Wat is groene AI?

Groene AI is de praktijk van het ontwerpen, trainen, inzetten en gebruiken van kunstmatige intelligentie met milieu-efficiëntie als expliciet doel. Er wordt gevraagd hoeveel nuttige prestaties een AI-systeem levert voor de energie, koolstof, water en hardware die het nodig heeft – en niet alleen hoe nauwkeurig of capabel het is.

De term betekent niet dat een AI-product geen enkele impact heeft. Ook duurzame elektriciteit, compensatie of een boomplantprogramma maken een model niet automatisch ‘groen’. Een geloofwaardige groene AI-claim identificeert de taak- en levenscyclusgrens, meet of schat het gebruik van hulpbronnen, vermindert onnodige berekeningen, maakt gebruik van infrastructuur met een lagere impact en rapporteert wat onzeker blijft. Er wordt ook gekeken of de AI voldoende sociale of ecologische waarde produceert om zijn eigen voetafdruk te rechtvaardigen.

Groene AI begon als een verandering in prikkels

Het invloedrijke artikel uit 2019 Groene AI contrasterend op efficiëntie gericht werk met “Red AI”: onderzoek dat betere resultaten nastreeft, voornamelijk door het vergroten van de rekenkracht. De auteurs ervan betoogden dat efficiëntie naast nauwkeurigheid een standaard evaluatiecriterium zou moeten worden, en dat onderzoekers de computationele of financiële kosten van hun resultaten zouden moeten rapporteren.

Dat voorstel ging deels over klimaat en deels over toegang. Als vooruitgang steeds grotere rekenbudgetten vereist, kunnen minder universiteiten, kleine bedrijven en onafhankelijke onderzoekers meedoen. Efficiënte methoden kunnen de milieudruk verlagen en experimenten inclusiever maken.

Het label is sindsdien verbreed. Het omvat nu doorgaans modelarchitectuur, data, hardware, datacenteroperaties, elektriciteitsvoorziening en de manier waarop mensen een dienst gebruiken. Het oorspronkelijke inzicht blijft bruikbaar: capaciteiten zonder de noemer van hulpbronnen geven een onvolledig beeld van de vooruitgang.

Het verandert ook wat als een verbetering geldt. Het matchen van een benchmark met minder rekenkracht kan een zinvolle vooruitgang zijn, zelfs als de nauwkeurigheid van de kop niet verandert.

Groene AI en AI voor groen zijn verschillend

Groene AI verkleint de voetafdruk van AI zelf. “AI for green” gebruikt AI om een ​​milieuresultaat na te streven, zoals het voorspellen van hernieuwbare energieopwekking, het opsporen van methaanlekken of het optimaliseren van gebouwcontroles. Een project kan tot een van beide categorieën behoren, beide of geen van beide.

Een efficiënt taalmodel dat voor reclame wordt gebruikt, is nog steeds een voorbeeld van groenere berekeningen, ook al is het doel ervan niet milieuvriendelijk. Een groot model dat voor klimaatonderzoek wordt gebruikt, kan AI voor groen zijn, maar toch een aanzienlijke voetafdruk hebben. De nettowaarde ervan hangt af van de vraag of het geclaimde voordeel reëel, aanvullend en groter is dan de gebruikte middelen.

UNESCO's AI en milieuraamwerk gebruikt beide assen: de negatieve sociaal-ecologische effecten van AI verzachten en AI waar nodig ethisch gebruiken om duurzaamheid en veerkracht te ondersteunen. Door ze gescheiden te houden, voorkom je dat een mogelijk voordeel een algeheel excuus wordt voor ongemeten consumptie.

Voor een AI-voor-groen-project moet de vergelijking een realistische niet-AI-basislijn en een eventueel rebound-effect omvatten. Een mogelijke toepassing is niet hetzelfde als een gemeten milieubesparing.

De grens reikt verder dan elektriciteit

Operationele energie is het meest zichtbare onderdeel van groene AI, maar beslaat niet de hele levenscyclus. Elektriciteit brengt emissies met zich mee die per elektriciteitsnet en tijd variëren. Datacenters kunnen water direct verbruiken voor koeling en indirect via de opwekking van elektriciteit. Chips, servers en gebouwen vereisen grondstoffen, productie en transport en worden uiteindelijk afval.

Er moet ook onderscheid worden gemaakt tussen training en gevolgtrekking. Training is een geconcentreerd proces dat een model creëert. Er vindt inferentie plaats wanneer het getrainde model iets antwoordt, classificeert of genereert. Een intensief gebruikte service kan een grote vraag naar gevolgtrekkingen opleveren, zelfs als elk antwoord efficiënt is.

Een beperkte schatting per zoekopdracht kan helpen bij het vergelijken van dagelijkse keuzes. Het kan niet de volledige milieu-impact van een dienst vaststellen. Een praktische gids voor duurzame AI laat zien hoe je een grens kunt definiëren zonder te doen alsof niet-beschikbare gegevens bekend zijn.

Teams kunnen deze lagen afzonderlijk rapporteren wanneer een volledige inventarisatie niet mogelijk is. Het scheiden van operationele, belichaamde en waterschattingen is informatiever dan het samenvoegen van onverenigbaar bewijsmateriaal tot één nauwkeurig ogende score.

Efficiëntie bestaat uit verschillende lagen

Op modelniveau kunnen ontwikkelaars betere data, kleinere architecturen, snoeien, kwantisering, destillatie en spaarzaamheid gebruiken. EEN klein taalmodel kan voldoende zijn voor een beperkte taak. EEN mix-of-experts-model kan voor elk token alleen geselecteerde delen van een groter netwerk activeren.

Op bedieningsniveau kunnen moderne hardware, efficiënte softwarekernels, batching en een hoog gebruik de energie per voltooide taak verminderen. Op applicatieniveau voorkomen routing, caching, beperkte context en verstandige uitvoerlimieten onnodige oproepen. Op infrastructuurniveau verminderen overheadkosten met laag energieverbruik en elektriciteit met een lagere CO2-uitstoot de operationele impact.

Geen van deze hefbomen garandeert een lager totaalgebruik. Als efficiënte, goedkope AI in elke productinteractie wordt geplaatst, kan de volumegroei groter zijn dan de besparingen per antwoord. Groene AI meet dus zowel het absolute verbruik als de intensiteit.

Productontwerp hoort in deze lijst thuis. Door bewust een dure modus te kiezen, een stabiel antwoord in de cache op te slaan en een onnodige generatie te verwijderen, kan meer worden bespaard dan het optimaliseren van een modeloproep die nooit had mogen plaatsvinden.

Meting moet nuttig werk volgen

Door modellen alleen te vergelijken op basis van het aantal parameters of een laboratoriumvermogensmeting, wordt gemist of ze de taak oplossen. De noemer moet nuttige output vertegenwoordigen: een succesvolle classificatie, een opgeloste support case of een geaccepteerd concept. Tel nieuwe pogingen en tooloproepen en houd de kwaliteits- en veiligheidseisen constant.

De Green Software Foundation Software Carbon Intensity-specificatie drukt software-emissies uit per functionele eenheid. Het raamwerk omvat energie, de koolstofintensiteit van elektriciteit en een toewijzing voor belichaamde hardware-emissies. Cruciaal is dat compensaties de score niet verlagen; alleen veranderingen die minder energie, minder hardware of koolstofarme elektriciteit verbruiken, doen dat.

Publieke AI-data zijn vaak onvolledig. Providers mogen de exacte hardware, het gebruik, de locatie van de faciliteit of het modelvermogen niet bekendmaken. Schattingen blijven nuttig wanneer aannames en uitsluitingen met het resultaat meereizen. Valse precisie is minder informatief dan een eerlijk bereik.

Afmetingen ook leeftijd. Modelversies, hardware en verkeer veranderen, dus een verantwoorde beoordeling registreert de datum en wordt herberekend in plaats van een permanente marketingclaim te worden.

Een groene claim moet fundamentele vragen overleven

Vraag wat efficiënter is geworden, vergeleken met welke basislijn en over welke periode. Controleer of het cijfer betrekking heeft op training, gevolgtrekking, overhead van het datacenter en hardware. Maak voor elektriciteitsclaims onderscheid tussen het fysieke net en de jaarlijkse hernieuwbare matching. Vraag bij CO2-claims of reducties en compensaties afzonderlijk worden weergegeven.

Zoek ook naar afwegingen. Droge koeling kan het directe waterverbruik verminderen, maar soms ook de vraag naar elektriciteit vergroten. Nieuwe hardware kan de operationele efficiëntie verbeteren en tegelijkertijd de impact op de productie vergroten. Een klein model kan energie besparen, maar meer nieuwe pogingen veroorzaken als het niet capabel genoeg is.

Treechat hanteert ‘groener’ als richting, en niet een ‘zero-impact’-label. Alledaagse vragen worden doorgestuurd naar kleinere modellen en elk antwoord krijgt een op modellen gebaseerde schatting. De boomfinanciering wordt afzonderlijk gerapporteerd en niet van de ontvangst afgetrokken. De aannames, beperkingen en huidige factoren zijn aan ons methodologie pagina.

Groene AI betekent uiteindelijk gedisciplineerde engineering en eerlijke boekhouding. Het vraagt ​​teams om het vereiste voordeel te leveren met minder rekenwerk, een infrastructuur met een lagere impact en minder niet-ondersteunde claims – en om te blijven meten naarmate het product en het gebruik ervan groeien. Individuen kunnen hetzelfde idee toepassen via de stappen in hoe u uw AI-koolstofvoetafdruk kunt verkleinen.