پاسخ و پرسش: تاثیر اقلیمی هوش مصنوعی مولد
هوش مصنوعی مولد (Generative AI) با استفاده از یادگیری ماشین (ML) محتوای جدیدی مانند تصاویر و متن ایجاد می‌کند و این روزها نقش بسیار مهمی در زندگی روزمره ما ایفا می‌کند. با این حال، این فناوری تأثیرات محیط‌زیستی بسیاری دارد که اغلب مخفی مانده است. در این مقاله، «ویجی گادیپالی» از آزمایشگاه لینکلن MIT به بررسی روندهای استفاده از این فناوری، تأثیرات اقلیمی آن و اقدامات انجام‌شده برای کاهش این تأثیرات می‌پردازد.
هوش مصنوعی مولد چگونه در حال تغییر دنیا است؟
هوش مصنوعی مولد در سال‌های اخیر به‌طور گسترده در زمینه‌های مختلف از جمله کلاس‌های درس و محیط‌های کاری استفاده شده است. ابزارهایی مانند ChatGPT توانسته‌اند دنیای ما را با سرعتی فراتر از تنظیم مقررات تغییر دهند. پیش‌بینی می‌شود که این فناوری در ده سال آینده به حوزه‌هایی مانند دستیارهای مجازی پیشرفته، کشف داروها و مواد جدید، و درک بهتر علوم پایه راه پیدا کند.
با این حال، نباید فراموش کنیم که الگوریتم‌های پیچیده‌تر نیازمند منابع محاسباتی بیشتر هستند که مصرف انرژی و تأثیرات اقلیمی آن‌ها را افزایش می‌دهد.
استراتژی‌های آزمایشگاه لینکلن برای کاهش اثرات اقلیمی
آزمایشگاه لینکلن همیشه در تلاش است تا روند محاسبات را بهینه‌تر کند. این اقدامات علاوه بر بهره‌وری بهتر، به کاهش تأثیرات اقلیمی نیز کمک می‌کنند. برخی از استراتژی‌های کلیدی این آزمایشگاه عبارت‌اند از:
- کاهش مصرف انرژی سخت‌افزار: با اعمال تغییراتی ساده، مانند محدود کردن مصرف انرژی پردازنده‌های گرافیکی (GPU)، این مرکز توانست مصرف انرژی آن‌ها را بین ۲۰ تا ۳۰ درصد کاهش دهد، بدون اینکه عملکرد دستگاه‌ها تحت تأثیر قرار گیرد.
- زمان‌بندی هوشمند: آموزش مدل‌های هوش مصنوعی در ساعات خنک‌تر یا زمانی که تقاضا برای شبکه انرژی کمتر است، به‌طور قابل‌توجهی مصرف انرژی را کم می‌کند.
- حذف محاسبات غیرضروری: این مرکز تکنیک‌هایی توسعه داده است که کارهای محاسباتی غیرمؤثر را زودتر خاتمه می‌دهد. در بسیاری از موارد، این روش باعث صرفه‌جویی بزرگی در منابع انرژی شد، بدون اینکه نتیجه نهایی به خطر بیفتد.
نمونه‌ای از پروژه کاهش مصرف انرژی در هوش مصنوعی مولد
یکی از پروژه‌های موفق این آزمایشگاه، طراحی ابزار بینایی کامپیوتری حساس به کربن (Climate-Aware) بود. این ابزار اطلاعاتی درباره میزان کربن تولیدشده توسط شبکه انرژی محلی به هنگام اجرای مدل ارائه می‌دهد. در صورتی که شبکه در حال تولید کربن زیاد باشد، سیستم به‌صورت خودکار به یک نسخه کارآمدتر از مدل تغییر حالت می‌دهد. از سوی دیگر، اگر شدت کربن کم باشد، نسخه‌ای با دقت بالا اجرا می‌شود. نتیجه این کار کاهش ۸۰ درصدی انتشار کربن طی بازه‌ای دو روزه بود!
این ایده برای سایر وظایف هوش مصنوعی مانند خلاصه‌سازی متن نیز گسترش یافت و علاوه بر کاهش انتشار کربن، در برخی موارد بهبود عملکرد را نیز به همراه داشت.
ما به‌عنوان کاربران چه کنیم؟
به‌عنوان مصرف‌کنندگان هوش مصنوعی مولد، می‌توانیم نقش مهمی در کاهش اثرات اقلیمی آن ایفا کنیم. برخی از اقدامات شامل موارد زیر است:
- افزایش شفافیت: درخواست از ارائه‌دهندگان این ابزارها برای ارائه اطلاعات دقیق درباره میزان انتشار کربن هر عملیات. مشابه با اطلاعاتی که در سفرهای هوایی درباره ردپای کربنی ارائه می‌شود.
- آگاهی‌بخشی: تلاش برای آموزش خود و دیگران در زمینه تأثیرات اقلیمی هوش مصنوعی. به‌عنوان مثال، دانستن اینکه تولید یک تصویر با هوش مصنوعی می‌تواند معادل طی کردن ۶.۴ کیلومتر با یک خودروی بنزینی باشد، می‌تواند در تصمیم‌گیری ما تأثیرگذار باشد.
- انتخاب آگاهانه: ترجیح استفاده از پلتفرم‌ها و ابزارهایی که تأثیرات اقلیمی کمتری دارند، می‌تواند به بهبود این وضعیت کمک کند.
نگاه به آینده
کاهش اثرات اقلیمی هوش مصنوعی مولد نیازمند همکاری جهانی بین مراکز داده، توسعه‌دهندگان هوش مصنوعی و شبکه‌های انرژی است. ایده‌هایی مانند انجام “ممیزی انرژی” برای عملیات محاسباتی می‌تواند به شناسایی روش‌های جدید برای بهبود بهره‌وری و کاهش مصرف انرژی منجر شود. پیشرفت این حوزه نیازمند شراکت‌ها و همکاری‌های بیشتر در سطح جهانی است.
برای اطلاعات بیشتر یا همکاری با آزمایشگاه لینکلن در این زمینه، می‌توانید با ویجی گادیپالی تماس بگیرید.
منبع: ویجی گادیپالی