توضیح داده شده: تاثیرات زیست محیطی هوش مصنوعی مولد

در یک سریال دو قسمتی، اخبار MIT مفاهیم زیست محیطی هوش مصنوعی مولد را بررسی می کند. در این مقاله به بررسی این موضوع می پردازیم که چرا این فناوری تا این حد نیازمند منابع است. بخش دوم بررسی خواهد کرد که کارشناسان چه کاری انجام می دهند تا ردپای کربن ژن AI و سایر اثرات را کاهش دهند.

هیجان ناشی از مزایای بالقوه هوش مصنوعی مولد، از بهبود بهره وری کارگران گرفته تا پیشرفت تحقیقات علمی، نادیده گرفتن دشوار است. در حالی که رشد انفجاری این فناوری جدید امکان استقرار سریع مدل‌های قدرتمند را در بسیاری از صنایع فراهم کرده است، عواقب زیست‌محیطی این «هوش طلا» مولد هوش مصنوعی همچنان دشوار است، چه رسد به کاهش آن.

توان محاسباتی مورد نیاز برای آموزش مدل‌های هوش مصنوعی مولد که اغلب دارای میلیاردها پارامتر هستند، مانند GPT-4 OpenAI، می‌تواند نیاز به مقدار حیرت‌انگیز برق داشته باشد که منجر به افزایش انتشار دی اکسید کربن و فشار می‌شود. روی شبکه برق

علاوه بر این، استقرار این مدل‌ها در برنامه‌های کاربردی دنیای واقعی، میلیون‌ها نفر را قادر می‌سازد تا از هوش مصنوعی مولد در زندگی روزمره خود استفاده کنند، و سپس تنظیم دقیق مدل‌ها برای بهبود عملکردشان، مدت‌ها پس از توسعه یک مدل، انرژی زیادی مصرف می‌کند.

فراتر از نیازهای برق، مقدار زیادی آب برای خنک کردن سخت افزار مورد استفاده برای آموزش، استقرار و تنظیم دقیق مدل های هوش مصنوعی مولد نیاز است که می تواند منابع آب شهری را تحت فشار قرار دهد و اکوسیستم های محلی را مختل کند. افزایش تعداد برنامه های کاربردی هوش مصنوعی مولد همچنین باعث افزایش تقاضا برای سخت افزار محاسباتی با کارایی بالا شده است و اثرات زیست محیطی غیرمستقیم ناشی از ساخت و حمل و نقل آن را اضافه کرده است.

هنگامی که ما در مورد تأثیرات زیست محیطی هوش مصنوعی مولد فکر می کنیم، این فقط برق مصرفی شما در هنگام اتصال رایانه نیست. پیامدهای بسیار گسترده تری وجود دارد که به سطح سیستم می رسد و بر اساس آن ادامه می یابد. روی اقداماتی که ما انجام می دهیم.

اولیوتی نویسنده ارشد مقاله ای با عنوان «پیامدهای آب و هوا و پایداری هوش مصنوعی مولد» در سال 1403 است که توسط همکاران MIT در پاسخ به فراخوانی در سراسر موسسه برای مقالاتی که پتانسیل تحول آفرین هوش مصنوعی را در هر دو جنبه مثبت و منفی بررسی می کند، نوشته شده است. جهت گیری برای جامعه

مراکز داده درخواستی

نیازهای برق مراکز داده یکی از عوامل اصلی تاثیرات زیست‌محیطی هوش مصنوعی مولد است، زیرا مراکز داده برای آموزش و اجرای مدل‌های یادگیری عمیق در پشت ابزارهای محبوبی مانند ChatGPT و DALL-E استفاده می‌شوند.

مرکز داده یک ساختمان کنترل شده با دما است که زیرساخت های محاسباتی مانند سرورها، درایوهای ذخیره سازی داده و تجهیزات شبکه را در خود جای داده است. به عنوان مثال، آمازون بیش از 100 مرکز داده در سراسر جهان دارد که هر کدام از آنها حدود 50000 سرور دارد که این شرکت برای پشتیبانی از خدمات رایانش ابری استفاده می کند.

در حالی که مراکز داده از دهه 1940 وجود داشته اند (اولین مرکز در دانشگاه پنسیلوانیا در سال 1945 برای پشتیبانی از اولین کامپیوتر دیجیتال همه منظوره، ENIAC ساخته شد)، ظهور هوش مصنوعی مولد به طور چشمگیری سرعت ساخت مرکز داده را افزایش داده است.

آنچه در مورد هوش مصنوعی مولد متفاوت است، چگالی توان مورد نیاز آن است. در اصل، این فقط محاسبات است، اما یک خوشه آموزشی مولد هوش مصنوعی ممکن است هفت یا هشت برابر بیشتر از یک حجم کاری معمولی محاسباتی انرژی مصرف کند. و کنسرسیوم پایداری (MCSC) و فوق دکتری در آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL).

دانشمندان تخمین زده اند که نیرو مورد نیاز مراکز داده در آمریکای شمالی از 2688 مگاوات در پایان سال 2022 به 5341 مگاوات در پایان سال 1402 افزایش یافته است که تا حدی ناشی از نیازهای هوش مصنوعی مولد است. در سطح جهانی، مصرف برق مراکز داده در سال 2022 به 460 تراوات افزایش یافت. این امر باعث می شود مراکز داده یازدهمین مصرف کننده برق در جهان بین کشورهای عربستان سعودی (371 تراوات) و فرانسه (463 تراوات) باشند. سازمان همکاری و توسعه اقتصادی.

تا سال 2026، انتظار می‌رود مصرف برق مراکز داده به 1050 تراوات نزدیک شود (که مراکز داده را به رتبه پنجم می‌رساند. روی فهرست جهانی، بین ژاپن و روسیه).

در حالی که همه محاسبات مرکز داده شامل هوش مصنوعی مولد نیستند، این فناوری محرک اصلی افزایش تقاضای انرژی بوده است.

تقاضا برای مراکز داده جدید نمی تواند به روشی پایدار برآورده شود. بشیر می‌گوید: سرعتی که شرکت‌ها در حال ساخت مراکز داده جدید هستند به این معنی است که بخش عمده‌ای از برق برای تامین انرژی آنها باید از نیروگاه‌های مبتنی بر سوخت فسیلی تامین شود.

قدرت مورد نیاز برای آموزش و استقرار مدلی مانند GPT-3 OpenAI دشوار است. در یک مقاله تحقیقاتی در سال 2021، دانشمندان گوگل و دانشگاه کالیفرنیا در برکلی آموزش را تخمین زدند. process به تنهایی 1287 مگاوات ساعت برق مصرف کرد (برای تامین انرژی حدود 120 خانه متوسط ​​ایالات متحده برای یک سال کافی است) و حدود 552 تن دی اکسید کربن تولید کرد.

در حالی که همه مدل‌های یادگیری ماشینی باید آموزش ببینند، یک مسئله منحصر به فرد برای هوش مصنوعی مولد، نوسانات سریع در مصرف انرژی است که در مراحل مختلف آموزش رخ می‌دهد. processبشیر توضیح می دهد.

اپراتورهای شبکه برق باید راهی برای جذب این نوسانات برای محافظت از شبکه داشته باشند و معمولاً از ژنراتورهای مبتنی بر دیزل برای این کار استفاده می کنند.

افزایش تاثیرات ناشی از استنتاج

هنگامی که یک مدل هوش مصنوعی مولد آموزش داده شود، نیازهای انرژی از بین نمی روند.

هر بار که یک مدل استفاده می شود، شاید توسط فردی که از ChatGPT می خواهد یک ایمیل را خلاصه کند، سخت افزار محاسباتی که آن عملیات را انجام می دهد انرژی مصرف می کند. محققان تخمین زده اند که یک جستجوی ChatGPT حدود پنج برابر بیشتر از یک جستجوی ساده وب، برق مصرف می کند.

بشیر می گوید: «اما یک کاربر روزمره زیاد در مورد آن فکر نمی کند. سهولت استفاده از رابط های هوش مصنوعی مولد و فقدان اطلاعات در مورد اثرات زیست محیطی اقدامات من به این معنی است که به عنوان یک کاربر، انگیزه زیادی برای کاهش دادن ندارم. روی استفاده من از هوش مصنوعی مولد.”

با هوش مصنوعی سنتی، مصرف انرژی به طور نسبتاً مساوی بین پردازش داده، آموزش مدل و استنتاج تقسیم می شود. process استفاده از یک مدل آموزش دیده برای پیش بینی روی داده های جدید با این حال، بشیر انتظار دارد که نیازهای الکتریسیته استنتاج هوش مصنوعی مولد در نهایت غالب شود، زیرا این مدل‌ها در بسیاری از کاربردها در همه جا حاضر می‌شوند و با بزرگ‌تر شدن و پیچیده‌تر شدن نسخه‌های آینده مدل‌ها، برق مورد نیاز برای استنتاج افزایش می‌یابد.

به‌علاوه، مدل‌های هوش مصنوعی مولد ماندگاری کوتاهی دارند که ناشی از افزایش تقاضا برای کاربردهای جدید هوش مصنوعی است. بشیر اضافه می‌کند که شرکت‌ها مدل‌های جدید را هر چند هفته یک بار عرضه می‌کنند، بنابراین انرژی مورد استفاده برای آموزش نسخه‌های قبلی هدر می‌رود. مدل های جدید اغلب انرژی بیشتری برای آموزش مصرف می کنند، زیرا معمولاً پارامترهای بیشتری نسبت به مدل های قبلی خود دارند.

در حالی که نیازهای برق مراکز داده ممکن است بیشترین توجه را در ادبیات تحقیقاتی به خود جلب کند، میزان آب مصرفی توسط این تاسیسات اثرات زیست محیطی نیز دارد.

آب سرد برای خنک کردن یک مرکز داده با جذب گرما از تجهیزات محاسباتی استفاده می شود. بشیر می گوید، تخمین زده شده است که به ازای هر کیلووات ساعت انرژی که یک مرکز داده مصرف می کند، به دو لیتر آب برای خنک سازی نیاز دارد.

«فقط به این دلیل که این «رایانش ابری» نامیده می‌شود، به این معنا نیست که سخت‌افزار در فضای ابری زندگی می‌کند. مراکز داده در دنیای فیزیکی ما حضور دارند و به دلیل مصرف آب آنها پیامدهای مستقیم و غیرمستقیم برای تنوع زیستی دارند.

سخت‌افزار محاسباتی در مراکز داده تأثیرات محیطی کمتر مستقیم خود را به همراه دارد.

در حالی که تخمین میزان انرژی مورد نیاز برای ساخت یک GPU، نوعی پردازنده قدرتمند که می‌تواند بارهای کاری مولد هوش مصنوعی را تحمل کند، دشوار است، اما برای تولید یک CPU ساده‌تر، به دلیل ساخت process پیچیده تر است ردپای کربن یک GPU با انتشارات مربوط به حمل و نقل مواد و محصول ترکیب می شود.

همچنین پیامدهای زیست محیطی به دست آوردن مواد خام مورد استفاده برای ساخت GPU ها وجود دارد که می تواند شامل روش های کثیف استخراج و استفاده از مواد شیمیایی سمی برای پردازش باشد.

شرکت تحقیقاتی بازار TechInsights تخمین می‌زند که سه تولیدکننده بزرگ (NVIDIA، AMD و Intel) در سال 1402 3.85 میلیون پردازنده گرافیکی را به مراکز داده ارسال کردند که از حدود 2.67 میلیون در سال 2022 افزایش یافته است. انتظار می‌رود این تعداد در سال 1403 حتی با درصد بیشتری افزایش یابد. .

صنعت است روی بشیر می گوید، یک مسیر ناپایدار است، اما راه هایی برای تشویق توسعه مسئولانه هوش مصنوعی مولد که از اهداف زیست محیطی پشتیبانی می کند، وجود دارد.

او، اولیوتی و همکارانشان در MIT استدلال می‌کنند که این امر مستلزم بررسی جامع تمام هزینه‌های زیست‌محیطی و اجتماعی هوش مصنوعی مولد، و همچنین ارزیابی دقیق ارزش مزایای درک‌شده آن است.

ما به روشی متنی تر برای درک سیستماتیک و جامع پیامدهای تحولات جدید در این فضا نیاز داریم. اولیوتی می‌گوید: با توجه به سرعت پیشرفت‌ها، ما فرصتی برای رسیدن به توانایی‌های خود برای اندازه‌گیری و درک معاوضه‌ها نداشتیم.