توسعه مدل‌های هوش مصنوعی عامل نادیده گرفته شده آب و هوایی است. دانشمندان کامپیوتر در دانشگاه کپنهاگ یک کتاب دستور العمل برای طراحی مدل‌های هوش مصنوعی ایجاد کرده‌اند که انرژی بسیار کمتری را بدون به خطر انداختن عملکرد مصرف می‌کنند. آنها استدلال می کنند که مصرف انرژی و ردپای کربن یک مدل باید یک معیار ثابت در طراحی و آموزش مدل های هوش مصنوعی باشد.
این واقعیت که مقادیر عظیمی انرژی برای حذف گوگل، صحبت با سیری، درخواست ChatGPT برای انجام کاری یا استفاده از هوش مصنوعی به هر معنا مورد نیاز است، به تدریج به یک دانش عمومی تبدیل شده است. یک مطالعه تخمین می‌زند که تا سال 2027، سرورهای هوش مصنوعی به اندازه آرژانتین یا سوئد انرژی مصرف می‌کنند. در واقع، تخمین زده می شود که یک پیام ChatGPT به طور متوسط به اندازه چهل شارژ تلفن همراه انرژی مصرف کند. محققان علوم کامپیوتر در دانشگاه کپنهاگ خاطرنشان می کنند، اما جامعه تحقیقاتی و صنعت هنوز نتوانسته اند توسعه مدل های هوش مصنوعی را که انرژی کارآمد و در نتیجه سازگارتر با آب و هوا هستند را در کانون توجه قرار دهند.
“امروزه، توسعه دهندگان به طور محدود بر روی ساخت مدل هایی با هوش مصنوعی متمرکز شده اند که از نظر دقت نتایج آنها موثر باشد. مثل این است که بگوییم یک ماشین موثر است زیرا شما را به سرعت به مقصد می رساند، بدون در نظر گرفتن میزان سوخت مصرفی. در نتیجه، مدل‌های هوش مصنوعی اغلب از نظر مصرف انرژی ناکارآمد هستند.”
اما مطالعه جدید، که او و پدرام بختیاری فرد، دانشجوی علوم کامپیوتر، دو تن از نویسندگان آن هستند، نشان می‌دهد که مهار مقدار زیادی از CO بسیار آسان است.2e بدون به خطر انداختن دقت یک مدل هوش مصنوعی. انجام این کار مستلزم در نظر گرفتن هزینه های آب و هوایی از مراحل طراحی و آموزش مدل های هوش مصنوعی است.
“اگر مدلی را با هم ترکیب کنید که از همان ابتدا انرژی کارآمد باشد، ردپای کربن را در هر مرحله از “چرخه عمر” مدل کاهش می دهید. سلوان می‌گوید که اغلب هفته‌ها یا ماه‌ها و همچنین کاربرد آن طول می‌کشد.
کتاب دستور العمل برای صنعت هوش مصنوعی
در مطالعه خود، محققان محاسبه کردند که برای آموزش بیش از 400000 چقدر انرژی لازم است شبکه عصبی کانولوشنال مدل‌های هوش مصنوعی – این کار بدون آموزش واقعی همه این مدل‌ها انجام شد. از جمله، شبکه های عصبی کانولوشنال برای تجزیه و تحلیل تصاویر پزشکی، برای ترجمه زبان و برای تشخیص اشیا و چهره استفاده می شود – عملکردی که ممکن است از برنامه دوربین گوشی هوشمند خود بدانید.
بر اساس محاسبات، محققان مجموعه معیاری از مدل‌های هوش مصنوعی را ارائه می‌کنند که انرژی کمتری برای حل یک کار معین مصرف می‌کنند، اما تقریباً در همان سطح عمل می‌کنند. این مطالعه نشان می‌دهد که با انتخاب انواع دیگر مدل‌ها یا با تنظیم مدل‌ها، می‌توان ۷۰ تا ۸۰ درصد صرفه‌جویی در مصرف انرژی را در مرحله آموزش و استقرار با کاهش عملکرد تنها ۱ درصد یا کمتر به دست آورد. و به گفته محققان، این یک تخمین محافظه کارانه است.
“نتایج ما را به عنوان یک کتاب دستور العمل برای متخصصان هوش مصنوعی در نظر بگیرید. دستور العمل ها فقط عملکرد الگوریتم های مختلف را توصیف نمی کنند، بلکه میزان کارآمدی آنها در مصرف انرژی را توصیف می کنند. و با تعویض یک عنصر با ماده دیگر در طراحی یک مدل، می توان پدرام بختیاری‌فرد می‌گوید: «در حال حاضر، تمرین‌کنندگان می‌توانند هم بر اساس عملکرد و هم بر اساس مصرف انرژی، مدل مورد نظر خود را انتخاب کنند.»
اغلب اوقات، بسیاری از مدل‌ها قبل از یافتن مدلی که مظنون به مناسب‌ترین برای حل یک کار خاص است، آموزش می‌بینند. این باعث می‌شود توسعه هوش مصنوعی بسیار انرژی بر باشد. بنابراین، انتخاب مدل مناسب سازگارتر با آب و هوا خواهد بود. از همان ابتدا، در حالی که یکی را انتخاب می کنید که در مرحله تمرین انرژی زیادی مصرف نمی کند.”
محققان تاکید می‌کنند که در برخی زمینه‌ها، مانند خودروهای خودران یا حوزه‌های خاصی از پزشکی، دقت مدل می‌تواند برای ایمنی حیاتی باشد. در اینجا، مهم است که در عملکرد به خطر نیفتید. با این حال، این نباید بازدارنده ای برای تلاش برای بهره وری انرژی بالا در حوزه های دیگر باشد.
“هوش مصنوعی پتانسیل شگفت انگیزی دارد. اما اگر بخواهیم توسعه هوش مصنوعی پایدار و مسئولانه را تضمین کنیم، به یک رویکرد جامع تر نیاز داریم که نه تنها عملکرد مدل را در ذهن داشته باشد، بلکه تاثیر آب و هوا را نیز در نظر داشته باشد. در اینجا، نشان می دهیم که می توان یک روش بهتر پیدا کرد. وقتی مدل‌های هوش مصنوعی برای کارهای مختلف توسعه می‌یابند، بهره‌وری انرژی باید یک معیار ثابت باشد – همانطور که در بسیاری از صنایع دیگر استاندارد است.»
“کتاب دستور العمل” که در این کار گردآوری شده است به عنوان یک مجموعه داده منبع باز برای سایر محققان در دسترس است تا با آن آزمایش کنند. اطلاعات مربوط به تمام این 423000 معماری در Github منتشر شده است که متخصصان هوش مصنوعی می توانند با استفاده از اسکریپت های ساده پایتون به آنها دسترسی داشته باشند.
محققان UCPH برآورد کردند که برای آموزش 429000 مدل زیرگروه هوش مصنوعی که به عنوان شبکه های عصبی کانولوشنال در این مجموعه داده شناخته می شوند، چقدر انرژی لازم است. از جمله این موارد برای تشخیص اشیا، ترجمه زبان و تجزیه و تحلیل تصویر پزشکی استفاده می شود.
تخمین زده می شود که تنها آموزش 429000 شبکه عصبی مورد بررسی به 263000 کیلووات ساعت نیاز دارد. این برابر با مقدار انرژی است که یک شهروند دانمارکی متوسط در طول 46 سال مصرف می کند. و یک کامپیوتر حدود 100 سال طول می کشد تا این آموزش را انجام دهد. نویسندگان این کار در واقع خودشان این مدل‌ها را آموزش نداده‌اند، بلکه آنها را با استفاده از یک مدل هوش مصنوعی دیگر تخمین زده‌اند و در نتیجه 99 درصد انرژی مصرف شده را صرفه‌جویی می‌کنند.
آموزش مدل های هوش مصنوعی انرژی زیادی مصرف می کند و در نتیجه CO2e زیادی منتشر می کند. این به دلیل محاسبات فشرده انجام شده در حین آموزش یک مدل است که معمولاً روی رایانه های قدرتمند اجرا می شود. این به ویژه برای مدل های بزرگ، مانند مدل زبانی که در پشت ChatGPT وجود دارد، صادق است. وظایف هوش مصنوعی اغلب در مراکز داده پردازش می شوند، که به مقدار قابل توجهی انرژی برای کارکردن و خنک نگه داشتن رایانه ها نیاز دارند. منبع انرژی برای این مراکز، که ممکن است به سوخت های فسیلی متکی باشند، بر ردپای کربن آنها تأثیر می گذارد.
