Пише: Адам Зеве
Узбуђење које окружује потенцијалне користи генеративне вештачке интелигенције, од побољшања продуктивности радника до унапређења научних истраживања, тешко је игнорисати. Иако је експлозивни раст ове нове технологије омогућио брзо примењивање моћних модела у многим индустријама, еколошке последице ове „златне грознице“ генеративне вештачке интелигенције и даље је тешко утврдити, а камоли ублажити.
Рачунарска снага потребна за обучавање генеративних вештачких интелигенција модела који често имају милијарде параметара, као што је OpenAI-јев GPT-4, може захтевати запањујућу количину електричне енергије, што доводи до повећане емисије угљен-диоксида и притиска на електричну мрежу.
Штавише, примена ових модела у стварним апликацијама, омогућавајући милионима да користе генеративну вештачку интелигенцију у свакодневном животу, а затим фино подешавање модела ради побољшања њихових перформанси, црпи велике количине енергије дуго након што је модел развијен.
Поред потреба за електричном енергијом, потребна је велика количина воде за хлађење хардвера који се користи за обуку, имплементацију и фино подешавање генеративних вештачких интелигенција (ВИ), што може оптеретити општинске залихе воде и пореметити локалне екосистеме.
Растући број генеративних ВИ апликација такође је подстакао потражњу за високоперформансним рачунарским хардвером, додајући индиректне утицаје на животну средину од његове производње и транспорта.
„Када размишљамо о утицају генеративне вештачке интелигенције на животну средину, није у питању само електрична енергија коју трошите када укључите рачунар. Постоје много шире последице које се преносе на системски ниво и трају на основу акција које предузимамо“, каже Елса А. Оливети, професорка на Одељењу за науку о материјалима и инжењерство и руководилац Мисије декарбонизације новог климатског пројекта МИТ-а .
Оливети је главни аутор рада из 2024. године под називом „ Импликације генеративне вештачке интелигенције на климу и одрживост “, чији су коаутори колеге са МИТ-а као одговор на позив Института за радове који истражују трансформативни потенцијал генеративне вештачке интелигенције, како у позитивном тако и у негативном правцу за друштво.
Захтевни центри података
Потражња за електричном енергијом у дата центрима један је од главних фактора који доприносе утицају генеративне вештачке интелигенције на животну средину, будући да се дата центри користе за обуку и покретање модела дубоког учења који стоје иза популарних алата попут ChatGPT и DALL-E.
Дата центар је зграда са контролисаном температуром која смешта рачунарску инфраструктуру, као што су сервери, дискови за складиштење података и мрежна опрема. На пример, Амазон има више од 100 дата центара широм света , од којих сваки има око 50.000 сервера које компанија користи за подршку услугама рачунарства у облаку.
Иако центри података постоје још од 1940-их (први је изграђен на Универзитету у Пенсилванији 1945. године како би подржао први дигитални рачунар опште намене , ENIAC), успон генеративне вештачке интелигенције драматично је повећао темпо изградње центара података.
„Оно што је другачије код генеративне вештачке интелигенције је густина снаге која јој је потребна. У основи, то је само рачунарство, али кластер за обуку генеративне вештачке интелигенције може потрошити седам или осам пута више енергије од типичног рачунарског оптерећења“, каже Номан Башир, главни аутор рада о утицају, који је сарадник за рачунарство и утицај на климу у МИТ-овом конзорцијуму за климу и одрживост (MCSC) и постдокторант у Лабораторији за рачунарске науке и вештачку интелигенцију (CSAIL).
Научници су проценили да су потребе за енергијом дата центара у Северној Америци порасле са 2.688 мегавата крајем 2022. године на 5.341 мегават крајем 2023. године, делимично због потражње генеративне вештачке интелигенције. Глобално, потрошња електричне енергије у дата центрима порасла је на 460 терават-сати у 2022. години. Према подацима Организације за економску сарадњу и развој, ово би дата центре учинило 11. највећим потрошачем електричне енергије на свету, између Саудијске Арабије (371 терават-сат) и Француске (463 терават-сата).
Очекује се да ће се до 2026. године потрошња електричне енергије у дата центрима приближити 1.050 терават-сати (што би дата центре подигло на пето место на глобалној листи, између Јапана и Русије).
Иако нису сви обрачуни у центрима података повезани са генеративном вештачком интелигенцијом, та технологија је била главни покретач повећања потражње за енергијом.
„Потражња за новим центрима података не може се задовољити на одржив начин. Темпо којим компаније граде нове центре података значи да највећи део електричне енергије за њихово напајање мора да долази из електрана на фосилна горива“, каже Башир.
Тешко је утврдити количину енергије потребне за обуку и имплементацију модела попут OpenAI-јевог GPT-3. У истраживачком раду из 2021. године, научници из компаније Google и Универзитета Калифорније у Берклију проценили су да је само процес обуке потрошио 1.287 мегават-сати електричне енергије (довољно за напајање око 120 просечних америчких домаћинстава током једне године), генеришући око 552 тоне угљен-диоксида.
Иако сви модели машинског учења морају бити обучени, један проблем јединствен за генеративну вештачку интелигенцију су брзе флуктуације у потрошњи енергије које се јављају током различитих фаза процеса обуке, објашњава Башир.
Оператори електроенергетске мреже морају имати начин да апсорбују те флуктуације како би заштитили мрежу, и за тај задатак обично користе генераторе на бази дизела .
Растући утицаји из закључивања
Када се генеративни вештачки интелигентни модел обучи, потребе за енергијом не нестају.
Сваки пут када се модел користи, можда од стране појединца који тражи од ChatGPT-а да сумира имејл, рачунарски хардвер који обавља те операције троши енергију. Истраживачи су проценили да ChatGPT упит троши око пет пута више струје него једноставна веб претрага.
„Али свакодневни корисник не размишља превише о томе“, каже Башир. „Једноставност коришћења генеративних вештачких интелигенција и недостатак информација о утицају мојих поступака на животну средину значе да, као корисник, немам много подстицаја да смањим употребу генеративне вештачке интелигенције.“
Код традиционалне вештачке интелигенције, потрошња енергије је прилично равномерно распоређена између обраде података, обуке модела и закључивања, што је процес коришћења обученог модела за предвиђање на основу нових података. Међутим, Башир очекује да ће потребе за електричном енергијом генеративне вештачке инференције на крају доминирати, јер ови модели постају свеприсутни у толико много апликација, а електрична енергија потребна за закључивање ће се повећавати како будуће верзије модела буду постајале веће и сложеније.
Поред тога, генеративни модели вештачке интелигенције имају посебно кратак рок трајања, што је вођено растућом потражњом за новим апликацијама вештачке интелигенције. Компаније објављују нове моделе сваких неколико недеља, тако да се енергија која се користи за обуку претходних верзија баца у пропаст, додаје Башир. Нови модели често троше више енергије за обуку, јер обично имају више параметара од својих претходника.
Иако потражња за електричном енергијом у дата центрима можда добија највише пажње у истраживачкој литератури, количина воде коју троше ови објекти такође има утицај на животну средину.
Хладна вода се користи за хлађење дата центра апсорбујући топлоту из рачунарске опреме. Процењено је да би за сваки киловат-сат енергије коју дата центар потроши била потребна два литра воде за хлађење, каже Башир.
„Само зато што се ово назива 'клауд рачунарство' не значи да се хардвер налази у облаку. Центри података су присутни у нашем физичком свету и због потрошње воде имају директне и индиректне импликације на биодиверзитет“, каже он.
Рачунарски хардвер унутар дата центара доноси своје, мање директне утицаје на животну средину.
Иако је тешко проценити колико је снаге потребно за производњу графичке процесорске јединице (GPU), врсте моћног процесора који може да поднесе интензивна генеративна вештачка интелигенција, то би било више него што је потребно за производњу једноставнијег процесора (CPU) јер је процес производње сложенији. Угљенични отисак графичке процесорске јединице (GPU) је погоршан емисијама повезаним са транспортом материјала и производа.
Такође постоје еколошке импликације добијања сировина које се користе за израду графичких процесора (ГПУ), што може укључивати прљаве поступке рударења и употребу токсичних хемикалија за прераду.
Фирма за истраживање тржишта TechInsights процењује да су три главна произвођача (NVIDIA, AMD и Intel) испоручила 3,85 милиона графичких процесора центрима података у 2023. години, у односу на око 2,67 милиона у 2022. години. Очекује се да ће се тај број повећати за још већи проценат у 2024. години.
Индустрија је на неодрживој путањи, али постоје начини да се подстакне одговоран развој генеративне вештачке интелигенције која подржава еколошке циљеве, каже Башир.
Он, Оливети и њихове колеге са МИТ-а тврде да ће ово захтевати свеобухватно разматрање свих еколошких и друштвених трошкова генеративне вештачке интелигенције, као и детаљну процену вредности њених перципираних користи.
„Потребан нам је контекстуалнији начин систематског и свеобухватног разумевања импликација нових дешавања у овој области. Због брзине којом су се дешавала побољшања, нисмо имали прилику да сустигнемо наше способности мерења и разумевања компромиса“, каже Оливети.
Извор: Правда/ПРИРЕДИО ВЛАДИМИР ДИМИТРИЈЕВИЋ
https://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117
