Paano nakakaapekto ang AI sa Kapaligiran?

Paano nakakaapekto ang AI sa Kapaligiran?

Maikling sagot: Ang AI ay nakakaapekto sa kapaligiran pangunahin sa pamamagitan ng paggamit ng kuryente sa mga data center (kapwa sa pagsasanay at pang-araw-araw na paghihinuha), kasama ang tubig para sa pagpapalamig, kasama ang mga epekto ng paggawa ng hardware at e-waste. Kung ang paggamit ay aabot sa bilyun-bilyong query, ang paghihinuha ay maaaring mas malaki kaysa sa pagsasanay; kung ang mga grid ay mas malinis at ang mga sistema ay mahusay, ang mga epekto ay bababa habang ang mga benepisyo ay maaaring lumago.

Mga pangunahing punto:

Elektrisidad : Subaybayan ang paggamit ng mga kompyuter; bumababa ang mga emisyon kapag ang mga workload ay tumatakbo sa mas malinis na mga grid.

Tubig : Binabago ng mga pagpipilian sa pagpapalamig ang mga epekto; ang mga pamamaraang nakabatay sa tubig ang pinakamahalaga sa mga bihirang lugar.

Hardware : Ang mga chip at server ay may malaking epekto sa katawan; nagpapahaba ng buhay at inuuna ang pagsasaayos.

Pagtaas : Maaaring pataasin ng kahusayan ang kabuuang demand; sukatin ang mga resulta, hindi lamang ang mga nadagdag sa bawat gawain.

Mga operational lever : Mga modelong tama ang laki, i-optimize ang hinuha, at iulat ang mga sukatan bawat kahilingan nang malinaw.

Paano nakakaapekto ang AI sa Kapaligiran? Infographic

Mga artikulong maaaring gusto mong basahin pagkatapos nito:

🔗 Masama ba ang AI para sa kapaligiran?
Galugarin ang carbon footprint, paggamit ng kuryente, at mga pangangailangan sa data-center ng AI.

🔗 Bakit masama ang AI para sa lipunan?
Tingnan ang pagkiling, pagkagambala sa trabaho, maling impormasyon, at lumalawak na hindi pagkakapantay-pantay sa lipunan.

🔗 Bakit masama ang AI? Ang madilim na bahagi ng AI
Unawain ang mga panganib tulad ng pagmamatyag, manipulasyon, at pagkawala ng kontrol ng tao.

🔗 Sumusobra na ba ang AI?
Mga debate tungkol sa etika, regulasyon, at kung saan dapat magtakda ng mga hangganan ang inobasyon.

Paano nakakaapekto ang AI sa Kapaligiran: ang mabilisang buod ⚡🌱

Kung ilan lang ang natatandaan mong punto, gawin itong ganito:

At saka nariyan ang bahaging nakakalimutan ng mga tao: ang sukat . Maaaring maliit ang isang AI query, ngunit bilyun-bilyon sa mga ito ay ibang-iba na... parang isang maliit na bola ng niyebe na kahit papaano ay nagiging avalanche na kasinglaki ng sofa. (Medyo mali ang metapora na iyan, pero naiintindihan mo.) IEA: Enerhiya at AI

Ang epekto ng AI sa kapaligiran ay hindi lang basta-basta -- isa itong salansan 🧱🌎

Kapag nagtatalo ang mga tao tungkol sa AI at pagpapanatili, madalas nilang pinag-iisipan ang isa't isa dahil iba't ibang antas ang kanilang itinuturo:

1) Kwentahin ang kuryente

  • Ang pagsasanay sa malalaking modelo ay maaaring mangailangan ng malalaking kumpol na tumatakbo nang matagal. IEA: Enerhiya at AI

  • Ang hinuha (pang-araw-araw na paggamit) ay maaaring maging mas malaking bakas ng paa sa paglipas ng panahon dahil ito ay nangyayari nang palagian, kahit saan. IEA: Enerhiya at AI

2) Mga gastos sa sentro ng datos

3) Tubig at init

4) Kawing ng suplay ng hardware

5) Mga epekto ng pag-uugali at pagbabalik sa dati

Kaya kapag may nagtanong kung paano nakakaapekto ang AI sa Kapaligiran, ang direktang sagot ay: depende ito sa kung aling layer ang iyong sinusukat, at kung ano ang ibig sabihin ng "AI" sa sitwasyong iyon.

Pagsasanay vs hinuha: ang pagkakaibang nagpapabago sa lahat 🧠⚙️

Gustung-gusto ng mga tao na pag-usapan ang pagsasanay dahil parang dramatiko ito - "isang modelo ang gumamit ng X na enerhiya." Ngunit ang hinuha ang tahimik na higante. IEA: Enerhiya at AI

Pagsasanay (ang malaking pangangatawan)

Ang pagsasanay ay parang pagtatayo ng isang pabrika. Babayaran mo ang paunang gastos: mabigat na pagkalkula, mahahabang oras ng pagpapatakbo, maraming pagsubok at pagkakamali (at oo, maraming paulit-ulit na "oops na hindi gumana, subukan muli"). Maaaring i-optimize ang pagsasanay, ngunit maaari pa rin itong maging malaki. IEA: Enerhiya at AI

Hinuha (ang pang-araw-araw na paggamit)

Ang hinuha ay parang pabrika na tumatakbo araw-araw, para sa lahat, sa malawak na saklaw:

  • Mga chatbot na sumasagot sa mga tanong

  • Pagbuo ng imahe

  • Pagraranggo sa paghahanap

  • Mga Rekomendasyon

  • Pagsasalita-sa-teksto

  • Pagtuklas ng pandaraya

  • Mga Copilot sa mga dokumento at mga tool sa code

Kahit na medyo maliit ang bawat kahilingan, maaaring mas kaunti ang dami ng paggamit kaysa sa pagsasanay. Ito ang klasikong sitwasyon na "walang kwenta ang isang straw, problema ang isang milyong straw". IEA: Enerhiya at AI

Isang maikling tala - ang ilang mga gawain sa AI ay mas mabigat kaysa sa iba. Ang pagbuo ng mga imahe o mahahabang video ay may posibilidad na mas maubos ang enerhiya kaysa sa pag-uuri ng maikling teksto. Kaya ang pagsasama-sama ng "AI" sa isang balde ay parang paghahambing ng isang bisikleta sa isang barkong pangkargamento at pagtawag sa kanilang dalawa na "transportasyon." IEA: Enerhiya at AI

Mga data center: kuryente, pagpapalamig, at ang kwento ng tahimik na tubig 💧🏢

Hindi na bago ang mga data center, ngunit binabago ng AI ang intensidad. Ang mga high-performance accelerator ay maaaring humila ng maraming kuryente sa masisikip na espasyo, na nagiging init, na dapat pamahalaan. LBNL (2024): Ulat sa Paggamit ng Enerhiya ng Data Center ng Estados Unidos (PDF) IEA: Enerhiya at AI

Mga pangunahing kaalaman sa pagpapalamig (pinasimple, ngunit praktikal)

Iyan ang kapalit: minsan ay mababawasan mo ang konsumo ng kuryente sa pamamagitan ng pagsandig sa water-based cooling. Depende sa lokal na kakulangan ng tubig, maaaring ayos lang iyon… o maaaring isa itong tunay na problema. Li et al. (2023): Paggawa ng AI na Hindi Kaunting "Nauuhaw" (PDF)

Gayundin, ang epekto ng kapaligiran ay lubos na nakasalalay sa:

Para maging prangka: madalas na tinatrato ng pampublikong usapan ang "data center" na parang isang black box. Hindi ito masama, hindi ito mahiwaga. Ito ay imprastraktura. Gumagana ito na parang imprastraktura.

Chips at hardware: ang bahaging nilalaktawan ng mga tao dahil hindi ito gaanong seksi 🪨🔧

Ang AI ay nabubuhay sa hardware. Ang hardware ay may lifecycle, at ang mga epekto nito ay maaaring malaki. US EPA: Semiconductor Industry ITU: The Global E-waste Monitor 2024

Kung saan lumilitaw ang epekto sa kapaligiran

E-waste at mga "perpektong pagmultahin" na mga server

Maraming pinsala sa kapaligiran ang hindi nagmumula sa iisang device na umiiral -- ito ay dahil sa maagang pagpapalit nito dahil hindi na ito sulit sa gastos. Pinapabilis ito ng AI dahil maaaring malaki ang mga pagbabago sa performance. Totoo ang tukso na i-refresh ang hardware. ITU: The Global E-waste Monitor 2024

Isang praktikal na punto: ang pagpapahaba ng buhay ng hardware, pagpapabuti ng paggamit, at pagsasaayos ay maaaring maging kasinghalaga ng anumang magarbong pag-aayos ng modelo. Minsan ang pinaka-berdeng GPU ang hindi mo binibili. (Parang isang slogan lang iyan, pero… medyo totoo rin.)

Paano nakakaapekto ang AI sa Kapaligiran: ang paulit-ulit na pag-uugali na "nakalimutan ito ng mga tao" 🔁😬

Narito ang nakakailang na bahagi ng pakikisalamuha: Pinapadali ng AI ang mga bagay-bagay, kaya mas maraming bagay ang nagagawa ng mga tao. Maaari itong maging kahanga-hanga - mas maraming produktibidad, mas maraming pagkamalikhain, mas maraming access. Ngunit maaari rin itong mangahulugan ng mas pangkalahatang paggamit ng mapagkukunan. OECD (2012): Ang Maramihang Benepisyo ng mga Pagpapabuti sa Kahusayan sa Enerhiya (PDF)

Mga Halimbawa:

  • Kung ginagawang mura ng AI ang pagbuo ng video, mas maraming video ang nalilikha ng mga tao.

  • Kung mas magiging epektibo ang pag-aanunsyo gamit ang AI, mas maraming ad ang maihahatid, at mas maraming pakikipag-ugnayan ang iikot.

  • Kung gagawing mas mahusay ng AI ang logistik ng pagpapadala, mas maaaring lumawak pa ang e-commerce.

Hindi ito dahilan para mag-panic. Ito ay isang dahilan para sukatin ang mga resulta, hindi lamang ang kahusayan.

Isang metapora na hindi perpekto pero nakakatuwang isipin: Ang kahusayan ng AI ay parang pagbibigay sa isang tinedyer ng mas malaking refrigerator - oo, bumubuti ang imbakan ng pagkain, pero kahit papaano ay nawawalan na naman ng laman ang refrigerator sa loob ng isang araw. Hindi ito perpektong metapora, pero… nakita mo na itong nangyari 😅

Ang maganda: Tunay na makakatulong ang AI sa kapaligiran (kapag ginamit nang tama) 🌿✨

Ngayon para sa bahaging minamaliit: Kayang bawasan ng AI ang mga emisyon at basura sa mga umiiral na sistema na… lantaran, hindi elegante. IEA: AI para sa pag-optimize at inobasyon ng enerhiya

Mga lugar kung saan makakatulong ang AI

Mahalagang detalye: Ang "pagtulong" ng AI ay hindi awtomatikong nakakabawi sa epekto ng AI. Depende ito kung ang AI ay aktwal na na-deploy, aktwal na ginagamit, at kung ito ay humahantong sa mga tunay na pagbawas sa halip na mas mahusay na mga dashboard lamang. Ngunit oo, ang potensyal ay totoo. IEA: AI para sa pag-optimize at inobasyon ng enerhiya

Ano ang bumubuo sa isang magandang bersyon ng eco-friendly na AI? ✅🌍

Ito ang seksyong “sige, ano ang dapat nating gawin”. Ang isang mahusay at responsable sa kapaligiran na AI setup ay karaniwang may:

  • Malinaw na halaga ng use-case : Kung hindi binabago ng modelo ang mga desisyon o resulta, isa lamang itong magarbong kalkulasyon.

  • Pagsukat na inihanda sa : Mga sukatan ng enerhiya, mga pagtatantya ng carbon, paggamit, at kahusayan na sinusubaybayan tulad ng anumang iba pang KPI. CodeCarbon: Metodolohiya

  • Mga modelong may tamang laki : Gumamit ng mas maliliit na modelo kapag gumagana ang mas maliliit na modelo. Hindi isang moral na pagkabigo ang maging mahusay.

  • Mahusay na disenyo ng hinuha : caching, batching, quantization, retrieval, at mahusay na mga pattern ng prompting. Gholami et al. (2021): Survey ng mga Paraan ng Quantization (PDF) Lewis et al. (2020): Retrieval-Augmented Generation

  • Kamalayan sa hardware at lokasyon : patakbuhin ang mga workload kung saan mas malinis ang grid at mahusay ang imprastraktura (kung magagawa). Carbon Intensity API (GB)

  • Mas mahabang buhay ng hardware : i-maximize ang paggamit, muling paggamit, at pagsasaayos. ITU: Ang Global E-waste Monitor 2024

  • Direktang pag-uulat : iwasan ang mga salitang "greenwashing" at malabong mga pahayag tulad ng "eco-friendly AI" na walang kalkulasyon.

Kung sinusubaybayan mo pa rin kung paano nakakaapekto ang AI sa Kapaligiran, ito ang punto kung saan ang sagot ay hindi na pilosopikal at nagiging praktikal na: naaapektuhan nito ito batay sa iyong mga pagpili.

Talahanayan ng Paghahambing: mga kagamitan at pamamaraan na talagang nakakabawas ng epekto 🧰⚡

Nasa ibaba ang isang mabilis at praktikal na talahanayan. Hindi ito perpekto, at oo, may ilang mga cell na medyo may opinyon… dahil ganoon talaga ang pagpili ng mga tool.

Kasangkapan / Pamamaraan Madla Presyo Bakit ito gumagana
Mga library ng pagsubaybay sa carbon/enerhiya (mga estimator ng runtime) Mga koponan ng ML Malaya Nagbibigay ng visibility - na kalahati na ng laban, kahit na medyo malabo ang mga pagtatantya.. CodeCarbon
Pagsubaybay sa lakas ng hardware (telemetrya ng GPU/CPU) Infra + ML Libre Sinusukat ang totoong konsumo; mainam para sa benchmarking runs (hindi magarbo ngunit maganda)
Distilasyon ng modelo Mga inhinyero ng ML Libre (gastos sa oras 😵) Ang mas maliliit na modelo ng estudyante ay kadalasang tumutugma sa pagganap na may mas kaunting gastos sa paghihinuha Hinton et al. (2015): Paglilinis ng Kaalaman sa isang Neural Network
Kwantisasyon (mas mababang paghihinuha ng katumpakan) Produkto ng ML + Libre Binabawasan ang latency at paggamit ng kuryente; minsan ay may maliliit na kompromiso sa kalidad, minsan naman ay wala Gholami et al. (2021): Survey ng mga Paraan ng Kwantisasyon (PDF)
Pag-cache + paghihinuha ng batching Produkto + plataporma Libre Binabawasan ang paulit-ulit na pag-compute; lalong madaling gamitin para sa mga paulit-ulit na prompt o katulad na mga kahilingan
Henerasyong pinalaki ng pagkuha (RAG) Mga team ng app Halo-halo Inililipat ang "memorya" sa pagkuha; maaaring mabawasan ang pangangailangan para sa malalaking context window Lewis et al. (2020): Henerasyong Pinahusay ng Pagkuha
Pag-iiskedyul ng mga workload ayon sa intensity ng carbon Infra/operasyon Halo-halo Inililipat ang mga flexible na trabaho sa mas malinis na power window - nangangailangan pa rin ng koordinasyon API ng Intensity ng Karbon (GB)
Pokus sa kahusayan ng data center (paggamit, pagsasama-sama) Pamumuno sa IT Bayad (karaniwan) Ang pinaka-hindi gaanong kaakit-akit na pingga, ngunit kadalasan ang pinakamalaki - itigil ang pagpapatakbo ng mga sistemang halos walang laman Ang Berdeng Grid: PUE
Mga proyekto sa muling paggamit ng init Mga Pasilidad Depende Ginagawang sulit ang nasayang na init; hindi laging posible, pero kapag posible, medyo maganda ito
"Kailangan ba natin ng AI dito?" tanong ko Lahat Libre Pinipigilan ang walang kabuluhang pag-compute. Ang pinakamabisang pag-optimize ay ang pagsasabi ng hindi (minsan)

Napansin mo ba kung ano ang kulang? “Bumili ka ng mahiwagang berdeng sticker.” Wala pala 'yan 😬

Praktikal na gabay: pagbabawas ng epekto ng AI nang hindi sinisira ang produkto 🛠️🌱

Kung ikaw ay nagtatayo o bumibili ng mga sistema ng AI, narito ang isang makatotohanang pagkakasunod-sunod na gumagana sa pagsasagawa:

Hakbang 1: Magsimula sa pagsukat

  • Subaybayan ang paggamit ng enerhiya o tantyahin ito nang palagian. CodeCarbon: Metodolohiya

  • Sukatin bawat takbo ng pagsasanay at bawat kahilingan sa paghihinuha.

  • Subaybayan ang paggamit - ang mga idle resources ay may paraan upang magtago sa paningin. Ang Green Grid: PUE

Hakbang 2: I-right size ang modelo ayon sa trabaho

  • Gumamit ng mas maliliit na modelo para sa klasipikasyon, pagkuha, at pagruruta.

  • Itabi ang mabibigat na modelo para sa matitigas na lalagyan.

  • Isaalang-alang ang isang "model cascade": maliit na modelo muna, mas malaking modelo lamang kung kinakailangan.

Hakbang 3: I-optimize ang hinuha (dito nagsisimula ang scale)

  • Pag-cache : pag-iimbak ng mga sagot para sa mga paulit-ulit na query (na may maingat na mga kontrol sa privacy).

  • Batching : mga kahilingan ng grupo upang mapabuti ang kahusayan ng hardware.

  • Mas maiikling output : mas mahal ang mahahabang output - minsan hindi mo na kailangan ang sanaysay.

  • Disiplina agad : ang mga hindi maayos na prompt ay lumilikha ng mas mahahabang compute path… at oo, mas maraming token.

Hakbang 4: Pagbutihin ang kalinisan ng datos

Parang walang kaugnayan ito, pero hindi naman:

  • Maaaring mabawasan ng mas malinis na mga dataset ang mga churn sa retraining.

  • Ang mas kaunting ingay ay nangangahulugan ng mas kaunting mga eksperimento at mas kaunting mga nasasayang na pagtakbo.

Hakbang 5: Ituring ang hardware bilang isang asset, hindi isang disposable

  • Palawigin ang mga refresh cycle kung saan posible. ITU: Ang Global E-waste Monitor 2024

  • Gamitin muli ang mga lumang hardware para sa mas magaan na workload.

  • Iwasan ang provisioning na "palaging nasa peak".

Hakbang 6: Pumili nang matalino ng deployment

  • Magpatakbo ng mga flexible na trabaho kung saan mas malinis ang kuryente kung kaya mo. Carbon Intensity API (GB)

  • Bawasan ang hindi kinakailangang pag-uulit.

  • Panatilihing makatotohanan ang mga target ng latency (ang napakababang latency ay maaaring magdulot ng hindi episyenteng mga always-on na setup).

At oo… minsan ang pinakamagandang hakbang ay simple lang: huwag awtomatikong patakbuhin ang pinakamalaking modelo para sa bawat aksyon ng isang user. Ang ugali na iyan ay katumbas ng pag-iwan sa bawat ilaw na nakabukas dahil nakakainis ang paglalakad papunta sa switch.

Mga karaniwang mito (at kung ano ang mas malapit sa katotohanan) 🧠🧯

Mito: "Ang AI ay palaging mas masahol kaysa sa tradisyonal na software"

Katotohanan: Ang AI ay maaaring maging mas mabigat sa pag-compute, ngunit maaari rin nitong palitan ang mga hindi episyenteng manu-manong proseso, bawasan ang basura, at i-optimize ang mga sistema. Ito ay sitwasyonal lamang. IEA: AI para sa pag-optimize at inobasyon ng enerhiya

Mito: "Ang pagsasanay lang ang problema"

Katotohanan: Ang hinuha sa malawakang saklaw ay maaaring mangibabaw sa paglipas ng panahon. Kung ang iyong produkto ay sumabog sa paggamit, ito ang magiging pangunahing kuwento. IEA: Enerhiya at AI

Mito: "Agad itong nalulutas ng mga nababagong enerhiya"

Katotohanan: Malaki ang naitutulong ng mas malinis na kuryente, ngunit hindi nito nabubura ang bakas ng hardware, paggamit ng tubig, o mga epekto ng rebound. Mahalaga pa rin ito. IEA: Enerhiya at AI

Mito: “Kung ito ay mahusay, ito ay napapanatiling”

Katotohanan: Ang kahusayan nang walang kontrol sa demand ay maaari pa ring magpataas ng kabuuang epekto. Iyan ang rebound trap. OECD (2012): Ang Maramihang Benepisyo ng mga Pagpapabuti sa Kahusayan sa Enerhiya (PDF)

Pamamahala, transparency, at hindi pagpapanggap 🧾🌍

Kung ikaw ay isang kumpanya, dito nabubuo o nawawala ang tiwala.

Dito umiikot ang tingin ng mga tao, pero mahalaga ito. Ang responsableng teknolohiya ay hindi lamang tungkol sa matalinong inhinyeriya. Tungkol din ito sa hindi pagkukunwaring walang anumang kompromiso.

Pangwakas na buod: isang maikling buod kung paano nakakaapekto ang AI sa Kapaligiran 🌎✅

Paano Nakakaapekto ang AI sa Kapaligiran ay nakasalalay sa dagdag na pasanin: kuryente, tubig (minsan), at pangangailangan sa hardware. IEA: Enerhiya at AI Li et al. (2023): Paggawa ng AI na Hindi Kaunting "Uhaw" (PDF) Nag-aalok din ito ng mga makapangyarihang tool upang mabawasan ang mga emisyon at basura sa iba pang mga sektor. IEA: AI para sa pag-optimize at inobasyon ng enerhiya Ang netong resulta ay nakasalalay sa laki, kalinisan ng grid, mga pagpipilian sa kahusayan, at kung ang AI ay lumulutas ng mga totoong problema o lumilikha lamang ng mga bagong bagay para sa kapakanan ng mga bagong bagay. IEA: Enerhiya at AI

Kung gusto mo ng pinakasimpleng praktikal na takeaway:

  • Sukatin.

  • Tamang-tama ang laki.

  • I-optimize ang hinuha.

  • Pahabain ang buhay ng hardware.

  • Maging prangka tungkol sa mga kompromiso.

At kung nakakaramdam ka ng labis na pagkabalisa, narito ang isang nakakakalmang katotohanan: ang maliliit na desisyon sa pagpapatakbo, na inuulit nang isang libong beses, ay kadalasang mas mahalaga kaysa sa isang malaking pahayag tungkol sa pagpapanatili. Parang pagsisipilyo ng iyong ngipin. Hindi man kaakit-akit, ngunit epektibo ito… 😄🪥

Mga Madalas Itanong

Paano nakakaapekto ang AI sa kapaligiran sa pang-araw-araw na paggamit, hindi lamang sa malalaking laboratoryo ng pananaliksik?

Karamihan sa bakas ng AI ay nagmumula sa kuryenteng nagpapagana sa mga data center na nagpapatakbo ng mga GPU at CPU sa panahon ng pagsasanay at pang-araw-araw na "paghuhula." Maaaring maliit lamang ang isang kahilingan, ngunit sa malawakang paggamit, mabilis na naiipon ang mga kahilingang iyon. Ang epekto ay nakasalalay din sa kung saan nakalagay ang data center, kung gaano kalinis ang lokal na grid, at kung gaano kahusay pinapatakbo ang imprastraktura.

Mas malala ba para sa kapaligiran ang pagsasanay ng isang modelo ng AI kaysa sa paggamit nito (hinuha)?

Ang pagsasanay ay maaaring maging isang malaki at paunang pagsabog ng pagkalkula, ngunit ang paghihinuha ay maaaring maging mas malaking bakas ng paa sa paglipas ng panahon dahil ito ay patuloy na tumatakbo at sa malawakang saklaw. Kung ang isang tool ay ginagamit ng milyun-milyong tao bawat araw, ang paulit-ulit na mga kahilingan ay maaaring lumampas sa minsanang gastos sa pagsasanay. Kaya naman ang pag-optimize ay kadalasang nakatuon sa kahusayan ng paghihinuha.

Bakit gumagamit ng tubig ang AI, at palagi ba itong problema?

Maaaring gumamit ng tubig ang AI pangunahin dahil ang ilang data center ay umaasa sa water-based cooling, o dahil ang tubig ay hindi direktang kinokonsumo sa pamamagitan ng pagbuo ng kuryente. Sa ilang partikular na klima, ang evaporative cooling ay maaaring magpababa ng paggamit ng kuryente habang nagpapataas ng paggamit ng tubig, na lumilikha ng isang tunay na kompromiso. Ang pagiging "masama" nito ay depende sa lokal na kakulangan ng tubig, disenyo ng pagpapalamig, at kung ang paggamit ng tubig ay nasusukat at pinamamahalaan.

Anong mga bahagi ng epekto ng AI sa kapaligiran ang nagmumula sa hardware at e-waste?

Ang AI ay nakasalalay sa mga chips, server, networking gear, mga gusali, at mga supply chain - na nangangahulugang pagmimina, pagmamanupaktura, pagpapadala, at kalaunan ay pagtatapon. Ang pagmamanupaktura ng semiconductor ay masinsinang gumagamit ng enerhiya, at ang mabilis na mga siklo ng pag-upgrade ay maaaring magpataas ng mga naka-embed na emisyon at e-waste. Ang pagpapahaba ng buhay ng hardware, pagsasaayos, at pagpapabuti ng paggamit ay maaaring makabuluhang bawasan ang epekto, kung minsan ay kapantay ng mga pagbabago sa antas ng modelo.

Nakakalutas ba ng epekto sa kapaligiran ng AI ang paggamit ng renewable energy?

Maaaring mabawasan ng mas malinis na kuryente ang mga emisyon mula sa compute, ngunit hindi nito nabubura ang iba pang mga epekto tulad ng paggamit ng tubig, paggawa ng hardware, at e-waste. Hindi rin nito awtomatikong tinutugunan ang mga "rebound effect," kung saan ang mas mababang gastos sa compute ay humahantong sa mas maraming paggamit sa pangkalahatan. Ang mga renewable energy ay isang mahalagang pingga, ngunit isa lamang silang bahagi ng footprint stack.

Ano ang rebound effect, at bakit ito mahalaga para sa AI at sustainability?

Ang rebound effect ay kapag ang pagtaas ng kahusayan ay ginagawang mas mura o mas madali ang isang bagay, kaya mas marami ang ginagawa ng mga tao - kung minsan ay nabubura ang mga natitipid. Gamit ang AI, ang mas murang henerasyon o automation ay maaaring magpataas ng kabuuang demand para sa nilalaman, compute, at mga serbisyo. Kaya naman mas mahalaga ang pagsukat ng mga resulta sa pagsasagawa kaysa sa pagdiriwang ng kahusayan nang mag-isa.

Ano ang mga praktikal na paraan upang mabawasan ang epekto ng AI nang hindi naaapektuhan ang produkto?

Ang isang karaniwang pamamaraan ay ang magsimula sa pagsukat (mga pagtatantya ng enerhiya at carbon, paggamit), pagkatapos ay ang pag-aayos ng mga modelo ayon sa gawain at pag-optimize ng hinuha gamit ang caching, batching, at mas maiikling output. Ang mga pamamaraan tulad ng quantization, distillation, at retrieval-augmented generation ay maaaring makabawas sa mga pangangailangan sa compute. Ang mga opsyon sa pagpapatakbo - tulad ng pag-iiskedyul ng workload ayon sa intensity ng carbon at mas mahabang buhay ng hardware - ay kadalasang naghahatid ng malalaking panalo.

Paano makakatulong ang AI sa kapaligiran sa halip na makasama ito?

Maaaring mabawasan ng AI ang mga emisyon at basura kapag ginamit upang ma-optimize ang mga totoong sistema: pagtataya ng grid, pagtugon sa demand, pagkontrol ng HVAC ng gusali, pagruruta ng logistik, predictive maintenance, at pagtuklas ng tagas. Maaari rin nitong suportahan ang pagsubaybay sa kapaligiran tulad ng mga alerto sa deforestation at pagtuklas ng methane. Ang susi ay kung babaguhin ng sistema ang mga desisyon at magbubunga ng masusukat na pagbawas, hindi lamang mas mahusay na mga dashboard.

Anong mga sukatan ang dapat iulat ng mga kumpanya upang maiwasan ang mga pahayag na "greenwashing" sa AI?

Mas makabuluhan ang pag-uulat ng mga sukatan kada gawain o kada kahilingan kaysa sa malalaking kabuuang bilang lamang, dahil ipinapakita nito ang kahusayan sa antas ng yunit. Ang pagsubaybay sa paggamit ng enerhiya, mga pagtatantya ng carbon, paggamit, at - kung saan nauugnay - mga epekto sa tubig ay lumilikha ng mas malinaw na pananagutan. Mahalaga rin: tukuyin ang mga hangganan (kung ano ang kasama) at iwasan ang mga malabong label tulad ng "eco-friendly AI" nang walang tiyak na ebidensya.

Mga Sanggunian

  1. Pandaigdigang Ahensya ng Enerhiya (IEA) - Enerhiya at AI - iea.org

  2. International Energy Agency (IEA) - AI para sa pag-optimize at inobasyon ng enerhiya - iea.org

  3. Pandaigdigang Ahensya ng Enerhiya (IEA) - Digitalisasyon - iea.org

  4. Pambansang Laboratoryo ng Lawrence Berkeley (LBNL) - Ulat sa Paggamit ng Enerhiya ng Data Center ng Estados Unidos (2024) (PDF) - lbl.gov

  5. Li et al. - Paggawa ng AI na Hindi Kaunting "Nauuhaw" (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Pag-usbong at Pagpapalawak ng Liquid Cooling sa mga Mainstream Data Center (PDF) - ashrae.org

  7. Ang Green Grid - PUE-Isang Komprehensibong Pagsusuri sa Metriko - thegreengrid.org

  8. Kagawaran ng Enerhiya ng Estados Unidos (DOE) - FEMP - Mga Oportunidad sa Kahusayan ng Pagpapalamig ng Tubig para sa mga Pederal na Sentro ng Datos - energy.gov

  9. Kagawaran ng Enerhiya ng Estados Unidos (DOE) - FEMP - Kahusayan sa Enerhiya sa mga Sentro ng Datos - energy.gov

  10. Ahensya ng Proteksyon sa Kapaligiran ng Estados Unidos (EPA) - Industriya ng Semikonduktor - epa.gov

  11. Pandaigdigang Unyon ng Telekomunikasyon (ITU) - Ang Pandaigdigang Tagasubaybay sa E-waste 2024 - itu.int

  12. OECD - Ang Maramihang Benepisyo ng mga Pagpapabuti sa Kahusayan ng Enerhiya (2012) (PDF) - oecd.org

  13. Carbon Intensity API (GB) - carbonintensity.org.uk

  14. imec - Pagbabawas ng epekto sa kapaligiran sa paggawa ng chips - imec-int.com

  15. UNEP - Paano gumagana ang MARS - unep.org

  16. Global Forest Watch - Mga alerto sa deforestation na GLAD - globalforestwatch.org

  17. Ang Alan Turing Institute - AI at mga autonomous system para sa pagtatasa ng biodiversity at kalusugan ng ecosystem - turing.ac.uk

  18. CodeCarbon - Metodolohiya - mlco2.github.io

  19. Gholami et al. - Survey ng mga Paraan ng Kwantisasyon (2021) (PDF) - arxiv.org

  20. Lewis et al. - Paglikha gamit ang Pinahusay na Pagkuha (2020) - arxiv.org

  21. Hinton et al. - Paglilinis ng Kaalaman sa isang Neural Network (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Hanapin ang Pinakabagong AI sa Opisyal na Tindahan ng AI Assistant

Tungkol sa Amin

Balik sa blog