Kaip dirbtinis intelektas veikia aplinką?

Kaip dirbtinis intelektas veikia aplinką?

Trumpas atsakymas: DI daugiausia veikia aplinką per elektros energijos naudojimą duomenų centruose (tiek mokymui, tiek kasdienėms išvadoms), taip pat vandens naudojimą aušinimui, taip pat įkūnytąjį techninės įrangos gamybos ir elektroninių atliekų poveikį. Jei naudojimas siekia milijardus užklausų, išvados gali nusverti mokymą; jei tinklai yra švaresni, o sistemos efektyvesnės, poveikis sumažėja, o nauda gali didėti.

Svarbiausios išvados:

Elektra : Stebėkite skaičiavimo naudojimą; išmetamųjų teršalų kiekis mažėja, kai darbo krūviai veikia švaresniuose tinkluose.

Vanduo : Aušinimo pasirinkimai keičia poveikį; vandeniu pagrįsti metodai yra svarbiausi regionuose, kuriuose išteklių trūksta.

Aparatinė įranga : lustai ir serveriai daro didelį poveikį aplinkai; reikia pailginti jų naudojimo laiką ir teikti pirmenybę atnaujinimui.

Atgavimas : efektyvumas gali padidinti bendrą paklausą; matuokite rezultatus, o ne tik kiekvienos užduoties pažangą.

Veiklos svertai : tinkamo dydžio modeliai, optimizuotos išvados ir skaidrios užklausų metrikos ataskaitos.

Kaip dirbtinis intelektas veikia aplinką? Infografika

Straipsniai, kuriuos galbūt norėsite perskaityti po šio:

🔗 Ar dirbtinis intelektas kenkia aplinkai?
Ištirkite dirbtinio intelekto anglies pėdsaką, elektros energijos suvartojimą ir duomenų centrų poreikius.

🔗 Kodėl dirbtinis intelektas kenkia visuomenei?
Atkreipkite dėmesį į šališkumą, darbo sutrikdymą, dezinformaciją ir didėjančią socialinę nelygybę.

🔗 Kodėl dirbtinis intelektas yra blogas? Tamsioji dirbtinio intelekto pusė
Supraskite tokias rizikas kaip stebėjimas, manipuliavimas ir žmogaus kontrolės praradimas.

🔗 Ar dirbtinis intelektas nuėjo per toli?
Diskusijos apie etiką, reguliavimą ir kur turėtų būti nubrėžtos inovacijų ribos.

Kaip dirbtinis intelektas veikia aplinką: trumpa apžvalga ⚡🌱

Jei prisimenate tik kelis punktus, atsiminkite šiuos:

Ir tada yra ta dalis, kurią žmonės pamiršta: mastelis . Viena dirbtinio intelekto užklausa gali būti maža, bet milijardai jų yra visai kas kita... kaip maža sniego gniūžtė, kuri kažkaip tampa sofos dydžio lavina. (Ši metafora šiek tiek netiksli, bet jūs supratote.) IEA: Energija ir dirbtinis intelektas

Dirbtinio intelekto poveikis aplinkai nėra vienas dalykas – tai visuma 🧱🌎

Kai žmonės ginčijasi apie dirbtinį intelektą ir tvarumą, jie dažnai kalba vienas apie kitą, nes rodo į skirtingus lygmenis:

1) Apskaičiuokite elektros energiją

2) Duomenų centro pridėtinės išlaidos

3) Vanduo ir šiluma

4) Aparatinės įrangos tiekimo grandinė

5) Elgesys ir atoveiksmio efektai

Taigi, kai kas nors klausia, kaip dirbtinis intelektas veikia aplinką, tiesus atsakymas yra: tai priklauso nuo to, kurį sluoksnį matuojate ir ką „DI“ reiškia toje situacijoje.

Mokymas ir išvados: skirtumas, kuris viską pakeičia 🧠⚙️

Žmonės mėgsta kalbėti apie mokymą, nes tai skamba dramatiškai – „vienas modelis naudojo X energijos“. Tačiau išvados yra tylus milžinas. IEA: energija ir dirbtinis intelektas

Mokymai (didelis statybų etapas)

Mokymai yra tarsi gamyklos statyba. Jūs mokate išankstines išlaidas: didelius skaičiavimus, ilgą veikimo laiką, daugybę bandymų ir klaidų metodu atliekamų paleidimų (ir taip, daugybę „oi, kas neveikė, bandyk dar kartą“ iteracijų). Mokymus galima optimizuoti, tačiau jie vis tiek gali būti nemažos apimties. IEA: energija ir dirbtinis intelektas.

Išvada (kasdienis vartojimas)

Išvada yra tarsi gamykla, veikianti kiekvieną dieną, visiems, dideliu mastu:

  • Pokalbių robotai atsako į klausimus

  • Vaizdo generavimas

  • Paieškos reitingas

  • Rekomendacijos

  • Kalbos į tekstą konvertavimas

  • Sukčiavimo aptikimas

  • Dokumentų ir kodo įrankių kopijos

Net jei kiekviena užklausa yra gana maža, naudojimo apimtis gali nustelbti mokymą. Tai klasikinė situacija „vienas šiaudelis yra niekis, milijonas šiaudelių – problema“. IEA: Energija ir dirbtinis intelektas

Maža pastaba – kai kurios dirbtinio intelekto užduotys yra daug sunkesnės nei kitos. Vaizdų ar ilgų vaizdo įrašų generavimas paprastai reikalauja daugiau energijos nei trumpų tekstų klasifikavimas. Taigi, „DI“ sumaišymas į vieną vietą yra panašus į dviračio palyginimą su krovininiu laivu ir abiejų pavadinimą „transportu“. IEA: Energija ir DI

Duomenų centrai: energija, aušinimas ir ta tyli vandens istorija 💧🏢

Duomenų centrai nėra naujiena, tačiau dirbtinis intelektas keičia jų intensyvumą. Didelio našumo greitintuvai gali sunaudoti daug energijos ankštose erdvėse, o tai virsta šiluma, kurią reikia valdyti. LBNL (2024): Jungtinių Valstijų duomenų centrų energijos suvartojimo ataskaita (PDF) IEA: Energija ir dirbtinis intelektas

Aušinimo pagrindai (supaprastinti, bet praktiški)

Štai kompromisas: kartais galite sumažinti elektros energijos suvartojimą pasirinkdami vandeniu pagrįstą vėsinimą. Priklausomai nuo vietos vandens trūkumo, tai gali būti gerai... arba tai gali būti tikra problema. Li ir kt. (2023): Kaip padaryti dirbtinį intelektą mažiau „ištroškusį“ (PDF)

Be to, aplinkosauginis pėdsakas labai priklauso nuo:

Atvirai kalbant: viešose diskusijose „duomenų centras“ dažnai traktuojamas kaip juodoji dėžė. Tai nėra blogis, tai nėra magija. Tai infrastruktūra. Ji elgiasi kaip infrastruktūra.

Lustai ir techninė įranga: dalis, kurią žmonės praleidžia, nes ji mažiau seksuali 🪨🔧

Dirbtinis intelektas egzistuoja aparatinėje įrangoje. Aparatinė įranga turi gyvavimo ciklą, o jo poveikis gali būti didelis. JAV EPA: Puslaidininkių pramonė . Tarptautinė telekomunikacijų sąjunga: Pasaulinis elektronikos atliekų monitorius 2024 m.

Kur pasireiškia poveikis aplinkai

Elektronikos atliekos ir „visiškai tvarkingi“ serveriai

Didelė žala aplinkai kyla ne dėl vieno esamo įrenginio – dėl ankstyvo jo pakeitimo, nes jis nebėra ekonomiškai efektyvus. Dirbtinis intelektas tai paspartina, nes našumo šuoliai gali būti dideli. Pagunda atnaujinti aparatinę įrangą yra reali. ITU: Pasaulinis elektronikos atliekų monitorius 2024 m.

Praktinis pastebėjimas: aparatinės įrangos tarnavimo laiko prailginimas, naudojimo gerinimas ir atnaujinimas gali būti tokie pat svarbūs, kaip ir bet koks įmantrus modelio pakeitimas. Kartais ekologiškiausias GPU yra tas, kurio neperkate. (Tai skamba kaip šūkis, bet taip pat... iš dalies tiesa.)

Kaip dirbtinis intelektas veikia aplinką: elgesio ciklas „žmonės tai pamiršta“ 🔁😬

Štai keista socialinė dalis: dirbtinis intelektas palengvina gyvenimą, todėl žmonės gali atlikti daugiau veiksmų. Tai gali būti nuostabu – didesnis produktyvumas, daugiau kūrybiškumo, daugiau galimybių. Tačiau tai taip pat gali reikšti didesnį bendrą išteklių naudojimą. OECD (2012 m.): Daugialypis energijos vartojimo efektyvumo patobulinimų pranašumas (PDF)

Pavyzdžiai:

  • Jei dirbtinis intelektas pigiai generuoja vaizdo įrašus, žmonės generuoja daugiau vaizdo įrašų.

  • Jei dirbtinis intelektas padarys reklamą efektyvesnę, bus rodoma daugiau skelbimų, bus sukurta daugiau įtraukimo ciklų.

  • Jei dirbtinis intelektas padarys siuntimo logistiką efektyvesnę, elektroninės prekybos plėtra gali būti dar sudėtingesnė.

Tai ne priežastis panikuoti. Tai priežastis vertinti rezultatus, o ne tik efektyvumą.

Netobula, bet smagi metafora: dirbtinio intelekto efektyvumas yra tarsi paaugliui duoti didesnį šaldytuvą – taip, maisto laikymo sąlygos pagerėja, bet kažkodėl po dienos šaldytuvas vėl tuščias. Ne tobula metafora, bet... matėte tai vykstant 😅

Privalumai: DI gali išties padėti aplinkai (kai jis nukreiptas teisingai) 🌿✨

O dabar apie tai, kas nepakankamai įvertinama: dirbtinis intelektas gali sumažinti išmetamųjų teršalų ir atliekų kiekį esamose sistemose, kurios... tiesą sakant, yra neelegantiškos. IEA: dirbtinis intelektas energijos optimizavimui ir inovacijoms

Sritys, kuriose dirbtinis intelektas gali padėti

Svarbus niuansas: dirbtinio intelekto „pagalba“ automatiškai nekompensuoja dirbtinio intelekto pėdsako. Tai priklauso nuo to, ar dirbtinis intelektas yra iš tikrųjų įdiegtas, iš tikrųjų naudojamas ir ar jis lemia realų mažinimą, o ne tik geresnius ataskaitų suvestines. Tačiau taip, potencialas yra realus. IEA: dirbtinis intelektas energijos optimizavimui ir inovacijoms.

Kas daro ekologišką dirbtinį intelektą gerą? ✅🌍

Tai yra skyrius „gerai, tai ką turėtume daryti“. Gera, aplinkai nekenksminga dirbtinio intelekto sistema paprastai turi:

Jei vis dar stebite, kaip dirbtinis intelektas veikia aplinką, tai yra momentas, kai atsakymas nustoja būti filosofinis ir tampa praktiškas: jis veikia aplinką remdamasis jūsų pasirinkimais.

Palyginimo lentelė: įrankiai ir metodai, kurie iš tikrųjų sumažina poveikį 🧰⚡

Žemiau pateikiama greita, praktiška lentelė. Ji nėra tobula, ir taip, kelios langeliai yra šiek tiek subjektyvūs... nes būtent taip ir veikia tikrasis įrankių pasirinkimas.

Įrankis / metodas Auditorija Kaina Kodėl tai veikia
Anglies / energijos stebėjimo bibliotekos (vykdymo laiko įverčiai) ML komandos Laisvas Suteikia matomumo – o tai jau pusė darbo, net jei įvertinimai yra šiek tiek migloti… CodeCarbon
Aparatinės įrangos energijos vartojimo stebėjimas (GPU/CPU telemetrija) Infraraudonųjų spindulių + ML Nemokama Matuoja realų suvartojimą; tinka lyginamiesiems važiavimams (neprabangus, bet auksinis)
Modelinis distiliavimas ML inžinieriai Nemokamai (laiko sąnaudos 😵) Mažesni studentų modeliai dažnai atitinka našumą su daug mažesnėmis išvadų išvedimo sąnaudomis Hinton ir kt. (2015): Žinių išgryninimas neuroniniame tinkle
Kvantavimas (mažesnio tikslumo išvada) ML + produktas Nemokama Sumažina delsą ir energijos sąnaudas; kartais su nedideliais kokybės kompromisais, kartais be jokių Gholami ir kt. (2021): Kvantavimo metodų apžvalga (PDF)
Talpyklos + paketinio apdorojimo išvados Produktas + platforma Nemokama Sumažina nereikalingą skaičiavimą; ypač patogu pasikartojantiems raginimams ar panašiems prašymams
Paieškos papildyta generacija (RAG) Programėlių komandos Mišrus Perkelia „atmintį“ į paiešką; gali sumažinti didelių kontekstinių langų poreikį Lewis ir kt. (2020): Atgavimo papildyta generacija
Darbo krūvių planavimas pagal anglies dioksido intensyvumą Infrastruktūra / operacijos Mišrus Lankstus darbas perkeliamas į švaresnius elektrinius langus – tam reikia koordinavimo Anglies dioksido intensyvumo API (GB)
Duomenų centro efektyvumo didinimas (panaudojimas, konsolidavimas) IT vadovybė Mokama (paprastai) Mažiausiai žavinga, bet dažnai didžiausia svirtis – nustokite eksploatuoti pusiau tuščias sistemas Žaliasis tinklas: PUE
Šilumos pakartotinio panaudojimo projektai Įranga Tai priklauso nuo Paverčia panaudotą šilumą verte; ne visada įmanoma, bet kai įmanoma, tai gana gražu
„Ar mums čia apskritai reikia dirbtinio intelekto?“ – patikrinkite Visi Nemokama Apsaugo nuo beprasmių skaičiavimų. Galingiausias optimizavimas yra pasakyti „ne“ (kartais)

Pastebėjai, ko trūksta? „Nusipirk stebuklingą žalią lipduką“. Tokio nėra 😬

Praktinis vadovas: kaip sumažinti dirbtinio intelekto poveikį nesunaikinus produkto 🛠️🌱

Jei kuriate arba perkate dirbtinio intelekto sistemas, pateikiame realią, praktiškai veikiančią seką:

1 veiksmas: pradėkite nuo matavimo

  • Stebėkite energijos suvartojimą arba nuosekliai jį įvertinkite. „CodeCarbon“: Metodologija

  • Matavimas kiekvienam mokymo ciklui ir kiekvienam išvados užklausimui.

  • Stebėkite išteklių naudojimą – nenaudojami ištekliai dažnai pasislėpia akyse. Žaliasis tinklas: PUE

2 veiksmas: tinkamo dydžio modelis pagal užduotį

  • Klasifikavimui, išskyrimui, maršrutizavimui naudokite mažesnius modelius.

  • Sunkųjį modelį pasilikite kietiems dėklams.

  • Apsvarstykite „modelių kaskadą“: pirmiausia mažas modelis, didesnis modelis tik prireikus.

3 veiksmas: optimizuokite išvadas (čia svarbiausia yra mastelio keitimas)

  • Talpykla : saugokite atsakymus į pakartotines užklausas (su kruopščia privatumo kontrole).

  • Paketinis apdorojimas : grupinės užklausos, siekiant pagerinti aparatinės įrangos efektyvumą.

  • Trumpesni rezultatai : ilgi rezultatai kainuoja brangiau – kartais rašinio net nereikia.

  • Raginimų drausmė : netvarkingi raginimai sukuria ilgesnius skaičiavimo kelius... ir, taip, daugiau žetonų.

4 veiksmas: pagerinkite duomenų higieną

Skamba kaip nesusiję, bet taip nėra:

  • Švaresni duomenų rinkiniai gali sumažinti perkvalifikavimo poreikį.

  • Mažiau triukšmo reiškia mažiau eksperimentų ir mažiau nereikalingų bandymų.

5 veiksmas: Su technine įranga elkitės kaip su turtu, o ne kaip su vienkartiniu daiktu

6 veiksmas: išmintingai pasirinkite diegimą

  • Dirbkite lanksčiai, kur energija yra švaresnė, jei įmanoma. Anglies dioksido intensyvumo API (GB)

  • Sumažinkite nereikalingą replikaciją.

  • Išlaikykite delsos tikslus realius (itin mažas delsos laikas gali priversti naudoti neefektyvius nuolatinio įjungimo nustatymus).

Ir taip… kartais geriausias žingsnis yra tiesiog: neautomatiškai paleisti didžiausio modelio kiekvienam vartotojo veiksmui. Šis įprotis yra aplinkosauginis atitikmuo, kaip palikti visas įjungtas šviesas, nes vaikščioti iki jungiklio erzina.

Paplitę mitai (ir kas arčiau tiesos) 🧠🧯

Mitas: „DI visada yra blogiau nei tradicinė programinė įranga“

Tiesa: Dirbtinis intelektas gali būti apkraunantis skaičiavimais, tačiau jis taip pat gali pakeisti neefektyvius rankinius procesus, sumažinti atliekas ir optimizuoti sistemas. Jis priklauso nuo situacijos. IEA: Dirbtinis intelektas energijos optimizavimui ir inovacijoms.

Mitas: „Mokymasis yra vienintelė problema“

Tiesa: Išvados dideliu mastu gali dominuoti laikui bėgant. Jei jūsų produktas sparčiai naudojamas, tai tampa pagrindine istorija. IEA: Energija ir dirbtinis intelektas

Mitas: „Atsinaujinantys energijos šaltiniai išsprendžia problemą akimirksniu“

Tiesa: Švaresnė elektra labai padeda, bet neišnykdo įrangos pėdsako, vandens sunaudojimo ar grįžimo efekto. Vis dėlto tai svarbu. IEA: Energija ir dirbtinis intelektas

Mitas: „Jei kas nors efektyvu, tai ir tvaru“

Tiesa: Efektyvumas be paklausos kontrolės vis tiek gali padidinti bendrą poveikį. Tai yra atoveiksmio spąstai. OECD (2012): Daugybinė energijos vartojimo efektyvumo patobulinimų nauda (PDF)

Valdymas, skaidrumas ir ne teatrališkumas 🧾🌍

Jei esate įmonė, tai yra vieta, kur kuriamas arba prarandamas pasitikėjimas.

Tai yra ta dalis, kai žmonės pavarto akis, bet tai svarbu. Atsakingas technologijų kūrimas – tai ne tik sumani inžinerija. Tai taip pat reiškia neapsimetinėti, kad kompromisų nėra.

Baigiamoji santrauka: glausta dirbtinio intelekto poveikio aplinkai apžvalga 🌎✅

Kaip DI veikia aplinką, priklauso nuo papildomos apkrovos: elektros, vandens (kartais) ir techninės įrangos poreikio. IEA: Energetika ir DI Li ir kt. (2023): Kaip padaryti DI mažiau „ištroškusį“ (PDF) Ji taip pat siūlo galingus įrankius, skirtus sumažinti išmetamųjų teršalų kiekį ir atliekas kituose sektoriuose. IEA: DI energijos optimizavimui ir inovacijoms Galutinis rezultatas priklauso nuo masto, tinklo švaros, efektyvumo pasirinkimų ir nuo to, ar DI sprendžia realias problemas, ar tiesiog kuria naujumą dėl naujumo. IEA: Energetika ir DI

Jei norite paprasčiausio praktinio paaiškinimo:

  • Išmatuoti.

  • Tinkamo dydžio.

  • Optimizuoti išvadas.

  • Prailginkite aparatūros tarnavimo laiką.

  • Būkite atviri dėl kompromisų.

O jei jaučiatės prislėgti, štai raminanti tiesa: maži, tūkstantį kartų pakartoti operatyviniai sprendimai dažniausiai pranoksta vieną didelį tvarumo teiginį. Panašiai kaip dantų valymas. Ne itin žavinga, bet veikia... 😄🪥

DUK

Kaip dirbtinis intelektas veikia aplinką kasdieniame naudojime, o ne tik didelėse tyrimų laboratorijose?

Didžioji dalis dirbtinio intelekto poveikio susidaro iš elektros energijos, kuri maitina duomenų centrus, kuriuose veikia GPU ir CPU tiek mokymo, tiek kasdienės „išvadų“ darymo metu. Viena užklausa gali būti nedidelė, tačiau dideliu mastu jos greitai kaupiasi. Poveikis taip pat priklauso nuo duomenų centro vietos, vietinio tinklo švaros ir infrastruktūros veikimo efektyvumo.

Ar dirbtinio intelekto modelio mokymas yra blogesnis aplinkai nei jo naudojimas (išvadų darymas)?

Mokymas gali būti didelis, išankstinis skaičiavimo procesas, tačiau išvados laikui bėgant gali tapti didesniu veiksniu, nes jos veikia nuolat ir dideliu mastu. Jei įrankį kasdien naudoja milijonai žmonių, pakartotinės užklausos gali nusverti vienkartines mokymo išlaidas. Štai kodėl optimizavimas dažnai sutelkia dėmesį į išvadų efektyvumą.

Kodėl dirbtinis intelektas naudoja vandenį ir ar tai visada yra problema?

Dirbtinis intelektas gali naudoti vandenį daugiausia dėl to, kad kai kurie duomenų centrai naudoja vandeniu pagrįstą aušinimą arba dėl to, kad vanduo suvartojamas netiesiogiai gaminant elektrą. Tam tikro klimato sąlygomis garuojantis aušinimas gali sumažinti elektros energijos suvartojimą ir padidinti vandens suvartojimą, taip sukuriant tikrą kompromisą. Ar tai „blogai“, priklauso nuo vietos vandens trūkumo, aušinimo projektavimo ir to, ar vandens naudojimas yra matuojamas ir valdomas.

Kokią dirbtinio intelekto poveikio aplinkai dalį sudaro techninė įranga ir elektronikos atliekos?

Dirbtinis intelektas priklauso nuo lustų, serverių, tinklo įrangos, pastatų ir tiekimo grandinių – tai reiškia kasybą, gamybą, transportavimą ir galiausiai utilizavimą. Puslaidininkių gamyba yra daug energijos reikalaujanti, o greiti atnaujinimo ciklai gali padidinti į aplinką išmetamų teršalų kiekį ir elektronikos atliekas. Pratęsus aparatinės įrangos tarnavimo laiką, atnaujinus ir pagerinus jos panaudojimą, galima gerokai sumažinti poveikį, kartais prilygstantį modelio lygio pokyčiams.

Ar atsinaujinančios energijos naudojimas išsprendžia dirbtinio intelekto poveikį aplinkai?

Švaresnė elektros energija gali sumažinti skaičiavimo išmetamų teršalų kiekį, tačiau ji nepanaikina kitų poveikių, tokių kaip vandens naudojimas, techninės įrangos gamyba ir elektronikos atliekos. Ji taip pat automatiškai neišsprendžia „atsigavimo efekto“, kai pigesni skaičiavimai lemia didesnį bendrą naudojimą. Atsinaujinantys energijos šaltiniai yra svarbus svertas, tačiau jie tėra viena iš išmetamųjų teršalų kiekio dalių.

Kas yra atšokio efektas ir kodėl jis svarbus dirbtiniam intelektui ir tvarumui?

Atgavimo efektas atsiranda tada, kai dėl padidėjusio efektyvumo kažkas atpiginama arba supaprastinama, todėl žmonės to daro daugiau – kartais sutaupytos lėšos dingsta. Naudojant dirbtinį intelektą, pigesnė gamyba ar automatizavimas gali padidinti bendrą turinio, skaičiavimo ir paslaugų paklausą. Štai kodėl praktinis rezultatų matavimas yra svarbesnis nei atskiras efektyvumo švęsimas.

Kokie yra praktiniai būdai sumažinti dirbtinio intelekto poveikį nepakenkiant produktui?

Įprastas metodas yra pradėti nuo matavimo (energijos ir anglies dioksido įvertinimai, panaudojimas), tada pritaikyti užduočiai tinkamo dydžio modelius ir optimizuoti išvadas naudojant kaupimą talpykloje, paketavimą ir trumpesnius rezultatus. Tokie metodai kaip kvantavimas, distiliavimas ir paieškos papildytas generavimas gali sumažinti skaičiavimo poreikius. Operaciniai pasirinkimai, tokie kaip darbo krūvio planavimas pagal anglies dioksido intensyvumą ir ilgesnis aparatinės įrangos tarnavimo laikas, dažnai duoda didelių laimėjimų.

Kaip dirbtinis intelektas gali padėti aplinkai, o ne jai pakenkti?

Dirbtinis intelektas gali sumažinti išmetamųjų teršalų kiekį ir atliekas, kai jis naudojamas optimizuoti realias sistemas: tinklo prognozavimą, paklausos valdymą, pastatų ŠVOK valdymą, logistikos maršrutų sudarymą, nuspėjamąją techninę priežiūrą ir nuotėkių aptikimą. Jis taip pat gali padėti stebėti aplinką, pavyzdžiui, teikti įspėjimus apie miškų naikinimą ir aptikti metaną. Svarbiausia yra tai, ar sistema keičia sprendimus ir sukuria išmatuojamą sumažėjimą, o ne tik geresnes ataskaitų suvestines.

Kokius rodiklius įmonės turėtų teikti, kad išvengtų dirbtinio intelekto „žaliojo plovimo“ teiginių?

Prasmingiau teikti ataskaitas apie kiekvienos užduoties ar užklausos metriką, o ne tik apie didelius bendrus skaičius, nes tai rodo efektyvumą vieneto lygmeniu. Energijos suvartojimo, anglies dioksido išmetimo įvertinimų, panaudojimo ir, jei taikoma, poveikio vandeniui stebėjimas sukuria aiškesnę atskaitomybę. Taip pat svarbu apibrėžti ribas (kas įskaičiuota) ir vengti neaiškių etikečių, tokių kaip „ekologiškas dirbtinis intelektas“, be kiekybinių įrodymų.

Nuorodos

  1. Tarptautinė energetikos agentūra (TEA) – Energija ir dirbtinis intelektas – iea.org

  2. Tarptautinė energetikos agentūra (TEA) – Dirbtinis intelektas energijos optimizavimui ir inovacijoms – iea.org

  3. Tarptautinė energetikos agentūra (TEA) – Skaitmeninimas – iea.org

  4. Lorenso Berklio nacionalinė laboratorija (LBNL) – Jungtinių Valstijų duomenų centro energijos suvartojimo ataskaita (2024 m.) (PDF) – lbl.gov

  5. Li ir kt. - Kaip dirbtinį intelektą padaryti mažiau „ištroškusį“ (2023 m.) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) – Skysčio aušinimo atsiradimas ir plėtra pagrindiniuose duomenų centruose (PDF) – ashrae.org

  7. Žaliasis tinklelis – PUE – išsamus metrikos tyrimas – thegreengrid.org

  8. JAV Energetikos departamentas (DOE) – FEMP – Aušinimo vandens efektyvumo galimybės federaliniams duomenų centrams – energy.gov

  9. JAV Energetikos departamentas (DOE) – FEMP – Energijos vartojimo efektyvumas duomenų centruose – energy.gov

  10. JAV Aplinkos apsaugos agentūra (EPA) – Puslaidininkių pramonė – epa.gov

  11. Tarptautinė telekomunikacijų sąjunga (ITU) – 2024 m. pasaulinis elektronikos atliekų monitorius – itu.int

  12. OECD – Daugybinė energijos vartojimo efektyvumo gerinimo nauda (2012 m.) (PDF) – oecd.org

  13. Anglies dioksido intensyvumo API (GB) – carbonintensity.org.uk

  14. imec - Lustų gamybos poveikio aplinkai mažinimas - imec-int.com

  15. UNEP – Kaip veikia MARS – unep.org

  16. „Global Forest Watch“ – GLAD įspėjimai apie miškų naikinimą – globalforestwatch.org

  17. Alano Turingo institutas – Dirbtinis intelektas ir autonominės sistemos biologinei įvairovei ir ekosistemų sveikatai vertinti – turing.ac.uk

  18. „CodeCarbon“ – Metodologija – mlco2.github.io

  19. Gholami ir kt. - Kvantavimo metodų apžvalga (2021 m.) (PDF) - arxiv.org

  20. Lewis ir kt. - Atgavimo papildyta karta (2020 m.) - arxiv.org

  21. Hinton ir kt. - Žinių išgryninimas neuroniniame tinkle (2015 m.) - arxiv.org

  22. „CodeCarbon“ – codecarbon.io

Raskite naujausią dirbtinį intelektą oficialioje dirbtinio intelekto asistentų parduotuvėje

Apie mus

Atgal į tinklaraštį