Jak sztuczna inteligencja wpływa na środowisko? [Wideo i quiz]

Krótka odpowiedź: Sztuczna inteligencja wpływa na środowisko głównie poprzez zużycie energii elektrycznej w centrach danych (zarówno w procesie szkolenia, jak i wnioskowania), a także poprzez zużycie wody do chłodzenia, a także poprzez skutki uboczne produkcji sprzętu i elektrośmieci. Jeśli skala wykorzystania osiągnie miliardy zapytań, wnioskowanie może przeważyć nad szkoleniem; jeśli sieci będą czystsze, a systemy wydajne, wpływ będzie mniejszy, a korzyści mogą wzrosnąć.

Najważniejsze wnioski:

Energia elektryczna: Śledź wykorzystanie mocy obliczeniowej; emisje zmniejszają się, gdy obciążenia obliczeniowe są przetwarzane w czystszych sieciach.

Woda: Wybór sposobu chłodzenia zmienia wpływ; metody wykorzystujące wodę mają największe znaczenie w regionach, w których zasoby są ograniczone.

Sprzęt: układy scalone i serwery niosą ze sobą znaczące skutki, dlatego należy wydłużyć ich żywotność i priorytetowo traktować ich odnawianie.

Odbicie: Wydajność może zwiększyć całkowity popyt; mierz rezultaty, a nie tylko zyski z poszczególnych zadań.

Dźwignie operacyjne: dopasuj odpowiednio rozmiary modeli, zoptymalizuj wnioskowanie i transparentnie raportuj metryki dla każdego żądania.

Artykuły, które mogą Ci się spodobać po przeczytaniu tego:

🔗 Czy sztuczna inteligencja szkodzi środowisku?
Poznaj ślad węglowy sztucznej inteligencji, zużycie energii elektrycznej i potrzeby centrów danych.

🔗 Dlaczego sztuczna inteligencja jest szkodliwa dla społeczeństwa?
Zwróć uwagę na uprzedzenia, zakłócenia w zatrudnieniu, dezinformację i rosnące nierówności społeczne.

🔗 Dlaczego sztuczna inteligencja jest zła? Ciemna strona sztucznej inteligencji
Zrozum zagrożenia związane z nadzorem, manipulacją i utratą kontroli nad człowiekiem.

🔗 Czy sztuczna inteligencja posunęła się za daleko?
Debaty na temat etyki, regulacji i tego, gdzie powinny być granice innowacyjności.

Jak sztuczna inteligencja wpływa na środowisko: szybki przegląd ⚡🌱

Jeśli chcesz zapamiętać tylko kilka punktów, niech będą to:

• Sztuczna inteligencja zużywa energię – głównie w centrach danych, wykorzystujących procesory graficzne (GPU) do szkolenia i codziennego „wnioskowania” (z wykorzystaniem modelu). IEA: Energia i sztuczna inteligencja

• Energia może wiązać się z emisjami – w zależności od lokalnej struktury sieci i umów energetycznych. IEA: Energia i sztuczna inteligencja

• Sztuczna inteligencja może zużywać zaskakująco dużo wody – głównie do chłodzenia w niektórych centrach danych. Li i in. (2023): Making AI Less „Thirsty” (PDF) US DOE FEMP: Możliwości efektywnego chłodzenia wodą w federalnych centrach danych

• Sztuczna inteligencja opiera się na rzeczach fizycznych – chipach, serwerach, sprzęcie sieciowym, bateriach, budynkach… co oznacza górnictwo, produkcję, transport, a w końcu elektrośmieci. US EPA: Przemysł półprzewodników ITU: Globalny Monitor Elektrośmieci 2024

• Sztuczna inteligencja może zmniejszyć wpływ na środowisko w innych obszarach – poprzez optymalizację logistyki, wykrywanie wycieków, poprawę wydajności, przyspieszenie badań i zmniejszenie marnotrawstwa w systemach. IEA: Sztuczna inteligencja dla optymalizacji energetycznej i innowacji

A potem jest jeszcze to, o czym ludzie zapominają: skala. Jedno zapytanie do AI może być małe, ale miliardy to zupełnie inna bajka… jak maleńka kula śnieżna, która w jakiś sposób staje się lawiną wielkości kanapy. (Ta metafora jest nieco nietrafiona, ale rozumiesz.) IEA: Energia i AI

Ślad środowiskowy sztucznej inteligencji to nie jedno – to stos 🧱🌎

Kiedy ludzie dyskutują o sztucznej inteligencji i zrównoważonym rozwoju, często nie zwracają na siebie uwagi, ponieważ odnoszą się do różnych warstw:

1) Oblicz energię elektryczną

• Szkolenie dużych modeli może wymagać intensywnej pracy dużych klastrów przez długi czas. IEA: Energia i AI

• Wnioskowanie (codzienne użytkowanie) może z czasem stać się większym śladem, ponieważ dzieje się to stale i wszędzie. IEA: Energia i AI

2) Koszty ogólne centrum danych

• Chłodzenie, straty energii w dystrybucji, systemy zapasowe, sprzęt sieciowy. LBNL (2024): Raport o zużyciu energii w centrach danych w Stanach Zjednoczonych (PDF)

• Te same obliczenia mogą mieć różny wpływ na środowisko w zależności od wydajności. Zielona Sieć: PUE — Kompleksowe Badanie Wskaźnika

3) Woda i ciepło

• Wiele obiektów wykorzystuje wodę bezpośrednio lub pośrednio do zarządzania ciepłem. US DOE FEMP: Możliwości zwiększenia efektywności chłodzenia wodą w federalnych centrach danych Li i in. (2023): Zmniejszenie „pragnienia” sztucznej inteligencji (PDF)

• Ciepło odpadowe można odzyskać, albo po prostu… pozostawić w postaci gorącego powietrza. (Nie jest to rozwiązanie idealne.)

4) Łańcuch dostaw sprzętu

• Materiały górnicze i rafineryjne.

• Produkcja układów scalonych i serwerów (energochłonna). US EPA: Przemysł półprzewodników imec: Zmniejszanie wpływu na środowisko w produkcji układów scalonych

• Wysyłka, pakowanie, modernizacje, wymiany.

5) Zachowanie i efekty odbicia

• Sztuczna inteligencja sprawia, że ​​zadania są tańsze i łatwiejsze, dzięki czemu ludzie wykonują ich więcej. OECD (2012): Wielorakie korzyści płynące z poprawy efektywności energetycznej (PDF)

• Wzrost efektywności może zostać zniweczony przez zwiększony popyt. To właśnie ta część wywołuje u mnie lekkie westchnienie. OECD (2012): Wielorakie korzyści płynące z poprawy efektywności energetycznej (PDF)

Kiedy więc ktoś pyta, jak sztuczna inteligencja wpływa na środowisko, odpowiedź brzmi: to zależy od tego, którą warstwę mierzymy i co „sztuczna inteligencja” oznacza w danej sytuacji.

Trening kontra wnioskowanie: różnica, która zmienia wszystko 🧠⚙️

Ludzie uwielbiają rozmawiać o szkoleniu, bo brzmi to dramatycznie – „jeden model zużywał X energii”. Ale wnioskowanie to cichy gigant. IEA: Energia i sztuczna inteligencja

Trening (duża budowa)

Szkolenie jest jak budowa fabryki. Płacisz początkowy koszt: duże moce obliczeniowe, długie czasy wykonania, mnóstwo prób i błędów (i tak, mnóstwo iteracji typu „ups, nie zadziałało, spróbuj jeszcze raz”). Szkolenie można zoptymalizować, ale nadal może być znaczące. IEA: Energia i AI

Wnioskowanie (codzienne użycie)

Wnioskowanie jest jak fabryka działająca codziennie, dla każdego, na dużą skalę:

• Chatboty odpowiadające na pytania

• Generowanie obrazu

• Ranking wyszukiwania

• Zalecenia

• Mowa na tekst

• Wykrywanie oszustw

• Kopiloty w dokumentach i narzędziach kodowych

Nawet jeśli każde żądanie jest stosunkowo niewielkie, wolumen użycia może przyćmić szkolenie. To klasyczna sytuacja „jedna słomka to nic, milion słomek to problem”. IEA: Energia i AI

Mała uwaga – niektóre zadania związane ze sztuczną inteligencją są znacznie bardziej wymagające niż inne. Generowanie obrazów lub długich filmów wideo jest zazwyczaj bardziej energochłonne niż klasyfikowanie krótkich tekstów. Zatem wrzucanie „sztucznej inteligencji” do jednego worka to trochę jak porównywanie roweru do statku towarowego i nazywanie obu „transportem”. IEA: Energia i sztuczna inteligencja

Centra danych: zasilanie, chłodzenie i ta cicha historia o wodzie 💧🏢

Centra danych nie są nowością, ale sztuczna inteligencja zmienia ich intensywność. Wysokowydajne akceleratory mogą pobierać dużo energii w ciasnych przestrzeniach, co generuje ciepło, którym trzeba zarządzać. LBNL (2024): Raport o zużyciu energii w centrach danych w Stanach Zjednoczonych (PDF) IEA: Energia i sztuczna inteligencja

Podstawy chłodzenia (uproszczone, ale praktyczne)

• Chłodzenie powietrzem: wentylatory, schłodzone powietrze, konstrukcja z korytarzem gorącym/zimnym. US DOE FEMP: Efektywność energetyczna w centrach danych

• Chłodzenie cieczą: bardziej wydajne w gęstych konfiguracjach, ale może wymagać innej infrastruktury. ASHRAE (TC 9.9): Pojawienie się i ekspansja chłodzenia cieczą w popularnych centrach danych (PDF)

• Chłodzenie wyparne: może zmniejszyć zużycie energii elektrycznej w niektórych klimatach, ale często zwiększa zużycie wody. Departament Energii USA (FEMP): Możliwości zwiększenia efektywności chłodzenia wodnego w federalnych centrach danych

To jest kompromis: czasami można obniżyć zużycie energii elektrycznej, opierając się na chłodzeniu wodnym. W zależności od lokalnego niedoboru wody, może to być w porządku… lub może stanowić poważny problem. Li i in. (2023): Making AI Less „Thirsty” (PDF)

Ponadto ślad środowiskowy w dużej mierze zależy od:

• Gdzie znajduje się centrum danych (zróżnicowane emisje sieciowe) Intensywność emisji dwutlenku węgla API (GB) IEA: Energia i sztuczna inteligencja

• Jak efektywnie jest prowadzony (wykorzystanie ma duże znaczenie) Zielona siatka: PUE — kompleksowe badanie wskaźnika

• Czy ciepło odpadowe jest ponownie wykorzystywane

• Możliwości zakupu energii (odnawialne źródła energii, długoterminowe kontrakty itp.)

Mówiąc szczerze: w dyskusjach publicznych „centrum danych” często traktowane jest jak czarna skrzynka. Nie jest ono ani złe, ani magiczne. To infrastruktura. Zachowuje się jak infrastruktura.

Chipy i sprzęt: część, którą ludzie pomijają, bo jest mniej atrakcyjna 🪨🔧

Sztuczna inteligencja opiera się na sprzęcie. Sprzęt ma cykl życia, a jego wpływ na środowisko może być znaczący. US EPA: Przemysł półprzewodników ITU: Globalny Monitor Elektroodpadów 2024

Gdzie ujawnia się wpływ na środowisko

• Wydobycie materiałów: wydobycie i rafinacja metali i rzadkich materiałów.

• Produkcja: produkcja półprzewodników jest złożona i energochłonna. US EPA: Przemysł półprzewodników imec: Zmniejszanie wpływu na środowisko w produkcji układów scalonych

• Transport: globalne łańcuchy dostaw przemieszczają części wszędzie.

• Krótkie cykle wymiany: szybkie modernizacje mogą zwiększyć ilość elektrośmieci i emisję zanieczyszczeń. ITU: Globalny Monitor Elektrośmieci 2024

Odpady elektroniczne i serwery „w idealnym stanie”

Wiele szkód dla środowiska nie wynika z istnienia jednego urządzenia, ale z jego przedwczesnej wymiany, która stała się nieopłacalna. Sztuczna inteligencja przyspiesza ten proces, ponieważ skoki wydajności mogą być ogromne. Pokusa wymiany sprzętu jest realna. ITU: Globalny Monitor Elektrośmieci 2024

Praktyczna uwaga: wydłużenie żywotności sprzętu, poprawa jego wykorzystania i odnawianie mogą być równie ważne, jak każda modyfikacja modelu. Czasami najbardziej ekologiczny procesor graficzny to ten, którego się nie kupuje. (Brzmi jak slogan, ale jest też… w pewnym sensie prawdziwy)

Jak sztuczna inteligencja wpływa na środowisko: pętla zachowań „ludzie o tym zapominają” 🔁😬

Oto niewygodna część społeczna: sztuczna inteligencja ułatwia życie, dzięki czemu ludzie robią więcej. To może być wspaniałe – większa produktywność, większa kreatywność, lepszy dostęp. Ale może to również oznaczać lepsze ogólne wykorzystanie zasobów. OECD (2012): Wielorakie korzyści płynące z poprawy efektywności energetycznej (PDF)

Przykłady:

• Jeśli sztuczna inteligencja sprawi, że generowanie filmów stanie się tanie, ludzie będą tworzyć więcej filmów.

• Jeśli sztuczna inteligencja sprawi, że reklama będzie skuteczniejsza, wyświetli się więcej reklam i powstanie więcej pętli zaangażowania.

• Jeśli sztuczna inteligencja zwiększy wydajność logistyki wysyłkowej, e-commerce będzie mógł się jeszcze bardziej rozwijać.

To nie powód do paniki. To powód do mierzenia rezultatów, a nie tylko efektywności.

Niedoskonała, ale zabawna metafora: wydajność sztucznej inteligencji jest jak danie nastolatkowi większej lodówki – owszem, przechowywanie żywności się poprawia, ale lodówka znika w ciągu jednego dnia. Niedoskonała metafora, ale… sami widzieliście 😅

Plus: sztuczna inteligencja może naprawdę pomóc środowisku (jeśli zostanie odpowiednio ukierunkowana) 🌿✨

A teraz część, która jest niedoceniana: sztuczna inteligencja może zmniejszyć emisje i ilość odpadów w istniejących systemach, które są… szczerze mówiąc, nieeleganckie. IEA: Sztuczna inteligencja dla optymalizacji energetycznej i innowacji

Obszary, w których sztuczna inteligencja może pomóc

• Sieci energetyczne: prognozowanie obciążenia, reakcja na popyt, integracja zmiennych odnawialnych źródeł energii. IEA: Sztuczna inteligencja dla optymalizacji energetycznej i innowacji

• Budynki: inteligentniejsze sterowanie systemami HVAC, konserwacja predykcyjna, zużycie energii zależne od liczby osób w budynku. IEA: Digitalizacja

• Transport: optymalizacja tras, zarządzanie flotą, redukcja pustych kilometrów. IEA: Sztuczna inteligencja dla optymalizacji zużycia energii i innowacji

• Produkcja: wykrywanie wad, dostrajanie procesów, redukcja ilości odpadów.

• Rolnictwo: precyzyjne nawadnianie, wykrywanie szkodników, optymalizacja nawożenia.

• Monitorowanie środowiska: wykrywanie wycieków metanu, śledzenie sygnałów wylesiania, mapowanie wzorców bioróżnorodności. UNEP: Jak działa MARS Global Forest Watch: Alerty GLAD o wylesianiu Instytut Alana Turinga: Sztuczna inteligencja i systemy autonomiczne do oceny bioróżnorodności

• Gospodarka o obiegu zamkniętym: lepsze sortowanie i identyfikacja w strumieniach recyklingu.

Ważny niuans: „Pomoc” sztucznej inteligencji nie równoważy automatycznie jej wpływu na środowisko. Zależy to od tego, czy sztuczna inteligencja zostanie faktycznie wdrożona, faktycznie wykorzystana i czy doprowadzi do rzeczywistych oszczędności, a nie tylko do poprawy wskaźników. Ale tak, potencjał jest realny. IEA: Sztuczna inteligencja dla optymalizacji energetycznej i innowacji

Co sprawia, że ​​sztuczna inteligencja jest przyjazna dla środowiska? ✅🌍

To jest sekcja „OK, więc co powinniśmy zrobić”. Dobra, przyjazna dla środowiska konfiguracja sztucznej inteligencji zazwyczaj obejmuje:

• Jasna wartość użytkowa: Jeśli model nie zmienia decyzji ani wyników, jest to tylko fantazyjne obliczenie.

• Wbudowane pomiary: pomiary zużycia energii, szacunki emisji dwutlenku węgla, wykorzystania i efektywności, śledzone jak każdy inny wskaźnik KPI. CodeCarbon: Metodologia

• Modele o odpowiedniej wielkości: Używaj mniejszych modeli, gdy mniejsze modele działają. Bycie wydajnym nie jest moralną porażką.

• Efektywne projektowanie wnioskowania: buforowanie, przetwarzanie wsadowe, kwantyzacja, wyszukiwanie i dobre wzorce podpowiedzi. Gholami i in. (2021): Przegląd metod kwantyzacji (PDF) Lewis i in. (2020): Wyszukiwanie – generowanie rozszerzone

• Świadomość sprzętu i lokalizacji: uruchamiaj obciążenia, gdy sieć jest czystsza, a infrastruktura wydajna (jeśli to możliwe). Interfejs API Carbon Intensity (GB)

• Dłuższa żywotność sprzętu: maksymalizacja wykorzystania, ponownego użycia i renowacji. ITU: Globalny Monitor Elektroodpadów 2024

• Rzetelne relacjonowanie: unikaj greenwashingu i niejasnych stwierdzeń w rodzaju „ekologiczna sztuczna inteligencja” bez podawania liczb.

Jeśli nadal śledzisz wpływ sztucznej inteligencji na środowisko, to jest moment, w którym odpowiedź przestaje być filozoficzna, a staje się praktyczna: sztuczna inteligencja wpływa na środowisko w zależności od twoich wyborów.

Tabela porównawcza: narzędzia i podejścia, które faktycznie zmniejszają wpływ 🧰⚡

Poniżej znajduje się szybka, praktyczna tabela. Nie jest idealna i tak, kilka komórek jest nieco tendencyjnych… bo tak właśnie działa prawdziwy dobór narzędzi.

Zauważ, czego brakuje? „Kup magiczną zieloną naklejkę”. Taka nie istnieje 😬

Praktyczny podręcznik: ograniczanie wpływu sztucznej inteligencji bez niszczenia produktu 🛠️🌱

Jeśli budujesz lub kupujesz systemy AI, oto realistyczna sekwencja działań, która sprawdza się w praktyce:

Krok 1: Zacznij od pomiaru

• Śledź zużycie energii lub systematycznie je szacuj. CodeCarbon: Metodologia

• Pomiar wykonywany na podstawie przebiegu treningu i żądania wnioskowania.

• Monitoruj wykorzystanie – niewykorzystane zasoby mają tendencję do ukrywania się na widoku. Zielona Sieć: PUE

Krok 2: Dopasuj rozmiar modelu do zadania

• Użyj mniejszych modeli do klasyfikacji, ekstrakcji i routingu.

• Ciężki model zostaw na twarde przypadki.

• Rozważ „kaskadę modeli”: najpierw mały model, a większy tylko wtedy, gdy będzie to konieczne.

Krok 3: Zoptymalizuj wnioskowanie (tutaj skala ma znaczenie)

• Buforowanie: przechowywanie odpowiedzi na powtarzające się zapytania (z zachowaniem starannej kontroli prywatności).

• Partiowanie: grupowanie żądań mających na celu poprawę wydajności sprzętu.

• Krótsze opracowania: dłuższe opracowania kosztują więcej — czasami esej nie jest potrzebny.

• Dyscyplina w zakresie podpowiedzi: nieuporządkowane podpowiedzi wydłużają ścieżki obliczeniowe… i tak, generują więcej tokenów.

Krok 4: Popraw higienę danych

Brzmi to niepowiązane, ale tak nie jest:

• Czystsze zbiory danych mogą zmniejszyć liczbę odejść w ramach ponownego szkolenia.

• Mniej szumu oznacza mniej eksperymentów i mniej zmarnowanych przebiegów.

Krok 5: Traktuj sprzęt jak zasób, a nie przedmiot jednorazowego użytku

• Wydłuż cykle odświeżania, gdzie to możliwe. ITU: Globalny Monitor Elektrośmieci 2024

• Wykorzystuj starszy sprzęt do mniejszych obciążeń.

• Unikaj ciągłego zasilania w godzinach szczytu.

Krok 6: Wybierz wdrożenie z rozwagą

• Jeśli to możliwe, wykonuj elastyczne zadania, w których energia jest czystsza. Carbon Intensity API (GB)

• Zredukuj niepotrzebne powielanie.

• Utrzymuj realistyczne wartości docelowe opóźnień (bardzo niskie opóźnienia mogą wymusić nieefektywne konfiguracje ciągłe).

I tak… czasami najlepszym rozwiązaniem jest po prostu: nie uruchamiaj automatycznie największego modelu dla każdej pojedynczej czynności użytkownika. Ten nawyk to środowiskowy odpowiednik pozostawiania wszystkich świateł włączonych, bo chodzenie do włącznika jest irytujące.

Popularne mity (i co jest bliższe prawdy) 🧠🧯

Mit: „Sztuczna inteligencja jest zawsze gorsza od tradycyjnego oprogramowania”

Prawda: Sztuczna inteligencja może być bardziej obciążająca obliczeniowo, ale może również zastąpić nieefektywne procesy manualne, zmniejszyć ilość odpadów i zoptymalizować systemy. To zależy od sytuacji. IEA: Sztuczna inteligencja dla optymalizacji energetycznej i innowacji

Mit: „Trening jest jedynym problemem”

Prawda: Wnioskowanie na dużą skalę może z czasem dominować. Jeśli Twój produkt gwałtownie zyska na popularności, stanie się to głównym tematem. IEA: Energia i AI

Mit: „Odnawialne źródła energii rozwiązują problem natychmiast”

Prawda: Czystsza energia elektryczna bardzo pomaga, ale nie eliminuje śladu węglowego, zużycia wody ani efektu odbicia. Mimo to jest ważna. IEA: Energia i sztuczna inteligencja

Mit: „Jeśli coś jest wydajne, jest zrównoważone”

Prawda: Efektywność bez kontroli popytu nadal może zwiększyć całkowity wpływ. To pułapka odbicia. OECD (2012): Wielorakie korzyści z poprawy efektywności energetycznej (PDF)

Zarządzanie, przejrzystość i brak teatralności 🧾🌍

Jeśli jesteś firmą, to tutaj buduje się lub traci zaufanie.

• Raportuj wartościowe wskaźniki: na żądanie, na użytkownika, na zadanie – nie tylko przerażające sumy. LBNL (2024): Raport o zużyciu energii w centrach danych w Stanach Zjednoczonych (PDF)

• Unikaj niejasnych stwierdzeń: „zielona sztuczna inteligencja” nic nie znaczy bez liczb i granic.

• Weź pod uwagę wodę i lokalny wpływ: węgiel nie jest jedyną zmienną środowiskową. Li i in. (2023): Making AI Less „Thirsty” (PDF)

• Projektowanie z myślą o powściągliwości: domyślne krótsze odpowiedzi, tańsze tryby, ustawienia „eko”, które faktycznie coś robią.

• Pomyśl o kapitale własnym: intensywne wykorzystanie zasobów w miejscach z niedoborem wody lub niestabilną siecią energetyczną ma konsekwencje wykraczające poza arkusz kalkulacyjny. US DOE FEMP: Możliwości efektywnego wykorzystania wody chłodzącej w federalnych centrach danych

To ten moment, w którym ludzie przewracają oczami, ale to ma znaczenie. Odpowiedzialna technologia to nie tylko sprytna inżynieria. To także brak udawania, że ​​kompromisy nie istnieją.

Podsumowanie końcowe: zwięzłe podsumowanie wpływu sztucznej inteligencji na środowisko 🌎✅

Wpływ sztucznej inteligencji na środowisko sprowadza się do dodatkowego obciążenia: energii elektrycznej, wody (czasami) i zapotrzebowania na sprzęt. IEA: Energia i AI Li i in. (2023): Making AI Less „Thirsty” (PDF) Oferuje również potężne narzędzia do redukcji emisji i odpadów w innych sektorach. IEA: AI dla optymalizacji i innowacji energetycznych. Wynik netto zależy od skali, czystości sieci, wyborów dotyczących efektywności oraz od tego, czy sztuczna inteligencja rozwiązuje rzeczywiste problemy, czy też po prostu generuje innowacje dla samej innowacji. IEA: Energia i AI

Jeśli chcesz wyciągnąć najprostsze praktyczne wnioski:

• Mierzyć.

• Odpowiedni rozmiar.

• Optymalizacja wnioskowania.

• Przedłuża żywotność sprzętu.

• Bądź szczery w kwestii kompromisów.

A jeśli czujesz się przytłoczony, oto uspokajająca prawda: drobne decyzje operacyjne, powtarzane tysiąc razy, zazwyczaj przewyższają jedno wielkie hasło dotyczące zrównoważonego rozwoju. Trochę jak mycie zębów. Niezbyt efektowne, ale działa… 

Przykład z życia wzięty: ograniczenie obecności asystenta AI w obsłudze klienta 🌱🎧

Scenariusz

Wyobraź sobie, że mały sprzedawca internetowy chce wykorzystać sztuczną inteligencję, aby odpowiadać na najczęstsze pytania klientów dotyczące czasu dostawy, zwrotów, uszkodzonych przesyłek i rozmiarów produktów.

Pierwsza wersja jest nieekonomiczna: każda wiadomość od klienta trafia prosto do największego dostępnego modelu, nawet jeśli pytanie jest proste. Asystent pisze też zbyt długie odpowiedzi, powtarza tekst regulaminu i odpowiada na te same pytania tysiące razy, zamiast ponownie wykorzystywać zatwierdzone odpowiedzi.

Bardziej sensownym rozwiązaniem nie jest „brak sztucznej inteligencji”. To sztuczna inteligencja o odpowiedniej skali: używaj lżejszych narzędzi do prostych zadań, rezerwuj większy model na złożone przypadki i mierz wpływ na każde rozwiązane zgłoszenie.

Czego potrzebuje asystent

Zespół miał przygotować:

Aktualna polityka zwrotów

Zasady dostawy według regionu

Notatki dotyczące rozmiarów produktu

Krótka polityka eskalacji dotycząca zwrotów, skarg i kwestii prawnych

Lista 50 najczęstszych pytań klientów

Zatwierdzone krótkie odpowiedzi na powtarzające się pytania

Prosty arkusz śledzenia zawierający: typ żądania, użyty model, długość odpowiedzi, informację, czy eskalacja była konieczna, oraz informację, czy odpowiedź przeszła kontrolę ludzką

Przykładowa instrukcja

Najpierw użyj najmniejszego odpowiedniego modelu lub odpowiedzi opartej na regułach. Użyj większego modelu tylko wtedy, gdy pytanie klienta jest niejasne, emocjonalne, zawiera wiele kwestii lub wymaga połączenia informacji z więcej niż jednej polityki. Odpowiedzi nie powinny przekraczać 120 słów, chyba że klient prosi o szczegóły. Jeśli masz niskie poczucie pewności, zadaj jedno pytanie wyjaśniające lub skieruj sprawę do człowieka. Nie wymyślaj dat dostawy, zatwierdzeń zwrotów ani wyjątków od polityki.

Jak to przetestować

Przed uruchomieniem przeprowadź test 50 biletów:

10 pytań dotyczących dostawy

10 pytań zwrotnych

10 pytań dotyczących rozmiarów produktów

10 reklamacji dotyczących uszkodzonego przedmiotu

10 mieszanych lub niejasnych komunikatów

Dla każdej odpowiedzi zaznacz:

Czy zastosowano właściwą politykę?

Czy zapisana w pamięci podręcznej zatwierdzona odpowiedź mogłaby rozwiązać problem?

Czy większy model był potrzebny?

Czy asystent odpowiedział krótko?

Czy jakakolwiek odpowiedź zawiera wymyśloną informację?

Czy wrażliwe przypadki zostały właściwie eskalowane?

Do zaliczenia wymagane jest osiągnięcie poziomu: 95% dokładności zasad, 0 wymyślonych obietnic zwrotu pieniędzy i 100% eskalacji w przypadku skarg dotyczących sporów płatniczych lub gróźb prawnych.

Wynik

Przykładowy wynik, oparty na czasie i liczeniu testu 50 zgłoszeń przed i po optymalizacji:

Przed optymalizacją wszystkie 50 zgłoszeń korzystało z większego modelu, a średnia długość odpowiedzi wynosiła 210 słów.

Po optymalizacji 31 ​​zgłoszeń korzystało z buforowanych zatwierdzonych odpowiedzi, 14 z nich korzystało z mniejszego modelu, a tylko 5 z większego.

Średnia długość odpowiedzi spadła z 210 do 92 słów.

Czas przeglądu przez człowieka skrócił się z 4 godzin 10 minut do 1 godziny 25 minut.

Zespół znalazł 2 nieprawidłowe odpowiedzi na pytania dotyczące zasad w pierwszym przebiegu testu, a następnie 0 nieprawidłowych odpowiedzi po zaktualizowaniu dokumentów źródłowych i dodaniu jaśniejszych reguł eskalacji.

Nie dowodzi to, że asystent jest „zielony”. Pokazuje jedynie rodzaj pomiaru, który umożliwia sprawdzenie twierdzenia dotyczącego ochrony środowiska: mniej wywołań w modelu o dużym obciążeniu, krótsze wyniki, mniej powtarzanych generacji i mniej cykli przeglądu, których można uniknąć.

Co może pójść nie tak

Asystent może nadal marnować moc obliczeniową, nawet jeśli każda niejasna wiadomość będzie kierowana do największego modelu „na wszelki wypadek”.

Zapisane w pamięci podręcznej odpowiedzi mogą stać się ryzykowne, jeśli zasady zwrotów ulegną zmianie i nikt ich nie zaktualizuje.

Krótkie odpowiedzi mogą frustrować klientów, jeśli pomijają ważne szczegóły.

Oświadczenia dotyczące emisji dwutlenku węgla lub zużycia energii mogą stać się greenwashingiem, jeśli firma podaje jedynie procentowe oszczędności, nie podając metody pomiaru.

Największym błędem jest traktowanie wyboru modelu jako jedynej dźwigni. W praktyce bardziej ekologiczny przepływ pracy wynika z routingu, buforowania, krótszych wyników, lepszych dokumentów źródłowych i weryfikacji przez człowieka w przypadkach wysokiego ryzyka.

Praktyczne wskazówki

System sztucznej inteligencji o niskim wpływie zazwyczaj nie jest najbardziej wyrafinowany. To taki, który mierzy rzeczywiste użycie, unika niepotrzebnych, skomplikowanych wniosków, w miarę możliwości ponownie wykorzystuje zatwierdzone odpowiedzi i nadal daje ludziom kontrolę nad istotnymi decyzjami.

Często zadawane pytania

W jaki sposób sztuczna inteligencja wpływa na środowisko w codziennym użytkowaniu, a nie tylko w dużych laboratoriach badawczych?

Większość zasobów sztucznej inteligencji pochodzi z energii elektrycznej, która zasila centra danych obsługujące procesory graficzne i CPU, zarówno podczas szkolenia, jak i codziennego „wnioskowania”. Pojedyncze żądanie może wydawać się niewielkie, ale w dużej skali te żądania szybko się kumulują. Wpływ zależy również od lokalizacji centrum danych, czystości lokalnej sieci i efektywności działania infrastruktury.

Czy szkolenie modelu sztucznej inteligencji jest gorsze dla środowiska niż jego używanie (wnioskowanie)?

Szkolenie może wymagać dużego, początkowego nakładu obliczeniowego, ale wnioskowanie może z czasem stać się bardziej czasochłonne, ponieważ działa nieprzerwanie i na masową skalę. Jeśli narzędzie jest używane przez miliony osób każdego dnia, powtarzające się żądania mogą przeważyć nad jednorazowym kosztem szkolenia. Dlatego optymalizacja często koncentruje się na wydajności wnioskowania.

Dlaczego sztuczna inteligencja wykorzystuje wodę i czy zawsze stanowi to problem?

Sztuczna inteligencja może wykorzystywać wodę głównie dlatego, że niektóre centra danych korzystają z chłodzenia wodnego lub ponieważ woda jest zużywana pośrednio poprzez wytwarzanie energii elektrycznej. W niektórych klimatach chłodzenie wyparne może zmniejszyć zużycie energii elektrycznej, jednocześnie zwiększając zużycie wody, co stanowi realny kompromis. To, czy jest to „niekorzystne”, zależy od lokalnego niedoboru wody, projektu chłodzenia oraz tego, czy zużycie wody jest mierzone i zarządzane.

Jaka część śladu ekologicznego sztucznej inteligencji pochodzi ze sprzętu i elektrośmieci?

Sztuczna inteligencja opiera się na układach scalonych, serwerach, sprzęcie sieciowym, budynkach i łańcuchach dostaw – co oznacza wydobycie, produkcję, transport i ostateczną utylizację. Produkcja półprzewodników jest energochłonna, a szybkie cykle modernizacji mogą zwiększyć emisję zanieczyszczeń i ilość elektrośmieci. Wydłużenie żywotności sprzętu, jego renowacja i poprawa wykorzystania mogą znacząco zmniejszyć wpływ na środowisko, czasami dorównując zmianom na poziomie modelu.

Czy wykorzystanie odnawialnych źródeł energii rozwiązuje problem wpływu sztucznej inteligencji na środowisko?

Czystsza energia elektryczna może zmniejszyć emisje generowane przez komputery, ale nie eliminuje innych negatywnych skutków, takich jak zużycie wody, produkcja sprzętu i elektrośmieci. Nie rozwiązuje to również automatycznie problemu „efektu odbicia”, w którym tańsze komputery prowadzą do większego zużycia energii. Odnawialne źródła energii są ważnym czynnikiem, ale stanowią tylko jeden z elementów składowych śladu węglowego.

Czym jest efekt odbicia i dlaczego jest on ważny dla sztucznej inteligencji i zrównoważonego rozwoju?

Efekt odbicia występuje, gdy wzrost wydajności sprawia, że ​​coś staje się tańsze lub łatwiejsze, co sprawia, że ​​ludzie robią to częściej – czasami niwecząc oszczędności. Dzięki sztucznej inteligencji tańsze generowanie lub automatyzacja mogą zwiększyć całkowite zapotrzebowanie na treści, moc obliczeniową i usługi. Dlatego mierzenie rezultatów w praktyce ma większe znaczenie niż celebrowanie wydajności w oderwaniu od kontekstu.

Jakie są praktyczne sposoby ograniczenia wpływu sztucznej inteligencji bez szkody dla produktu?

Powszechnym podejściem jest rozpoczęcie od pomiarów (szacowanie zużycia energii i emisji dwutlenku węgla, wykorzystanie), a następnie dopasowanie modeli do zadania i optymalizacja wnioskowania za pomocą buforowania, przetwarzania wsadowego i skrócenia czasu przetwarzania. Techniki takie jak kwantyzacja, destylacja i generowanie wspomagane wyszukiwaniem mogą zmniejszyć zapotrzebowanie na moc obliczeniową. Decyzje operacyjne – takie jak harmonogramowanie obciążeń według intensywności emisji dwutlenku węgla i dłuższa żywotność sprzętu – często przynoszą duże korzyści.

W jaki sposób sztuczna inteligencja może pomóc środowisku, zamiast mu szkodzić?

Sztuczna inteligencja może redukować emisje i ilość odpadów, jeśli zostanie wdrożona w celu optymalizacji rzeczywistych systemów: prognozowania sieci elektroenergetycznej, reagowania na zapotrzebowanie, sterowania systemami HVAC w budynkach, planowania tras logistycznych, konserwacji predykcyjnej i wykrywania wycieków. Może również wspierać monitorowanie środowiska, takie jak alarmy o wylesianiu i wykrywanie metanu. Kluczowe jest to, czy system zmienia decyzje i zapewnia mierzalne redukcje, a nie tylko lepsze pulpity nawigacyjne.

Jakie wskaźniki powinny raportować firmy, aby uniknąć „ekościemniania” twierdzeń na temat sztucznej inteligencji?

Bardziej sensowne jest raportowanie metryk dla poszczególnych zadań lub żądań niż tylko dużych liczb całkowitych, ponieważ pokazuje to wydajność na poziomie jednostki. Śledzenie zużycia energii, szacunków emisji dwutlenku węgla, wykorzystania zasobów oraz – w stosownych przypadkach – wpływu na wodę zapewnia jaśniejszą odpowiedzialność. Ważne jest również określenie granic (co jest uwzględniane) i unikanie niejasnych etykiet, takich jak „eko-przyjazna sztuczna inteligencja” bez poparcia w ilościowych dowodach.

Odniesienia

1. Międzynarodowa Agencja Energetyczna (IEA) – Energia i sztuczna inteligencja – iea.org

2. Międzynarodowa Agencja Energetyczna (IEA) – Sztuczna inteligencja dla optymalizacji energetycznej i innowacji – iea.org

3. Międzynarodowa Agencja Energetyczna (IEA) – Cyfryzacja – iea.org

4. Lawrence Berkeley National Laboratory (LBNL) – Raport o zużyciu energii w centrach danych w Stanach Zjednoczonych (2024) (PDF) – lbl.gov

5. Li i in. – Uczynić sztuczną inteligencję mniej „spragnioną” (2023) (PDF) – arxiv.org

6. ASHRAE (TC 9.9) – Powstanie i rozwój chłodzenia cieczą w popularnych centrach danych (PDF) – ashrae.org

7. The Green Grid – PUE – Kompleksowe badanie metryki – thegreengrid.org

8. Departament Energii USA (DOE) – FEMP – Możliwości zwiększenia efektywności wykorzystania wody chłodzącej w federalnych centrach danych – energy.gov

9. Departament Energii USA (DOE) – FEMP – Efektywność energetyczna w centrach danych – energy.gov

10. Agencja Ochrony Środowiska Stanów Zjednoczonych (EPA) – Przemysł półprzewodników – epa.gov

11. Międzynarodowy Związek Telekomunikacyjny (ITU) – Globalny Monitor Elektrośmieci 2024 – itu.int

12. OECD – Wielorakie korzyści płynące z poprawy efektywności energetycznej (2012) (PDF) – oecd.org

13. Intensywność emisji dwutlenku węgla API (GB) - carbonintensity.org.uk

14. imec - Ograniczanie wpływu na środowisko w produkcji układów scalonych - imec-int.com

15. UNEP – Jak działa MARS – unep.org

16. Global Forest Watch – alerty GLAD dotyczące wylesiania – globalforestwatch.org

17. Instytut Alana Turinga – Sztuczna inteligencja i systemy autonomiczne do oceny bioróżnorodności i stanu ekosystemów – turing.ac.uk

18. CodeCarbon – Metodologia – mlco2.github.io

19. Gholami i in. - Przegląd metod kwantyzacji (2021) (PDF) - arxiv.org

20. Lewis i in. - Pokolenie rozszerzone o wyszukiwanie (2020) - arxiv.org

21. Hinton i in. – Destylowanie wiedzy w sieci neuronowej (2015) – arxiv.org

22. CodeCarbon - codecarbon.io

Znajdź najnowszą sztuczną inteligencję w oficjalnym sklepie z asystentami AI

O nas