AI-treningsutslipp: AI-aktiverte systemer bidrar til globale karbonutslipp

• Forfatter:
• forfatternavn

  Quantumrun Foresight
• Kan 3, 2022

Oppsummering av innsikt

Økningen i teknologi for kunstig intelligens (AI) har ført med seg en uventet miljøutfordring, ettersom strømmen som forbrukes under AI-trening fører til betydelige karbonutslipp. Bransjen erkjenner dette problemet og utforsker løsninger som å utvikle mer energieffektive AI-modeller, samarbeide med selskaper for fornybar energi og flytte datasentre for å minimere energiforbruket. Denne innsatsen, sammen med potensielle regulatoriske tiltak, former en fremtid der teknologiske fremskritt og miljøansvar kan eksistere side om side.

AI trening utslipp kontekst

Kunstig intelligens (AI)-drevne systemer er kjent for å forbruke betydelige mengder strøm under treningsfasene, noe som fører til utslipp av store mengder karbon. Dette bidrar igjen til klimaendringer, og skaper en miljøbekymring som ikke kan overses. Ettersom AI-industrien fortsetter å vokse, med en økende etterspørsel etter større og mer komplekse modeller, blir utfordringen enda mer intrikat. 

AI spiller en stadig viktigere rolle i den globale økonomien og driver ny utvikling innen helsevesenet, teknologien og energiindustrien, for å nevne noen. Imidlertid, midt i den fordelaktige endringen som introduseres av AI-systemer, har studier vist at store mengder karbon produseres på grunn av kraften som forbrukes av AI-systemer når de trenes og når de utfører et stort antall beregninger. I følge forskning utført i 2019 av University of Massachusetts i Amherst, genereres det omtrent 1,400 pund utslipp når man trener et standard AI-språkbehandlingssystem. I tillegg, avhengig av strømkilden, slippes det ut omtrent 78,000 XNUMX pund karbon når et dyplærings-AI-system bygges og trenes fra bunnen av.

I anerkjennelse av hvordan etableringen og opplæringen av AI-systemer bidrar til klimaendringer, har Green AI-bevegelsen dukket opp, som søker å gjøre AI-aktiverte prosesser renere og mer miljøvennlige. Bevegelsen bemerket at noen maskinlæringsalgoritmer bruker mindre strøm enn andre AI-baserte systemer, mens AI-systemtrening kan flyttes til avsidesliggende steder og kan bruke strøm fra fornybare kilder. 

Forstyrrende påvirkning

Bedrifter som spesialiserer seg på å produsere og trene AI-systemer har potensial til å ha en positiv innvirkning på miljøet ved å omfavne fornybare energikilder. Myndigheter og reguleringsorganer kan oppmuntre til dette skiftet ved å tilby skatteinsentiver og støtte til de som installerer fornybare kraftsystemer for å støtte deres AI-baserte operasjoner. Land med sterk fornybar energiindustri kan bli attraktive destinasjoner for disse selskapene, og sørge for nødvendig infrastruktur. 

Karbonutslippene som produseres når man trener AI-algoritmer varierer mye, avhengig av faktorer som kilden til elektrisitetsproduksjon, typen maskinvare som brukes og selve algoritmedesignet. Forskere, inkludert de ved Google, har funnet ut at det er mulig å redusere disse utslippene betydelig, noen ganger med en faktor mellom 10 og 100 ganger. Ved å gjøre gjennomtenkte justeringer, som å utnytte fornybar energi og bruke forskjellige steder, kan industrien gjøre betydelige fremskritt i å redusere sitt karbonavtrykk. 

Regulerende myndigheter har en rolle å spille for å sikre at AI-opplæringsprosjekter overholder miljøstandarder. Hvis spesifikke prosjekter identifiseres som betydelige bidragsytere til karbonutslippsnivåer i deres jurisdiksjoner, kan myndighetene håndheve arbeidsstans inntil utslippene er redusert. Skatter på AI-sentre som produserer store mengder karbon kan implementeres som en avskrekkende virkning, mens AI-selskaper kan utforske den siste utviklingen innen beregningsvitenskap for å utføre flere beregninger med mindre strøm.

Implikasjoner av AI-treningsutslipp 

Større implikasjoner av AI-treningsutslipp kan omfatte:

• Den prioriterte utviklingen av nye AI-modeller som kan analysere data mer effektivt med minimalt energiforbruk, noe som fører til en reduksjon i det totale energibehovet og en tilsvarende reduksjon i miljøpåvirkning.
• Selskaper som har investert i AI-utvikling, samarbeider med fornybare energiselskaper slik at ren kraftinfrastruktur kan installeres for å støtte deres operasjoner, og fremme samarbeid mellom teknologi- og energisektorer.
• Overføring av plassering av datasentre for å dra nytte av skatteinsentiver og unngå regulatorisk tilsyn, eller flytting av dem til arktiske steder for å minimere energibruken på kjøleservere, noe som fører til nye geografiske knutepunkter for teknologi og potensiell lokal økonomisk vekst.
• Opprettelsen av nye utdanningsprogrammer med fokus på bærekraftig AI-utvikling, som fører til en arbeidsstyrke som er mer dyktig i å balansere teknologisk fremskritt med miljøansvar.
• Fremveksten av internasjonale avtaler og standarder for AI-karbonutslipp, som fører til en mer enhetlig global tilnærming til å håndtere miljøpåvirkningen av AI.
• Et skifte i forbrukernes forventninger mot miljøansvarlige AI-produkter og -tjenester, noe som fører til endringer i kjøpsatferd og økt etterspørsel etter åpenhet i AI-energiforbruk.
• Potensialet for jobbforskyvning i tradisjonelle energisektorer ettersom AI-bedrifter i økende grad tyr til fornybare energikilder, noe som fører til endringer i arbeidsmarkedet og behov for omskoleringsprogrammer.
• Utviklingen av nye politiske allianser og spenninger basert på tilgjengelighet av fornybar energi og AI-industriens behov, som fører til endringer i internasjonale relasjoner og handelsavtaler.
• Et økt fokus på energieffektiv maskinvaredesign spesielt skreddersydd for AI-applikasjoner, noe som fører til teknologiske fremskritt som prioriterer bærekraft ved siden av ytelse.
• Potensialet for landlige områder med rikelig med fornybare energiressurser til å bli attraktive steder for AI-utvikling, noe som fører til demografiske endringer og nye muligheter for økonomisk vekst i tidligere underbetjente regioner.

Spørsmål å vurdere

• Mener du at det bør vedtas forskrifter som fastsetter at kun fornybar kraft brukes når AI-selskaper planlegger å trene og utvikle AI-systemer for dyp læring? 
• Bør miljøvernere ta hensyn til de energibesparende fordelene som følger av AI-systemanalyse (f.eks. datadesign for nye energibesparende materialer, maskineri, forsyningskjederuting osv.) for å beregne den reelle/fulle miljøkostnaden for AI-systemer?