پاسخ کوتاه: هوش مصنوعی عمدتاً از طریق مصرف برق در مراکز داده (هم آموزش و هم استنتاج روزمره)، در کنار آب برای خنکسازی، به علاوه تأثیرات تجسمیافته تولید سختافزار و زبالههای الکترونیکی، بر محیط زیست تأثیر میگذارد. اگر میزان استفاده به میلیاردها پرسوجو افزایش یابد، استنتاج میتواند بر آموزش غلبه کند؛ اگر شبکهها پاکتر و سیستمها کارآمدتر باشند، تأثیرات کاهش مییابد در حالی که مزایا میتوانند افزایش یابند.
نکات کلیدی:
برق : میزان استفاده از محاسبات را پیگیری کنید؛ وقتی حجم کار روی شبکههای پاکتر اجرا میشود، انتشار گازهای گلخانهای کاهش مییابد.
آب : انتخابهای خنککننده، تأثیرات را تغییر میدهند؛ روشهای مبتنی بر آب در مناطق کمآب بیشترین اهمیت را دارند.
سختافزار : تراشهها و سرورها تأثیرات تجسمی قابلتوجهی دارند؛ طول عمر را افزایش داده و نوسازی را در اولویت قرار دهید.
بازگشت : بهرهوری میتواند تقاضای کل را افزایش دهد؛ نتایج را اندازهگیری کنید، نه فقط دستاوردهای هر وظیفه را.
اهرمهای عملیاتی : مدلهای با اندازه مناسب، بهینهسازی استنتاج، و گزارش شفاف معیارهای هر درخواست.
مقالاتی که شاید بعد از این مطلب دوست داشته باشید بخوانید:
🔗 آیا هوش مصنوعی برای محیط زیست مضر است؟
ردپای کربن، مصرف برق و تقاضای مراکز داده توسط هوش مصنوعی را بررسی کنید.
🔗 چرا هوش مصنوعی برای جامعه مضر است؟
به تعصب، اختلال در شغل، اطلاعات نادرست و گسترش نابرابری اجتماعی نگاه کنید.
🔗 چرا هوش مصنوعی بد است؟ جنبه تاریک هوش مصنوعی
خطراتی مانند نظارت، دستکاری و از دست دادن کنترل انسانی را درک کنید.
🔗 آیا هوش مصنوعی خیلی پیش رفته است؟
بحثهایی در مورد اخلاق، مقررات و اینکه نوآوری باید در کجا مرزبندی کند.
چگونه هوش مصنوعی بر محیط زیست تأثیر میگذارد: نگاهی اجمالی ⚡🌱
اگر فقط چند نکته را به خاطر دارید، آنها را به این صورت بنویسید:
-
هوش مصنوعی از انرژی استفاده میکند - عمدتاً در مراکز دادهای که از پردازندههای گرافیکی/پردازندههای مرکزی برای آموزش و برای «استنتاج» روزمره (با استفاده از مدل) استفاده میکنند. آژانس بینالمللی انرژی: انرژی و هوش مصنوعی
-
انرژی میتواند به معنای انتشار گازهای گلخانهای باشد - بسته به ترکیب شبکه محلی و قراردادهای برق. آژانس بینالمللی انرژی: انرژی و هوش مصنوعی
-
هوش مصنوعی میتواند مقدار شگفتانگیزی آب مصرف کند - عمدتاً برای خنکسازی در برخی از مراکز داده. لی و همکاران (۲۰۲۳): کاهش «تشنگی» هوش مصنوعی (PDF) FEMP وزارت انرژی ایالات متحده: فرصتهای بهرهوری آب خنککننده برای مراکز داده فدرال
-
هوش مصنوعی به چیزهای فیزیکی وابسته است - تراشهها، سرورها، تجهیزات شبکه، باتریها، ساختمانها... که به معنای استخراج، تولید، حمل و نقل و در نهایت زبالههای الکترونیکی است. سازمان حفاظت محیط زیست ایالات متحده: صنعت نیمههادیها ، ITU: پایش جهانی زبالههای الکترونیکی ۲۰۲۴
-
هوش مصنوعی میتواند با بهینهسازی لجستیک، تشخیص نشتیها، بهبود بهرهوری، تسریع تحقیقات و کاهش اتلاف سیستمها، تأثیرات زیستمحیطی را در جاهای دیگر کاهش دهد. آژانس بینالمللی انرژی: هوش مصنوعی برای بهینهسازی انرژی و نوآوری
و سپس بخشی وجود دارد که مردم فراموش میکنند: مقیاس . یک پرسوجوی هوش مصنوعی ممکن است کوچک باشد، اما میلیاردها از آنها یک موجود کاملاً متفاوت هستند... مانند یک گلوله برفی کوچک که به نوعی به بهمنی به اندازه مبل تبدیل میشود. (این استعاره کمی اشتباه است، اما متوجه هستید.) IEA: انرژی و هوش مصنوعی
ردپای زیستمحیطی هوش مصنوعی یک چیز نیست - یک پشته است 🧱🌎
وقتی مردم در مورد هوش مصنوعی و پایداری بحث میکنند، اغلب حرفهایشان با هم فرق دارد، چون به لایههای متفاوتی اشاره میکنند:
۱) محاسبهی الکتریسیته
-
آموزش مدلهای بزرگ میتواند نیازمند خوشههای بزرگی باشد که برای مدت طولانی به سختی کار میکنند. آژانس بینالمللی انرژی: انرژی و هوش مصنوعی
-
استنتاج (استفاده روزمره) میتواند به مرور زمان به بخش بزرگتری از فناوری تبدیل شود، زیرا دائماً و در همه جا اتفاق میافتد. آژانس بینالمللی انرژی: انرژی و هوش مصنوعی
۲) سربار مرکز داده
-
سرمایش، تلفات توزیع برق، سیستمهای پشتیبان، تجهیزات شبکه. LBNL (2024): گزارش مصرف انرژی مراکز داده ایالات متحده (PDF)
-
محاسبات یکسان میتواند بسته به کارایی، تأثیرات متفاوتی در عمل داشته باشد. شبکه سبز: PUE - بررسی جامع معیار
۳) آب و گرما
-
بسیاری از تأسیسات به طور مستقیم یا غیرمستقیم از آب برای مدیریت گرما استفاده میکنند. برنامه مدیریت انرژی فدرال وزارت انرژی ایالات متحده: فرصتهای بهرهوری آب خنککننده برای مراکز داده فدرال ، لی و همکاران (2023): کاهش «تشنگی» هوش مصنوعی (PDF)
-
گرمای تلفشده را میتوان بازیافت کرد، یا میتوان آن را به صورت هوای گرم رها کرد. (ایدهآل نیست.)
۴) زنجیره تأمین سختافزار
-
استخراج و پالایش مواد.
-
تولید تراشه و سرور (انرژیبر). سازمان حفاظت محیط زیست ایالات متحده: صنعت نیمههادی imec: کاهش اثرات زیستمحیطی در تولید تراشه
-
حمل و نقل، بسته بندی، ارتقاء، جایگزینی.
۵) رفتار و اثرات بازگشتی
-
هوش مصنوعی کارها را ارزانتر و آسانتر میکند، بنابراین مردم تعداد بیشتری از آنها را انجام میدهند. OECD (2012): مزایای متعدد بهبود بهرهوری انرژی (PDF)
-
افزایش تقاضا میتواند باعث از بین رفتن دستاوردهای بهرهوری شود. این بخشی است که باعث میشود کمی آه بکشم. OECD (2012): مزایای متعدد بهبود بهرهوری انرژی (PDF)
بنابراین وقتی کسی میپرسد هوش مصنوعی چگونه بر محیط زیست تأثیر میگذارد، پاسخ مستقیم این است: بستگی دارد کدام لایه را اندازهگیری میکنید و «هوش مصنوعی» در آن موقعیت به چه معناست.
آموزش در مقابل استنتاج: تفاوتی که همه چیز را تغییر میدهد 🧠⚙️
مردم عاشق صحبت کردن در مورد آموزش هستند چون به نظر نمایشی میآید - «یک مدل از انرژی X استفاده کرده است.» اما استنتاج غول آرام است. آژانس بینالمللی انرژی: انرژی و هوش مصنوعی
آموزش (ساختمان بزرگ)
آموزش مانند ساخت یک کارخانه است. شما هزینه اولیه را پرداخت میکنید: محاسبات سنگین، زمان اجرای طولانی، تعداد زیادی آزمون و خطا (و بله، تعداد زیادی تکرار «اوه، اگر جواب نداد، دوباره امتحان کن»). آموزش را میتوان بهینه کرد، اما همچنان میتواند قابل توجه باشد. IEA: انرژی و هوش مصنوعی
استنتاج (کاربرد روزانه)
استنتاج مانند کارخانهای است که هر روز، برای همه، در مقیاسی مشخص کار میکند:
-
چتباتها به سوالات پاسخ میدهند
-
تولید تصویر
-
رتبهبندی جستجو
-
توصیهها
-
تبدیل گفتار به متن
-
تشخیص کلاهبرداری
-
کمک خلبانان در اسناد و ابزارهای کد
حتی اگر هر درخواست نسبتاً کوچک باشد، حجم استفاده میتواند آموزش را تحت الشعاع قرار دهد. این همان وضعیت کلاسیک «یک نی چیزی نیست، یک میلیون نی یک مشکل است» است. آژانس بینالمللی انرژی: انرژی و هوش مصنوعی
یک نکته کوچک - برخی از وظایف هوش مصنوعی بسیار سنگینتر از بقیه هستند. تولید تصاویر یا ویدیوهای طولانی معمولاً انرژی بیشتری نسبت به طبقهبندی متن کوتاه مصرف میکند. بنابراین قرار دادن «هوش مصنوعی» در یک دسته کمی شبیه مقایسه دوچرخه با کشتی باری و نامیدن هر دوی آنها به عنوان «حمل و نقل» است. آژانس بینالمللی انرژی: انرژی و هوش مصنوعی
مراکز داده: برق، سرمایش و آن داستان آب آرام 💧🏢
مراکز داده چیز جدیدی نیستند، اما هوش مصنوعی شدت آنها را تغییر میدهد. شتابدهندههای با کارایی بالا میتوانند در فضاهای کوچک انرژی زیادی مصرف کنند که به گرما تبدیل میشود و باید مدیریت شود. LBNL (2024): گزارش مصرف انرژی مراکز داده ایالات متحده (PDF) IEA: انرژی و هوش مصنوعی
اصول اولیه خنکسازی (ساده اما کاربردی)
-
خنککننده هوا : فنها، هوای سرد، طراحی راهروی گرم/راهروی سرد. برنامه مدیریت انرژی فدرال ایالات متحده: بهرهوری انرژی در مراکز داده
-
خنککننده مایع : در تنظیمات متراکم کارآمدتر است، اما میتواند زیرساختهای متفاوتی را شامل شود. ASHRAE (TC 9.9): ظهور و گسترش خنککننده مایع در مراکز داده اصلی (PDF)
-
سرمایش تبخیری : میتواند مصرف برق را در برخی از اقلیمها کاهش دهد اما اغلب مصرف آب را افزایش میدهد. FEMP وزارت انرژی ایالات متحده: فرصتهای بهرهوری آب خنککننده برای مراکز داده فدرال
این بده بستان است: گاهی اوقات میتوانید با تکیه بر خنککنندههای آبی، مصرف برق را کاهش دهید. بسته به کمبود آب محلی، این ممکن است خوب باشد... یا ممکن است یک مشکل واقعی باشد. لی و همکاران (۲۰۲۳): کاهش «تشنگی» هوش مصنوعی (PDF)
همچنین، ردپای زیستمحیطی به شدت به موارد زیر بستگی دارد:
-
محل قرارگیری مرکز داده (میزان انتشار گازهای گلخانهای شبکه متفاوت است) API شدت کربن (GB) IEA: انرژی و هوش مصنوعی
-
چقدر کارآمد اجرا میشود (میزان بهرهوری بسیار مهم است) شبکه سبز: PUE - بررسی جامع معیار
-
آیا گرمای تلف شده دوباره استفاده میشود؟
-
گزینههای تأمین انرژی (انرژیهای تجدیدپذیر، قراردادهای بلندمدت و غیره)
رک و راست بگویم: در مکالمات عمومی اغلب با «مرکز داده» مانند یک جعبه سیاه برخورد میشود. این یک چیز شیطانی یا جادویی نیست. یک زیرساخت است. مانند زیرساخت رفتار میکند.
چیپس و سختافزار: بخشی که مردم از آن صرف نظر میکنند چون جذابیت کمتری دارد 🪨🔧
هوش مصنوعی به سختافزار وابسته است. سختافزار چرخه عمر دارد و تأثیرات چرخه عمر میتواند بزرگ باشد. سازمان حفاظت محیط زیست ایالات متحده: صنعت نیمههادی، ITU: پایش جهانی زبالههای الکترونیکی ۲۰۲۴
جایی که تأثیرات زیستمحیطی خود را نشان میدهد
-
استخراج مواد : استخراج و پالایش فلزات و مواد کمیاب.
-
تولید : ساخت نیمههادیها پیچیده و انرژیبر است. سازمان حفاظت محیط زیست ایالات متحده: صنعت نیمههادی imec: کاهش اثرات زیستمحیطی در تولید تراشه
-
حمل و نقل : زنجیرههای تأمین جهانی قطعات را به همه جا منتقل میکنند.
-
چرخههای جایگزینی کوتاه : ارتقاء سریع میتواند زبالههای الکترونیکی و انتشار گازهای گلخانهای را افزایش دهد. ITU: پایش جهانی زبالههای الکترونیکی ۲۰۲۴
زبالههای الکترونیکی و سرورهای «کاملاً بینقص»
بسیاری از آسیبهای زیستمحیطی از یک دستگاه موجود نیست - بلکه از تعویض زودهنگام آن به دلیل عدم مقرونبهصرفه بودن آن ناشی میشود. هوش مصنوعی این روند را تسریع میکند زیرا جهشهای عملکردی میتوانند بزرگ باشند. وسوسه بهروزرسانی سختافزار واقعی است. ITU: پایش جهانی زبالههای الکترونیکی ۲۰۲۴
یک نکتهی کاربردی: افزایش عمر سختافزار، بهبود بهرهوری و نوسازی میتواند به اندازهی هر تغییر مدل فانتزی اهمیت داشته باشد. گاهی اوقات سبزترین پردازندهی گرافیکی، پردازندهای است که نمیخرید. (این شبیه یک شعار به نظر میرسد، اما تا حدودی هم درست است.)
چگونه هوش مصنوعی بر محیط زیست تأثیر میگذارد: چرخه رفتاری «مردم این را فراموش میکنند» 🔁😬
بخش اجتماعی ناخوشایند ماجرا اینجاست: هوش مصنوعی کارها را آسانتر میکند، بنابراین مردم کارهای بیشتری انجام میدهند. این میتواند فوقالعاده باشد - بهرهوری بیشتر، خلاقیت بیشتر، دسترسی بیشتر. اما همچنین میتواند به معنای استفاده کلی بیشتر از منابع باشد. OECD (2012): مزایای متعدد بهبود بهرهوری انرژی (PDF)
مثالها:
-
اگر هوش مصنوعی تولید ویدیو را ارزان کند، مردم ویدیوهای بیشتری تولید میکنند.
-
اگر هوش مصنوعی تبلیغات را مؤثرتر کند، تبلیغات بیشتری نمایش داده میشود و حلقههای تعامل بیشتری میچرخند.
-
اگر هوش مصنوعی، لجستیک حمل و نقل را کارآمدتر کند، تجارت الکترونیک میتواند حتی بیشتر گسترش یابد.
این دلیلی برای وحشت نیست. این دلیلی برای سنجش نتایج است، نه فقط کارایی.
یک استعاره ناقص اما سرگرمکننده: بهرهوری هوش مصنوعی مانند این است که به یک نوجوان یخچال بزرگتری بدهیم - بله، ذخیرهسازی مواد غذایی بهبود مییابد، اما به نوعی یخچال در عرض یک روز دوباره خالی میشود. استعاره کاملی نیست، اما... شما شاهد این اتفاق بودهاید 😅
جنبه مثبت: هوش مصنوعی میتواند واقعاً به محیط زیست کمک کند (وقتی به درستی هدف قرار گیرد) 🌿✨
حالا به بخشی که دست کم گرفته میشود میپردازیم: هوش مصنوعی میتواند انتشار گازهای گلخانهای و ضایعات را در سیستمهای موجود که... رک و پوست کنده، ناکارآمد هستند، کاهش دهد. آژانس بینالمللی انرژی: هوش مصنوعی برای بهینهسازی و نوآوری انرژی
حوزههایی که هوش مصنوعی میتواند در آنها کمک کند
-
شبکههای انرژی : پیشبینی بار، پاسخگویی به تقاضا، ادغام انرژیهای تجدیدپذیر متغیر. آژانس بینالمللی انرژی: هوش مصنوعی برای بهینهسازی و نوآوری انرژی
-
ساختمانها : کنترل هوشمندتر سیستم تهویه مطبوع، نگهداری پیشبینیشده، مصرف انرژی مبتنی بر سکونت. آژانس بینالمللی انرژی: دیجیتالی شدن
-
حمل و نقل : بهینهسازی مسیر، مدیریت ناوگان، کاهش مسافتهای خالی. آژانس بینالمللی انرژی: هوش مصنوعی برای بهینهسازی انرژی و نوآوری
-
تولید : تشخیص نقص، تنظیم فرآیند، کاهش ضایعات.
-
کشاورزی : آبیاری دقیق، تشخیص آفات، بهینهسازی کود.
-
پایش محیطی : تشخیص نشت متان، ردیابی سیگنالهای جنگلزدایی، نقشهبرداری از الگوهای تنوع زیستی. UNEP: نحوه عملکرد MARS دیدهبان جهانی جنگل: هشدارهای جنگلزدایی GLAD موسسه آلن تورینگ: هوش مصنوعی و سیستمهای خودمختار برای ارزیابی تنوع زیستی
-
اقتصاد چرخشی : دستهبندی و شناسایی بهتر در جریانهای بازیافت
نکتهی مهم: «کمک» هوش مصنوعی به طور خودکار ردپای هوش مصنوعی را جبران نمیکند. این بستگی به این دارد که آیا هوش مصنوعی واقعاً مستقر شده است، واقعاً مورد استفاده قرار گرفته است و آیا منجر به کاهش واقعی مصرف انرژی شده است یا فقط داشبوردهای بهتری ایجاد کرده است. اما بله، پتانسیل آن واقعی است. آژانس بینالمللی انرژی: هوش مصنوعی برای بهینهسازی و نوآوری انرژی
چه چیزی یک نسخه خوب از هوش مصنوعی سازگار با محیط زیست را میسازد؟ ✅🌍
این بخش «خب، پس باید چه کار کنیم» است. یک سیستم هوش مصنوعی سازگار با محیط زیست معمولاً دارای موارد زیر است:
-
مقدار مورد استفاده واضح : اگر مدل تصمیمات یا نتایج را تغییر ندهد، فقط یک محاسبهی تجملی است.
-
اندازهگیریهای انجامشده در : انرژی، تخمین کربن، میزان استفاده و معیارهای بهرهوری مانند هر شاخص کلیدی عملکرد دیگر ردیابی میشوند. CodeCarbon: روششناسی
-
مدلهای با اندازه مناسب : وقتی مدلهای کوچکتر جواب میدهند، از مدلهای کوچکتر استفاده کنید. کارآمد بودن یک شکست اخلاقی نیست.
-
طراحی استنتاج کارآمد : ذخیرهسازی، دستهبندی، کوانتیزاسیون، بازیابی و الگوهای خوب فراخوانی. غلامی و همکاران (۲۰۲۱): بررسی روشهای کوانتیزاسیون (PDF) لوئیس و همکاران (۲۰۲۰): تولید افزوده بازیابی
-
آگاهی از سختافزار و موقعیت مکانی : بارهای کاری را در جایی اجرا کنید که شبکه برق تمیزتر و زیرساخت کارآمدتر باشد (در صورت امکان). API شدت کربن (GB)
-
عمر طولانیتر سختافزار : حداکثر استفاده، استفاده مجدد و نوسازی. ITU: پایش جهانی زبالههای الکترونیکی ۲۰۲۴
-
گزارشدهی مستقیم : از زبان سبزشویی و ادعاهای مبهم مانند «هوش مصنوعی سازگار با محیط زیست» بدون عدد و رقم خودداری کنید.
اگر هنوز در حال پیگیری چگونگی تأثیر هوش مصنوعی بر محیط زیست هستید، اینجا نقطهای است که پاسخ دیگر فلسفی نیست و عملیاتی میشود: هوش مصنوعی بر اساس انتخابهای شما بر محیط زیست تأثیر میگذارد.
جدول مقایسه: ابزارها و رویکردهایی که واقعاً تأثیر را کاهش میدهند 🧰⚡
در زیر یک جدول سریع و کاربردی آمده است. این جدول بینقص نیست، و بله، چند سلول آن کمی سلیقهای هستند... چون انتخاب ابزار واقعی به این شکل کار میکند.
| ابزار / رویکرد | مخاطب | قیمت | چرا کار میکند؟ | |
|---|---|---|---|---|
| کتابخانههای ردیابی کربن/انرژی (برآوردگرهای زمان اجرا) | تیمهای لیگ برتر فوتبال آمریکایی | رایگان | دید خوبی میدهد - که نیمی از راه است، حتی اگر تخمینها کمی مبهم باشند.. | کدکربن |
| نظارت بر توان سختافزاری (تلهمتری GPU/CPU) | مادون قرمز + میلی لیتر | رایگان | میزان مصرف واقعی را اندازهگیری میکند؛ برای بنچمارکگیری مناسب است (بدون زرق و برق اما عالی) | |
| تقطیر مدل | مهندسان یادگیری ماشین | رایگان (هزینه-زمان 😵) | مدلهای دانشجویی کوچکتر اغلب عملکرد را با هزینه استنتاج بسیار کمتر مطابقت میدهند | هینتون و همکاران (۲۰۱۵): استخراج دانش در یک شبکه عصبی |
| کوانتیزاسیون (استنتاج با دقت پایینتر) | محصول ML + | رایگان | تأخیر و مصرف برق را کاهش میدهد؛ گاهی اوقات با کمی افت کیفیت، گاهی اوقات بدون افت کیفیت | غلامی و همکاران (۲۰۲۱): بررسی روشهای کوانتیزاسیون (PDF) |
| استنتاج ذخیرهسازی + دستهبندی | محصول + پلتفرم | رایگان | کاهش محاسبات اضافی؛ به خصوص برای درخواستهای مکرر یا درخواستهای مشابه مفید است | |
| تولید افزوده بازیابی (RAG) | تیمهای برنامه | مختلط | «حافظه» را به بازیابی اختصاص میدهد؛ میتواند نیاز به پنجرههای متنی بزرگ را کاهش دهد | لوئیس و همکاران (۲۰۲۰): نسل بازیابی-تقویتشده |
| برنامهریزی حجم کار بر اساس شدت کربن | مادون قرمز/عملیات | مختلط | مشاغل انعطافپذیر را به سمت شیشههای برقی تمیزتر سوق میدهد - هرچند نیاز به هماهنگی دارد | API شدت کربن (GB) |
| تمرکز بر بهرهوری مرکز داده (بهرهبرداری، تجمیع) | رهبری فناوری اطلاعات | پرداخت شده (معمولاً) | کمزرقوبرقترین اهرم، اما اغلب بزرگترین اهرم - از اجرای سیستمهای نیمهخالی دست بردارید | شبکه سبز: PUE |
| پروژههای استفاده مجدد از گرما | امکانات | بستگی دارد | تبدیل گرمای تلفشده به ارزش؛ همیشه امکانپذیر نیست، اما وقتی امکانپذیر باشد، تا حدودی زیباست | |
| «آیا ما اصلاً اینجا به هوش مصنوعی نیاز داریم؟» | همه | رایگان | از محاسبات بیهوده جلوگیری میکند. قدرتمندترین بهینهسازی، نه گفتن است (گاهی اوقات) |
توجه کردی چی کمه؟ «یه برچسب سبز جادویی بخر.» اون یکی وجود نداره 😬
راهنمای کاربردی: کاهش تأثیر هوش مصنوعی بدون از بین بردن محصول 🛠️🌱
اگر در حال ساخت یا خرید سیستمهای هوش مصنوعی هستید، در اینجا یک توالی واقعبینانه که در عمل کار میکند، آورده شده است:
مرحله ۱: با اندازهگیری شروع کنید
-
میزان مصرف انرژی را پیگیری کنید یا آن را به طور مداوم تخمین بزنید. کدکربن: روششناسی
-
اندازهگیری به ازای هر اجرای آموزش و به ازای هر درخواست استنتاج.
-
نظارت بر میزان استفاده - منابع بلااستفاده راهی برای پنهان شدن از دید دارند. شبکه سبز: PUE
مرحله ۲: مدل را با توجه به کار، در اندازه مناسب قرار دهید
-
از مدلهای کوچکتر برای طبقهبندی، استخراج و مسیریابی استفاده کنید.
-
مدل سنگین را برای موارد سخت نگه دارید.
-
یک «مدل آبشاری» را در نظر بگیرید: ابتدا مدل کوچک، و در صورت نیاز، مدل بزرگتر.
مرحله ۳: بهینهسازی استنتاج (اینجا جایی است که مقیاس اهمیت پیدا میکند)
-
ذخیره سازی : ذخیره پاسخها برای پرسوجوهای مکرر (با کنترل دقیق حریم خصوصی).
-
دستهبندی : درخواستها را گروهبندی میکند تا کارایی سختافزار را بهبود بخشد.
-
خروجیهای کوتاهتر : خروجیهای طولانی هزینه بیشتری دارند - گاهی اوقات به مقاله نیازی ندارید.
-
نظم و انضباط سریع : دستورات نامرتب، مسیرهای محاسباتی طولانیتری ایجاد میکنند... و بله، توکنهای بیشتری.
مرحله ۴: بهبود بهداشت دادهها
این به نظر نامربوط میآید، اما اینطور نیست:
-
مجموعه دادههای تمیزتر میتوانند میزان ریزش ناشی از آموزش مجدد را کاهش دهند.
-
صدای کمتر به معنای آزمایشهای کمتر و اجرای کارهای بیهوده کمتر است.
مرحله ۵: با سختافزار مانند یک دارایی رفتار کنید، نه یک وسیلهی یکبار مصرف
-
در صورت امکان، چرخههای بهروزرسانی را افزایش دهید. ITU: پایش جهانی زبالههای الکترونیکی ۲۰۲۴
-
برای حجم کاری سبکتر، از سختافزار قدیمیتر دوباره استفاده کنید.
-
از تأمین «همیشه در اوج مصرف» خودداری کنید.
مرحله ۶: انتخاب هوشمندانه استقرار
-
در صورت امکان، مشاغل انعطافپذیری را در جایی که انرژی پاکتری وجود دارد، اجرا کنید. API شدت کربن (GB)
-
تکرارهای غیرضروری را کاهش دهید.
-
اهداف تأخیر را واقعبینانه نگه دارید (تأخیر بسیار کم میتواند منجر به راهاندازیهای همیشه روشن ناکارآمد شود).
و بله... گاهی اوقات بهترین قدم این است که: برای هر اقدام کاربر، بزرگترین مدل را به صورت خودکار اجرا نکنید. این عادت معادل زیستمحیطی روشن گذاشتن تمام چراغها به دلیل آزاردهنده بودن رفتن به سمت کلید برق است.
افسانههای رایج (و آنچه به حقیقت نزدیکتر است) 🧠🧯
افسانه: «هوش مصنوعی همیشه از نرمافزارهای سنتی بدتر است»
حقیقت: هوش مصنوعی میتواند محاسبات سنگینتری داشته باشد، اما همچنین میتواند جایگزین فرآیندهای دستی ناکارآمد شود، ضایعات را کاهش دهد و سیستمها را بهینه کند. این موضوع وابسته به موقعیت است. آژانس بینالمللی انرژی: هوش مصنوعی برای بهینهسازی انرژی و نوآوری
افسانه: «آموزش تنها مشکل است»
حقیقت: استنتاج در مقیاس میتواند به مرور زمان غالب شود. اگر محصول شما به طور انفجاری مورد استفاده قرار گیرد، این موضوع به داستان اصلی تبدیل میشود. آژانس بینالمللی انرژی: انرژی و هوش مصنوعی
افسانه: «انرژیهای تجدیدپذیر فوراً مشکل را حل میکنند»
حقیقت: برق پاکتر خیلی کمک میکند، اما ردپای سختافزاری، مصرف آب یا اثرات بازگشتی را از بین نمیبرد. با این حال، هنوز هم مهم است. آژانس بینالمللی انرژی: انرژی و هوش مصنوعی
افسانه: «اگر چیزی کارآمد باشد، پایدار است»
حقیقت: بهرهوری بدون کنترل تقاضا همچنان میتواند تأثیر کلی را افزایش دهد. این همان تله بازگشتی است. OECD (2012): مزایای متعدد بهبود بهرهوری انرژی (PDF)
حکومتداری، شفافیت، و عدم تظاهر به آن 🧾🌍
اگر شما یک شرکت هستید، اینجاست که اعتماد ساخته یا از بین میرود.
-
گزارش معیارهای معنادار : به ازای هر درخواست، به ازای هر کاربر، به ازای هر وظیفه - نه فقط مجموعهای بزرگ و ترسناک. LBNL (2024): گزارش مصرف انرژی مرکز داده ایالات متحده (PDF)
-
از ادعاهای مبهم خودداری کنید : «هوش مصنوعی سبز» بدون اعداد و مرزها هیچ معنایی ندارد.
-
آب و تأثیر محلی را در نظر بگیرید : کربن تنها متغیر محیطی نیست. لی و همکاران (۲۰۲۳): کاهش «تشنگی» هوش مصنوعی (PDF)
-
طراحی برای خویشتنداری : پاسخهای کوتاهتر پیشفرض، حالتهای کمهزینهتر، تنظیمات «سازگار با محیط زیست» که واقعاً کاری انجام میدهند.
-
به عدالت فکر کنید : استفاده از منابع سنگین در مکانهایی با کمبود آب یا شبکههای برق شکننده، عواقبی فراتر از جدول شما دارد. برنامه مدیریت انرژی فدرال وزارت انرژی ایالات متحده: فرصتهای بهرهوری آب خنککننده برای مراکز داده فدرال
این بخشی است که مردم چشمغره میروند، اما مهم است. فناوری مسئولانه فقط به مهندسی هوشمندانه مربوط نمیشود. همچنین به این مربوط میشود که وانمود نکنیم بدهبستانهایی وجود ندارد.
خلاصه پایانی: خلاصهای مختصر از چگونگی تأثیر هوش مصنوعی بر محیط زیست 🌎✅
چگونگی تأثیر هوش مصنوعی بر محیط زیست به بار اضافی خلاصه میشود: برق، آب (گاهی اوقات) و تقاضای سختافزار. آژانس بینالمللی انرژی: انرژی و هوش مصنوعی لی و همکاران (2023): کاهش «تشنگی» هوش مصنوعی (PDF) همچنین ابزارهای قدرتمندی برای کاهش انتشار گازهای گلخانهای و ضایعات در سایر بخشها ارائه میدهد. آژانس بینالمللی انرژی: هوش مصنوعی برای بهینهسازی و نوآوری انرژی نتیجه نهایی به مقیاس، پاکیزگی شبکه، انتخابهای بهرهوری و اینکه آیا هوش مصنوعی مشکلات واقعی را حل میکند یا صرفاً نوآوری به خاطر نوآوری ایجاد میکند، بستگی دارد. آژانس بینالمللی انرژی: انرژی و هوش مصنوعی
اگر سادهترین نکتهی کاربردی را میخواهید:
-
اندازه گیری کنید.
-
اندازه مناسب.
-
استنتاج را بهینه کنید.
-
افزایش عمر سختافزار.
-
در مورد بده بستانها رک و صریح باشید.
و اگر احساس میکنید که اوضاع خیلی خراب است، یک حقیقت آرامشبخش این است: تصمیمات عملیاتی کوچک، اگر هزار بار تکرار شوند، معمولاً از یک بیانیه بزرگ پایداری بهتر عمل میکنند. چیزی شبیه مسواک زدن. شاید جذاب نباشد، اما جواب میدهد... 😄🪥
سوالات متداول
هوش مصنوعی چگونه نه تنها در آزمایشگاههای تحقیقاتی بزرگ، بلکه در کاربردهای روزمره نیز بر محیط زیست تأثیر میگذارد؟
بیشتر ردپای هوش مصنوعی از برقی ناشی میشود که مراکز داده را که پردازندههای گرافیکی (GPU) و پردازندههای مرکزی (CPU) را در طول آموزش و «استنتاج» روزمره اجرا میکنند، تغذیه میکند. یک درخواست واحد ممکن است کم باشد، اما در مقیاس بزرگ، این درخواستها به سرعت جمع میشوند. این تأثیر همچنین به محل قرارگیری مرکز داده، میزان تمیزی شبکه محلی و میزان کارایی زیرساخت بستگی دارد.
آیا آموزش یک مدل هوش مصنوعی برای محیط زیست بدتر از استفاده از آن (استنتاج) است؟
آموزش میتواند حجم زیادی از محاسبات را در بر بگیرد، اما استنتاج میتواند به مرور زمان به بخش بزرگتری از محاسبات تبدیل شود، زیرا دائماً و در مقیاس وسیع اجرا میشود. اگر ابزاری روزانه توسط میلیونها نفر استفاده شود، درخواستهای مکرر میتواند از هزینه آموزش یکباره بیشتر باشد. به همین دلیل است که بهینهسازی اغلب بر کارایی استنتاج متمرکز است.
چرا هوش مصنوعی از آب استفاده میکند و آیا این همیشه مشکلساز است؟
هوش مصنوعی میتواند عمدتاً به این دلیل از آب استفاده کند که برخی از مراکز داده به خنککنندههای آبی متکی هستند، یا به این دلیل که آب به طور غیرمستقیم از طریق تولید برق مصرف میشود. در برخی از اقلیمها، خنککنندههای تبخیری میتوانند مصرف برق را کاهش داده و در عین حال مصرف آب را افزایش دهند و یک بدهبستان واقعی ایجاد کنند. اینکه آیا این «بد» است یا خیر، به کمبود آب محلی، طراحی خنککننده و اینکه آیا مصرف آب اندازهگیری و مدیریت میشود یا خیر، بستگی دارد.
چه بخشهایی از ردپای زیستمحیطی هوش مصنوعی از سختافزار و زبالههای الکترونیکی ناشی میشود؟
هوش مصنوعی به تراشهها، سرورها، تجهیزات شبکه، ساختمانها و زنجیرههای تأمین وابسته است - که به معنای استخراج، تولید، حمل و نقل و در نهایت دفع زباله است. تولید نیمههادی انرژیبر است و چرخههای سریع ارتقاء میتواند انتشار گازهای گلخانهای و زبالههای الکترونیکی را افزایش دهد. افزایش عمر سختافزار، نوسازی و بهبود استفاده میتواند به طور قابل توجهی تأثیر را کاهش دهد، که گاهی اوقات با تغییرات در سطح مدل رقابت میکند.
آیا استفاده از انرژیهای تجدیدپذیر، تأثیر هوش مصنوعی بر محیط زیست را حل میکند؟
برق پاکتر میتواند انتشار گازهای گلخانهای ناشی از محاسبات را کاهش دهد، اما سایر اثرات مانند مصرف آب، تولید سختافزار و زبالههای الکترونیکی را از بین نمیبرد. همچنین به طور خودکار «اثرات بازگشتی» را که در آن محاسبات کمهزینهتر منجر به مصرف بیشتر میشود، برطرف نمیکند. انرژیهای تجدیدپذیر یک اهرم مهم هستند، اما آنها تنها بخشی از پشته ردپای انرژی هستند.
اثر بازگشتی چیست و چرا برای هوش مصنوعی و پایداری اهمیت دارد؟
اثر بازگشتی زمانی است که افزایش بهرهوری، کاری را ارزانتر یا آسانتر میکند، بنابراین مردم بیشتر آن کار را انجام میدهند - که گاهی اوقات باعث از بین رفتن پساندازها میشود. با هوش مصنوعی، تولید ارزانتر یا اتوماسیون میتواند تقاضای کل برای محتوا، محاسبات و خدمات را افزایش دهد. به همین دلیل است که اندازهگیری نتایج در عمل، مهمتر از تجلیل از بهرهوری به صورت جداگانه است.
راههای عملی برای کاهش تأثیر هوش مصنوعی بدون آسیب رساندن به محصول چیست؟
یک رویکرد رایج، شروع با اندازهگیری (تخمین انرژی و کربن، میزان مصرف) و سپس مدلهای با اندازه مناسب برای کار و بهینهسازی استنتاج با ذخیرهسازی، دستهبندی و خروجیهای کوتاهتر است. تکنیکهایی مانند کوانتیزاسیون، تقطیر و تولید افزوده بازیابی میتوانند نیازهای محاسباتی را کاهش دهند. انتخابهای عملیاتی - مانند برنامهریزی حجم کار بر اساس شدت کربن و طول عمر بیشتر سختافزار - اغلب پیروزیهای بزرگی را به همراه دارند.
هوش مصنوعی چگونه میتواند به محیط زیست کمک کند، نه اینکه به آن آسیب برساند؟
هوش مصنوعی میتواند هنگام بهکارگیری برای بهینهسازی سیستمهای واقعی، انتشار گازهای گلخانهای و ضایعات را کاهش دهد: پیشبینی شبکه، پاسخگویی به تقاضا، کنترل تهویه مطبوع ساختمان، مسیریابی لجستیک، نگهداری پیشبینیکننده و تشخیص نشت. همچنین میتواند از نظارت بر محیط زیست مانند هشدارهای جنگلزدایی و تشخیص متان پشتیبانی کند. نکته کلیدی این است که آیا سیستم تصمیمات را تغییر میدهد و کاهشهای قابل اندازهگیری ایجاد میکند یا خیر، نه فقط داشبوردهای بهتری.
شرکتها برای جلوگیری از ادعاهای «سبزشویی» هوش مصنوعی، چه معیارهایی را باید گزارش دهند؟
گزارش معیارهای هر وظیفه یا هر درخواست، معنادارتر از صرفاً اعداد بزرگ است، زیرا کارایی را در سطح واحد نشان میدهد. ردیابی مصرف انرژی، تخمین کربن، میزان استفاده و - در صورت لزوم - تأثیرات آب، پاسخگویی واضحتری را ایجاد میکند. همچنین مهم است: مرزها (موارد شامل) را تعریف کنید و از برچسبهای مبهمی مانند «هوش مصنوعی سازگار با محیط زیست» بدون شواهد کمی اجتناب کنید.
منابع
-
آژانس بینالمللی انرژی (IEA) - انرژی و هوش مصنوعی - iea.org
-
آژانس بینالمللی انرژی (IEA) - هوش مصنوعی برای بهینهسازی انرژی و نوآوری - iea.org
-
آژانس بینالمللی انرژی (IEA) - دیجیتالی شدن - iea.org
-
آزمایشگاه ملی لارنس برکلی (LBNL) - گزارش مصرف انرژی مراکز داده ایالات متحده (2024) (PDF) - lbl.gov
-
لی و همکاران - کاهش «تشنگی» هوش مصنوعی (۲۰۲۳) (PDF) - arxiv.org
-
ASHRAE (TC 9.9) - ظهور و گسترش خنککننده مایع در مراکز داده اصلی (PDF) - ashrae.org
-
شبکه سبز - PUE-یک بررسی جامع از معیار - thegreengrid.org
-
وزارت انرژی ایالات متحده (DOE) - FEMP - فرصتهای بهرهوری آب خنککننده برای مراکز داده فدرال - energy.gov
-
وزارت انرژی ایالات متحده (DOE) - FEMP - بهرهوری انرژی در مراکز داده - energy.gov
-
آژانس حفاظت از محیط زیست ایالات متحده (EPA) - صنعت نیمه هادی - epa.gov
-
اتحادیه بینالمللی مخابرات (ITU) - پایش جهانی زبالههای الکترونیکی ۲۰۲۴ - itu.int
-
OECD - مزایای متعدد بهبود بهرهوری انرژی (۲۰۱۲) (PDF) - oecd.org
-
API شدت کربن (GB) - carbonintensity.org.uk
-
imec - کاهش اثرات زیستمحیطی در تولید تراشه - imec-int.com
-
UNEP - نحوه کار MARS - unep.org
-
دیدهبان جهانی جنگل - هشدارهای جنگلزدایی GLAD - globalforestwatch.org
-
موسسه آلن تورینگ - هوش مصنوعی و سیستمهای خودگردان برای ارزیابی تنوع زیستی و سلامت اکوسیستم - turing.ac.uk
-
کدکربن - روششناسی - mlco2.github.io
-
غلامی و همکاران - بررسی روشهای کوانتیزاسیون (2021) (PDF) - arxiv.org
-
لوئیس و همکاران - بازیابی-تولید افزوده (۲۰۲۰) - arxiv.org
-
هینتون و همکاران - استخراج دانش در یک شبکه عصبی (۲۰۱۵) - arxiv.org
-
کدکربن - codecarbon.io