AI પ્રશિક્ષણ ઉત્સર્જન: AI-સક્ષમ સિસ્ટમો વૈશ્વિક કાર્બન ઉત્સર્જનમાં ફાળો આપે છે

• લેખક:
• લેખક નામ

  ક્વોન્ટમરુન અગમચેતી
• 3 શકે છે, 2022

આંતરદૃષ્ટિનો સારાંશ

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ટેક્નોલોજીમાં ઉછાળો તેની સાથે એક અણધારી પર્યાવરણીય પડકાર લાવ્યો છે, કારણ કે AI તાલીમ દરમિયાન ઉપયોગમાં લેવાતી શક્તિ નોંધપાત્ર કાર્બન ઉત્સર્જન તરફ દોરી જાય છે. આ મુદ્દાને ઓળખીને, ઉદ્યોગ વધુ ઉર્જા-કાર્યક્ષમ AI મોડલ વિકસાવવા, રિન્યુએબલ એનર્જી કંપનીઓ સાથે ભાગીદારી કરવા અને ઉર્જાનો વપરાશ ઓછો કરવા માટે ડેટા કેન્દ્રોને સ્થાનાંતરિત કરવા જેવા ઉકેલોની શોધ કરી રહ્યું છે. આ પ્રયાસો, સંભવિત નિયમનકારી પગલાં સાથે, ભવિષ્યને આકાર આપી રહ્યા છે જ્યાં તકનીકી પ્રગતિ અને પર્યાવરણીય જવાબદારી એક સાથે રહી શકે છે.

AI તાલીમ ઉત્સર્જન સંદર્ભ

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) સંચાલિત પ્રણાલીઓ તેમના પ્રશિક્ષણ તબક્કાઓ દરમિયાન નોંધપાત્ર પ્રમાણમાં શક્તિનો વપરાશ કરવા માટે જાણીતી છે, જે મોટા જથ્થામાં કાર્બનના ઉત્સર્જન તરફ દોરી જાય છે. આ, બદલામાં, આબોહવા પરિવર્તનમાં ફાળો આપે છે, પર્યાવરણીય ચિંતા ઊભી કરે છે જેને અવગણી શકાય નહીં. મોટા અને વધુ જટિલ મોડલ્સની વધતી જતી માંગ સાથે, AI ઉદ્યોગ સતત વિકાસ પામતો જાય છે, પડકાર વધુ જટિલ બને છે. 

AI વૈશ્વિક અર્થવ્યવસ્થામાં વધુને વધુ મહત્વની ભૂમિકા ભજવી રહ્યું છે અને હેલ્થકેર, ટેક્નોલોજી અને ઉર્જા ઉદ્યોગોમાં નવા વિકાસને આગળ ધપાવી રહ્યું છે. જો કે, AI સિસ્ટમો દ્વારા રજૂ કરવામાં આવતા લાભદાયી પરિવર્તન વચ્ચે, અભ્યાસોએ દર્શાવ્યું છે કે AI સિસ્ટમો જ્યારે તેઓને તાલીમ આપવામાં આવે છે અને જ્યારે તેઓ મોટી સંખ્યામાં ગણતરીઓ કરે છે ત્યારે તેમના દ્વારા વપરાશમાં લેવાતી શક્તિને કારણે ઉચ્ચ માત્રામાં કાર્બન ઉત્પન્ન થાય છે. એમ્હર્સ્ટ ખાતે યુનિવર્સિટી ઓફ મેસેચ્યુસેટ્સ દ્વારા 2019 માં હાથ ધરવામાં આવેલા સંશોધન મુજબ, ઑફ-ધ-શેલ્ફ AI લેંગ્વેજ પ્રોસેસિંગ સિસ્ટમને તાલીમ આપતી વખતે આશરે 1,400 પાઉન્ડ ઉત્સર્જન થાય છે. વધુમાં, પાવર સ્ત્રોત પર આધાર રાખીને, જ્યારે ડીપ લર્નિંગ AI સિસ્ટમ બનાવવામાં આવે છે અને શરૂઆતથી તાલીમ આપવામાં આવે છે ત્યારે લગભગ 78,000 પાઉન્ડ કાર્બન ઉત્સર્જિત થાય છે.

AI પ્રણાલીઓની રચના અને તાલીમ કેવી રીતે આબોહવા પરિવર્તનમાં ફાળો આપે છે તેની માન્યતામાં, ગ્રીન AI ચળવળ ઉભરી આવી છે, જે AI-સક્ષમ પ્રક્રિયાઓને સ્વચ્છ અને વધુ પર્યાવરણને અનુકૂળ બનાવવા માંગે છે. ચળવળે નોંધ્યું હતું કે કેટલાક મશીન લર્નિંગ અલ્ગોરિધમ્સ અન્ય AI-આધારિત સિસ્ટમો કરતાં ઓછી શક્તિ વાપરે છે, જ્યારે AI સિસ્ટમ તાલીમ દૂરસ્થ સ્થાનો પર ખસેડી શકાય છે અને નવીનીકરણીય સ્ત્રોતોમાંથી પાવરનો ઉપયોગ કરી શકે છે. 

વિક્ષેપકારક અસર

AI સિસ્ટમના ઉત્પાદન અને પ્રશિક્ષણમાં વિશેષતા ધરાવતી કંપનીઓમાં નવીનીકરણીય ઉર્જા સ્ત્રોતોને અપનાવીને પર્યાવરણ પર હકારાત્મક અસર કરવાની ક્ષમતા હોય છે. સરકારો અને નિયમનકારી સંસ્થાઓ તેમની AI-આધારિત કામગીરીને ટેકો આપવા માટે રિન્યુએબલ પાવર સિસ્ટમ્સ ઇન્સ્ટોલ કરનારાઓને ટેક્સ પ્રોત્સાહનો અને સમર્થન આપીને આ શિફ્ટને પ્રોત્સાહિત કરી શકે છે. મજબૂત પુનઃપ્રાપ્ય ઉર્જા ઉદ્યોગો ધરાવતા દેશો આ કંપનીઓ માટે આકર્ષક સ્થળો બની શકે છે, જે જરૂરી ઈન્ફ્રાસ્ટ્રક્ચર પ્રદાન કરે છે. 

AI એલ્ગોરિધમ્સને તાલીમ આપતી વખતે ઉત્પાદિત કાર્બન ઉત્સર્જન વ્યાપકપણે બદલાય છે, જે વિદ્યુત ઉત્પાદનના સ્ત્રોત, ઉપયોગમાં લેવાતા કમ્પ્યુટર હાર્ડવેરનો પ્રકાર અને અલ્ગોરિધમ ડિઝાઇન જેવા પરિબળો પર આધાર રાખે છે. Google ના સંશોધકો સહિતના સંશોધકોએ શોધી કાઢ્યું છે કે આ ઉત્સર્જનને નોંધપાત્ર રીતે ઘટાડવું શક્ય છે, કેટલીકવાર 10 થી 100 વખત વચ્ચેના પરિબળ દ્વારા. નવીનીકરણીય ઉર્જાનો લાભ ઉઠાવવા અને વિવિધ સ્થળોનો ઉપયોગ કરવા જેવા વિચારશીલ ગોઠવણો કરીને, ઉદ્યોગ તેના કાર્બન ફૂટપ્રિન્ટને ઘટાડવામાં નોંધપાત્ર પ્રગતિ કરી શકે છે. 

એઆઈ પ્રશિક્ષણ પ્રોજેક્ટ પર્યાવરણીય ધોરણોનું પાલન કરે છે તેની ખાતરી કરવા માટે નિયમનકારી સત્તાવાળાઓની ભૂમિકા છે. જો ચોક્કસ પ્રોજેક્ટ્સને તેમના અધિકારક્ષેત્રમાં કાર્બન ઉત્સર્જનના સ્તરમાં નોંધપાત્ર યોગદાનકર્તા તરીકે ઓળખવામાં આવે, તો સત્તાવાળાઓ જ્યાં સુધી ઉત્સર્જનમાં ઘટાડો ન થાય ત્યાં સુધી કામ અટકાવી શકે છે. મોટી માત્રામાં કાર્બન ઉત્પન્ન કરતા AI કેન્દ્રો પરના કરને અવરોધક તરીકે લાગુ કરી શકાય છે, જ્યારે AI કંપનીઓ ઓછી શક્તિનો ઉપયોગ કરીને વધુ ગણતરીઓ કરવા માટે કોમ્પ્યુટેશનલ વિજ્ઞાનમાં નવીનતમ વિકાસની શોધ કરી શકે છે.

AI તાલીમ ઉત્સર્જનની અસરો 

AI પ્રશિક્ષણ ઉત્સર્જનની વ્યાપક અસરોમાં નીચેનાનો સમાવેશ થઈ શકે છે:

• નવા AI મોડલ્સનો પ્રાથમિક વિકાસ જે ન્યૂનતમ ઉર્જા વપરાશ સાથે ડેટાનું વધુ કાર્યક્ષમતાથી પૃથ્થકરણ કરી શકે છે, જે એકંદર ઉર્જાની માંગમાં ઘટાડો અને પર્યાવરણીય પ્રભાવમાં અનુરૂપ ઘટાડો તરફ દોરી જાય છે.
• રિન્યુએબલ એનર્જી કંપનીઓ સાથે ભાગીદારી કરીને AI ડેવલપમેન્ટમાં રોકાણ કરેલી કંપનીઓએ ટેક્નોલોજી અને ઉર્જા ક્ષેત્રો વચ્ચે સહયોગને ઉત્તેજન આપતા, તેમની કામગીરીને સમર્થન આપવા માટે સ્વચ્છ પાવર ઈન્ફ્રાસ્ટ્રક્ચર સ્થાપિત કરી શકાય.
• ટેક્સ પ્રોત્સાહનોનો લાભ લેવા અને નિયમનકારી દેખરેખને ટાળવા માટે ડેટા સેન્ટર્સનું સ્થાન સ્થાનાંતરિત કરવું, અથવા કૂલિંગ સર્વર્સ પર ખર્ચવામાં આવતી ઊર્જા ઘટાડવા માટે તેમને આર્ક્ટિક સ્થાનો પર સ્થાનાંતરિત કરવું, જે ટેક્નોલોજી અને સંભવિત સ્થાનિક આર્થિક વૃદ્ધિ માટે નવા ભૌગોલિક કેન્દ્રો તરફ દોરી જાય છે.
• ટકાઉ AI વિકાસ પર ધ્યાન કેન્દ્રિત કરતા નવા શૈક્ષણિક કાર્યક્રમોની રચના, જે કાર્યબળ તરફ દોરી જાય છે જે પર્યાવરણીય જવાબદારી સાથે તકનીકી પ્રગતિને સંતુલિત કરવામાં વધુ કુશળ છે.
• AI કાર્બન ઉત્સર્જન પર આંતરરાષ્ટ્રીય કરારો અને ધોરણોનો ઉદભવ, જે AI ની પર્યાવરણીય અસરને સંચાલિત કરવા માટે વધુ એકીકૃત વૈશ્વિક અભિગમ તરફ દોરી જાય છે.
• પર્યાવરણીય રીતે જવાબદાર AI ઉત્પાદનો અને સેવાઓ તરફ ઉપભોક્તા અપેક્ષાઓમાં પરિવર્તન, જે ખરીદ વર્તનમાં ફેરફાર તરફ દોરી જાય છે અને AI ઊર્જા વપરાશમાં પારદર્શિતાની માંગમાં વધારો કરે છે.
• પરંપરાગત ઉર્જા ક્ષેત્રોમાં નોકરીના વિસ્થાપનની સંભાવનાઓ કારણ કે AI કંપનીઓ વધુને વધુ નવીનીકરણીય ઉર્જા સ્ત્રોતો તરફ વળે છે, જે શ્રમ બજારની પાળી તરફ દોરી જાય છે અને પુનઃપ્રશિક્ષણ કાર્યક્રમોની જરૂરિયાત તરફ દોરી જાય છે.
• નવીનીકરણીય ઉર્જા ઉપલબ્ધતા અને AI ઉદ્યોગની જરૂરિયાતો પર આધારિત નવા રાજકીય જોડાણો અને તણાવનો વિકાસ, આંતરરાષ્ટ્રીય સંબંધો અને વેપાર કરારોમાં ફેરફાર તરફ દોરી જાય છે.
• ઉર્જા-કાર્યક્ષમ હાર્ડવેર ડિઝાઇન પર વિશેષ ધ્યાન AI એપ્લીકેશન્સ માટે તૈયાર કરવામાં આવ્યું છે, જે ટેક્નોલોજીકલ એડવાન્સમેન્ટ તરફ દોરી જાય છે જે પ્રદર્શનની સાથે ટકાઉપણાને પ્રાથમિકતા આપે છે.
• પુષ્કળ પુનઃપ્રાપ્ય ઉર્જા સંસાધનો ધરાવતાં ગ્રામીણ વિસ્તારો માટે AI વિકાસ માટે આકર્ષક સ્થાનો બનવાની સંભાવના, જે વસ્તી વિષયક શિફ્ટ તરફ દોરી જાય છે અને અગાઉની સેવા ન ધરાવતા પ્રદેશોમાં આર્થિક વૃદ્ધિ માટે નવી તકો ઊભી કરે છે.

ધ્યાનમાં લેવાના પ્રશ્નો

• શું તમને લાગે છે કે AI કંપનીઓ જ્યારે ડીપ લર્નિંગ AI સિસ્ટમને પ્રશિક્ષિત કરવા અને વિકસાવવાની યોજના ઘડી રહી છે ત્યારે જ રિન્યુએબલ પાવરનો ઉપયોગ કરવામાં આવે તેવી જોગવાઈ કરતી નિયમો પસાર કરવા જોઈએ? 
• શું પર્યાવરણવાદીઓએ AI સિસ્ટમના વાસ્તવિક/સંપૂર્ણ પર્યાવરણીય ખર્ચની ગણતરી કરવા માટે AI સિસ્ટમ વિશ્લેષણ (દા.ત., નવી ઉર્જા-બચત સામગ્રી, મશીનરી, સપ્લાય ચેઇન રૂટીંગ વગેરે માટે કમ્પ્યુટિંગ ડિઝાઇન)ના પરિણામે ઉર્જા-બચત લાભોમાં પરિબળ આપવું જોઈએ?