AI-trejnado-emisioj: AI-ebligitaj sistemoj kontribuas al tutmondaj karbonemisioj

• Aŭtoro:
• Aŭtora nomo

  Quantumrun Foresight
• Eble 3, 2022

Enrigarda resumo

La kresko de artefarita inteligenteco (AI) teknologio kunportis neatenditan median defion, ĉar la potenco konsumita dum AI-trejnado kondukas al signifaj karbonemisioj. Rekonante ĉi tiun problemon, la industrio esploras solvojn kiel disvolvado de pli energiefikaj AI-modeloj, partnerado kun renoviĝantaj energiaj kompanioj kaj translokado de datumcentroj por minimumigi energikonsumon. Tiuj klopodoj, kune kun eblaj reguligaj iniciatoj, formas estontecon kie teknologia progreso kaj media respondeco povas kunekzisti.

Kunteksto de emisioj de trejnado de AI

Oni scias, ke sistemoj movitaj por artefarita inteligenteco (AI) konsumas signifajn kvantojn de potenco dum siaj trejnadfazoj, kondukante al la emisio de grandaj kvantoj de karbono. Ĉi tio, siavice, kontribuas al klimata ŝanĝo, kreante median zorgon, kiun oni ne povas preterlasi. Dum la industrio de AI daŭre kreskas, kun kreskanta postulo je pli grandaj kaj pli kompleksaj modeloj, la defio fariĝas eĉ pli malsimpla. 

AI ludas ĉiam pli gravan rolon en la tutmonda ekonomio kaj kondukas novajn evoluojn en la sanservo, teknologio kaj energiindustrioj, por nomi nur kelkajn. Tamen, meze de la utila ŝanĝo enkondukita de AI-sistemoj, studoj montris, ke altaj kvantoj da karbono estas produktitaj pro la potenco konsumita de AI-sistemoj kiam ili estas trejnitaj kaj kiam ili faras grandan nombron da kalkuloj. Laŭ esplorado farita en 2019 de la Universitato de Masaĉuseco ĉe Amherst, proksimume 1,400 funtoj da emisioj estas generitaj dum trejnado de nekomerca AI-lingva pretigosistemo. Krome, depende de la energifonto, proksimume 78,000 funtoj da karbono estas elsenditaj kiam profunda lerna AI-sistemo estas konstruita kaj trejnita de nulo.

Rekonante kiel la kreado kaj trejnado de AI-sistemoj kontribuas al klimata ŝanĝo, aperis la Verda AI-movado, kiu serĉas igi AI-ebligitajn procezojn pli puraj kaj pli ekologiemaj. La movado rimarkis, ke iuj maŝinlernado-algoritmoj konsumas malpli da potenco ol aliaj AI-bazitaj sistemoj, dum AI-sistemtrejnado povas esti movita al malproksimaj lokoj kaj povas uzi potencon de renovigeblaj fontoj. 

Disrompa efiko

Firmaoj, kiuj specialiĝas pri produktado kaj trejnado de AI-sistemoj, havas la eblon fari pozitivan efikon al la medio per ampleksado de renovigeblaj energifontoj. Registaroj kaj reguligaj korpoj povas instigi ĉi tiun ŝanĝon proponante impostajn instigojn kaj subtenon al tiuj, kiuj instalas renovigeblajn elektrosistemojn por subteni siajn operaciojn bazitajn en AI. Landoj kun fortaj renoviĝantenergiaj industrioj povus iĝi allogaj cellokoj por tiuj kompanioj, disponigante la necesan infrastrukturon. 

La karbonemisioj produktitaj dum trejnado de AI-algoritmoj varias vaste, depende de faktoroj kiel ekzemple la fonto de elektroproduktado, la speco de komputila aparataro uzita, kaj la algoritmodezajno mem. Esploristoj, inkluzive de tiuj ĉe Google, trovis, ke eblas redukti ĉi tiujn emisiojn signife, foje je faktoro inter 10 kaj 100 fojojn. Farante pripensemajn alĝustigojn, kiel ekspluati renovigeblan energion kaj utiligi malsamajn lokojn, la industrio povas fari grandajn paŝojn en reduktado de sia karbonpiedsigno. 

Reguligaj aŭtoritatoj havas rolon por certigi, ke AI-trejnadprojektoj aliĝas al mediaj normoj. Se specifaj projektoj estas identigitaj kiel signifaj kontribuantoj al karbonemisioniveloj en siaj jurisdikcioj, aŭtoritatoj povas devigi laborhaltojn ĝis emisioj estas reduktitaj. Impostoj sur AI-centroj kiuj produktas grandajn kvantojn da karbono povas esti efektivigitaj kiel malkuraĝigo, dum AI-kompanioj povas esplori la plej novajn evoluojn en komputila scienco por fari pli da kalkuloj uzante malpli da potenco.

Implikoj de AI-trejnado-emisioj 

Pli larĝaj implicoj de AI-trejnaj emisioj povas inkludi:

• La prioritatita evoluo de novaj AI-modeloj, kiuj povas pli efike analizi datumojn kun minimuma energikonsumo, kondukante al redukto de ĝeneralaj energipostuloj kaj responda malkresko de media efiko.
• Firmaoj investis en AI-evoluo partneranta kun renoviĝantaj energio-kompanioj por ke pura elektra infrastrukturo povas esti instalita por subteni siajn operaciojn, kreskigante kunlaboron inter teknologio kaj energiaj sektoroj.
• Transloki la lokon de datumcentroj por utiligi impostajn instigojn kaj eviti reguligan superrigardon, aŭ transloki ilin al arktaj lokoj por minimumigi energion elspezitan por malvarmigo de serviloj, kondukante al novaj geografiaj naboj por teknologio kaj ebla loka ekonomia kresko.
• La kreado de novaj edukaj programoj temigantaj daŭrigeblan AI-evoluon, kondukante al laborantaro, kiu estas pli sperta en ekvilibro de teknologia progreso kun media respondeco.
• La apero de internaciaj interkonsentoj kaj normoj pri AI-karbonemisioj, kondukante al pli unuigita tutmonda aliro al administrado de la media efiko de AI.
• Ŝanĝo de atendoj de konsumantoj al ekologie respondecaj AI-produktoj kaj servoj, kondukante al ŝanĝoj en aĉeta konduto kaj pliigita postulo je travidebleco en AI-energiokonsumo.
• La potencialo por labormovo en tradiciaj energisektoroj ĉar AI-kompanioj ĉiam pli turniĝas al renoviĝantaj energifontoj, kondukante al labormerkataj ŝanĝoj kaj la bezono de retrejnaj programoj.
• La evoluo de novaj politikaj aliancoj kaj streĉitecoj bazitaj sur renoviĝanta energio havebleco kaj AI-industribezonoj, kondukante al ŝanĝoj en internaciaj rilatoj kaj komercaj interkonsentoj.
• Pliigita fokuso pri energiefika aparatara dezajno specife adaptita por AI-aplikoj, kondukante al teknologiaj progresoj, kiuj prioritatas daŭripovon kune kun agado.
• La potencialo por kamparaj areoj kun abundaj renoviĝantaj energiresursoj iĝi allogaj lokoj por AI-evoluo, kondukante al demografiaj ŝanĝoj kaj novaj ŝancoj por ekonomia kresko en antaŭe nesufiĉe servitaj regionoj.

Konsiderindaj demandoj

• Ĉu vi pensas, ke oni devas pasigi regularojn, kiuj kondiĉas, ke nur renovigebla potenco estu uzata kiam AI-kompanioj planas trejni kaj evoluigi profundlernajn AI-sistemojn? 
• Ĉu ekologiistoj devus enkalkuli la energiŝparajn avantaĝojn kiuj rezultas de AI-sistema analizo (ekz., komputigaj dezajnoj por novaj energiŝparaj materialoj, maŝinaro, provizoĉeno-vojigo, ktp.) por kalkuli la realan/plenan median koston de AI-sistemoj?