Како вештачка интелигенција утиче на животну средину?

Како вештачка интелигенција утиче на животну средину?

Кратак одговор: Вештачка интелигенција утиче на животну средину углавном кроз употребу електричне енергије у центрима података (и обука и свакодневно закључивање), поред воде за хлађење, плус утицаје производње хардвера и електронског отпада. Ако се употреба прошири на милијарде упита, закључивање може надмашити обуку; ако су мреже чистије, а системи ефикасни, утицаји опадају, док користи могу расти.

Кључне закључке:

Електрична енергија: Праћење потрошње рачунарских средстава; емисије се смањују када радна оптерећења раде на чистијим мрежама.

Вода: Избори за хлађење мењају утицаје; методе засноване на води су најважније у оскудним регионима.

Хардвер: Чипови и сервери носе значајан утицај; продужавају век трајања и дају приоритет реновирању.

Опоравак: Ефикасност може повећати укупну потражњу; мерите резултате, не само добитке по задатку.

Оперативне полуге: Прилагодите моделе правој величини, оптимизујте закључивање и транспарентно извештавајте о метрикама по захтеву.

Како вештачка интелигенција утиче на животну средину? Инфографика

Чланци које бисте можда желели да прочитате након овог:

🔗 Да ли је вештачка интелигенција лоша за животну средину?
Истражите угљенични отисак вештачке интелигенције, потрошњу електричне енергије и захтеве центара података.

🔗 Зашто је вештачка интелигенција лоша за друштво?
Погледајте пристрасност, поремећаје у раду, дезинформације и све већу друштвену неједнакост.

🔗 Зашто је вештачка интелигенција лоша? Мрачна страна вештачке интелигенције
Разумети ризике попут надзора, манипулације и губитка људске контроле.

🔗 Да ли је вештачка интелигенција отишла предалеко?
Дебате о етици, регулативи и где би иновације требало да повлаче границе.

Како вештачка интелигенција утиче на животну средину: кратак преглед ⚡🌱

Ако се сећате само неколико тачака, нека то буду ове:

А онда постоји део који људи заборављају: размера. Један упит вештачке интелигенције може бити мали, али милијарде њих су сасвим друга ствар... попут мале грудве снега која некако постаје лавина величине софе. (Та метафора је мало погрешна, али схватате.) IEA: Енергија и вештачка интелигенција

Еколошки отисак вештачке интелигенције није једна ствар - то је гомила 🧱🌎

Када се људи свађају о вештачкој интелигенцији и одрживости, често говоре једни преко других јер указују на различите слојеве:

1) Израчунајте електрицитет

2) Трошкови центра података

3) Вода и топлота

4) Ланац снабдевања хардвером

5) Понашање и повратни ефекти

Дакле, када неко пита како вештачка интелигенција утиче на животну средину, директан одговор је: зависи од тога који слој мерите и шта „вештачка интелигенција“ значи у тој ситуацији.

Обука наспрам закључивања: разлика која мења све 🧠⚙️

Људи воле да причају о обуци јер звучи драматично - „један модел је користио X енергије“. Али инференција је тихи гигант. IEA: Енергија и вештачка интелигенција

Тренинг (велика градња)

Обука је као изградња фабрике. Плаћате почетне трошкове: велики обим рачунарства, дуго време извршавања, много покушаја и грешака (и да, много итерација типа „упс, није успело, покушајте поново“). Обука се може оптимизовати, али и даље може бити значајна. IEA: Енергија и вештачка интелигенција

Закључивање (свакодневне употребе)

Закључивање је као фабрика која ради сваки дан, за свакога, у великом обиму:

  • Четботови одговарају на питања

  • Генерисање слика

  • Рангирање у претрази

  • Препоруке

  • Претварање говора у текст

  • Откривање преваре

  • Копилоти у документима и алатима за кодирање

Чак и ако је сваки захтев релативно мали, обим коришћења може да замагљује обуку. То је класична ситуација „једна сламка је ништа, милион сламки је проблем“. IEA: Енергија и вештачка интелигенција

Мала напомена - неки задаци вештачке интелигенције су много тежи од других. Генерисање слика или дугих видео записа обично захтева више енергије него класификација кратких текстуалних садржаја. Дакле, сврставање „вештачке интелигенције“ у једну групу је помало као упоређивање бицикла са теретним бродом и називање оба „транспортом“. IEA: Енергија и вештачка интелигенција

Дата центри: напајање, хлађење и та тиха прича о води 💧🏢

Центри података нису новина, али вештачка интелигенција мења интензитет. Акцелератори високих перформанси могу да повлаче много енергије у уским просторима, што се претвара у топлоту, којом се мора управљати. LBNL (2024): Извештај о потрошњи енергије у центрима података Сједињених Држава (PDF) IEA: Енергија и вештачка интелигенција

Основе хлађења (поједностављено, али практично)

То је компромис: понекад можете смањити потрошњу електричне енергије ослањајући се на хлађење на бази воде. У зависности од локалне несташице воде, то може бити у реду... или може бити прави проблем. Ли и др. (2023): Како учинити вештачку интелигенцију мање „жедном“ (PDF)

Такође, еколошки отисак у великој мери зависи од:

Да будем искрен: јавни разговори често третирају „центар података“ као црну кутију. То није зло, није магично. То је инфраструктура. Понаша се као инфраструктура.

Чипови и хардвер: део који људи прескачу јер је мање секси 🪨🔧

Вештачка интелигенција живи од хардвера. Хардвер има животни циклус, а утицаји на животни циклус могу бити велики. Америчка агенција за заштиту животне средине (EPA): Индустрија полупроводника ITU: Глобални монитор електронског отпада 2024.

Где се показује утицај на животну средину

Електронски отпад и „сасвим добри“ сервери

Много штете по животну средину не долази од једног постојећег уређаја - већ од његове ране замене јер више није исплатив. Вештачка интелигенција убрзава овај процес јер скокови у перформансама могу бити велики. Искушење да се освежи хардвер је стварно. ITU: Глобални монитор електронског отпада 2024.

Практична поента: продужење века трајања хардвера, побољшање искоришћења и реновирање могу бити подједнако важни као и било које фенси подешавање модела. Понекад је најеколошки прихватљивија графичка картица она коју не купите. (То звучи као слоган, али је такође... донекле тачно.)

Како вештачка интелигенција утиче на животну средину: петља понашања „људи ово заборављају“ 🔁😬

Ево је тај незгодни друштвени део: вештачка интелигенција олакшава ствари, па људи раде више ствари. То може бити дивно - већа продуктивност, више креативности, већи приступ. Али то такође може значити већу укупну употребу ресурса. OECD (2012): Вишеструке користи од побољшања енергетске ефикасности (PDF)

Примери:

  • Ако вештачка интелигенција појефтини генерисање видеа, људи ће генерисати више видеа.

  • Ако вештачка интелигенција учини оглашавање ефикаснијим, приказиваће се више огласа, окретаће се више петљи ангажовања.

  • Ако вештачка интелигенција учини логистику испоруке ефикаснијом, е-трговина може још више да се скалира.

Ово није разлог за панику. То је разлог за мерење исхода, не само ефикасности.

Несавршена, али забавна метафора: Ефикасност вештачке интелигенције је као дати тинејџеру већи фрижидер - да, складиштење хране се побољшава, али некако је фрижидер поново празан за један дан. Није савршена метафора, али... видели сте да се то дешава 😅

Предност: Вештачка интелигенција може заиста помоћи животној средини (када је правилно усмерена) 🌿✨

А сада део који се потцењује: вештачка интелигенција може смањити емисије и отпад у постојећим системима који су... искрено, неелегантни. IEA: Вештачка интелигенција за оптимизацију енергије и иновације

Области у којима вештачка интелигенција може помоћи

Важна нијанса: „помагање“ вештачке интелигенције не надокнађује аутоматски њен утицај. Зависи од тога да ли се вештачка интелигенција заиста примењује, заиста користи и да ли доводи до стварних смањења, а не само до бољих контролних табли. Али да, потенцијал је стваран. IEA: Вештачка интелигенција за оптимизацију енергије и иновације

Шта чини добру верзију еколошки прихватљиве вештачке интелигенције? ✅🌍

Ово је одељак „у реду, шта да радимо?“. Добра еколошки одговорна поставка вештачке интелигенције обично има:

  • Јасна вредност случаја употребе: Ако модел не мења одлуке или исходе, то је само фенси рачунање.

  • Мерење уграђено: Енергија, процене угљеника, искоришћење и метрике ефикасности праћене као и сваки други KPI. CodeCarbon: Методологија

  • Модели одговарајуће величине: Користите мање моделе када мањи модели раде. Није морални неуспех бити ефикасан.

  • Ефикасан дизајн закључивања: кеширање, групирање, квантизација, претраживање и добри обрасци подстицања. Голами и др. (2021): Преглед метода квантизације (PDF) Луис и др. (2020): Генерисање проширеним претраживањем

  • Свест о хардверу и локацији: покрените радна оптерећења тамо где је мрежа чистија, а инфраструктура ефикасна (када је то изводљиво). API за интензитет угљеника (ВБ)

  • Дужи век трајања хардвера: максимално коришћење, поновна употреба и реновирање. ITU: Глобални монитор електронског отпада 2024.

  • Директно извештавање: избегавајте „зелени језик“ и нејасне тврдње попут „еколошки прихватљива вештачка интелигенција“ без бројева.

Ако и даље пратите како вештачка интелигенција утиче на животну средину, ово је тачка где одговор престаје да буде филозофски и постаје оперативан: утиче на њу на основу ваших избора.

Табела за поређење: алати и приступи који заправо смањују утицај 🧰⚡

Испод је кратка, практична табела. Није савршена, и да, неколико ћелија је помало тврдоглаво... јер тако функционише прави избор алата.

Алат / Приступ Публика Цена Зашто то функционише
Библиотеке за праћење угљеника/енергије (процењивачи времена извршавања) Тимови машинског учења Слободно Даје видљивост - што је пола битке, чак и ако су процене мало нејасне… КодКарбон
Праћење напајања хардвера (GPU/CPU телеметрија) Инфра + машинско учење Бесплатно Мери стварну потрошњу; добро за бенчмаркинг (не блиставо, али златно)
Модел дестилације Инжењери машинског учења Бесплатно (уз трошкове времена 😵) Мањи модели ученика често поклапају перформансе са знатно мањим трошковима закључивања Хинтон и др. (2015): Дестилација знања у неуронској мрежи
Квантизација (закључивање ниже прецизности) Машинско учење + производ Бесплатно Смањује латенцију и потрошњу енергије; понекад са малим компромисима у квалитету, понекад без икаквих Голами и др. (2021): Преглед метода квантизације (PDF)
Кеширање + групно закључивање Производ + платформа Бесплатно Смањује сувишно рачунање; посебно корисно за понављајуће упите или сличне захтеве
Генерисање проширеним претраживањем (RAG) Тимови за апликације Мешовито Преусмерава „меморију“ на преузимање; може смањити потребу за огромним контекстним прозорима Луис и др. (2020): Генерисање проширеним претраживањем
Распоређивање радних оптерећења према интензитету угљеника Инфра/операције Мешовито Пребацује флексибилне послове на чистије електричне прозоре - ипак захтева координацију API интензитета угљеника (GB)
Фокус на ефикасност дата центра (искоришћење, консолидација) ИТ лидерство Плаћено (обично) Најмање гламурозна полуга, али често највећа - престаните да користите полупразне системе Зелена мрежа: PUE
Пројекти поновне употребе топлоте Објекти Зависи Претвара отпадну топлоту у вредност; није увек изводљиво, али када јесте, прилично је лепо
„Да ли нам је овде уопште потребна вештачка интелигенција?“ проверите Сви Бесплатно Спречава бесмислено рачунање. Најмоћнија оптимизација је рећи не (понекад)

Приметите шта недостаје? „Купите магичну зелену налепницу.“ Та не постоји 😬

Практични приручник: смањење утицаја вештачке интелигенције без уништавања производа 🛠️🌱

Ако градите или купујете вештачке интелигенције (AI) системе, ево реалистичног редоследа који функционише у пракси:

Корак 1: Почните са мерењем

  • Пратите потрошњу енергије или је доследно процењујте. CodeCarbon: Методологија

  • Мери по тренингу и по захтеву за закључивање.

  • Праћење искоришћености - неактивни ресурси имају начин да се сакрију на видном месту. Зелена мрежа: PUE

Корак 2: Прилагодите модел величини задатка

  • Користите мање моделе за класификацију, екстракцију, рутирање.

  • Сачувајте тешки модел за тврде кућишта.

  • Размотрите „каскаду модела“: прво мали модел, већи модел само ако је потребно.

Корак 3: Оптимизујте закључивање (ту је битна ствар скалирање)

  • Кеширање: чува одговоре за поновљене упите (уз пажљиве контроле приватности).

  • Груписање: груписање захтева ради побољшања ефикасности хардвера.

  • Краћи резултати: дужи резултати коштају више - понекад вам есеј није потребан.

  • Дисциплина упита: неуредни упити стварају дуже путање рачунања… и да, више токена.

Корак 4: Побољшајте хигијену података

Ово звучи неповезано, али није:

  • Чишћи скупови података могу смањити одлив преобуке.

  • Мање буке значи мање експеримената и мање изгубљених покушаја.

Корак 5: Третирајте хардвер као имовину, а не као предмет за једнократну употребу

Корак 6: Пажљиво изаберите распоређивање

  • Обављајте флексибилне послове где је енергија чистија ако је могуће. API за интензитет угљеника (GB)

  • Смањите непотребно репликацију.

  • Одржавајте циљеве латенције реалним (ултра ниска латенција може довести до неефикасних подешавања сталне укључености).

И да… понекад је најбољи корак једноставно: немојте аутоматски покретати највећи модел за сваку корисничку акцију. Та навика је еквивалент животне средине остављању сваког упаљеног светла јер је ходање до прекидача досадно.

Уобичајени митови (и шта је ближе истини) 🧠🧯

Мит: „Вештачка интелигенција је увек гора од традиционалног софтвера“

Истина: Вештачка интелигенција може бити захтевнија за рачунарство, али може и да замени неефикасне ручне процесе, смањи отпад и оптимизује системе. Зависна је од ситуације. IEA: Вештачка интелигенција за оптимизацију енергије и иновације

Мит: „Обука је једини проблем“

Истина: Закључивање на великом обиму може доминирати током времена. Ако употреба вашег производа експлодира, то постаје главна прича. IEA: Енергија и вештачка интелигенција

Мит: „Обновљиви извори енергије то решавају одмах“

Истина: Чистија електрична енергија много помаже, али не брише утицај хардвера, потрошњу воде или ефекте повратка. Ипак је и даље важна. IEA: Енергија и вештачка интелигенција

Мит: „Ако је ефикасно, онда је одрживо“

Истина: Ефикасност без контроле потражње и даље може повећати укупан утицај. То је замка повратка. OECD (2012): Вишеструке користи од побољшања енергетске ефикасности (PDF)

Управљање, транспарентност и не театралност 🧾🌍

Ако сте компанија, ово је место где се поверење гради или губи.

Ово је део где људи преврћу очима, али је важно. Одговорна технологија није само паметан инжењеринг. Такође се ради о томе да се не претварамо да компромиси не постоје.

Завршни резиме: кратак преглед како вештачка интелигенција утиче на животну средину 🌎✅

Утицај вештачке интелигенције на животну средину своди се на додатно оптерећење: струју, воду (понекад) и потражњу за хардвером. IEA: Енергија и вештачка интелигенција Ли и др. (2023): Како учинити вештачку интелигенцију мање „жедном“ (PDF) Такође нуди моћне алате за смањење емисија и отпада у другим секторима. IEA: Вештачка интелигенција за оптимизацију енергије и иновације Нето резултат зависи од обима, чистоће мреже, избора ефикасности и од тога да ли вештачка интелигенција решава стварне проблеме или само генерише новину ради новине. IEA: Енергија и вештачка интелигенција

Ако желите најједноставнији практични рецепт за понети:

  • Мера.

  • Праве величине.

  • Оптимизујте закључивање.

  • Продужите век трајања хардвера.

  • Будите искрени у вези са компромисима.

А ако се осећате преоптерећено, ево једне смирујуће истине: мале оперативне одлуке, поновљене хиљаду пута, обично су боље од једне велике изјаве о одрживости. Нешто као прање зуба. Није гламурозно, али функционише… 

Пример из стварног света: Смањење утицаја вештачке интелигенције на корисничку подршку 🌱🎧

Сценарио

Замислите да мали онлајн продавац жели да користи вештачку интелигенцију да би одговорио на уобичајена питања купаца о временима испоруке, повраћају, оштећеним пакетима и величинама производа.

Прва верзија је расипна: свака порука купца иде директно највећем доступном моделу, чак и када је питање једноставно. Асистент такође пише предугачке одговоре, понавља текст политике и поново одговара на иста питања хиљадама пута уместо да поново користи одобрене одговоре.

Разумније подешавање није „без вештачке интелигенције“. То је вештачка интелигенција праве величине: користите лакше алате за једноставне задатке, резервишите већи модел за сложене случајеве и мерите утицај по решеном захтеву.

Шта је потребно асистенту

Тим би припремио:

Тренутна политика враћања робе

Правила испоруке по регионима

Напомене о величини производа

Кратка политика ескалације за повраћај новца, жалбе и правна питања

Листа од 50 уобичајених питања купаца

Одобрени кратки одговори за поновљена питања

Једноставан лист за праћење са: типом захтева, коришћеним моделом, дужином одговора, да ли је била потребна ескалација и да ли је одговор прошао људски преглед

Пример упутства

Прво користите најмањи одговарајући модел или одговор заснован на правилима. Користите већи модел само када је питање купца нејасно, емотивно, садржи више проблема или захтева комбиновање информација из више од једне политике. Одговори треба да буду краћи од 120 речи, осим ако купац не тражи детаље. Ако је самопоуздање ниско, поставите једно разјашњавајуће питање или ескалирајте питање човеку. Не измишљајте датуме испоруке, одобрења за повраћај новца или изузетке од политике.

Како га тестирати

Покрените тест са 50 карата пре лансирања:

10 питања о испоруци

10 питања о враћању

10 питања о величини производа

10 рекламација за оштећене предмете

10 помешаних или нејасних порука

За сваки одговор, означите:

Да ли је коришћена исправна политика?

Да ли је кеширани одобрени одговор могао да реши проблем?

Да ли је био потребан већи модел?

Да ли је асистент био кратак?

Да ли је било који одговор измишљена информација?

Да ли су осетљиви случајеви правилно ескалирали?

Разумна пролазна оцена би била нешто попут: 95% тачности политике, 0 измишљених обећања о повраћају новца и 100% ескалације жалби које укључују спорове око плаћања или правне претње.

Резултат

Илустративан резултат, заснован на мерењу времена и бројању теста са 50 карата пре и после оптимизације:

Пре оптимизације, свих 50 тикета је користило већи модел, са просечном дужином одговора од 210 речи.

Након оптимизације, 31 тикет је користио кеширане одобрене одговоре, 14 је користило мањи модел, а само 5 је користило већи модел.

Просечна дужина одговора је пала са 210 речи на 92 речи.

Време људског прегледа је смањено са 4 сата и 10 минута на 1 сат и 25 минута.

Тим је пронашао 2 нетачна одговора на питања у вези са политикама у првом тестном покренућу, а затим 0 нетачних одговора на питања у вези са политикама након ажурирања изворних докумената и додавања јаснијих правила ескалације.

Ово не доказује да је асистент „зелен“. То једноставно показује врсту мерења која чини тврдњу о утицају на животну средину проверљивом: мање позива тешких модела, краћи излази, мање поновљених генерација и мање циклуса прегледа који се могу избећи.

Шта може поћи по злу

Асистент и даље може да троши рачунарске ресурсе ако се свака нејасна порука усмери ка највећем моделу „за сваки случај“.

Кеширани одговори могу постати ризични ако се политика враћања промени и нико их не ажурира.

Кратки одговори могу фрустрирати купце ако изостављају важне детаље.

Тврдње о угљенику или енергији могу постати „зелено прање“ ако компанија пријављује само процентуалне уштеде без приказивања методе мерења.

Највећа грешка је третирање избора модела као једине полуге. У пракси, еколошки прихватљивији ток рада долази од рутирања, кеширања, краћих резултата, бољих изворних докумената и људског прегледа за случајеве високог ризика.

Практична информација

Систем вештачке интелигенције са мањим утицајем обично није најмодернији. То је онај који мери стварну употребу, избегава непотребне претеране закључке, поново користи одобрене одговоре где је то могуће и даље даје људима контролу над одлукама које су битне.

Честа питања

Како вештачка интелигенција утиче на животну средину у свакодневној употреби, не само у великим истраживачким лабораторијама?

Већи део утицаја вештачке интелигенције долази од електричне енергије која напаја центре података који покрећу графичке и централне процесоре током обуке и свакодневног „закључивања“. Један захтев може бити скроман, али у великим размерама ти захтеви се брзо акумулирају. Утицај такође зависи од тога где се центар података налази, колико је чиста локална мрежа и колико ефикасно се инфраструктура користи.

Да ли је тренирање вештачке интелигенције лошије за животну средину од његовог коришћења (инференција)?

Обука може бити велики, почетни налет рачунарских напора, али закључивање може временом постати већи отисак јер се стално извршава и у великим размерама. Ако алат користе милиони људи сваког дана, поновљени захтеви могу надмашити једнократне трошкове обуке. Зато се оптимизација често концентрише на ефикасност закључивања.

Зашто вештачка интелигенција користи воду и да ли је то увек проблем?

Вештачка интелигенција може да користи воду углавном зато што се неки центри података ослањају на хлађење на бази воде или зато што се вода индиректно троши кроз производњу електричне енергије. У одређеним климатским условима, испаравајуће хлађење може смањити потрошњу електричне енергије, а истовремено повећати потрошњу воде, стварајући прави компромис. Да ли је то „лоше“ зависи од локалне несташице воде, дизајна хлађења и тога да ли се потрошња воде мери и управља.

Који делови еколошког отиска вештачке интелигенције потичу од хардвера и електронског отпада?

Вештачка интелигенција зависи од чипова, сервера, мрежне опреме, зграда и ланаца снабдевања - што значи рударство, производњу, испоруку и коначно одлагање. Производња полупроводника је енергетски интензивна, а брзи циклуси надоградње могу повећати емисије гасова и електронски отпад. Продужавање животног века хардвера, реновирање и побољшање искоришћења могу значајно смањити утицај, понекад чак и са променама на нивоу модела.

Да ли коришћење обновљивих извора енергије решава утицај вештачке интелигенције на животну средину?

Чистија електрична енергија може смањити емисије из рачунарства, али не брише друге утицаје попут потрошње воде, производње хардвера и електронског отпада. Такође, не решава аутоматски „ефекте повратка“, где јефтиније рачунарство доводи до веће укупне употребе. Обновљиви извори енергије су важна полуга, али су само један део утицаја на електричну енергију.

Шта је ефекат повратка и зашто је важан за вештачку интелигенцију и одрживост?

Ефекат повратка је када повећање ефикасности нешто учини јефтинијим или лакшим, па људи то раде више – понекад бришући уштеде. Са вештачком интелигенцијом, јефтинија производња или аутоматизација могу повећати укупну потражњу за садржајем, рачунарством и услугама. Зато је мерење исхода у пракси важније од слављења ефикасности у изолацији.

Који су практични начини за смањење утицаја вештачке интелигенције без оштећења производа?

Уобичајени приступ је почети са мерењем (процене енергије и угљеника, искоришћење), затим прилагодити моделе задатку и оптимизовати закључивање кеширањем, групирањем и краћим излазима. Технике попут квантизације, дестилације и генерисања проширеног претраживањем могу смањити потребе за рачунарством. Оперативни избори - попут распоређивања радног оптерећења према интензитету угљеника и дужег животног века хардвера - често доносе велике добитке.

Како вештачка интелигенција може помоћи животној средини, а не да јој наштети?

Вештачка интелигенција може смањити емисије и отпад када се примени за оптимизацију стварних система: прогнозирање мреже, одговор на потражњу, контролу грејања, вентилације и климатизације зграда, рутирање логистике, предиктивно одржавање и откривање цурења. Такође може подржати праћење животне средине попут упозорења о крчењу шума и откривања метана. Кључно је да ли систем мења одлуке и производи мерљива смањења, а не само боље контролне табле.

Које метрике би компаније требало да пријављују како би избегле тврдње о „еколошки прихватљивој“ вештачкој интелигенцији?

Смисленије је извештавати о метрикама по задатку или захтеву него само о великим укупним бројевима, јер то показује ефикасност на нивоу јединице. Праћење потрошње енергије, процена угљеника, коришћења и - где је релевантно - утицаја на воду ствара јаснију одговорност. Такође је важно: дефинисати границе (шта је укључено) и избегавати нејасне етикете попут „еколошки прихватљива вештачка интелигенција“ без квантификованих доказа.

Референце

  1. Међународна агенција за енергетику (IEA) - Енергија и вештачка интелигенција - iea.org

  2. Међународна агенција за енергетику (IEA) - Вештачка интелигенција за оптимизацију енергије и иновације - iea.org

  3. Међународна агенција за енергетику (IEA) - Дигитализација - iea.org

  4. Национална лабораторија Лоренс Беркли (LBNL) - Извештај о потрошњи енергије у центрима података Сједињених Држава (2024) (PDF) - lbl.gov

  5. Ли и др. - Како учинити вештачку интелигенцију мање „жедном“ (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Појава и ширење течног хлађења у главним центрима података (PDF) - ashrae.org

  7. Зелена мрежа - PUE-Свеобухватни преглед метрике - thegreengrid.org

  8. Министарство енергетике САД (DOE) - FEMP - Могућности ефикасног коришћења воде за хлађење за федералне центре података - energy.gov

  9. Министарство енергетике САД (DOE) - FEMP - Енергетска ефикасност у центрима података - energy.gov

  10. Агенција за заштиту животне средине САД (EPA) - Полупроводничка индустрија - epa.gov

  11. Међународна телекомуникациона унија (ITU) - Глобални монитор електронског отпада 2024 - itu.int

  12. ОЕЦД - Вишеструке користи од побољшања енергетске ефикасности (2012) (PDF) - oecd.org

  13. API интензитета угљеника (GB) - carbonintensity.org.uk

  14. imec - Смањење утицаја на животну средину у производњи чипова - imec-int.com

  15. УНЕП - Како МАРС функционише - unep.org

  16. Глобална вожња шума - GLAD упозорења о крчењу шума - globalforestwatch.org

  17. Институт Алана Тјуринга - Вештачка интелигенција и аутономни системи за процену биодиверзитета и здравља екосистема - turing.ac.uk

  18. CodeCarbon - Методологија - mlco2.github.io

  19. Голами и др. - Преглед метода квантизације (2021) (PDF) - arxiv.org

  20. Луис и др. - Генерисање проширеним претраживањем (2020) - arxiv.org

  21. Хинтон и др. - Дестилација знања у неуронској мрежи (2015) - arxiv.org

  22. КодКарбон - codecarbon.io

Пронађите најновију вештачку интелигенцију у званичној продавници вештачке интелигенције

О нама

Назад на блог

Додатна честа питања

  • Како вештачка интелигенција утиче на потрошњу енергије?

    Вештачка интелигенција значајно утиче на потрошњу енергије, првенствено кроз електричну енергију која се користи у центрима података, како за моделе обуке, тако и за обраду свакодневних задатака (инференција). Како се обим захтева повећава, потрошња енергије може се брзо акумулирати.

  • Какву улогу вода игра у утицају вештачке интелигенције на животну средину?

    Вода се углавном користи за хлађење у одређеним подешавањима дата центара. Избор метода хлађења може значајно утицати на укупну потрошњу воде, посебно у подручјима која се суочавају са несташицом воде.

  • Да ли су ефекти вештачке интелигенције на животну средину ограничени на употребу електричне енергије?

    Не, утицаји вештачке интелигенције на животну средину протежу се даље од потрошње електричне енергије. То такође укључује утицаје производње хардвера, попут чипова и сервера, као и евентуални електронски отпад који настаје када се ови уређаји одбаце.

  • Како се вештачка интелигенција може оптимизовати да би се смањио утицај на животну средину?

    Оптимизација вештачке интелигенције може да обухвати неколико стратегија, укључујући моделе правилне величине, побољшање ефикасности закључивања, продужење века трајања хардвера и коришћење чистијих извора енергије. Коришћење техника попут кеширања и групирања захтева такође помаже у смањењу потрошње енергије.

  • Какав је ефекат повратка у контексту вештачке интелигенције и одрживости?

    Ефекат повратка се јавља када повећање ефикасности у вештачкој интелигенцији доведе до повећане употребе. На пример, ако вештачка интелигенција учини одређене задатке јефтинијим и лакшим, људи их могу обављати чешће, што потенцијално поништава предности ефикасности.

  • Како вештачка интелигенција позитивно доприноси еколошкој одрживости?

    Вештачка интелигенција може помоћи у повећању ефикасности у различитим секторима, оптимизујући логистику, побољшавајући управљање енергијом и смањујући отпад, што на крају може довести до мањих емисија и мањег укупног еколошког отиска.

  • Које метрике треба користити за процену утицаја вештачке интелигенције на животну средину?

    Значајне метрике укључују праћење потрошње енергије, емисије угљеника по захтеву и коришћења ресурса. Ове метрике пружају јаснију слику утицаја вештачке интелигенције на животну средину и помажу у прецизнијој процени њене одрживости.

  • Може ли коришћење обновљиве енергије у потпуности ублажити утицаје вештачке интелигенције на животну средину?

    Иако коришћење обновљиве енергије може значајно смањити емисије повезане са потрошњом електричне енергије вештачке интелигенције, оно не решава проблеме попут утицаја производње хардвера и електронског отпада. Неопходан је холистички приступ који узима у обзир све факторе.