Je, akili bandia huathiri vipi Mazingira? [Video na Maswali]

Jibu fupi: AI huathiri mazingira hasa kupitia matumizi ya umeme katika vituo vya data (mafunzo na hitimisho la kila siku), pamoja na maji kwa ajili ya kupoeza, pamoja na athari zinazoonekana za utengenezaji wa vifaa na taka za kielektroniki. Ikiwa matumizi yatafikia mabilioni ya maswali, hitimisho linaweza kuzidi mafunzo; ikiwa gridi ni safi na mifumo ina ufanisi, athari hupungua huku faida zikiongezeka.

Mambo muhimu ya kuzingatia:

Umeme: Fuatilia matumizi ya hesabu; uzalishaji hupungua wakati mzigo wa kazi unapoendeshwa kwenye gridi safi.

Maji: Chaguo za kupoeza hubadilisha athari; mbinu za maji ni muhimu zaidi katika maeneo machache.

Vifaa: Chipsi na seva zina athari kubwa; huongeza muda wa matumizi na kuweka kipaumbele ukarabati.

Kurudi Nyuma: Ufanisi unaweza kuongeza mahitaji yote; kupima matokeo, si tu faida kwa kila kazi.

Vigezo vya uendeshaji: Mifumo ya ukubwa wa kulia, kuboresha hitimisho, na kuripoti vipimo vya kila ombi kwa uwazi.

Makala ambazo unaweza kupenda kusoma baada ya hii:

🔗 Je, AI ni mbaya kwa mazingira?
Chunguza athari za kaboni kwenye akili bandia (AI), matumizi ya umeme, na mahitaji ya vituo vya data.

🔗 Kwa nini AI ni mbaya kwa jamii?
Angalia upendeleo, usumbufu wa kazi, taarifa potofu, na kuongezeka kwa ukosefu wa usawa wa kijamii.

🔗 Kwa nini AI ni mbaya? Upande mbaya wa AI
Kuelewa hatari kama vile ufuatiliaji, udanganyifu, na kupoteza udhibiti wa kibinadamu.

🔗 Je, akili bandia imepita kiasi?
Mijadala kuhusu maadili, kanuni, na mahali ambapo uvumbuzi unapaswa kuchora mipaka.

Jinsi AI inavyoathiri Mazingira: picha fupi ⚡🌱

Ukikumbuka mambo machache tu, fanya yafuatayo:

• AI hutumia nishati - zaidi katika vituo vya data vinavyoendesha GPU/CPU kwa ajili ya mafunzo na kwa "uhakiki" wa kila siku (kwa kutumia modeli). IEA: Nishati na AI

• Nishati inaweza kumaanisha uzalishaji wa hewa chafu - kulingana na mchanganyiko wa gridi ya ndani na mikataba ya umeme. IEA: Nishati na AI

• AI inaweza kutumia kiasi cha kushangaza cha maji - hasa kwa ajili ya kupoeza katika baadhi ya mipangilio ya vituo vya data. Li et al. (2023): Kupunguza "Kiu" cha AI (PDF) US DOE FEMP: Fursa za Ufanisi wa Maji ya Kupoeza kwa Vituo vya Data vya Shirikisho

• AI inategemea vitu halisi - chipsi, seva, vifaa vya mitandao, betri, majengo ... ambayo inamaanisha uchimbaji madini, utengenezaji, usafirishaji, na hatimaye taka za kielektroniki. EPA ya Marekani: Sekta ya Semiconductor ITU: Kifuatiliaji cha Kimataifa cha Taka za Kielektroniki 2024

• AI inaweza kupunguza athari za kimazingira kwingineko - kwa kuboresha vifaa, kugundua uvujaji, kuboresha ufanisi, kuharakisha utafiti, na kufanya mifumo isiwe na matumizi mabaya. IEA: AI kwa ajili ya uboreshaji wa nishati na uvumbuzi

Na kisha hapo ndipo watu husahau: kiwango. Swali moja la AI linaweza kuwa dogo, lakini mabilioni yake ni mnyama tofauti kabisa… kama mpira mdogo wa theluji ambao kwa namna fulani unakuwa kama maporomoko ya theluji yanayofanana na sofa. (Sitiari hiyo ni mbaya kidogo, lakini unaelewa.) IEA: Nishati na AI

Athari ya kimazingira ya AI si kitu kimoja - ni mkusanyiko 🧱🌎

Watu wanapobishana kuhusu AI na uendelevu, mara nyingi huzungumza zaidi ya kila mmoja kwa sababu wanaelekezana kwenye tabaka tofauti:

1) Hesabu umeme

• Kufundisha mifumo mikubwa kunaweza kuhitaji makundi makubwa kufanya kazi kwa bidii kwa muda mrefu. IEA: Nishati na AI

• Uamuzi (matumizi ya kila siku) unaweza kuwa chanzo kikubwa zaidi baada ya muda kwa sababu hutokea kila mahali. IEA: Nishati na AI

2) Gharama ya kituo cha data

• Kupoeza, upotevu wa usambazaji wa umeme, mifumo ya chelezo, vifaa vya mitandao. LBNL (2024): Ripoti ya Matumizi ya Nishati ya Kituo cha Data cha Marekani (PDF)

• Kikokotoo kile kile kinaweza kuwa na athari tofauti ardhini kulingana na ufanisi. Gridi ya Kijani: PUE—Uchunguzi Kamili wa Kipimo

3) Maji na joto

• Vituo vingi hutumia maji moja kwa moja au kwa njia isiyo ya moja kwa moja kudhibiti joto. US DOE FEMP: Fursa za Ufanisi wa Maji Baridi kwa Vituo vya Data vya Shirikisho Li et al. (2023): Kupunguza "Kiu" ya AI (PDF)

• Joto taka linaweza kurudishwa, au linaweza tu… kuondoka kama hewa moto. (Sio bora.)

4) Mnyororo wa usambazaji wa vifaa

• Uchimbaji na uchakataji wa vifaa.

• Kutengeneza chipsi na seva (zinazotumia nishati nyingi). EPA ya Marekani: Semiconductor Imec ya Sekta: Kupunguza athari za kimazingira katika utengenezaji wa chipsi

• Usafirishaji, ufungashaji, uboreshaji, uingizwaji.

5) Athari za tabia na kurudi nyuma

• AI hufanya kazi ziwe rahisi na za bei nafuu, kwa hivyo watu hufanya kazi nyingi zaidi. OECD (2012): Faida Nyingi za Uboreshaji wa Ufanisi wa Nishati (PDF)

• Faida za ufanisi zinaweza kuliwa na ongezeko la mahitaji. Hii ndiyo sehemu inayonifanya niguna kidogo. OECD (2012): Faida Nyingi za Uboreshaji wa Ufanisi wa Nishati (PDF)

Kwa hivyo mtu anapouliza jinsi AI inavyoathiri Mazingira, jibu la moja kwa moja ni: inategemea ni safu gani unayopima, na "AI" inamaanisha nini katika hali hiyo.

Mafunzo dhidi ya utabiri: tofauti inayobadilisha kila kitu 🧠⚙️

Watu wanapenda kuzungumzia mafunzo kwa sababu yanasikika kama ya kusisimua - "modeli moja ilitumia nishati ya X." Lakini hitimisho ni jitu dogo tulivu. IEA: Nishati na AI

Mafunzo (ujenzi mkubwa)

Mafunzo ni kama kujenga kiwanda. Unalipa gharama ya awali: hesabu nzito, muda mrefu wa kufanya kazi, majaribio mengi ya kufanya makosa (na ndio, majaribio mengi ya "oops ambayo hayakufanya kazi, jaribu tena"). Mafunzo yanaweza kuboreshwa, lakini bado yanaweza kuwa makubwa. IEA: Nishati na AI

Ufafanuzi (matumizi ya kila siku)

Uamuzi ni kama kiwanda kinachofanya kazi kila siku, kwa kila mtu, kwa kiwango kikubwa:

• Viboti vya gumzo hujibu maswali

• Uundaji wa picha

• Nafasi ya utafutaji

• Mapendekezo

• Hotuba-kwa-maandishi

• Ugunduzi wa ulaghai

• Waendeshaji nakala katika hati na zana za msimbo

Hata kama kila ombi ni dogo, kiasi cha matumizi kinaweza kupunguza mafunzo. Ni hali ya kawaida ya "jani moja si kitu, majani milioni moja ni tatizo". IEA: Nishati na AI

Dokezo dogo - baadhi ya kazi za AI ni nzito zaidi kuliko zingine. Kutengeneza picha au video ndefu huwa kuna ulaji mwingi wa nishati kuliko uainishaji mfupi wa maandishi. Kwa hivyo kuweka "AI" kwenye ndoo moja ni kama kulinganisha baiskeli na meli ya mizigo na kuziita zote mbili "usafiri." IEA: Nishati na AI

Vituo vya data: umeme, upoezaji, na hadithi hiyo ya maji tulivu 💧🏢

Vituo vya data si vipya, lakini AI hubadilisha kiwango cha nguvu. Viongeza kasi vya utendaji wa juu vinaweza kuvuta nguvu nyingi katika nafasi finyu, ambazo hugeuka kuwa joto, ambalo lazima lidhibitiwe. LBNL (2024): Ripoti ya Matumizi ya Nishati ya Kituo cha Data cha Marekani (PDF) IEA: Nishati na AI

Misingi ya kupoeza (iliyorahisishwa, lakini inayotumika)

• Upoezaji wa hewa: feni, hewa baridi, muundo wa njia ya joto/njia baridi. US DOE FEMP: Ufanisi wa Nishati katika Vituo vya Data

• Upozaji wa kimiminika: ufanisi zaidi katika mipangilio minene, lakini inaweza kuhusisha miundombinu tofauti. ASHRAE (TC 9.9): Kuibuka na Upanuzi wa Upozaji wa Kimiminika katika Vituo Vikuu vya Data (PDF)

• Kupoeza kwa uvukizi: kunaweza kupunguza matumizi ya umeme katika baadhi ya hali ya hewa lakini mara nyingi huongeza matumizi ya maji. US DOE FEMP: Fursa za Ufanisi wa Maji ya Kupoeza kwa Vituo vya Data vya Shirikisho

Hiyo ndiyo hali halisi: wakati mwingine unaweza kupunguza matumizi ya umeme kwa kutegemea upoezaji unaotegemea maji. Kulingana na uhaba wa maji wa eneo husika, hilo linaweza kuwa sawa… au linaweza kuwa tatizo halisi. Li et al. (2023): Kufanya AI Kupunguza “Kiu” (PDF)

Pia, athari za mazingira hutegemea sana:

• Mahali ambapo kituo cha data kipo (uzalishaji wa gridi hutofautiana) API ya Kiwango cha Kaboni (GB) IEA: Nishati na AI

• Jinsi inavyoendeshwa kwa ufanisi (matumizi ni muhimu sana) Gridi ya Kijani: PUE—Uchunguzi Kamili wa Kipimo

• Ikiwa joto taka linatumika tena

• Chaguzi za ununuzi wa nishati (zinazoweza kutumika tena, mikataba ya muda mrefu, n.k.)

Kuwa mkweli: mazungumzo ya hadharani mara nyingi huchukulia "kituo cha data" kama kisanduku cheusi. Sio uovu, sio uchawi. Ni miundombinu. Inafanya kazi kama miundombinu.

Chipsi na vifaa: sehemu ambayo watu huipuuza kwa sababu si ya kuvutia sana 🪨🔧

AI inaishi kwa kutumia vifaa. Vifaa vina mzunguko wa maisha, na athari za mzunguko wa maisha zinaweza kuwa kubwa. EPA ya Marekani: Sekta ya Semiconductor ITU: Kifuatiliaji cha Kimataifa cha Taka za Kielektroniki 2024

Ambapo athari za mazingira zinaonekana

• Uchimbaji wa nyenzo: uchimbaji na usafishaji wa metali na vifaa adimu.

• Utengenezaji: utengenezaji wa semiconductor ni mgumu na hutumia nishati nyingi. EPA ya Marekani: Semiconductor Imec ya Sekta: Kupunguza athari za kimazingira katika utengenezaji wa chipu

• Usafiri: minyororo ya usambazaji duniani huhamisha sehemu kila mahali.

• Mizunguko mifupi ya uingizwaji: uboreshaji wa haraka unaweza kuongeza taka za kielektroniki na uzalishaji ulio ndani. ITU: Kifuatiliaji cha Kimataifa cha Taka za Kielektroniki 2024

Watumiaji wa kielektroniki na "wasaidizi wazuri"

Madhara mengi ya kimazingira hayatokani na kifaa kimoja kilichopo - ni kutokana na kukibadilisha mapema kwa sababu hakina gharama nafuu tena. AI huharakisha hili kwa sababu ongezeko la utendaji linaweza kuwa kubwa. Jaribu la kuburudisha vifaa ni kweli. ITU: Kifuatiliaji cha Taka za Kielektroniki cha Kimataifa 2024

Jambo la vitendo: kuongeza muda wa matumizi ya vifaa, kuboresha matumizi, na ukarabati kunaweza kuwa muhimu kama vile marekebisho yoyote ya mtindo wa kisasa. Wakati mwingine GPU ya kijani kibichi zaidi ni ile ambayo huinunui. (Hiyo inasikika kama kauli mbiu, lakini pia ... ni kweli kidogo.)

Jinsi AI inavyoathiri Mazingira: kitanzi cha tabia cha "watu husahau hili" 🔁😬

Hapa kuna sehemu isiyo ya kawaida ya kijamii: AI hurahisisha mambo, kwa hivyo watu hufanya mambo mengi zaidi. Hilo linaweza kuwa la ajabu - tija zaidi, ubunifu zaidi, ufikiaji zaidi. Lakini pia linaweza kumaanisha matumizi zaidi ya rasilimali kwa ujumla. OECD (2012): Faida Nyingi za Maboresho ya Ufanisi wa Nishati (PDF)

Mifano:

• Ikiwa AI itafanya utengenezaji wa video kuwa wa bei rahisi, watu hutoa video zaidi.

• Ikiwa AI itafanya matangazo kuwa na ufanisi zaidi, matangazo zaidi yanahudumiwa, na ushirikishwaji zaidi unazunguka.

• Ikiwa AI itafanya usafirishaji wa vifaa kuwa na ufanisi zaidi, biashara ya mtandaoni inaweza kukua kwa kasi zaidi.

Hii si sababu ya hofu. Ni sababu ya kupima matokeo, si ufanisi tu.

Mfano usio kamili lakini wa kufurahisha: Ufanisi wa akili bandia ni kama kumpa kijana friji kubwa - ndio, hifadhi ya chakula inaboresha, lakini kwa namna fulani friji inakuwa tupu tena kwa siku moja. Sio mfano kamili, lakini… umeona ikitokea 😅

Faida: AI inaweza kusaidia mazingira (ikiwa imelenga kulia) 🌿✨

Sasa kwa upande unaopuuzwa: AI inaweza kupunguza uzalishaji na taka katika mifumo iliyopo ambayo… kusema ukweli, haina uzuri. IEA: AI kwa ajili ya kuboresha nishati na uvumbuzi

Maeneo ambayo AI inaweza kusaidia

• Gridi za nishati: utabiri wa mzigo, mwitikio wa mahitaji, kuunganisha nishati mbadala zinazobadilika. IEA: AI kwa ajili ya uboreshaji wa nishati na uvumbuzi

• Majengo: udhibiti bora wa HVAC, matengenezo ya utabiri, matumizi ya nishati kulingana na umiliki. IEA: Utumiaji wa kidijitali

• Usafiri: uboreshaji wa njia, usimamizi wa meli, kupunguza maili tupu. IEA: AI kwa ajili ya uboreshaji wa nishati na uvumbuzi

• Utengenezaji: kugundua kasoro, kurekebisha michakato, kupunguzwa kwa chakavu.

• Kilimo: umwagiliaji sahihi, ugunduzi wa wadudu, uboreshaji wa mbolea.

• Ufuatiliaji wa mazingira: kugundua uvujaji wa methane, kufuatilia ishara za ukataji miti, kuchora ramani ya mifumo ya bayoanuwai. UNEP: Jinsi MARS inavyofanya kazi Global Forest Watch: Tahadhari za ukataji miti GLAD Taasisi ya Alan Turing: Akili bandia na mifumo huru ya kutathmini bayoanuwai

• Uchumi wa mzunguko: upangaji bora na utambuzi katika mito ya kuchakata tena.

Jambo muhimu: "Kusaidia" AI hakubadilishi kiotomatiki alama ya AI. Inategemea kama AI imetumika, imetumika kweli, na kama inasababisha upunguzaji halisi badala ya dashibodi bora tu. Lakini ndiyo, uwezo ni halisi. IEA: AI kwa ajili ya uboreshaji wa nishati na uvumbuzi

Ni nini kinachofanya toleo zuri la AI rafiki kwa mazingira kuwa? ✅🌍

Hii ni sehemu ya "sawa kwa hivyo tufanye nini". Mpangilio mzuri wa AI unaojali mazingira kwa kawaida huwa na:

• Wazi thamani ya matumizi: Ikiwa mfumo haubadilishi maamuzi au matokeo, ni hesabu ya ajabu tu.

• Vipimo vilivyowekwa katika: Nishati, makadirio ya kaboni, matumizi, na vipimo vya ufanisi vinavyofuatiliwa kama KPI nyingine yoyote. CodeCarbon: Mbinu

• Mifano ya ukubwa wa kulia: Tumia mifano midogo wakati mifano midogo inafanya kazi. Sio kushindwa kimaadili kuwa na ufanisi.

• Ubunifu mzuri wa hitimisho: kuhifadhi, kupanga, kupima, kurejesha, na mifumo mizuri ya uhamasishaji. Gholami et al. (2021): Utafiti wa Mbinu za Kupima Kiasi (PDF) Lewis et al. (2020): Kizazi Kilichoongezwa Urejeshaji

• Ufahamu wa vifaa na eneo: endesha mzigo wa kazi ambapo gridi ya taifa ni safi zaidi na miundombinu ni bora (inapowezekana). API ya Ukali wa Kaboni (GB)

• Muda mrefu zaidi wa vifaa: kuongeza matumizi, utumiaji tena, na ukarabati. ITU: Kifuatiliaji cha Taka za Kielektroniki cha Kimataifa 2024

• Kuripoti moja kwa moja: epuka lugha ya kuchafua mazingira na madai yasiyoeleweka kama vile "AI rafiki kwa mazingira" bila nambari.

Ikiwa bado unafuatilia jinsi AI inavyoathiri Mazingira, hapa ndipo jibu linapoacha kuwa la kifalsafa na kuanza kufanya kazi: linaathiri kulingana na chaguo zako.

Jedwali la Ulinganisho: zana na mbinu zinazopunguza athari 🧰⚡

Hapa chini kuna jedwali la haraka na la vitendo. Sio kamili, na ndio, seli chache zina maoni kidogo… kwa sababu hivyo ndivyo uteuzi halisi wa zana unavyofanya kazi.

Unaona kinachokosekana? "Nunua kibandiko cha kijani kibichi." Hicho hakipo 😬

Kitabu cha vitendo: kupunguza athari ya akili bandia bila kuua bidhaa 🛠️🌱

Kama unajenga au unanunua mifumo ya AI, hapa kuna mfuatano halisi unaofanya kazi kivitendo:

Hatua ya 1: Anza na kipimo

• Fuatilia matumizi ya nishati au uikadirie mara kwa mara. CodeCarbon: Mbinu

• Kipimo kwa kila mafunzo na kwa ombi la makadirio.

• Matumizi ya ufuatiliaji - rasilimali zisizotumika zina njia ya kujificha mbele ya macho. Gridi ya Kijani: PUE

Hatua ya 2: Sawazisha ukubwa wa modeli kwa kazi

• Tumia mifumo midogo kwa ajili ya uainishaji, uchimbaji, na uelekezaji.

• Hifadhi modeli nzito kwa ajili ya vifuko vikali.

• Fikiria "mtiririko wa modeli": modeli ndogo kwanza, modeli kubwa zaidi ikiwa inahitajika tu.

Hatua ya 3: Boresha hitimisho (hapa ndipo mizani inapouma)

• Kuhifadhi: hifadhi majibu kwa maswali yanayojirudia (kwa vidhibiti vya faragha kwa uangalifu).

• Kuunganisha: maombi ya kikundi ili kuboresha ufanisi wa vifaa.

• Matokeo mafupi: matokeo marefu hugharimu zaidi - wakati mwingine huhitaji insha.

• Nidhamu ya haraka: vidokezo visivyo nadhifu huunda njia ndefu zaidi za hesabu… na ndio, ishara zaidi.

Hatua ya 4: Kuboresha usafi wa data

Hii inasikika kama haina uhusiano, lakini sivyo ilivyo:

• Seti za data safi zinaweza kupunguza urejeshaji wa mafunzo.

• Kelele kidogo humaanisha majaribio machache na kukimbia kidogo kupita kiasi.

Hatua ya 5: Chukulia vifaa kama mali, si kitu cha kutupwa

• Panua mizunguko ya kuburudisha inapowezekana. ITU: Kifuatiliaji cha Taka za Kielektroniki cha Kimataifa 2024

• Tumia tena vifaa vya zamani kwa ajili ya mzigo mdogo wa kazi.

• Epuka utoaji wa "kilele kila wakati".

Hatua ya 6: Chagua kwa busara usanidi

• Endesha kazi zinazonyumbulika ambapo nguvu ni safi zaidi ukiweza. API ya Ukali wa Kaboni (GB)

• Punguza uigaji usio wa lazima.

• Weka malengo ya muda wa kuchelewa kuwa ya kweli (ucheleweshaji wa kiwango cha chini sana unaweza kulazimisha mipangilio isiyofaa ya kuwashwa kila wakati).

Na ndio… wakati mwingine hatua bora ni rahisi: usiendeshe kiotomatiki modeli kubwa zaidi kwa kila kitendo cha mtumiaji. Tabia hiyo ni sawa na mazingira ya kuacha kila taa ikiwaka kwa sababu kutembea hadi kwenye swichi kunakera.

Hadithi za kawaida (na kile kilicho karibu zaidi na ukweli) 🧠🧯

Hadithi: "Akili bandia huwa mbaya zaidi kuliko programu za kawaida"

Ukweli: AI inaweza kuwa na hesabu nyingi zaidi, lakini pia inaweza kuchukua nafasi ya michakato isiyofaa ya mikono, kupunguza upotevu, na kuboresha mifumo. Ni ya hali halisi. IEA: AI kwa ajili ya uboreshaji wa nishati na uvumbuzi

Hadithi: "Mafunzo ndiyo tatizo pekee"

Ukweli: Ukadiriaji kwa kiwango unaweza kutawala baada ya muda. Ikiwa bidhaa yako itatumika kwa kasi zaidi, hii inakuwa hadithi kuu. IEA: Nishati na AI

Hadithi: "Vifaa vinavyoweza kutumika tena hutatua tatizo mara moja"

Ukweli: Umeme safi husaidia sana, lakini haufuti alama ya vifaa, matumizi ya maji, au athari za kurudi nyuma. Hata hivyo, bado ni muhimu. IEA: Nishati na AI

Hadithi: "Ikiwa ina ufanisi, ni endelevu"

Ukweli: Ufanisi bila udhibiti wa mahitaji bado unaweza kuongeza athari kamili. Huo ndio mtego wa kurudi nyuma. OECD (2012): Faida Nyingi za Maboresho ya Ufanisi wa Nishati (PDF)

Utawala, uwazi, na kutojihusisha na mambo ya kuigiza 🧾🌍

Kama wewe ni kampuni, hapa ndipo uaminifu unapojengwa au kupotea.

• Ripoti vipimo vyenye maana: kwa kila ombi, kwa kila mtumiaji, kwa kila kazi - si tu jumla kubwa za kutisha. LBNL (2024): Ripoti ya Matumizi ya Nishati ya Kituo cha Data cha Marekani (PDF)

• Epuka madai yasiyoeleweka: "AI ya kijani" haimaanishi chochote bila nambari na mipaka.

• Fikiria athari za maji na za ndani: kaboni sio kigezo pekee cha kimazingira. Li et al. (2023): Kufanya AI Kupunguza "Kiu" (PDF)

• Ubunifu wa kujizuia: majibu mafupi chaguo-msingi, hali za gharama nafuu, mipangilio ya "ikolojia" ambayo kwa kweli hufanya kitu.

• Fikiria kuhusu usawa: kutumia rasilimali nyingi katika maeneo yenye maji machache au gridi dhaifu kuna madhara zaidi ya lahajedwali lako. US DOE FEMP: Fursa za Ufanisi wa Maji Baridi kwa Vituo vya Data vya Shirikisho

Hapa ndipo watu wanapoangalia, lakini ni muhimu. Teknolojia inayowajibika si tu kuhusu uhandisi mwerevu. Pia inahusu kutojifanya kuwa hakuna mabadiliko.

Muhtasari wa kumalizia: muhtasari mfupi wa jinsi akili bandia inavyoathiri Mazingira 🌎✅

Jinsi AI inavyoathiri Mazingira inategemea mzigo ulioongezwa: umeme, maji (wakati mwingine), na mahitaji ya vifaa. IEA: Nishati na AI Li et al. (2023): Kupunguza "Kiu" ya AI (PDF) Pia hutoa zana zenye nguvu za kupunguza uzalishaji na taka katika sekta zingine. IEA: AI kwa ajili ya kuboresha nishati na uvumbuzi Matokeo halisi yanategemea kiwango, usafi wa gridi ya taifa, chaguo za ufanisi, na kama AI inatatua matatizo halisi au inazalisha tu uvumbuzi kwa ajili ya uvumbuzi. IEA: Nishati na AI

Ikiwa unataka kuchukua rahisi zaidi kwa vitendo:

• Kipimo.

• Ukubwa wa kulia.

• Boresha hitimisho.

• Ongeza muda wa matumizi ya vifaa.

• Kuwa mkweli kuhusu maelewano.

Na kama unahisi kulemewa, huu hapa ukweli wa kutuliza: maamuzi madogo ya kiutendaji, yanayorudiwa mara elfu, kwa kawaida hushinda kauli moja kubwa ya uendelevu. Ni kama kupiga mswaki meno yako. Sio ya kupendeza, lakini inafanya kazi… 

Mfano halisi: Kupunguza nyayo za msaidizi wa akili bandia wa usaidizi kwa wateja 🌱🎧

Hali

Hebu fikiria muuzaji mdogo mtandaoni anataka kutumia akili bandia (AI) kujibu maswali ya kawaida ya wateja kuhusu muda wa uwasilishaji, marejesho, vifurushi vilivyoharibika, na ukubwa wa bidhaa.

Toleo la kwanza ni la kupoteza: kila ujumbe wa mteja huenda moja kwa moja kwenye mfumo mkubwa zaidi unaopatikana, hata wakati swali ni rahisi. Msaidizi pia huandika majibu marefu, hurudia maandishi ya sera, na kujibu maswali yale yale mara elfu nyingi badala ya kutumia tena majibu yaliyoidhinishwa.

Mpangilio wenye busara zaidi si "hakuna AI". Ni AI ya ukubwa sahihi: tumia zana nyepesi kwa kazi rahisi, weka modeli kubwa zaidi kwa kesi ngumu, na upime athari kwa kila tiketi iliyotatuliwa.

Kile ambacho msaidizi anahitaji

Timu ingejiandaa:

Sera ya mapato ya sasa

Sheria za uwasilishaji kwa eneo

Maelezo ya ukubwa wa bidhaa

Sera fupi ya kuongeza muda wa marejesho ya pesa, malalamiko, na masuala ya kisheria

Orodha ya maswali 50 ya kawaida kwa wateja

Majibu mafupi yaliyoidhinishwa kwa maswali yanayojirudia

Karatasi rahisi ya ufuatiliaji yenye: aina ya ombi, modeli iliyotumika, urefu wa majibu, ikiwa ongezeko lilihitajika, na kama jibu lilipitishwa na mapitio ya kibinadamu

Mfano wa maelekezo

Tumia modeli ndogo zaidi inayofaa au jibu linalotegemea sheria kwanza. Tumia modeli kubwa tu wakati swali la mteja halieleweki, la kihisia, lina masuala mengi, au linahitaji kuchanganya taarifa kutoka kwa sera zaidi ya moja. Weka majibu chini ya maneno 120 isipokuwa mteja anauliza maelezo zaidi. Ikiwa imani ni ndogo, uliza swali moja linalofafanua au ongeza kwa mtu mwingine. Usibuni tarehe za uwasilishaji, idhini za kurejeshewa pesa, au vighairi vya sera.

Jinsi ya kuijaribu

Fanya jaribio la tiketi 50 kabla ya uzinduzi:

Maswali 10 ya utoaji

Maswali 10 ya kurudisha

Maswali 10 ya ukubwa wa bidhaa

Malalamiko 10 ya vitu vilivyoharibika

Ujumbe 10 mchanganyiko au usioeleweka

Kwa kila jibu, angalia:

Je, sera sahihi ilitumika?

Je, jibu lililoidhinishwa lililohifadhiwa kwenye akiba lingeweza kulitatua?

Je, modeli kubwa zaidi ilihitajika?

Je, msaidizi alifupisha jibu?

Je, kuna jibu lolote lililobuni taarifa?

Je, kesi nyeti ziliongezeka ipasavyo?

Alama inayofaa ya kufaulu itakuwa kama: usahihi wa sera wa 95%, ahadi 0 za marejesho zilizobuniwa, na ongezeko la 100% la malalamiko yanayohusu migogoro ya malipo au vitisho vya kisheria.

Matokeo

Matokeo ya kielelezo, kulingana na muda na kuhesabu jaribio la tikiti 50 kabla na baada ya uboreshaji:

Kabla ya uboreshaji, tiketi zote 50 zilitumia modeli kubwa, yenye wastani wa urefu wa majibu wa maneno 210.

Baada ya uboreshaji, tiketi 31 zilitumia majibu yaliyoidhinishwa yaliyohifadhiwa, 14 zilitumia modeli ndogo, na 5 pekee zilitumia modeli kubwa.

Urefu wa wastani wa majibu ulipungua kutoka maneno 210 hadi maneno 92.

Muda wa mapitio ya kibinadamu ulipungua kutoka saa 4 dakika 10 hadi saa 1 dakika 25.

Timu ilipata majibu 2 yasiyo sahihi ya sera katika jaribio la kwanza, kisha majibu 0 yasiyo sahihi ya sera baada ya kusasisha hati chanzo na kuongeza sheria zilizo wazi za uongezaji.

Hii haithibitishi kuwa msaidizi ni "kijani". Inaonyesha tu aina ya kipimo kinachofanya dai la mazingira liweze kuhakikiwa: simu chache za modeli nzito, matokeo mafupi, vizazi vichache vinavyojirudia, na mizunguko michache ya ukaguzi inayoweza kuepukwa.

Ni nini kinachoweza kwenda vibaya

Msaidizi bado anaweza kupoteza hesabu ikiwa kila ujumbe usioeleweka utaelekezwa kwenye modeli kubwa zaidi "ikiwa tu".

Majibu yaliyohifadhiwa kwenye akiba yanaweza kuwa hatari ikiwa sera ya kurejesha itabadilika na hakuna mtu atakayeyasasisha.

Majibu mafupi yanaweza kuwakatisha tamaa wateja wakiondoa maelezo muhimu.

Madai ya kaboni au nishati yanaweza kuwa uoshaji kijani ikiwa kampuni itaripoti tu asilimia ya akiba bila kuonyesha njia ya kipimo.

Kosa kubwa zaidi ni kuchukulia chaguo la modeli kama kigezo pekee. Kiutendaji, mtiririko wa kazi unaozingatia mazingira unatokana na uelekezaji, uhifadhi wa data, matokeo mafupi, hati bora za chanzo, na mapitio ya kibinadamu kwa kesi zilizo katika hatari kubwa.

Kuchukua kwa vitendo

Mfumo wa AI wenye athari ndogo kwa kawaida si ule wa kupendeza zaidi. Ni ule unaopima matumizi halisi, huepuka hitimisho lisilo la lazima, hutumia tena majibu yaliyoidhinishwa inapowezekana, na bado huwapa wanadamu udhibiti wa maamuzi muhimu.

Maswali Yanayoulizwa Mara kwa Mara

Je, AI inaathiri vipi mazingira katika matumizi ya kila siku, si maabara kubwa za utafiti pekee?

Sehemu kubwa ya athari za AI hutokana na umeme unaowezesha vituo vya data vinavyoendesha GPU na CPU wakati wa mafunzo na "uhakiki" wa kila siku. Ombi moja linaweza kuwa dogo, lakini kwa kiwango kikubwa maombi hayo hujikusanya haraka. Athari pia inategemea mahali kituo cha data kilipo, jinsi gridi ya ndani ilivyo safi, na jinsi miundombinu inavyoendeshwa kwa ufanisi.

Je, kufunza mfumo wa AI ni mbaya zaidi kwa mazingira kuliko kuitumia (hitimisho)?

Mafunzo yanaweza kuwa hesabu kubwa, ya awali, lakini makadirio yanaweza kuwa alama kubwa zaidi baada ya muda kwa sababu yanaendelea kila mara na kwa kiwango kikubwa. Ikiwa kifaa kinatumiwa na mamilioni ya watu kila siku, maombi yanayorudiwa yanaweza kuzidi gharama ya mafunzo ya mara moja. Ndiyo maana uboreshaji mara nyingi huzingatia ufanisi wa makadirio.

Kwa nini akili bandia hutumia maji, na je, huwa ni tatizo kila wakati?

AI inaweza kutumia maji hasa kwa sababu baadhi ya vituo vya data hutegemea upoezaji unaotegemea maji, au kwa sababu maji hutumika kwa njia isiyo ya moja kwa moja kupitia uzalishaji wa umeme. Katika hali fulani za hewa, upoezaji unaotokana na uvukizi unaweza kupunguza matumizi ya umeme huku ukiongeza matumizi ya maji, na hivyo kusababisha mabadiliko ya kweli. Ikiwa ni "mbaya" inategemea uhaba wa maji wa eneo husika, muundo wa upoezaji, na kama matumizi ya maji yanapimwa na kudhibitiwa.

Ni sehemu gani za athari za kimazingira za AI zinatokana na vifaa na taka za kielektroniki?

AI inategemea chipsi, seva, vifaa vya mitandao, majengo, na minyororo ya usambazaji - ambayo ina maana ya uchimbaji madini, utengenezaji, usafirishaji, na hatimaye utupaji. Utengenezaji wa semiconductors hutumia nishati nyingi, na mizunguko ya haraka ya uboreshaji inaweza kuongeza uzalishaji uliopo na taka za kielektroniki. Kuongeza muda wa matumizi ya vifaa, ukarabati, na kuboresha matumizi kunaweza kupunguza athari kwa kiasi kikubwa, wakati mwingine kushindana na mabadiliko ya kiwango cha modeli.

Je, kutumia nishati mbadala kunatatua athari za kimazingira za AI?

Umeme safi unaweza kupunguza uzalishaji kutoka kwa kompyuta, lakini haufuti athari zingine kama vile matumizi ya maji, utengenezaji wa vifaa, na taka za kielektroniki. Pia haushughulikii kiotomatiki "athari za kurudi nyuma," ambapo kompyuta ya gharama nafuu husababisha matumizi zaidi kwa ujumla. Vifaa mbadala ni kichocheo muhimu, lakini ni sehemu moja tu ya rundo la alama za vidole.

Athari ya kurudi nyuma ni nini, na kwa nini ina umuhimu kwa AI na uendelevu?

Athari ya kurudi nyuma ni wakati faida ya ufanisi inafanya kitu kiwe rahisi au cha bei nafuu, kwa hivyo watu hufanya zaidi yake - wakati mwingine hufuta akiba. Kwa AI, uzalishaji wa bei nafuu au otomatiki unaweza kuongeza mahitaji ya jumla ya maudhui, hesabu, na huduma. Ndiyo maana kupima matokeo katika vitendo ni muhimu zaidi kuliko kusherehekea ufanisi peke yake.

Ni njia gani za vitendo za kupunguza athari za akili bandia bila kuathiri bidhaa?

Mbinu ya kawaida ni kuanza na vipimo (makadirio ya nishati na kaboni, matumizi), kisha mifano ya ukubwa sahihi kwa kazi hiyo na kuboresha hitimisho kwa kuweka akiba, kupanga, na matokeo mafupi. Mbinu kama vile upimaji, uchanganyaji, na uzalishaji ulioboreshwa wa urejeshaji zinaweza kupunguza mahitaji ya hesabu. Chaguzi za uendeshaji - kama vile upangaji wa mzigo wa kazi kwa kiwango cha kaboni na maisha marefu ya vifaa - mara nyingi hutoa ushindi mkubwa.

Je, AI inawezaje kusaidia mazingira badala ya kuyadhuru?

AI inaweza kupunguza uzalishaji na taka inapotumika ili kuboresha mifumo halisi: utabiri wa gridi ya taifa, mwitikio wa mahitaji, kujenga udhibiti wa HVAC, uelekezaji wa vifaa, matengenezo ya utabiri, na ugunduzi wa uvujaji. Inaweza pia kusaidia ufuatiliaji wa mazingira kama vile arifa za ukataji miti na ugunduzi wa methane. Jambo la msingi ni kama mfumo unabadilisha maamuzi na kutoa upunguzaji unaoweza kupimika, si dashibodi bora tu.

Ni vipimo gani ambavyo makampuni yanapaswa kuripoti ili kuepuka madai ya "kusafisha kijani" ya AI?

Ni muhimu zaidi kuripoti vipimo vya kila kazi au kwa ombi kuliko idadi kubwa tu ya jumla, kwa sababu inaonyesha ufanisi katika kiwango cha kitengo. Kufuatilia matumizi ya nishati, makadirio ya kaboni, matumizi, na - inapohitajika - athari za maji huunda uwajibikaji wazi zaidi. Pia ni muhimu: kufafanua mipaka (kinachojumuishwa) na kuepuka lebo zisizoeleweka kama "AI rafiki kwa mazingira" bila ushahidi uliopimwa.

Marejeleo

1. Shirika la Kimataifa la Nishati (IEA) - Nishati na AI - iea.org

2. Wakala wa Nishati wa Kimataifa (IEA) - AI kwa ajili ya uboreshaji wa nishati na uvumbuzi - iea.org

3. Shirika la Kimataifa la Nishati (IEA) - Udijitali - iea.org

4. Maabara ya Kitaifa ya Lawrence Berkeley (LBNL) - Ripoti ya Matumizi ya Nishati ya Kituo cha Data cha Marekani (2024) (PDF) - lbl.gov

5. Li na wenzake - Kupunguza "Kiu" ya AI (2023) (PDF) - arxiv.org

6. ASHRAE (TC 9.9) - Kuibuka na Upanuzi wa Upoezaji wa Kioevu katika Vituo Vikuu vya Data (PDF) - ashrae.org

7. Gridi ya Kijani - PUE-Uchunguzi Kamili wa Kipimo - thegreengrid.org

8. Idara ya Nishati ya Marekani (DOE) - FEMP - Fursa za Ufanisi wa Maji Baridi kwa Vituo vya Data vya Shirikisho - energy.gov

9. Idara ya Nishati ya Marekani (DOE) - FEMP - Ufanisi wa Nishati katika Vituo vya Data - energy.gov

10. Shirika la Ulinzi wa Mazingira la Marekani (EPA) - Sekta ya Semiconductor - epa.gov

11. Umoja wa Kimataifa wa Mawasiliano ya Simu (ITU) - Kifuatiliaji cha Kimataifa cha Taka za Kielektroniki 2024 - itu.int

12. OECD - Faida Nyingi za Uboreshaji wa Ufanisi wa Nishati (2012) (PDF) - oecd.org

13. API ya Ukali wa Kaboni (GB) - carbonintensity.org.uk

14. imec - Kupunguza athari za kimazingira katika utengenezaji wa chipu - imec-int.com

15. UNEP - Jinsi MARS inavyofanya kazi - unep.org

16. Tahadhari ya Misitu Duniani - Tahadhari za ukataji miti kwa furaha - globalforestwatch.org

17. Taasisi ya Alan Turing - AI na mifumo inayojitegemea ya kutathmini bioanuwai na afya ya mfumo ikolojia - turing.ac.uk

18. CodeCarbon - Mbinu - mlco2.github.io

19. Gholami na wenzake - Utafiti wa Mbinu za Upimaji (2021) (PDF) - arxiv.org

20. Lewis na wenzake - Kizazi Kilichoongezwa Urejeshaji (2020) - arxiv.org

21. Hinton na wenzake - Kupunguza Maarifa katika Mtandao wa Neva (2015) - arxiv.org

22. CodeCarbon - codecarbon.io

Pata Akili ya Kielektroniki ya Hivi Punde katika Duka Rasmi la Msaidizi wa Akili ya Kielektroniki

Kuhusu Sisi