پرسش و پاسخ: تأثیر آب و هوا هوش مصنوعی مولد

ویجی گادپالی، یکی از کارکنان ارشد آزمایشگاه MIT لینکلن، تعدادی از پروژه ها را در این آزمایشگاه رهبری می کند. مرکز ابرکامپیوتر آزمایشگاهی لینکلن (LLSC) برای ساخت پلتفرم های محاسباتی و سیستم های هوش مصنوعی که اجرا می شوند روی آنها کارآمدتر هستند. در اینجا، Gadepally در مورد استفاده روزافزون از هوش مصنوعی مولد در ابزارهای روزمره، تأثیر محیطی پنهان آن، و برخی از روش هایی که آزمایشگاه لینکلن و جامعه هوش مصنوعی بزرگتر می توانند انتشار گازهای گلخانه ای را برای آینده ای سبزتر کاهش دهند، بحث می کند.

س: چه روندهایی را از نظر روش استفاده از هوش مصنوعی مولد در محاسبات مشاهده می کنید؟

الف: هوش مصنوعی مولد از یادگیری ماشینی (ML) برای ایجاد محتوای جدید، مانند تصاویر و متن، استفاده می‌کند روی داده هایی که به سیستم ML وارد می شوند. در LLSC ما برخی از بزرگترین پلتفرم‌های محاسباتی دانشگاهی در جهان را طراحی و می‌سازیم، و در چند سال گذشته شاهد انفجاری در تعداد پروژه‌هایی بوده‌ایم که نیاز به دسترسی به محاسبات با کارایی بالا برای هوش مصنوعی مولد دارند. ما همچنین می‌بینیم که چگونه هوش مصنوعی مولد در حال تغییر انواع زمینه‌ها و دامنه‌ها است – برای مثال، ChatGPT در حال حاضر سریع‌تر از آنچه قوانین به نظر می‌رسد بر کلاس درس و محل کار تأثیر می‌گذارد.

ما می‌توانیم انواع کاربردهای هوش مصنوعی مولد را در یک دهه آینده تصور کنیم، مانند تقویت دستیاران مجازی بسیار توانمند، توسعه داروها و مواد جدید، و حتی بهبود درک خود از علوم پایه. ما نمی‌توانیم همه چیزهایی را که هوش مصنوعی مولد برای آن استفاده می‌شود، پیش‌بینی کنیم، اما مطمئناً می‌توانم بگویم که با الگوریتم‌های پیچیده‌تر و بیشتر، محاسبات، انرژی و تأثیر آب و هوای آن‌ها به سرعت رشد خواهند کرد.

س: LLSC از چه استراتژی هایی برای کاهش این تأثیر آب و هوا استفاده می کند؟

الف: ما همیشه به دنبال راه‌هایی برای کارآمدتر کردن محاسبات هستیم، زیرا انجام این کار به مرکز داده ما کمک می‌کند تا بهترین استفاده را از منابع خود داشته باشد و به همکاران علمی ما این امکان را می‌دهد که زمینه‌های خود را تا حد امکان کارآمدتر پیش ببرند.

به عنوان یک مثال، ما با ایجاد تغییرات ساده، مانند کم‌نور یا خاموش کردن چراغ‌ها هنگام خروج از اتاق، میزان برق مصرفی سخت‌افزارمان را کاهش داده‌ایم. در یک آزمایش، مصرف انرژی گروهی از واحدهای پردازش گرافیکی را 20 درصد تا 30 درصد کاهش دادیم، با کمترین تأثیر. روی عملکرد آنها، با اعمال یک درپوش قدرت. این تکنیک همچنین دمای عملیاتی سخت‌افزار را کاهش می‌دهد و باعث می‌شود پردازنده‌های گرافیکی راحت‌تر خنک شوند و دوام بیشتری داشته باشند.

استراتژی دیگر تغییر رفتار ما برای آگاهی بیشتر از آب و هوا است. در خانه، برخی از ما ممکن است استفاده از منابع انرژی تجدیدپذیر یا برنامه ریزی هوشمندانه را انتخاب کنیم. ما از تکنیک‌های مشابهی در LLSC استفاده می‌کنیم – مانند آموزش مدل‌های هوش مصنوعی زمانی که دماها سردتر هستند یا زمانی که تقاضای انرژی شبکه محلی کم است.

ما همچنین متوجه شدیم که مقدار زیادی از انرژی صرف شده است روی محاسبات اغلب هدر می رود، مانند اینکه چگونه نشت آب صورت حساب شما را افزایش می دهد، اما بدون هیچ مزیتی برای خانه شما. ما تکنیک‌های جدیدی را توسعه دادیم که به ما امکان می‌دهد بارهای کاری محاسباتی را در حین اجرا نظارت کنیم و سپس آنهایی را که بعید است نتایج خوبی به همراه داشته باشند، خاتمه دهیم. با کمال تعجب، در تعدادی از موارد متوجه شدیم که اکثر محاسبات را می‌توان بدون به خطر انداختن نتیجه نهایی، زودتر خاتمه داد.

س: نمونه ای از پروژه ای که انجام داده اید که خروجی انرژی یک برنامه هوش مصنوعی مولد را کاهش می دهد چیست؟

الف: ما اخیراً یک ابزار بینایی رایانه ای آگاه از آب و هوا ساخته ایم. بینایی کامپیوتر دامنه ای است که متمرکز است روی اعمال هوش مصنوعی بر روی تصاویر؛ بنابراین، تمایز بین گربه ها و سگ ها در یک تصویر، برچسب گذاری صحیح اشیاء درون یک تصویر، یا جستجوی اجزای مورد علاقه در یک تصویر.

در ابزار خود، تله‌متری کربن بلادرنگ را گنجانده‌ایم، که اطلاعاتی را درباره میزان کربن منتشر شده توسط شبکه محلی ما به عنوان یک مدل تولید می‌کند. بسته به روی با این اطلاعات، سیستم ما به طور خودکار به یک نسخه کم‌مصرف‌تر از مدل تغییر می‌کند، که معمولاً پارامترهای کمتری دارد، در مواقع شدت کربن بالا، یا یک نسخه با وفاداری بسیار بالاتر از مدل در زمان‌های شدت کربن پایین.

با انجام این کار، شاهد کاهش نزدیک به 80 درصدی انتشار کربن در بازه زمانی یک تا دو روزه بودیم. ما اخیراً این ایده را به سایر وظایف مولد هوش مصنوعی مانند خلاصه سازی متن گسترش دادیم و نتایج مشابهی را یافتیم. جالب اینجاست که عملکرد گاهی اوقات پس از استفاده از تکنیک ما بهبود می یابد!

س: ما به عنوان مصرف کنندگان هوش مصنوعی مولد برای کمک به کاهش تاثیرات آب و هوایی آن چه کاری می توانیم انجام دهیم؟

الف: به عنوان مصرف کننده، می توانیم از ارائه دهندگان هوش مصنوعی خود بخواهیم شفافیت بیشتری ارائه دهند. به عنوان مثال، روی Google Flights، من می توانم گزینه های مختلفی را ببینم که نشان دهنده ردپای کربن یک پرواز خاص است. ما باید اندازه‌گیری‌های مشابهی را از ابزارهای مولد هوش مصنوعی دریافت کنیم تا بتوانیم آگاهانه تصمیم بگیریم روی بر اساس کدام محصول یا پلتفرم استفاده کنید روی اولویت های ما

ما همچنین می توانیم برای تحصیل بیشتر تلاش کنیم روی انتشارات مولد هوش مصنوعی به طور کلی بسیاری از ما با آلایندگی وسایل نقلیه آشنا هستیم و صحبت در مورد آلاینده های هوش مصنوعی مولد به صورت مقایسه ای می تواند کمک کننده باشد. مردم ممکن است تعجب کنند که بدانند، برای مثال، یک کار تولید تصویر تقریباً معادل رانندگی در چهار مایل در یک خودروی بنزینی است، یا اینکه برای شارژ یک خودروی الکتریکی به همان میزان انرژی برای تولید حدود 1500 متن نیاز است. خلاصه ها

موارد زیادی وجود دارد که در آن مشتریان اگر از تأثیر این مبادله مطلع باشند، خوشحال می شوند که مبادله ای انجام دهند.

س: برای آینده چه می بینید؟

الف: کاهش تاثیرات آب و هوایی هوش مصنوعی مولد یکی از آن مشکلاتی است که مردم در سراسر جهان در حال کار هستند onو با هدفی مشابه. ما در اینجا در آزمایشگاه لینکلن در حال انجام کارهای زیادی هستیم، اما تنها خراش در سطح است. در بلندمدت، مراکز داده، توسعه‌دهندگان هوش مصنوعی و شبکه‌های انرژی باید با هم کار کنند تا «ممیزی‌های انرژی» را برای کشف راه‌های منحصربه‌فرد دیگری که می‌توانیم بازده محاسباتی را بهبود بخشیم، ارائه دهند. ما به مشارکت بیشتر و همکاری بیشتر برای پیشبرد نیاز داریم.

اگر علاقه مند به یادگیری بیشتر یا همکاری با آزمایشگاه لینکلن هستید روی این تلاش ها، لطفا تماس بگیرید ویجی گادپالی.