Воздействие ИИ на окружающую среду

Привет всем! Поговорим о том, как технологии искусственного интеллекта влияют на окружающую нас среду. Много уже было сказано о предполагаемых экзистенциальных глобальных рисках ИИ для человечества, но разговоры о его воздействии на природу остаются в тени, несмотря на большое количество исследований на эту тему в последние годы.

В этой статье мы затронем негативные риски ИИ для окружающей среды, потребление ресурсов и этические риски приоритетности его развития. Также мы коснёмся основных подходов к снижению негативного воздействия.

Проблемы расчёта влияния ИИ на экологию

Несмотря на рост количества исследований по этой теме, всё ещё невозможно провести комплексную оценку экологического следа ИИ. Не все компании раскрывают информацию о своих продуктах, включая данные, касающиеся окружающей среды. Крайне редки случаи, когда компания предоставляла данные об энергопотреблении и углеродном следе. Неизвестно даже, насколько велики, к примеру, генеративные модели. Такая информация остаётся секретной.

Большинство исследований сосредоточены на спросе на энергию или выбросах парниковых газов (т. е. углеродном следе). При этом не оцениваются другие, неэнергетические воздействия, которые также добавляются к цифровому экологическому следу, например, потребление воды и минералов.

При этом в большинстве исследований изучался след ИИ во время обучения. Но не рассматривались другие этапы жизненного цикла, включая сбор данных, производство, развёртывание модели и эксплуатацию.

Экологический след ИИ

Реальность такова, что ИИ влечёт за собой существенные затраты с точки зрения природных ресурсов. Сейчас мы рассмотрим только углеродный и водный следы.

Углеродный след ИИ

Для реализации своих возможностей ИИ требует значительного количества энергии, что часто приводит к дополнительным выбросам углерода. Энергию, потребляемую LLM, можно разделить на две категории: операционную, необходимую для работы моделей; и производственную, необходимую для создания оборудования систем искусственного интеллекта, например, графических процессоров.

Большинство исследований сосредоточены на углеродном следе ИИ на этапе обучения, главным образом потому, что на этом этапе жизненного цикла доступно больше всего данных, особенно в случае моделей с открытым исходным кодом. Например, в статье 2019 года авторы подсчитали, что обучение LLM с 213 миллионами параметров может привести к выбросам 626 155 фунтов CO2, что почти равно выбросам пяти автомобилей за всё время эксплуатации. 

Однако затраты энергии во время инференса (т. е. процесса использования модели для выполнения задачи, для которой она была обучена) могут быть такими же или даже выше, чем при обучении LLM. В исследовании 2023 года авторы подсчитали, что развёртывание большой языковой модели BLOOM со 176 миллиардами параметров в течение 18 дней обошлось в среднем в 40,32 кВт/ч в день (эквивалентно 1110 зарядкам смартфона) и приводило к выбросам примерно 19 кг эквивалента CO2 ежедневно.

Позднее те же исследователи показали, что энергия, необходимая на этапе развёртывания, во многом зависит от поставленной задачи. Например, обработка изображений наиболее энергозатратна. На этом фоне неудивительно, что, согласно исследованию Международного энергетического агентства, потребление электроэнергии центрами обработки данных, где обычно происходят вычисления систем искусственного интеллекта, к 2026 году может удвоиться.

Резкий рост счетов за электроэнергию из-за повсеместного внедрения ИИ — плохая новость для амбициозных технологических компаний, стремящихся к чистому нулю. Например, в своём последнем отчёте об устойчивом развитии компания Google признала, что в 2023 году её выбросы выросли на 13 % по сравнению с предыдущим годом и на 48 % с 2019 года, в основном из-за увеличения потребления энергии её центрами обработки данных. То же самое касается и Microsoft, которая сообщила об увеличении своих выбросов на 29,1 % с 2020 года, в основном из-за электроэнергии, необходимой для работы ИИ.

Водный след ИИ

Львиная доля водного следа ИИ приходится на центры обработки данных, которым требуются миллиарды литров воды для охлаждения серверов, которые производят вычисления для обучения и ответа на запросы ИИ. Согласно исследованию 2021 года, средний центр обработки данных использует столько же воды, сколько три больницы среднего размера. Водный след ЦОДов может значительно вырасти в ближайшие годы, поскольку новые центры строятся в соответствии с потребностями в ИИ. А поскольку современные системы охлаждения могут работать только с чистой водой, потребности ЦОДов часто вступают в противоречие с интересами соседей, особенно когда ЦОДы расположены в районах, которые уже страдают от нехватки воды. 

Несмотря на то, что ЦОДы являются основным потребителем, неплохо бы помогли новые исследования о водном следе на других этапах жизненного цикла ИИ, особенно при производстве оборудования, например, полупроводников, из которых состоят чипы графических процессоров. Может, вы знаете о таких исследованиях? Тогда напишите о них в комментариях.

Как можно снизить воздействие ИИ на окружающую среду

Учитывая растущие экологические затраты на разработку и внедрение моделей ИИ, компаниям приходится внедрять стратегии и адаптировать методы для снижения своего воздействия на окружающую среду. Давайте проанализируем некоторые доступные решения для создания более устойчивого ИИ:

• Одной из самых очевидных стратегий сокращения углеродного следа моделей является повышение их эффективности. В терминах ИИ это означает достижение уровня точности самых продвинутых моделей с помощью меньших и менее сложных моделей. С одной стороны, такая эффективность может быть достигнута на уровне оборудования. Например, если инженеры и производители микрочипов смогут следовать закону Мура, то в ближайшие годы мы увидим куда более быстрые, меньшие и эффективные графические процессоры. С другой стороны, есть и программное обеспечение. Например, можно попытаться удалить какие-то параметры из нейронной сети для уменьшения размера модели и обеспечения более эффективного инференса. Ещё можно использовать методы квантования или дистилляции LLM.

• Очевидное преимущество солнечных панелей, ветряных турбин или гидроэлектростанций заключается в том, что они производят электроэнергию, не выбрасывая углекислый газ. Поэтому можно увеличить инвестиции в возобновляемые источники энергии. Хотя, как показывает практика, у этих способов есть куча других недостатков.

• Использование облачных решений. Огромные центры обработки данных могут выполнять энергоёмкие процедуры быстрее и в масштабе, что приводит к значительной экономии энергии. В то же время они оптимизированы для сокращения количества воды, используемой для охлаждения.

Что уже применяется для улучшений воздействия ИИ на экологию

Количество приложений на основе искусственного интеллекта, предназначенных для решения экологических проблем, стремительно растёт: от инициатив по мониторингу выбросов углерода и выявлению регионов, уязвимых к изменению климата, до повышения экологической устойчивости в цепочках поставок и внедрения точного земледелия для ограничения водопользования и деградации почв. 

Что уже делается:

• ИИ помогает метеорологам прогнозировать погоду с беспрецедентной точностью. Это касается и прогнозов экстремальных погодных явлений.

• Большинство видов экономической деятельности приводит к выбросам парниковых газов в атмосферу. Поэтому уже сейчас есть продукты на основе ИИ по мониторингу выбросов парниковых газов.

• Оптимизация электросетей. Анализируя огромные объёмы данных, ИИ может автоматически предсказывать, сколько электроэнергии понадобится на следующий день, и пытаться найти наиболее экономически эффективный способ распределения этой энергии.

• ИИ ускоряет процесс открытия новых материалов для разработки зелёных технологий. Например, модель от Google GNoME недавно обнаружила 380 000 стабильных кристаллов, которые обладают потенциалом для разработки более экологичных технологий: от лучших аккумуляторов для электромобилей до сверхпроводников для более эффективных вычислений.

Этические аспекты разработки ИИ

Каждая отрасль вынуждена оценивать своё?? потенциальное воздействие на планету и искать способы снижения своего экологического следа. Индустрия ИИ не должна быть исключением. Инновации необходимы для продвижения лучших и более эффективных моделей ИИ. Но этого недостаточно. Учитывая растущую экологическую стоимость ИИ, серьёзные и этические дебаты о развитии и росте индустрии ИИ крайне необходимы. 

Зелёные технологии в значительной степени зависят от критически важных материалов, включая редкоземельные элементы, которые трудно найти и на добычу и переработку которых уходит огромное количество энергии, что имеет негативные последствия для планеты. 

В то время как углеродный след ИИ имеет глобальное измерение, это не относится водному следу. Здесь компромисс очевиден: вода, используемая центром обработки данных, — это вода, которая берётся у соседей и местной природы. 

Новые тенденции в области зелёного ИИ

Исследования экологических издержек ИИ стремительно набирают обороты. Новые данные, а также растущая социальная обеспокоенность усилят давление на игроков ИИ, чтобы уменьшить след моделей и продвигать более экологичную повестку. Инновации являются ключом к достижению повышения эффективности. Мы только в начале революции ИИ, у нас есть большой простор для совершенствования. Но развитие отрасли невозможно без учёта этических последствий этих технологий. 

В заключении хочется сказать, что революция ИИ происходит параллельно с самой острой проблемой, с которой когда-либо сталкивалось человечество: климатическим кризисом. ИИ может стать важнейшим фактором для достижения устойчивых целей, но также предстоит многое сделать для снижения его негативного воздействия на окружающую среду.