Czym jest zielona sztuczna inteligencja?

Zielona sztuczna inteligencja to praktyka polegająca na projektowaniu, szkoleniu, wdrażaniu i używaniu sztucznej inteligencji, której wyraźnym celem jest efektywność środowiskowa. Zadaje pytanie, jaką użyteczną wydajność zapewnia system sztucznej inteligencji w odniesieniu do wymaganej energii, emisji dwutlenku węgla, wody i sprzętu – a nie tylko jego dokładność i możliwości.

Termin ten nie oznacza, że produkt AI ma zerowy wpływ. Ani energia odnawialna, offset czy program sadzenia drzew nie czynią automatycznie modelu „zielonym”. Wiarygodne twierdzenie dotyczące zielonej sztucznej inteligencji identyfikuje granicę zadania i cyklu życia, mierzy lub szacuje wykorzystanie zasobów, ogranicza niepotrzebne obliczenia, wykorzystuje infrastrukturę o mniejszym wpływie i zgłasza to, co pozostaje niepewne. Rozważa się także, czy sztuczna inteligencja wytwarza wystarczającą wartość społeczną lub środowiskową, aby uzasadnić swój własny ślad.

Zielona sztuczna inteligencja zaczęła się od zmiany zachęt

Wpływowy artykuł z 2019 roku Zielona sztuczna inteligencja porównał pracę skupioną na wydajności z „czerwoną sztuczną inteligencją”: badaniami, które dążą do lepszych wyników, głównie poprzez zwiększenie mocy obliczeniowej. Jego autorzy argumentowali, że efektywność powinna stać się standardowym kryterium oceny obok dokładności, a badacze powinni zgłaszać koszt obliczeniowy lub finansowy swoich wyników.

Propozycja ta dotyczyła częściowo klimatu, a częściowo dostępu. Jeśli postęp wymaga coraz większych budżetów obliczeniowych, w projekcie może wziąć udział mniej uniwersytetów, małych firm i niezależnych badaczy. Skuteczne metody mogą obniżyć presję na środowisko i sprawić, że eksperymenty będą bardziej włączające.

Od tego czasu etykieta uległa poszerzeniu. Obecnie powszechnie obejmuje architekturę modelu, dane, sprzęt, działanie centrum danych, pozyskiwanie energii elektrycznej i sposób, w jaki ludzie korzystają z usług. Pierwotne spostrzeżenie pozostaje przydatne: możliwości bez mianownika zasobów dają niepełny obraz postępu.

Zmienia także to, co liczy się jako ulepszenie. Dopasowanie testu porównawczego przy mniejszej liczbie obliczeń może oznaczać znaczący postęp, nawet jeśli dokładność nagłówka nie ulegnie zmianie.

Zielona AI i AI dla zieleni są różne

Zielona sztuczna inteligencja zmniejsza ślad samej sztucznej inteligencji. „Sztuczna inteligencja na rzecz ekologii” wykorzystuje sztuczną inteligencję do osiągnięcia wyników środowiskowych, takich jak prognozowanie wytwarzania energii ze źródeł odnawialnych, wykrywanie wycieków metanu lub optymalizacja kontroli budynków. Projekt może należeć do dowolnej kategorii, obu lub żadnej.

Wydajny model językowy używany w reklamie jest nadal przykładem bardziej ekologicznych obliczeń, nawet jeśli ich celem nie jest ochrona środowiska. Dużym modelem stosowanym w badaniach klimatycznych może być sztuczna inteligencja na rzecz ekologii, ale nadal ma ona znaczący wpływ. Jej wartość netto zależy od tego, czy żądane świadczenie jest realne, dodatkowe i większe niż wykorzystane środki.

UNESCO Ramy sztucznej inteligencji i środowiska wykorzystuje obie osie: łagodzi negatywne skutki społeczno-środowiskowe sztucznej inteligencji i w razie potrzeby wykorzystuje sztuczną inteligencję w sposób etyczny, aby wspierać zrównoważony rozwój i odporność. Trzymanie ich oddzielnie zapobiega sytuacji, w której ewentualna korzyść staje się ogólną wymówką dla niezmierzonej konsumpcji.

W przypadku projektu „sztuczna sztuczna inteligencja na rzecz ekologii” porównanie powinno obejmować realistyczny poziom bazowy niezwiązany ze sztuczną inteligencją i wszelki efekt odbicia. Możliwe zastosowanie to nie to samo, co zmierzona oszczędność środowiska.

Granica wykracza poza energię elektryczną

Energia operacyjna jest najbardziej widoczną częścią zielonej sztucznej inteligencji, ale nie stanowi całego cyklu życia. Energia elektryczna wiąże się z emisjami, które różnią się w zależności od sieci i czasu. Centra danych mogą zużywać wodę bezpośrednio do chłodzenia i pośrednio poprzez wytwarzanie energii elektrycznej. Chipy, serwery i budynki wymagają surowców, produkcji i transportu, a ostatecznie stają się odpadami.

Należy również rozróżnić szkolenie i wnioskowanie. Trening to skoncentrowany proces, który tworzy model. Wnioskowanie ma miejsce za każdym razem, gdy przeszkolony model odpowiada, klasyfikuje lub generuje coś. Często używana usługa może skumulować duże zapotrzebowanie na wnioskowanie, nawet jeśli każda odpowiedź jest wydajna.

Wąskie szacunki na zapytanie mogą pomóc w porównaniu codziennych wyborów. Nie jest w stanie ustalić całkowitego wpływu usługi na środowisko. Praktyczny przewodnik po zrównoważonej sztucznej inteligencji pokazuje, jak zdefiniować granicę bez udawania, że znane są niedostępne dane.

Jeśli nie jest możliwa pełna inwentaryzacja, zespoły mogą raportować te warstwy osobno. Oddzielenie szacunków operacyjnych, ucieleśnionych i wodnych dostarcza więcej informacji niż łączenie niezgodnych dowodów w jeden precyzyjnie wyglądający wynik.

Wydajność ma kilka warstw

Na poziomie modelu programiści mogą korzystać z lepszych danych, mniejszych architektur, przycinania, kwantyzacji, destylacji i rzadkości. A mały model językowy może wystarczyć do ograniczonego zadania. A model mieszanki ekspertów może dla każdego tokena aktywować tylko wybrane części większej sieci.

Na poziomie obsługi nowoczesny sprzęt, wydajne jądra oprogramowania, przetwarzanie wsadowe i wysokie wykorzystanie mogą zmniejszyć zużycie energii na ukończone zadanie. Na poziomie aplikacji routing, buforowanie, ograniczony kontekst i rozsądne ograniczenia wyników zapobiegają niepotrzebnym wywołaniom. Na poziomie infrastruktury niskie koszty ogólne i energia elektryczna o niższej emisji dwutlenku węgla zmniejszają wpływ operacyjny.

Żadna z tych dźwigni nie gwarantuje mniejszego całkowitego wykorzystania. Jeśli w każdej interakcji z produktem zostanie umieszczona wydajna i tania sztuczna inteligencja, wzrost wolumenu może przekroczyć oszczędności na odpowiedź. Dlatego też zielona sztuczna inteligencja mierzy zarówno bezwzględne zużycie, jak i intensywność.

Projekt produktu należy do tej listy. Celowe wprowadzenie kosztownego trybu, buforowanie stabilnej odpowiedzi i usunięcie niepotrzebnej generacji może zaoszczędzić więcej niż optymalizacja wywołania modelu, która nigdy nie powinna była mieć miejsca.

Pomiar powinien następować po użytecznej pracy

Porównywanie modeli wyłącznie pod względem liczby parametrów lub odczytu mocy laboratoryjnej nie pozwala stwierdzić, czy rozwiązują zadanie. Mianownik powinien reprezentować użyteczny wynik: pomyślną klasyfikację, rozwiązany przypadek pomocy technicznej lub zaakceptowaną wersję roboczą. Licz ponowne próby i wywołania narzędzi oraz utrzymuj stałe wymagania dotyczące jakości i bezpieczeństwa.

Fundacja Zielonego Oprogramowania Specyfikacja intensywności emisji dwutlenku węgla w oprogramowaniu wyraża emisję oprogramowania na jednostkę funkcjonalną. Jego ramy obejmują energię, intensywność emisji dwutlenku węgla przez energię elektryczną oraz przydział emisji ze sprzętu wbudowanego. Co najważniejsze, przesunięcia nie obniżają wyniku; Robią to tylko zmiany, które zużywają mniej energii, mniej sprzętu lub energii elektrycznej o niższej emisji dwutlenku węgla.

Publiczne dane dotyczące sztucznej inteligencji są często niekompletne. Dostawcy nie mogą ujawniać dokładnego sprzętu, sposobu jego wykorzystania, lokalizacji obiektu ani mocy modelu. Szacunki pozostają przydatne, gdy wraz z wynikami towarzyszą założenia i wykluczenia. Fałszywa precyzja dostarcza mniej informacji niż uczciwy zakres.

Pomiary również wiek. Wersje modeli, sprzęt i ruch się zmieniają, dlatego odpowiedzialna ocena rejestruje jej datę i jest przeliczana, a nie staje się trwałym twierdzeniem marketingowym.

Twierdzenie dotyczące ekologii powinno przetrwać podstawowe pytania

Zapytaj, co okazało się bardziej efektywne, w porównaniu z którym punktem odniesienia i w jakim okresie. Sprawdź, czy rysunek obejmuje szkolenie, wnioskowanie, obciążenie centrum danych i sprzęt. W przypadku roszczeń za energię elektryczną należy rozróżnić sieć fizyczną od rocznego dopasowywania energii odnawialnej. W przypadku roszczeń z tytułu emisji dwutlenku węgla zapytaj, czy redukcje i kompensaty są wykazywane osobno.

Szukaj także kompromisów. Chłodzenie na sucho może zmniejszyć bezpośrednie zużycie wody, ale czasami zwiększa zapotrzebowanie na energię elektryczną. Nowy sprzęt może poprawić wydajność operacyjną, jednocześnie zwiększając wpływ na produkcję. Mały model może oszczędzać energię, ale powoduje więcej ponownych prób, jeśli nie jest wystarczający.

Treechat używa słowa „bardziej ekologiczny” jako kierunku, a nie etykiety o zerowym wpływie. Codzienne pytania są kierowane do mniejszych modeli, a każda odpowiedź otrzymuje ocenę opartą na modelu. Finansowanie drzewa jest zgłaszane osobno, a nie odejmowane od rachunku. Założenia, ograniczenia i aktualne czynniki leżą po naszej stronie strona metodologiczna.

Zielona sztuczna inteligencja to ostatecznie zdyscyplinowana inżynieria i uczciwa księgowość. Prosi zespoły o zapewnienie wymaganych korzyści przy mniejszej liczbie obliczeń, infrastrukturze o mniejszym wpływie i mniejszej liczbie nieobsługiwanych roszczeń, a także o ciągłe mierzenie w miarę wzrostu produktu i jego wykorzystania. Poszczególne osoby mogą zastosować ten sam pomysł, wykonując kolejne kroki jak zmniejszyć ślad węglowy AI.