие оперативные решения, повторяемые тысячу раз, обычно оказываются эффективнее одного масштабного заявления об устойчивом развитии. Это как чистка зубов. Не самый гламурный способ, но он работает… 

Пример из реальной жизни: Сокращение нагрузки на систему поддержки клиентов с помощью ИИ-помощника 🌱🎧

Сценарий

Представьте, что небольшой интернет-магазин хочет использовать искусственный интеллект для ответа на распространенные вопросы покупателей о сроках доставки, возврате товаров, поврежденных посылках и размерах продукции.

Первая версия неэффективна: каждое сообщение от клиента сразу отправляется самой крупной доступной модели, даже если вопрос простой. Кроме того, ассистент пишет слишком длинные ответы, повторяет текст правил и отвечает на одни и те же вопросы тысячи раз вместо того, чтобы использовать проверенные ответы.

Более разумный подход — это не «отсутствие ИИ». Это ИИ оптимального размера: использовать более простые инструменты для несложных задач, оставлять более крупные модели для сложных случаев и измерять влияние на каждый решенный запрос.

Что нужно помощнику

Команда подготовит:

Действующая политика возврата товаров

Правила доставки по регионам

Примечания по размерам изделия

Краткосрочная политика рассмотрения жалоб, возвратов средств и юридических вопросов

Список из 50 наиболее часто задаваемых вопросов клиентов

Одобренные краткие ответы на повторяющиеся вопросы

Простая таблица отслеживания с указанием: типа запроса, используемой модели, длины ответа, необходимости эскалации и того, прошел ли ответ проверку человеком

Пример инструкции

Сначала используйте самую простую подходящую модель или ответ, основанный на правилах. Используйте более сложную модель только в том случае, если вопрос клиента неясен, эмоционален, затрагивает несколько вопросов или требует объединения информации из нескольких страховых полисов. Ответы должны быть короче 120 слов, если клиент не запрашивает подробности. Если уверенность клиента невелика, задайте один уточняющий вопрос или обратитесь к специалисту. Не выдумывайте даты доставки, условия возврата средств или исключения из страховых полисов.

Как это проверить

Перед запуском проведите тестирование на 50 заданиях:

10 вопросов по доставке

10 вопросов по возврату товаров

10 вопросов по определению размера изделия

10 жалоб на поврежденные товары

10 противоречивых или неясных сообщений

Для каждого ответа отметьте:

Была ли применена правильная политика?

Мог ли какой-нибудь проверенный ответ, сохраненный в кэше, решить эту проблему?

Была ли необходима модель большего размера?

Ответ ассистента был кратким?

Разве какой-либо ответ изобрел информацию?

Правильно ли была проведена эскалация сложных дел?

Разумным проходным баллом было бы что-то вроде: 95% точности соблюдения правил, 0 вымышленных обещаний возврата средств и 100% рассмотрения жалоб, связанных с спорами о платежах или угрозами судебного преследования.

Результат

Примерный результат, полученный на основе подсчета времени выполнения теста с 50 билетами до и после оптимизации:

До оптимизации во всех 50 заявках использовалась более крупная модель, при этом средняя длина ответа составляла 210 слов.

После оптимизации в 31 заявке использовались кэшированные одобренные ответы, в 14 — модель меньшего размера, и только в 5 — модель большего размера.

Средняя длина ответа сократилась с 210 до 92 слов.

Время, затрачиваемое на проверку человеком, сократилось с 4 часов 10 минут до 1 часа 25 минут.

В первом тестовом запуске команда обнаружила 2 неверных ответа на вопросы, касающиеся политики компании, а после обновления исходных документов и добавления более четких правил эскалации — ни одного неверного ответа.

Это не доказывает, что ассистент является «экологически чистым». Это просто демонстрирует тот тип измерений, который позволяет проверить утверждение об экологичности: меньшее количество сложных вызовов моделей, более короткие выходные данные, меньшее количество повторных генераций и меньшее количество ненужных циклов проверки.

Что может пойти не так?

Ассистент по-прежнему может тратить вычислительные ресурсы впустую, если каждое неясное сообщение будет направляться самой крупной модели «на всякий случай».

Кэшированные ответы могут стать рискованными, если политика возврата изменится и никто их не обновит.

Краткие ответы могут расстроить клиентов, если в них отсутствует важная информация.

Заявления об экономии выбросов углерода или энергии могут быть расценены как «зеленый камуфляж», если компания сообщает только о процентной экономии, не указывая метод измерения.

Самая большая ошибка — рассматривать выбор модели как единственный рычаг. На практике более экологичный рабочий процесс достигается за счет маршрутизации, кэширования, сокращения сроков выполнения, улучшения исходных документов и проверки специалистами в случаях высокого риска.

Практический вывод

Система искусственного интеллекта с меньшими затратами ресурсов, как правило, не самая сложная. Это та, которая измеряет реальное использование, избегает ненужных сложных вычислений, повторно использует проверенные ответы, где это возможно, и при этом предоставляет людям контроль над важными решениями.

Часто задаваемые вопросы

Как искусственный интеллект влияет на окружающую среду в повседневной жизни, а не только в крупных исследовательских лабораториях?

Большая часть воздействия ИИ на окружающую среду приходится на электроэнергию, потребляемую центрами обработки данных, где работают графические и центральные процессоры как во время обучения, так и во время повседневного «вывода». Один запрос может быть скромным, но в больших масштабах такие запросы быстро накапливаются. Влияние также зависит от местоположения центра обработки данных, чистоты местной электросети и эффективности работы инфраструктуры.

Вреднее ли для окружающей среды обучение модели ИИ, чем её использование (вывод результатов)?

Обучение может потребовать значительных вычислительных ресурсов на начальном этапе, но со временем объем вычислений, необходимых для вывода результатов, может значительно возрасти, поскольку этот процесс происходит постоянно и в огромных масштабах. Если инструментом ежедневно пользуются миллионы людей, количество повторных запросов может превысить единовременные затраты на обучение. Именно поэтому оптимизация часто фокусируется на эффективности вывода результатов.

Почему искусственный интеллект использует воду, и всегда ли это проблема?

Искусственный интеллект может использовать воду главным образом потому, что некоторые центры обработки данных полагаются на водяное охлаждение, или потому, что вода потребляется косвенно через выработку электроэнергии. В определенных климатических условиях испарительное охлаждение может снизить потребление электроэнергии, но увеличить потребление воды, создавая реальный компромисс. Насколько это «плохо», зависит от местной нехватки воды, конструкции системы охлаждения, а также от того, измеряется и контролируется потребление воды.

Какая часть экологического следа ИИ приходится на оборудование и электронные отходы?

Искусственный интеллект зависит от микросхем, серверов, сетевого оборудования, зданий и цепочек поставок, что означает добычу, производство, транспортировку и последующую утилизацию. Производство полупроводников энергоемко, а быстрые циклы модернизации могут увеличить выбросы парниковых газов и количество электронных отходов. Продление срока службы оборудования, его восстановление и повышение эффективности использования могут значительно снизить негативное воздействие, иногда сопоставимое с изменениями на уровне модели.

Решает ли использование возобновляемых источников энергии проблему негативного воздействия искусственного интеллекта на окружающую среду?

Более чистая электроэнергия может сократить выбросы от вычислительных мощностей, но она не устраняет другие негативные последствия, такие как потребление воды, производство оборудования и электронные отходы. Она также не решает автоматически проблему «эффекта отскока», когда снижение стоимости вычислительных мощностей приводит к увеличению общего потребления. Возобновляемые источники энергии являются важным рычагом, но они представляют собой лишь одну часть общей картины воздействия на окружающую среду.

Что такое эффект отскока, и почему он важен для ИИ и устойчивого развития?

Эффект отскока возникает, когда повышение эффективности делает что-то дешевле или проще, поэтому люди начинают делать это чаще — иногда сводя на нет всю экономию. В случае с ИИ, удешевление производства или автоматизация могут увеличить общий спрос на контент, вычислительные ресурсы и услуги. Именно поэтому измерение результатов на практике важнее, чем восхваление эффективности в отрыве от контекста.

Какие существуют практические способы уменьшения влияния ИИ без ущерба для продукта?

Распространенный подход заключается в том, чтобы начать с измерений (оценка энергопотребления и выбросов углерода, коэффициент использования ресурсов), затем подобрать модели, соответствующие задаче, и оптимизировать вывод с помощью кэширования, пакетной обработки и более коротких выходных данных. Такие методы, как квантование, дистилляция и генерация с расширенным извлечением данных, могут сократить вычислительные потребности. Операционные решения — такие как планирование рабочих нагрузок в зависимости от углеродоемкости и увеличение срока службы оборудования — часто приносят значительные преимущества.

Как искусственный интеллект может помочь окружающей среде, а не навредить ей?

Искусственный интеллект может сократить выбросы и отходы при использовании для оптимизации реальных систем: прогнозирования энергоснабжения, управления спросом, управления системами отопления, вентиляции и кондиционирования зданий, маршрутизации логистики, прогнозирующего технического обслуживания и обнаружения утечек. Он также может поддерживать мониторинг окружающей среды, например, оповещения о вырубке лесов и обнаружение метана. Ключевым моментом является то, изменит ли система принимаемые решения и приведет ли к измеримому сокращению выбросов, а не просто к улучшению информационных панелей.

Какие показатели должны предоставлять компании, чтобы избежать «зеленого камуфляжа» в отношении заявлений об искусственном интеллекте?

Более информативно сообщать показатели по каждой задаче или запросу, чем просто большие итоговые цифры, поскольку это демонстрирует эффективность на уровне отдельных подразделений. Отслеживание энергопотребления, оценки выбросов углерода, использования ресурсов и — где это уместно — воздействия на водные ресурсы обеспечивает более четкую подотчетность. Также важно: определить границы (что включено) и избегать расплывчатых обозначений, таких как «экологически чистый ИИ», без количественных доказательств.

Ссылки

  1. Международное энергетическое агентство (МЭА) - Энергетика и ИИ - iea.org

  2. Международное энергетическое агентство (МЭА) — Искусственный интеллект для оптимизации и инноваций в энергетике — iea.org

  3. Международное энергетическое агентство (МЭА) - Цифровизация - iea.org

  4. Национальной лаборатории имени Лоуренса Беркли (LBNL) в США (2024 г.) (PDF) - lbl.gov

  5. Ли и др. — Как сделать ИИ менее «жаждущим» (2023) (PDF) — arxiv.org

  6. ASHRAE (TC 9.9) - Появление и расширение применения жидкостного охлаждения в основных центрах обработки данных (PDF) - ashrae.org

  7. The Green Grid - PUE - Комплексное исследование этого показателя - thegreengrid.org

  8. Министерство энергетики США (DOE) - FEMP - Возможности повышения эффективности использования охлаждающей воды в федеральных центрах обработки данных - energy.gov

  9. Министерство энергетики США (DOE) - FEMP - Энергоэффективность в центрах обработки данных - energy.gov

  10. Агентство по охране окружающей среды США (EPA) - Полупроводниковая промышленность - epa.gov

  11. Международный союз электросвязи (МСЭ) — Глобальный монитор электронных отходов 2024 — itu.int

  12. ОЭСР — Многочисленные преимущества повышения энергоэффективности (2012) (PDF) - oecd.org

  13. Индекс углеродной интенсивности (GB) - carbonintensity.org.uk

  14. imec - Снижение воздействия на окружающую среду в производстве микросхем - imec-int.com

  15. ЮНЕП — Как работает MARS — unep.org

  16. Global Forest Watch - GLAD оповещения о вырубке лесов - globalforestwatch.org

  17. Институт Алана Тьюринга — Искусственный интеллект и автономные системы для оценки биоразнообразия и состояния экосистем — turing.ac.uk

  18. CodeCarbon - Методология - mlco2.github.io

  19. Голами и др. — Обзор методов квантования (2021) (PDF) — arxiv.org

  20. Льюис и др. — Генерация с расширенными возможностями поиска (2020) — arxiv.org

  21. Хинтон и др. — Извлечение знаний из нейронной сети (2015) — arxiv.org

  22. CodeCarbon - codecarbon.io

Найдите новейшие разработки в области ИИ в официальном магазине ИИ-помощников

О нас

Вернуться в блог

Дополнительные часто задаваемые вопросы

  • Как искусственный интеллект влияет на потребление энергии?

    Искусственный интеллект оказывает значительное влияние на энергопотребление, прежде всего за счет электроэнергии, используемой в центрах обработки данных как для обучения моделей, так и для обработки повседневных задач (вывода). По мере увеличения объема запросов потребление энергии может быстро расти.

  • Какова роль воды в воздействии искусственного интеллекта на окружающую среду?

    В некоторых центрах обработки данных вода в основном используется для охлаждения. Выбор методов охлаждения может существенно повлиять на общее потребление воды, особенно в регионах, испытывающих ее нехватку.

  • Ограничиваются ли экологические последствия применения ИИ только потреблением электроэнергии?

    Нет, воздействие ИИ на окружающую среду выходит за рамки потребления электроэнергии. Оно также включает в себя воздействие производства оборудования, такого как микросхемы и серверы, а также электронные отходы, образующиеся при утилизации этих устройств.

  • Как можно оптимизировать ИИ для снижения воздействия на окружающую среду?

    Оптимизация ИИ может включать в себя несколько стратегий, в том числе оптимизацию размеров моделей, повышение эффективности вывода, продление срока службы оборудования и использование более чистых источников энергии. Применение таких методов, как кэширование и пакетная обработка запросов, также помогает снизить энергопотребление.

  • Что такое эффект отскока в контексте искусственного интеллекта и устойчивого развития?

    Эффект отскока возникает, когда повышение эффективности ИИ приводит к увеличению его использования. Например, если ИИ делает определенные задачи дешевле и проще, люди могут выполнять их чаще, потенциально нивелируя преимущества повышения эффективности.

  • Каким образом искусственный интеллект вносит позитивный вклад в обеспечение экологической устойчивости?

    Искусственный интеллект может помочь повысить эффективность в различных секторах, оптимизируя логистику, улучшая управление энергопотреблением и сокращая количество отходов, что в конечном итоге может привести к снижению выбросов и уменьшению общего воздействия на окружающую среду.

  • Какие показатели следует использовать для оценки воздействия ИИ на окружающую среду?

    К значимым показателям относятся отслеживание энергопотребления, выбросов углекислого газа на один запрос и использования ресурсов. Эти показатели дают более четкое представление о воздействии ИИ на окружающую среду и помогают более точно оценить его устойчивость.

  • Может ли использование возобновляемых источников энергии полностью смягчить воздействие искусственного интеллекта на окружающую среду?

    Хотя использование возобновляемых источников энергии может значительно сократить выбросы, связанные с потреблением электроэнергии искусственным интеллектом, оно не решает таких проблем, как воздействие производства оборудования и электронные отходы. Необходим комплексный подход, учитывающий все факторы.