 |
| pexels / ThisIsEngineering |
Ακόμη και καθώς η ανθρωπότητα αγκαλιάζει με προθυμία την τεχνητή νοημοσύνη παρά τους ενδοιασμούς που υπάρχουν στο ακαδημαϊκό μέτωπο και στο μέτωπο της ασφάλειας, η ενεργειακή πείνα της τεχνητής νοημοσύνης και το αποτύπωμα άνθρακα προκαλούν αυξανόμενη ανησυχία. Η τεχνητή νοημοσύνη συχνά συγκρίνεται με τα ορυκτά καύσιμα. Το πετρέλαιο, αφού εξορυχθεί και διυλιστεί, είναι ένα προσοδοφόρο εμπόρευμα- και όπως το πετρέλαιο, η τεχνητή νοημοσύνη έχει μεγάλες περιβαλλοντικές επιπτώσεις που έχουν εκπλήξει πολλούς.
Sanjeev Kumar - Russia Today / Παρουσίαση Freepen.gr
Ένα άρθρο στο MIT Technology Review αναφέρει ότι ο κύκλος ζωής για την εκπαίδευση κοινών μεγάλων μοντέλων τεχνητής νοημοσύνης έχει σημαντικό περιβαλλοντικό αντίκτυπο, αναφέροντας πως "η όλη διαδικασία μπορεί να εκπέμψει πάνω από 626.000 κιλά ισοδύναμου διοξειδίου του άνθρακα - σχεδόν πέντε φορές τις εκπομπές κατά τη διάρκεια της ζωής του μέσου αμερικανικού αυτοκινήτου (και αυτό περιλαμβάνει την κατασκευή του ίδιου του αυτοκινήτου)".
Ένα ερευνητικό άρθρο του Alex de Vries από τη Σχολή Επιχειρήσεων και Οικονομικών του VU Amsterdam School of Business and Economics εγείρει επίσης ανησυχίες σχετικά με την κατανάλωση ηλεκτρικής ενέργειας από την επιταχυνόμενη ανάπτυξη των υπολογισμών και τις πιθανές περιβαλλοντικές επιπτώσεις της τεχνητής νοημοσύνης και των κέντρων δεδομένων. "Τα τελευταία χρόνια, η κατανάλωση ηλεκτρικής ενέργειας από τα κέντρα δεδομένων αντιπροσωπεύει ένα σχετικά σταθερό 1% της παγκόσμιας χρήσης ηλεκτρικής ενέργειας, εξαιρουμένης της εξόρυξης κρυπτονομισμάτων", αναφέρει ο de Vries.
Πώς λειτουργούν τα κέντρα δεδομένων AI
Μια μελέτη του ΜΙΤ αναφέρει ότι πριν από μια δεκαετία, "τα περισσότερα μοντέλα NLP (Natural Language Processing) μπορούσαν να εκπαιδευτούν και να αναπτυχθούν σε έναν φορητό υπολογιστή ή διακομιστή". Αλλά τα κέντρα δεδομένων AI απαιτούν πλέον πολλαπλές περιπτώσεις εξειδικευμένου υλικού, όπως μονάδες επεξεργασίας γραφικών (GPU) ή μονάδες επεξεργασίας αισθητήρων (TPU).
"Ο στόχος ενός μεγάλου γλωσσικού μοντέλου είναι να μαντέψει τι ακολουθεί σε ένα σώμα κειμένου", αναφέρει ένα άρθρο από τη Σχολή Κλίματος του Κολούμπια. "Για να επιτευχθεί αυτό, πρέπει πρώτα να εκπαιδευτεί. Η εκπαίδευση περιλαμβάνει την έκθεση του μοντέλου σε τεράστιες ποσότητες δεδομένων (ενδεχομένως εκατοντάδες δισεκατομμύρια λέξεις), οι οποίες μπορεί να προέρχονται από το διαδίκτυο, βιβλία, άρθρα, μέσα κοινωνικής δικτύωσης και εξειδικευμένα σύνολα δεδομένων".
Αυτή η διαδικασία εκπαίδευσης διαρκεί εβδομάδες ή μήνες, κατά τη διάρκεια της οποίας ένα μοντέλο τεχνητής νοημοσύνης καταλαβαίνει πώς να εκτελεί με ακρίβεια δεδομένες εργασίες, σταθμίζοντας διαφορετικά σύνολα δεδομένων.
Στην αρχή, το μοντέλο ΤΝ κάνει τυχαίες εικασίες για να βρει τη σωστή λύση. Όμως, με τη συνεχή εκπαίδευση, εντοπίζει όλο και περισσότερα μοτίβα και σχέσεις στα δεδομένα που του δίνονται, ώστε να αποδίδει ακριβή και σχετικά αποτελέσματα.
Οι εξελίξεις στις τεχνικές και το υλικό για την εκπαίδευση των νευρωνικών δικτύων τα τελευταία χρόνια έχουν επιτρέψει "εντυπωσιακές βελτιώσεις της ακρίβειας σε πολλές θεμελιώδεις εργασίες NLP".
"Ως αποτέλεσμα, η εκπαίδευση ενός μοντέλου τελευταίας τεχνολογίας απαιτεί πλέον σημαντικούς υπολογιστικούς πόρους που απαιτούν σημαντική ενέργεια, μαζί με το σχετικό οικονομικό και περιβαλλοντικό κόστος", προσθέτει η μελέτη του ΜΙΤ.
Ενεργειακή ζήτηση και αποτύπωμα άνθρακα στα κέντρα δεδομένων τεχνητής νοημοσύνης
Η ταχεία εξάπλωση και η μεγάλης κλίμακας εφαρμογή της τεχνητής νοημοσύνης το 2022 και το 2023 μετά την έναρξη του ChatGPT της OpenAI οδήγησε στην ανάπτυξη μεγάλων γλωσσικών μοντέλων (LLM) από μεγάλες εταιρείες τεχνολογίας, όπως η Microsoft και η Alphabet (Google).
Η επιτυχία του ChatGPT (το οποίο έφτασε τα πρωτοφανή 100 εκατομμύρια χρήστες σε δύο μήνες), επηρέασε τη Microsoft και τη Google να λανσάρουν τα δικά τους AI chatbots, το Bing Chat και το Bard αντίστοιχα, αναφέρει το άρθρο του Vries.
Ο Vries δήλωσε στο RT: "Γνωρίζουμε ήδη ότι τα κέντρα δεδομένων αντιπροσωπεύουν το 1% της παγκόσμιας κατανάλωσης ηλεκτρικής ενέργειας. Χάρη στις ψηφιακές τάσεις, όπως η εξόρυξη κρυπτονομισμάτων και η τεχνητή νοημοσύνη, αυτό μπορεί εύκολα να αυξηθεί στο 2% και περισσότερο τα επόμενα χρόνια".
Η μελέτη του ΜΙΤ έχει υπολογίσει πως το cloud computing έχει μεγαλύτερο αποτύπωμα άνθρακα από ολόκληρη τη βιομηχανία αερομεταφορών. Επιπλέον, ένα κέντρο δεδομένων μπορεί να απαιτεί την ίδια ποσότητα ηλεκτρικής ενέργειας που απαιτείται για την τροφοδοσία περίπου 50.000 κατοικιών.
Η ηλεκτρική ενέργεια απαιτείται για τη λειτουργία τσιπ υψηλών επιδόσεων και συστημάτων ψύξης, καθώς οι επεξεργαστές θερμαίνονται ενώ αναλύουν τεράστιες ποσότητες δεδομένων και παράγουν ακριβείς απαντήσεις.
Η μελέτη του De Vries αναφέρει ότι το μοντέλο "BigScience Large Open-Science Open-Access Multilingual (BLOOM) του Hugging Face κατανάλωσε 433 MWh ηλεκτρικής ενέργειας κατά τη διάρκεια της εκπαίδευσης".
"Άλλα LLM, συμπεριλαμβανομένων των GPT-3, Gopher και Open Pre-trained Transformer (OPT), φέρονται να χρησιμοποιούν 1287, 1066 και 324 MWh αντίστοιχα για την εκπαίδευση. Κάθε ένα από αυτά τα LLM εκπαιδεύτηκε σε terabytes δεδομένων και έχει 175 δισεκατομμύρια ή περισσότερες παραμέτρους", προσθέτει η μελέτη.
Ο De Vries επικαλέστηκε στο έγγραφό του την εταιρεία ερευνών SemiAnalysis, η οποία πρότεινε ότι το OpenAI απαιτούσε 3.617 διακομιστές HGX A100 της NVIDIA, με συνολικά 28.936 GPUs για την υποστήριξη του ChatGPT, γεγονός που συνεπάγεται ενεργειακή ζήτηση 564 MWh ανά ημέρα.
"Η Google ανέφερε πως το 60% της κατανάλωσης ενέργειας που σχετίζεται με την ΤΝ από το 2019 έως το 2021 προέρχεται από την εξαγωγή συμπερασμάτων (όπου τα ζωντανά δεδομένα περνούν από ένα μοντέλο ΤΝ). Η μητρική εταιρεία της Google, η Alphabet, εξέφρασε επίσης ανησυχία σχετικά με το κόστος της εξαγωγής συμπερασμάτων σε σύγκριση με το κόστος της εκπαίδευσης", προστίθεται.
Μια μελέτη από ερευνητές του Πανεπιστημίου της Καλιφόρνιας στο Μπέρκλεϊ υπολόγισε ότι το GPT-3, στο οποίο βασίζεται το ChatGPT, είχε 175 δισεκατομμύρια παραμέτρους που παρήγαγαν 502 μετρικούς τόνους CO2 κατά τη φάση της εκπαίδευσής του, ενώ οι καθημερινές εκπομπές διοξειδίου του άνθρακα ήταν 50 λίβρες (ή 8,4 τόνοι ετησίως).
Η συζήτηση για τη βιωσιμότητα της ΤΝ και οι μελλοντικές δράσεις
Ο De Vries λέει ότι η υψηλότερη ενεργειακή ζήτηση για τα κέντρα δεδομένων θα καλυφθεί συνήθως με ορυκτά καύσιμα. "Έχουμε μόνο περιορισμένη προσφορά ανανεώσιμων πηγών ενέργειας και (έχουμε) ήδη δώσει προτεραιότητα σε αυτές, οπότε οποιαδήποτε πρόσθετη ζήτηση θα τροφοδοτείται από ορυκτά καύσιμα από τα οποία πρέπει να απαλλαγούμε", δήλωσε στο RT. "Ακόμα και αν βάλουμε ανανεώσιμες πηγές ενέργειας στην ΑΙ, κάτι άλλο κάπου αλλού θα πρέπει να τροφοδοτείται με ορυκτά καύσιμα - κάτι που θα επιδεινώσει την κλιματική αλλαγή".
Ο Avik Sarkar, καθηγητής στο Indian School of Business και πρώην επικεφαλής του κέντρου ανάλυσης δεδομένων της ινδικής Niti Aayog, θεωρεί τη συζήτηση γύρω από τις ενεργειακές απαιτήσεις και το αποτύπωμα άνθρακα της τεχνητής νοημοσύνης ασήμαντη. Εργάστηκε σε μια ανάλυση με τον Διεθνή Οργανισμό Ενέργειας (IEA) το 2018 σχετικά με την ανάπτυξη των κέντρων δεδομένων στην Ινδία και τον αντίκτυπό της στην κατανάλωση ενέργειας στη χώρα.
"Το αποτύπωμα της τεχνητής νοημοσύνης στην κατανάλωση ενέργειας είναι ελάχιστο, ενώ πολλές τεχνολογίες καταβροχθίζουν τεράστιες ποσότητες ενέργειας", δήλωσε στο RT. "Κοιτάξτε οποιονδήποτε κεντρικό δρόμο στις μεγάλες πόλεις, η ποσότητα φωτισμού στις διαφημιστικές πινακίδες είναι τόσο τεράστια που τα φώτα είναι ορατά από το διάστημα, αναφέρονται ως νυχτερινά φώτα, κάτι που αποτελεί μεγάλο δείκτη ανάπτυξης και οικονομικής μεγέθυνσης. Η κατανάλωση ενέργειας είναι ένα φυσικό αποτέλεσμα της αστικοποίησης, του καπιταλισμού και της οικονομικής ανάπτυξης - πρέπει να μάθουμε να ζούμε με αυτή την πραγματικότητα".
Σχολιάζοντας την ενεργειακή ζήτηση των κέντρων δεδομένων AI και τον αντίκτυπο των εκπομπών διοξειδίου του άνθρακα, ο de Vries λέει ότι το ζήτημα δεν περιορίζεται μόνο στην Ινδία και πως η κλιματική αλλαγή είναι ένα παγκόσμιο πρόβλημα. "Αν ανεβάσουμε τόσο τη ζήτηση ενέργειας όσο και τις εκπομπές διοξειδίου του άνθρακα ως αποτέλεσμα της τεχνητής νοημοσύνης, αυτό θα επηρεάσει επίσης όλες τις ευάλωτες χώρες", δήλωσε.
Ο Sarkar παραδέχεται ότι τεράστια ποσά κατανάλωσης ενέργειας για την ΤΝ συμβαίνουν λόγω των μεγάλων κέντρων δεδομένων που παρέχουν υποδομές αποθήκευσης και υπολογισμού. Υπάρχει ένας περαιτέρω ενεργειακός αντίκτυπος από το νερό που χρησιμοποιείται για την ψύξη των κέντρων δεδομένων.
Ο Sarkar επεσήμανε ότι τα περισσότερα παγκόσμια κέντρα δεδομένων εδρεύουν εκτός Ινδίας, υποστηρίζοντας πως η χώρα δεν αντιμετωπίζει επί του παρόντος σημαντική πρόκληση. Με εξαίρεση τα προσωπικά δεδομένα, άλλα ινδικά σημεία δεδομένων μπορούν να αποθηκευτούν σε κέντρα εκτός της χώρας.
"Τα κρίσιμα δεδομένα που σχετίζονται με τις οικονομικές συναλλαγές, το Aadhar ή τα δεδομένα υγειονομικής περίθαλψης πρέπει να βρίσκονται στην Ινδία και αυτό θα ήταν τεράστιο. Η Ινδία έχει διαφορετικές κλιματικές ζώνες και μπορεί να μετριάσει την υψηλή κατανάλωση ενέργειας με την τοποθέτηση αυτών των κέντρων δεδομένων σε ψυχρότερες, μη σεισμικές ζώνες της χώρας", πρότεινε.
Σύμφωνα με τον De Vries, τα καλά νέα είναι ότι υπάρχουν στεγανά στην αλυσίδα εφοδιασμού των διακομιστών AI, πράγμα που σημαίνει πως η ανάπτυξη είναι κάπως περιορισμένη βραχυπρόθεσμα. "Θα πρέπει να χρησιμοποιήσουμε αυτή την ευκαιρία για να σκεφτούμε την υπεύθυνη εφαρμογή της ΤΝ και να διασφαλίσουμε ότι παρέχεται επίσης διαφάνεια όπου χρησιμοποιείται η ΤΝ, ώστε να μπορούμε να αξιολογήσουμε σωστά τον αντίκτυπο που έχει αυτή η τεχνολογία", δήλωσε.
* Από τον Sanjeev Kumar, δημοσιογράφο με έδρα τη Shimla (Ινδία) που ειδικεύεται στο περιβάλλον, την κλιματική αλλαγή και την πολιτική.