Miten tekoäly vaikuttaa ympäristöön?

Miten tekoäly vaikuttaa ympäristöön?

Lyhyt vastaus: Tekoäly vaikuttaa ympäristöön pääasiassa datakeskusten sähkönkulutuksen (sekä koulutuksen että arkipäivän päättelyn) kautta, jäähdytysveden lisäksi myös laitteiston valmistuksen ja elektroniikkajätteen ruumiillistettujen vaikutusten kautta. Jos käyttö skaalautuu miljardeihin kyselyihin, päättely voi olla tärkeämpää kuin koulutus; jos verkot ovat puhtaampia ja järjestelmät tehokkaita, vaikutukset vähenevät, kun taas hyödyt voivat kasvaa.

Keskeiset tiedot:

Sähkö : Seuraa laskennan käyttöä; päästöt vähenevät, kun työkuormat suoritetaan puhtaammissa verkoissa.

Vesi : Jäähdytysvalinnat muuttavat vaikutuksia; vesipohjaiset menetelmät ovat merkittävimpiä niukoilla alueilla.

Laitteisto : Siruilla ja palvelimilla on merkittäviä sisäisiä vaikutuksia; pidennä niiden käyttöikää ja priorisoi kunnostamista.

Rebound : Tehokkuus voi nostaa kokonaiskysyntää; mittaa tuloksia, ei vain tehtäväkohtaisia ​​hyötyjä.

Toiminnalliset vivut : Oikean kokoiset mallit, päättelyn optimointi ja pyyntökohtaisten mittareiden läpinäkyvä raportointi.

Miten tekoäly vaikuttaa ympäristöön? Infografiikka

Artikkelit, joita saatat haluta lukea tämän jälkeen:

🔗 Onko tekoäly haitallista ympäristölle?
Tutustu tekoälyn hiilijalanjälkeen, sähkönkulutukseen ja datakeskusten vaatimuksiin.

🔗 Miksi tekoäly on haitallista yhteiskunnalle?
Tarkastele ennakkoluuloja, työpaikkojen häiriintymistä, väärää tietoa ja sosiaalisen eriarvoisuuden kasvua.

🔗 Miksi tekoäly on pahasta? Tekoälyn pimeä puoli
Ymmärrä riskit, kuten valvonta, manipulointi ja ihmisen hallinnan menetys.

🔗 Onko tekoäly mennyt liian pitkälle?
Keskusteluja etiikasta, sääntelystä ja innovaatioiden rajoista.

Miten tekoäly vaikuttaa ympäristöön: lyhyt katsaus ⚡🌱

Jos muistat vain muutaman asian, niin nämä ovat:

Ja sitten on se osa, jonka ihmiset unohtavat: skaalautuvuus . Yksi tekoälykysely voi olla pieni, mutta miljardit niistä ovat aivan eri asia... kuin pieni lumipallo, josta jotenkin tulee sohvan kokoinen lumivyöry. (Tuo vertauskuva on hieman pielessä, mutta ymmärrät varmaan.) IEA: Energia ja tekoäly

Tekoälyn ympäristöjalanjälki ei ole yksi asia - se on kokonaisuus 🧱🌎

Kun ihmiset väittelevät tekoälystä ja kestävyydestä, he usein puhuvat toistensa ohi, koska he osoittavat eri tasoihin:

1) Laske sähkö

  • Suurten mallien kouluttaminen voi vaatia suuria klustereita suorittamaan kovaa vauhtia pitkiä aikoja. IEA: Energia ja tekoäly

  • Päättely (jokapäiväinen käyttö) voi ajan myötä tulla yhä tärkeämmäksi tekijäksi, koska sitä tapahtuu jatkuvasti ja kaikkialla. IEA: Energia ja tekoäly

2) Datakeskuksen yleiskustannukset

3) Vesi ja lämpö

4) Laitteiston toimitusketju

5) Käyttäytyminen ja rebound-vaikutukset

Joten kun joku kysyy, miten tekoäly vaikuttaa ympäristöön, suora vastaus on: se riippuu siitä, mitä tasoa mitataan ja mitä ”tekoäly” tarkoittaa kyseisessä tilanteessa.

Koulutus vs. päättely: ero, joka muuttaa kaiken 🧠⚙️

Ihmiset rakastavat puhua koulutuksesta, koska se kuulostaa dramaattiselta – ”yksi malli käytti X energiaa”. Mutta päättely on hiljainen jättiläinen. IEA: Energia ja tekoäly

Harjoittelu (iso rakennustyö)

Koulutus on kuin tehtaan rakentamista. Maksat etukäteen: raskaan laskentatehon, pitkät suoritusajat, paljon kokeiluja ja erehdyksiä (ja kyllä, paljon "hups, mikä ei toiminut, yritä uudelleen" -iteraatioita). Koulutusta voidaan optimoida, mutta se voi silti olla huomattavan tehokasta. IEA: Energia ja tekoäly

Päättely (päivittäinen käyttö)

Päättely on kuin tehdas, joka pyörii joka päivä, kaikille, skaalautuvasti:

  • Chatbotit vastaavat kysymyksiin

  • Kuvan luominen

  • Hakutulosten sijoitus

  • Suositukset

  • Puheesta tekstiksi

  • Petosten havaitseminen

  • Dokumenttien ja koodityökalujen apupilotit

Vaikka jokainen pyyntö olisi suhteellisen pieni, käyttömäärä voi tehdä koulutuksesta merkityksettömän. Kyseessä on klassinen tilanne, jossa yksi oljenkorsi on ei mitään, miljoona oljenkortta on ongelma. IEA: Energia ja tekoäly

Pieni huomio – jotkut tekoälytehtävät ovat paljon raskaampia kuin toiset. Kuvien tai pitkien videoiden luominen on yleensä energiaa kuluttavampaa kuin lyhyiden tekstien luokittelu. Joten "tekoälyn" niputtaminen samaan lokeroon on vähän kuin polkupyörän vertaaminen rahtialukseen ja molempien kutsuminen "kuljetukseksi". IEA: Energia ja tekoäly

Datakeskukset: sähkö, jäähdytys ja se hiljainen vesitarina 💧🏢

Datakeskukset eivät ole uusia, mutta tekoäly muuttaa niiden intensiteettiä. Tehokkaat kiihdyttimet voivat vetää paljon tehoa ahtaissa tiloissa, mikä muuttuu lämmöksi, jota on hallittava. LBNL (2024): Yhdysvaltojen datakeskusten energiankäyttöraportti (PDF) IEA: Energia ja tekoäly

Jäähdytyksen perusteet (yksinkertaistettu, mutta käytännöllinen)

Siinäpä kompromissi: sähkönkulutusta voi joskus vähentää turvautumalla vesipohjaiseen jäähdytykseen. Paikallisesta veden niukkuudesta riippuen se voi olla ihan ok... tai se voi olla todellinen ongelma. Li et al. (2023): Tekoälyn vähentäminen janoiseksi (PDF)

Ympäristöjalanjälki riippuu myös suuresti:

Rehellisesti sanottuna: julkisessa keskustelussa "datakeskusta" kohdellaan usein kuin mustaa laatikkoa. Se ei ole paha, se ei ole maaginen. Se on infrastruktuuria. Se käyttäytyy kuin infrastruktuuri.

Sirut ja laitteisto: osa, jonka ihmiset ohittavat, koska se on vähemmän seksikästä 🪨🔧

Tekoäly elää laitteiston varassa. Laitteistolla on elinkaari, ja sen elinkaaren vaikutukset voivat olla suuria. Yhdysvaltain ympäristönsuojeluvirasto: Puolijohdeteollisuus ITU: The Global E-waste Monitor 2024

Missä ympäristövaikutukset näkyvät

Elektroniikkajäte ja "täysin kunnossa" olevat palvelimet

Suuri osa ympäristöhaitoista ei johdu yhdestä olemassa olevasta laitteesta, vaan sen korvaamisesta ennenaikaisesti, koska se ei ole enää kustannustehokasta. Tekoäly kiihdyttää tätä, koska suorituskyvyn parannukset voivat olla suuria. Kiusaus laitteiston päivittämiseen on todellinen. ITU: The Global E-waste Monitor 2024

Käytännön vinkki: laitteiston käyttöiän pidentäminen, käyttöasteen parantaminen ja kunnostus voivat olla yhtä tärkeitä kuin mikä tahansa hieno mallin säätö. Joskus ympäristöystävällisin näytönohjain on se, jota ei osta. (Se kuulostaa iskulauseelta, mutta se on myös... tavallaan totta.)

Miten tekoäly vaikuttaa ympäristöön: "ihmiset unohtavat tämän" -käyttäytymissilmukka 🔁😬

Tässä tulee kiusallinen sosiaalinen puoli: tekoäly helpottaa asioita, joten ihmiset tekevät enemmän asioita. Se voi olla hienoa – enemmän tuottavuutta, enemmän luovuutta, enemmän mahdollisuuksia. Mutta se voi myös tarkoittaa suurempaa resurssien kokonaiskäyttöä. OECD (2012): Energiatehokkuuden parannusten moninaiset hyödyt (PDF)

Esimerkkejä:

  • Jos tekoäly tekee videoiden tuottamisesta halpaa, ihmiset tuottavat enemmän videota.

  • Jos tekoäly tehostaa mainontaa, mainoksia näytetään enemmän ja sitoutumissilmukoita on enemmän.

  • Jos tekoäly tehostaa toimituslogistiikkaa, verkkokaupan skaalautuminen voi olla entistä vaikeampaa.

Tämä ei ole syy paniikkiin. Se on syy mitata tuloksia, ei vain tehokkuutta.

Epätäydellinen mutta hauska metafora: tekoälyn tehokkuus on kuin teini-ikäiselle annettaisiin isompi jääkaappi – kyllä, ruoan säilytys paranee, mutta jotenkin jääkaappi on taas tyhjä päivän päästä. Ei täydellinen metafora, mutta… olet nähnyt sen tapahtuvan 😅

Hyvä puoli: Tekoäly voi aidosti auttaa ympäristöä (kun se on suunnattu oikein) 🌿✨

Sitten siihen osaan, jota aliarvioidaan: tekoäly voi vähentää päästöjä ja jätettä olemassa olevissa järjestelmissä, jotka ovat… rehellisesti sanottuna tyylikkäitä. IEA: Tekoäly energian optimointiin ja innovointiin

Alueet, joilla tekoäly voi auttaa

Tärkeä vivahde: ​​Tekoälyn "apu" ei automaattisesti kompensoi tekoälyn jalanjälkeä. Se riippuu siitä, otetaanko tekoäly todella käyttöön, käytetäänkö sitä todella ja johtaako se todellisiin vähennyksiin pelkkien parempien koontinäyttöjen sijaan. Mutta kyllä, potentiaali on todellinen. IEA: Tekoäly energian optimointiin ja innovointiin

Mikä tekee ympäristöystävällisestä tekoälystä hyvän version? ✅🌍

Tämä on "okei, mitä meidän pitäisi tehdä" -osio. Hyvässä ympäristövastuullisessa tekoälyasetelmassa on yleensä:

  • Selkeä käyttötapausarvo : Jos malli ei muuta päätöksiä tai tuloksia, se on vain hienostunutta laskentaa.

  • Sisäänrakennettu mittaus : Energiaa, hiilidioksidipäästöjä, käyttöastetta ja tehokkuusmittareita seurataan kuten mitä tahansa muuta KPI:tä. CodeCarbon: Metodologia

  • Oikean kokoiset mallit : Käytä pienempiä malleja, kun pienemmät mallit toimivat. Tehokkuus ei ole moraalinen epäonnistuminen.

  • Tehokas päättelysuunnittelu : välimuistiin tallennus, eräajoittaminen, kvantisointi, haku ja hyvät kehotemallit. Gholami ym. (2021): Kvantisointimenetelmien tutkimus (PDF) Lewis ym. (2020): Haulla laajennettu generointi

  • Laitteisto- ja sijaintitietoisuus : suorita työkuormia siellä, missä sähköverkko on puhtaampi ja infrastruktuuri tehokas (kun se on mahdollista). Hiili-intensiteetti-API (GB)

  • Pidempi laitteiston käyttöikä : maksimoi käyttöaste, uudelleenkäyttö ja kunnostaminen. ITU: The Global E-waste Monitor 2024

  • Suoraa raportointia : vältä viherpesukieltä ja epämääräisiä väitteitä, kuten "ympäristöystävällinen tekoäly" ilman numeroita.

Jos vielä seuraat tekoälyn vaikutusta ympäristöön, tässä kohtaa vastaus lakkaa olemasta filosofinen ja muuttuu toiminnalliseksi: se vaikuttaa siihen valintojesi perusteella.

Vertailutaulukko: työkalut ja lähestymistavat, jotka todella vähentävät vaikutusta 🧰⚡

Alla on nopea ja käytännöllinen taulukko. Se ei ole täydellinen, ja kyllä, muutamat solut ovat hieman mielipiteisiin yltäviä… koska niin työkalujen valinta oikeasti toimii.

Työkalu / Lähestymistapa Yleisö Hinta Miksi se toimii
Hiili-/energianseurantakirjastot (ajonaikaiset estimaattorit) ML-joukkueet Vapaa-aiheinen Antaa näkyvyyttä – mikä on puolet voitosta, vaikka arviot olisivatkin hieman epätarkkoja… CodeCarbon
Laitteiston virrankulutuksen valvonta (GPU/CPU-telemetria) Infrapuna + koneoppiminen Ilmainen Mittaa todellista kulutusta; hyvä vertailuajoihin (ei näyttävä, mutta loistava)
Mallitislaus Konekielen insinöörit Ilmainen (aikakustannus 😵) Pienemmät opiskelijamallit vastaavat usein suorituskykyä paljon pienemmillä päättelykustannuksilla Hinton ym. (2015): Tiedon tislaus neuroverkossa
Kvantisointi (alempi tarkkuuspäättely) Koneoppiminen + tuote Ilmainen Vähentää latenssia ja virrankulutusta; joskus pienillä laatukompromisseilla, joskus ei lainkaan Gholami ym. (2021): Kvantisointimenetelmien yleiskatsaus (PDF)
Välimuistin ja eräajon päättely Tuote + alusta Ilmainen Vähentää tarpeetonta laskentaa; erityisen kätevä toistuville kehotteille tai samankaltaisille pyynnöille
Haku-laajennettu sukupolvi (RAG) Sovellustiimit Sekoitettu Siirtää "muistia" hakuun; voi vähentää valtavien konteksti-ikkunoiden tarvetta Lewis ym. (2020): Haku- ja lisäysgenerointi
Työkuormien aikatauluttaminen hiili-intensiteetin mukaan Infrastruktuuri/operaatiot Sekoitettu Siirtää joustavat työt puhtaampiin sähköikkunoihin – vaatii kuitenkin koordinointia Hiili-intensiteetti-API (GB)
Tietokeskusten tehokkuuden painopiste (käyttöaste, konsolidointi) IT-johtajuus Maksettu (yleensä) Vähiten hohdokas vipu, mutta usein suurin - lopeta puolityhjien järjestelmien pyörittäminen Vihreä verkosto: PUE
Lämmön uudelleenkäyttöhankkeet Palvelut Se riippuu Muuttaa hukkalämmön arvoksi; ei aina mahdollista, mutta kun se on, se on tavallaan kaunista
"Tarvitsemmeko edes tekoälyä täällä?" check Kaikki Ilmainen Estää turhan laskennan. Tehokkain optimointi on sanoa ei (joskus)

Huomaatko, mitä puuttuu? "Osta taikavihreä tarra." Sellaista ei ole olemassa 😬

Käytännön käsikirja: tekoälyn vaikutuksen vähentäminen tuotteen tuhoamatta 🛠️🌱

Jos rakennat tai ostat tekoälyjärjestelmiä, tässä on realistinen ja käytännössä toimiva toimintajärjestys:

Vaihe 1: Aloita mittauksella

  • Seuraa energiankulutusta tai arvioi sitä johdonmukaisesti. CodeCarbon: Metodologia

  • Mittaa harjoitusajoa ja päättelypyyntöä kohden.

  • Seuraa käyttöä – käyttämättömillä resursseilla on taipumus piiloutua näkymättömiin. Vihreä verkko: PUE

Vaihe 2: Sopivan kokoinen malli työhön

  • Käytä pienempiä malleja luokitteluun, erottamiseen ja reititykseen.

  • Säästä raskas malli kovia koteloita varten.

  • Harkitse "mallikaskadia": ensin pieni malli, suurempi malli vain tarvittaessa.

Vaihe 3: Optimoi päättely (tässä kohtaa skaalaus puree)

  • Välimuisti : tallentaa vastaukset toistuviin kyselyihin (huolellisin yksityisyyden suojaustoimenpitein).

  • Eräajo : ryhmittele pyynnöt laitteiston tehokkuuden parantamiseksi.

  • Lyhyemmät tuotokset : pitkät tuotokset maksavat enemmän – joskus et tarvitse esseetä.

  • Kehotteiden kurinalaisuus : epäsiistit kehotteet pidentävät laskentapolkuja… ja kyllä, enemmän tokeneita.

Vaihe 4: Paranna tietohygieniaa

Kuulostaa asiaan liittymättömältä, mutta ei se sitä ole:

  • Puhtaammat datajoukot voivat vähentää uudelleenkoulutuspoistumaa.

  • Vähemmän melua tarkoittaa vähemmän kokeita ja vähemmän hukka-ajoja.

Vaihe 5: Käsittele laitteistoa omaisuutena, älä kertakäyttötavarana

  • Pidennä huuhteluvälejä mahdollisuuksien mukaan. ITU: The Global E-waste Monitor 2024

  • Käytä vanhempaa laitteistoa uudelleen kevyempiin työkuormiin.

  • Vältä "aina huippuhetkellä" tapahtuvaa provisiointia.

Vaihe 6: Valitse käyttöönotto viisaasti

  • Tee joustavia töitä, joissa energia on puhtaampaa, jos mahdollista. Hiili-intensiteetti-API (GB)

  • Vähennä tarpeetonta kopiointia.

  • Pidä latenssitavoitteet realistisina (erittäin alhainen latenssi voi pakottaa tehottomiin aina päällä oleviin asetuksiin).

Ja kyllä… joskus paras askel on yksinkertaisesti: älä aja automaattisesti suurinta mallia jokaista käyttäjän toimintoa kohden. Tämä tapa on ympäristön kannalta sama kuin jättäisi kaikki valot päälle, koska kytkimelle käveleminen on ärsyttävää.

Yleisiä myyttejä (ja mikä on lähempänä totuutta) 🧠🧯

Myytti: ”Tekoäly on aina huonompi kuin perinteinen ohjelmisto”

Totuus: Tekoäly voi olla laskentatehokkaampaa, mutta se voi myös korvata tehottomat manuaaliset prosessit, vähentää jätettä ja optimoida järjestelmiä. Se on tilannesidonnaista. IEA: Tekoäly energian optimointiin ja innovointiin

Myytti: ”Koulutus on ainoa ongelma”

Totuus: Skaalapäättely voi hallita ajan kuluessa. Jos tuotteesi käyttö räjähtää, siitä tulee pääjuttu. IEA: Energia ja tekoäly

Myytti: ”Uusiutuvat energialähteet ratkaisevat sen välittömästi”

Totuus: Puhtaampi sähkö auttaa paljon, mutta ei poista laitteiston jalanjälkeä, vedenkulutusta tai rebound-vaikutuksia. Silti tärkeää. IEA: Energia ja tekoäly

Myytti: ”Jos se on tehokasta, se on kestävää”

Totuus: Tehokkuus ilman kysynnänohjausta voi silti lisätä kokonaisvaikutusta. Tämä on rebound-ansa. OECD (2012): Energiatehokkuuden parannusten moninaiset hyödyt (PDF)

Hallinto, läpinäkyvyys ja teatraalisuuden välttäminen 🧾🌍

Jos olet yritys, tässä kohtaa luottamus joko rakennetaan tai menetetään.

Tässä kohtaa ihmiset pyörittelevät silmiään, mutta sillä on merkitystä. Vastuullinen teknologia ei tarkoita pelkästään fiksua suunnittelua. Se tarkoittaa myös sitä, ettei teeskennellä, ettei kompromisseja ole olemassa.

Loppuyhteenveto: tiivis kertaus tekoälyn vaikutuksista ympäristöön 🌎✅

Tekoälyn vaikutus ympäristöön riippuu lisäkuormituksesta: sähköstä, vedestä (joskus) ja laitteistokysynnästä. IEA: Energia ja tekoäly Li et al. (2023): Tekoälyn vähentäminen "janoiseksi" (PDF) Se tarjoaa myös tehokkaita työkaluja päästöjen ja jätteen vähentämiseen muilla sektoreilla. IEA: Tekoäly energian optimointiin ja innovointiin Lopputulos riippuu mittakaavasta, verkon puhtaudesta, tehokkuusvalinnoista ja siitä, ratkaiseeko tekoäly todellisia ongelmia vai tuottaako se vain uutuutta uutuuden vuoksi. IEA: Energia ja tekoäly

Jos haluat yksinkertaisimman käytännöllisen vinkin:

  • Mitata.

  • Oikean kokoinen.

  • Optimoi päättely.

  • Pidennä laitteiston käyttöikää.

  • Ole rehellinen kompromisseista.

Ja jos tunnet olosi ylikuormitetuksi, tässä on rauhoittava totuus: pienet operatiiviset päätökset, tuhat kertaa toistettuina, yleensä voittavat yhden ison kestävän kehityksen lausunnon. Vähän kuin hampaiden harjaus. Ei hohdokasta, mutta toimii... 😄🪥

Usein kysytyt kysymykset

Miten tekoäly vaikuttaa ympäristöön jokapäiväisessä käytössä, ei vain suurissa tutkimuslaboratorioissa?

Suurin osa tekoälyn jalanjäljestä tulee sähköstä, jota datakeskukset käyttävät grafiikkasuorittimia ja suorittimia sekä koulutuksen että jokapäiväisen "päättelyn" aikana. Yksittäinen pyyntö voi olla vaatimaton, mutta suuressa mittakaavassa ne kertyvät nopeasti. Vaikutus riippuu myös datakeskuksen sijainnista, paikallisen sähköverkon puhtaudesta ja infrastruktuurin tehokkaasta käytöstä.

Onko tekoälymallin kouluttaminen ympäristölle haitallisempaa kuin sen käyttö (päättely)?

Koulutus voi olla suuri, alkuvaiheen laskentatehokkuus, mutta päättely voi ajan myötä muuttua suuremmaksi, koska sitä käytetään jatkuvasti ja massiivisessa mittakaavassa. Jos työkalua käyttävät miljoonat ihmiset päivittäin, toistuvat pyynnöt voivat olla suuremmat kuin kertaluonteiset koulutuskustannukset. Siksi optimointi keskittyy usein päättelyn tehokkuuteen.

Miksi tekoäly käyttää vettä, ja onko se aina ongelma?

Tekoäly voi käyttää vettä pääasiassa siksi, että jotkut datakeskukset käyttävät vesipohjaista jäähdytystä tai koska vettä kulutetaan epäsuorasti sähköntuotannon kautta. Tietyissä ilmastoissa haihdutusjäähdytys voi vähentää sähkönkulutusta ja samalla lisätä vedenkulutusta, mikä luo todellisen kompromissin. Onko se "huono" vaihtoehto, riippuu paikallisesta veden niukkuudesta, jäähdytyssuunnittelusta ja siitä, mitataanko ja hallitaanko vedenkulutusta.

Mikä osa tekoälyn ympäristöjalanjäljestä tulee laitteistosta ja elektroniikkajätteestä?

Tekoäly on riippuvainen siruista, palvelimista, verkkolaitteista, rakennuksista ja toimitusketjuista – mikä tarkoittaa louhintaa, valmistusta, toimitusta ja lopulta hävittämistä. Puolijohteiden valmistus on energiaintensiivistä, ja nopeat päivityssyklit voivat lisätä päästöjä ja elektroniikkajätettä. Laitteiston käyttöiän pidentäminen, kunnostus ja käyttöasteen parantaminen voivat merkittävästi vähentää vaikutuksia, joskus jopa mallitason muutosten tason vauhtiin päin.

Ratkaiseeko uusiutuvan energian käyttö tekoälyn ympäristövaikutukset?

Puhtaampi sähkö voi vähentää laskennan päästöjä, mutta se ei poista muita vaikutuksia, kuten vedenkulutusta, laitteistovalmistusta ja elektroniikkaromua. Se ei myöskään automaattisesti puutu "rebound-vaikutuksiin", joissa edullisempi laskenta johtaa kokonaisuudessaan suurempaan käyttöön. Uusiutuvat energialähteet ovat tärkeä vipuvaikutus, mutta ne ovat vain yksi osa jalanjälkeä.

Mikä on rebound-ilmiö, ja miksi sillä on merkitystä tekoälyn ja kestävän kehityksen kannalta?

Rebound-ilmiö syntyy, kun tehokkuuden parantuminen tekee jostakin asiasta halvempaa tai helpompaa, joten ihmiset tekevät sitä enemmän – joskus säästöt pyyhkiytyvät pois. Tekoälyn avulla halvempi tuotanto tai automatisointi voi lisätä sisällön, laskennan ja palveluiden kokonaiskysyntää. Siksi tulosten mittaaminen käytännössä on tärkeämpää kuin tehokkuuden juhliminen erikseen.

Mitä käytännön tapoja on vähentää tekoälyn vaikutusta vahingoittamatta tuotetta?

Yleinen lähestymistapa on aloittaa mittauksella (energia- ja hiilidioksidipäästöjen arviot, käyttöaste), sitten sovittaa tehtävään sopivan kokoiset mallit ja optimoida päättely välimuistilla, eräajoilla ja lyhyemmillä tulosteilla. Tekniikat, kuten kvantisointi, tislaus ja haulla laajennettu generointi, voivat vähentää laskentatarvetta. Operatiiviset valinnat – kuten työmäärän aikataulutus hiili-intensiteetin mukaan ja pidempi laitteiston käyttöikä – tuovat usein suuria voittoja.

Miten tekoäly voi auttaa ympäristöä vahingoittamisen sijaan?

Tekoäly voi vähentää päästöjä ja jätettä, kun sitä käytetään todellisten järjestelmien optimointiin: sähköverkon ennustamiseen, kysyntäjoustoon, rakennusten LVI-ohjaukseen, logistiikan reititykseen, ennakoivaan huoltoon ja vuotojen havaitsemiseen. Se voi myös tukea ympäristön seurantaa, kuten metsäkadon hälytyksiä ja metaanin havaitsemista. Ratkaisevaa on, muuttaako järjestelmä päätöksiä ja tuottaako se mitattavia vähennyksiä, ei vain parempia koontinäyttöjä.

Mitä mittareita yritysten tulisi raportoida välttääkseen tekoälyväitteitä, jotka viittaavat viherpesuun?

On merkityksellisempää raportoida tehtävä- tai pyyntökohtaisia ​​mittareita kuin pelkkiä suuria kokonaislukuja, koska se osoittaa tehokkuuden yksikkötasolla. Energiankulutuksen, hiilidioksidipäästöjen arvioiden, hyödyntämisen ja – tarvittaessa – vesivaikutusten seuraaminen luo selkeämmän vastuullisuuden. Tärkeää on myös määritellä rajat (mitä sisällytetään) ja välttää epämääräisiä nimityksiä, kuten "ympäristöystävällinen tekoäly", ilman määrällisiä todisteita.

Viitteet

  1. Kansainvälinen energiajärjestö (IEA) - Energia ja tekoäly - iea.org

  2. Kansainvälinen energiajärjestö (IEA) - Tekoäly energian optimointiin ja innovointiin - iea.org

  3. Kansainvälinen energiajärjestö (IEA) - Digitalisaatio - iea.org

  4. Lawrence Berkeleyn kansallinen laboratorio (LBNL) - Yhdysvaltojen datakeskusten energiankulutusraportti (2024) (PDF) - lbl.gov

  5. Li ym. - Tekoälyn tekeminen vähemmän janoiseksi (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Nestemäisen jäähdytyksen synty ja laajeneminen valtavirran datakeskuksissa (PDF) - ashrae.org

  7. Vihreä ruudukko - PUE - Mittarin kattava tarkastelu - thegreengrid.org

  8. Yhdysvaltain energiaministeriö (DOE) - FEMP - Jäähdytysveden tehokkuuden mahdollisuudet liittovaltion datakeskuksille - energy.gov

  9. Yhdysvaltain energiaministeriö (DOE) - FEMP - Energiatehokkuus datakeskuksissa - energy.gov

  10. Yhdysvaltain ympäristönsuojeluvirasto (EPA) - Puolijohdeteollisuus - epa.gov

  11. Kansainvälinen televiestintäliitto (ITU) - Maailmanlaajuinen elektroniikkajätteen seurantaraportti 2024 - itu.int

  12. OECD - Energiatehokkuuden parannusten moninaiset hyödyt (2012) (PDF) - oecd.org

  13. Hiili-intensiteetti-API (GB) - carbonintensity.org.uk

  14. imec - Ympäristövaikutusten vähentäminen sirujen valmistuksessa - imec-int.com

  15. UNEP - Näin MARS toimii - unep.org

  16. Global Forest Watch - GLAD-metsäkatoa koskevat hälytykset - globalforestwatch.org

  17. Alan Turing -instituutti - Tekoäly ja autonomiset järjestelmät luonnon monimuotoisuuden ja ekosysteemien terveyden arviointiin - turing.ac.uk

  18. CodeCarbon - Metodologia - mlco2.github.io

  19. Gholami ym. - Kvantisointimenetelmien yleiskatsaus (2021) (PDF) - arxiv.org

  20. Lewis ym. - Haku- ja lisäysgeneraatio (2020) - arxiv.org

  21. Hinton ym. - Tiedon tislaus neuroverkossa (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Löydä uusimmat tekoälytuotteet virallisesta tekoälyavustajakaupasta

Tietoa meistä

Takaisin blogiin