Jak sztuczna inteligencja wpływa na środowisko?

Sztuczna inteligencja wpływa na środowisko poprzez komputery, centra danych i łańcuchy dostaw, które umożliwiają jej działanie. Modele treningowe i biegowe wykorzystują energię elektryczną. Chłodzenie może zużywać wodę. Produkcja chipów i obiekty budowlane wymagają materiałów, wody i energii. Powstała emisja dwutlenku węgla zależy w dużej mierze od sposobu wytwarzania energii elektrycznej.

Sztuczna inteligencja może również zmniejszyć szkody dla środowiska — na przykład prognozując energię odnawialną lub wykrywając wycieki metanu — ale te korzyści to konkretne wyniki, a nie darmowa przepustka dla każdego zastosowania sztucznej inteligencji. Rozmiar zajmowanego miejsca zmienia się radykalnie w zależności od modelu, zadania, czasu reakcji, sprzętu, lokalizacji i liczby użytkowników. Każda odpowiedź, która przypisuje „AI” jeden stały koszt środowiskowy, pomija ważny kontekst.

Wpływ zaczyna się od sprzętu

Zanim model zostanie wyszkolony, należy wykonać jego procesory. Produkcja półprzewodników to energochłonny i wodochłonny proces przemysłowy obejmujący ultraczystą wodę, chemikalia i złożone globalne łańcuchy dostaw. Serwery potrzebują również pamięci, pamięci masowej, sprzętu sieciowego i zasilania. Budynki dodają beton, stal i systemy chłodzenia.

Te ucieleśnione skutki są realne, ale trudne do wyrażenia w formie podpowiedzi. Procesor może trenować kilka modeli i obsługiwać wiele innych obciążeń przez lata. Podzielenie zasięgu produkcyjnego przez założoną liczbę odpowiedzi wymaga niepewnych wyborów dotyczących wykorzystania i czasu życia.

Dlatego większość publikowanych danych liczbowych „na zapytanie” dotyczy energii elektrycznej, a nie całego cyklu życia. Taka liczba może być nadal przydatna, jeśli granica jest wyraźna. Staje się mylące, gdy jest przedstawiane jako cały wpływ. Rzetelna ocena oddziela produkcję i konstrukcję od energii zużywanej podczas szkolenia lub obsługi modela.

Uczenie i wnioskowanie to różne zadania

Trening dostosowuje model przy użyciu dużych zbiorów danych i wielu powtarzanych obliczeń. Może zajmować klastry akceleratorów przez tygodnie lub miesiące. Wnioskowanie ma miejsce po treningu za każdym razem, gdy ktoś prosi model o sklasyfikowanie, przewidzenie lub wygenerowanie czegoś.

Szkolenia są skoncentrowane i łatwiejsze do zauważenia, ale popularne usługi mogą gromadzić znacznie więcej wniosków przez cały okres ich działania. Nie ma ustalonej reguły, która z nich jest większa: saldo zależy od przebiegów szkoleniowych, czasu życia modelu, dziennego ruchu i pracy wykonanej na każde żądanie.

Zadania generatywne również się różnią. Tworzenie krótkiego zdania, analiza długiego dokumentu i generowanie wideo nie są porównywalne. Badanie Przetwarzanie energochłonne zmierzył 1,000 wniosków dotyczących reprezentatywnych zadań i stwierdził, że generatywne systemy ogólnego przeznaczenia są znacznie bardziej energochłonne niż alternatywy przeznaczone do konkretnych zadań. Nie podaje stawki uniwersalnej, ale stanowi lekcję praktyczną: korzystaj z wyspecjalizowanych lub mniejszych systemów, jeśli mogą wykonać swoje zadanie.

Centra danych przekształcają obliczenia w zapotrzebowanie lokalne

Serwery pobierają energię elektryczną i uwalniają prawie całość w postaci ciepła. Centra danych muszą odprowadzać to ciepło, zachowując jednocześnie niezawodne zasilanie, sieć i pamięć masową. Chłodzenie, konwersja mocy i inny sprzęt pomocniczy zwiększają obciążenie wykraczające poza same procesory.

The Szacunki MAE wszystkie centra danych zużyły około 415 TWh w 2024 r., czyli około 1.5% światowej energii elektrycznej. Jego bazowy scenariusz wzrośnie do około 945 TWh w 2030 r., przy czym przyspieszone serwery powiązane głównie ze sztuczną inteligencją odpowiadają za prawie połowę wzrostu netto. Sumy te obejmują również obciążenia niezwiązane ze sztuczną inteligencją, dlatego nie należy ich ponownie oznaczać jako „elektryczność AI”.

Globalne akcje mogą ukryć lokalne napięcie. Klaster obiektów, w którym dostępne są grunty, sieci i połączenia sieciowe. Nowy kampus o dużej gęstości może znacząco wpłynąć na planowanie zasilania jednego regionu, nawet jeśli centra danych nadal stanowią niewielką część światowego zapotrzebowania. Nasz przegląd Wpływ AI na centra danych patrzy na ten kontekst lokalny.

Energia elektryczna wytwarza węgiel, ale nie w jednym tempie

Operacyjny ślad węglowy to energia pomnożona przez intensywność emisji energii elektrycznej. Intensywność różni się w zależności od kraju, regionu i godziny. Czystsze siatki zmniejszają to; sieci oparte na paliwach kopalnych zwiększają je.

Zakupy ze źródeł odnawialnych komplikują obraz. Firma może podpisać umowy dodające czystą generację lub kupić certyfikaty odpowiadające jej rocznemu zużyciu. Może to być cenne, ale różni się od udowodnienia, że ​​serwer był przez cały czas zasilany energią elektryczną bezemisyjną. Zarówno raportowanie oparte na lokalizacji, jak i na rynku może być uzasadnione, jeśli jest wyraźnie oznaczone.

IEA oczekuje, że w scenariuszu podstawowym odnawialne źródła energii pokryją prawie połowę wzrostu dostaw energii elektrycznej do centrów danych do 2030 r. Oczekuje również, że gaz ziemny i węgiel łącznie pokryją ponad 40% dodatkowej podaży w tym okresie. Z tej mieszanej perspektywy wynika, że ​​„sztuczna inteligencja wykorzystuje odnawialne źródła energii” i „sztuczna inteligencja wykorzystuje paliwa kopalne” mogą wybrać prawdziwy fragment, pomijając system.

Zużycie wody ma dwie warstwy

Centra danych mogą zużywać wodę bezpośrednio, gdy systemy chłodzenia odparowują ją, aby odrzucić ciepło. Mogą również powodować pośredni ślad wodny, ponieważ niektóre elektrownie zużywają wodę podczas wytwarzania energii elektrycznej. Obiekt wykorzystujący suche chłodzenie może obniżyć zużycie na miejscu, zużywając jednocześnie więcej energii elektrycznej, tworząc kompromis, a nie bezpłatną obniżkę.

Laboratorium Berkeley Raport dotyczący centrów danych w USA modele projektów chłodniczych, energii elektrycznej i scenariuszy na przyszłość. Jego wyniki różnią się w zależności od rodzaju obiektu i pokazują, dlaczego średnia krajowa nie jest w stanie opisać konkretnego miejsca.

Pogoda też ma znaczenie. Chłodzenie może zużywać więcej wody w upalny dzień, podczas gdy miks energii elektrycznej zmienia się z godziny na godzinę. Niedobór wody sprawia, że ​​litr w suchym basenie ma większe znaczenie niż litr w regionie zasobnym w wodę. Pytanie „Jak sztuczna inteligencja wykorzystuje wodę?” dlatego wymaga lokalizacji i czasu, a nie tylko globalnego wolumenu.

Korzyści środowiskowe sztucznej inteligencji wymagają alternatywnych rozwiązań

Sztuczną inteligencję wykorzystuje się w prognozowaniu pogody, przewidywaniu zapotrzebowania na energię elektryczną, integracji odnawialnych źródeł energii, kontroli przemysłowej i wykrywaniu wycieków. The katalogi IEA sposobów, w jakie te zastosowania mogą ulepszyć systemy energetyczne. Są też koszty: czujniki, sieci, modele i zmiany zachowań.

Aby zdecydować, czy aplikacja pomoże, porównaj ją z tym, co stałoby się w innym przypadku. Zmierz unikniętą energię, emisję lub odpady, odejmij ślad systemu i monitoruj wyniki po wdrożeniu. Nie licz możliwości laboratoryjnych jako uzyskanych oszczędności.

Na uwagę zasługują efekty odbicia. Efektywność może sprawić, że działanie będzie tańsze i zachęci do jego częstszego podejmowania. Optymalizacja zmniejszająca zużycie energii na jedno zadanie może w dalszym ciągu towarzyszyć wyższemu całkowitemu zużyciu. Nie oznacza to, że efektywność jest bezcelowa; oznacza to, że skutki jednostkowe i całkowite należy zgłaszać łącznie. Przeczytaj czy sztuczna inteligencja może być dobra dla środowiska jako pytanie dowodowe, a nie jako etykieta.

Jak zmniejszyć wpływ swojego użytkowania

Użyj najmniej wymagającego obliczeniowo narzędzia, które rzetelnie rozwiąże zadanie. Kalkulator, wynik wyszukiwania lub lokalna reguła mogą pokonać ogólny model. Do pracy ze sztuczną inteligencją preferuj mały, wydajny model; skupiaj uwagę na dokumentach i historii rozmów; unikać niepotrzebnej regeneracji; oraz rezerwuj zdjęcia, filmy i długie uzasadnienia dla uzasadnionych przypadków.

Zapytaj dostawców o granice i niepewność. Czy liczba obejmuje tylko energię elektryczną akceleratora, całe centrum danych, wodę, wbudowany sprzęt lub szkolenia? Czy jest to mierzone, modelowane czy uśredniane? Nasz metodologia mówi Treechat wpływy na wiadomość są szacunkami operacyjnymi opartymi na modelu. Nie są to bezpośrednie pomiary ani oświadczenia dotyczące pełnego cyklu życia.

Ostatecznie wpływ sztucznej inteligencji na środowisko jest kwestią systemową. Indywidualne wybory wpływają na popyt, a dostawcy określają architekturę modelu, wykorzystanie sprzętu, lokalizację obiektu i ujawnianie informacji. Polityka kształtuje dostawy energii elektrycznej, pozwolenia na wodę i raportowanie. Lepsze decyzje wymagają wszystkich trzech poziomów i odmowy przekształcania niepełnych liczb w pewność.