Новый ИИ: Угроза экологии или катастрофа мирового масштаба?
Современные достижения в области искусственного интеллекта имеют свою цену — возросшее потребление энергии, что приводит к серьезным экологическим последствиям. Большая часть энергии всё ещё производится за счёт сжигания ископаемых топлив, что увеличивает выбросы углекислого газа в атмосферу. Как показали расчёты, обучение одной нейронной сети может вызывать выбросы, эквивалентные 284 тоннам углекислого газа — это в пять раз больше выбросов, создаваемых обычным автомобилем за весь срок его службы.
Учёные из Массачусетского университета США провели исследование работы четырёх современных ИИ-систем: Transformer, ELMo, BERT и GPT-2. Они измерили, сколько энергии потребляют эти системы за один день и умножили этот показатель на длительность полного цикла их обучения. Затем полученные данные использовали в формуле расчёта выбросов углекислого газа по средним значениям США, что привело к довольно тревожным результатам.
Ситуация обостряется, когда для обучения нейронных сетей используется технология поисковой нейронной архитектуры (NAS). Эта передовая методика автоматизирует процесс проектирования нейросети путём многочисленных попыток и ошибок, что требует значительных энергетических ресурсов. Например, обучение Transformer требует 84 часа, а с использованием NAS на это уйдёт около 270 000 часов.
И это всего лишь видимая часть проблемы — исследование охватило лишь известные нейросети. Вопрос остаётся открытым: как функционируют масштабные облачные платформы, такие как Google и Amazon, и какое энергопотребление имеют их системы? Очевидно, что нам предстоит трудная работа, чтобы снизить экологическую угрозу, исходящую от разработки ИИ.
Альтернативы и возможные решения
Для решения проблемы экологического воздействия ИИ существует несколько подходов. Один из способов — переход к использованию возобновляемых источников энергии. Компании, занимающиеся ИИ, могут инвестировать в солнечные панели, ветровые турбины и другие экологически чистые источники энергии.
Другой путь — повышение энергетической эффективности самих алгоритмов искусственного интеллекта. Учёные и инженеры могут работать над разрабаткой новых методов и оптимизаций, чтобы сократить вычислительные ресурсы, необходимые для обучения и работы нейросетей. Например, использование более экономичных моделей, таких как "TinyML", может значительно снизить энергопотребление.
Еще одним важным шагом является развитие технологий охлаждения дата-центров. Пассивное охлаждение и использование холодного климата для размещения серверных ферм могут значительно сократить затраты энергии на охлаждение мощностей.
Заключение
Развитие искусственного интеллекта, несомненно, продолжит изменять наши жизни, однако этот прогресс не должен наносить урон окружающей среде. Компании и исследователи должны активно искать способы минимизации углеродного следа для более устойчивого будущего.
