Je, AI inaathiri vipi Mazingira?

Je, AI inaathiri vipi Mazingira?

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.

Je, akili bandia huathiri vipi Mazingira?

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:

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

3) Maji na joto

4) Mnyororo wa usambazaji wa vifaa

5) Athari za tabia na kurudi nyuma

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)

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:

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

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

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:

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.

Zana / Mbinu Hadhira Bei Kwa nini inafanya kazi
Maktaba za ufuatiliaji wa kaboni/nishati (makadirio ya muda wa utekelezaji) Timu za ML Huru-ish Hutoa mwonekano - ambayo ni nusu ya vita, hata kama makadirio ni ya kutatanisha kidogo.. Kaboni ya Msimbo
Ufuatiliaji wa nguvu ya vifaa (telemetri ya GPU/CPU) Infra + ML Bure Hupima matumizi halisi; nzuri kwa ajili ya kupima utendaji (isiyong'aa lakini ya dhahabu)
Usafishaji wa mfano Wahandisi wa ML Bure (gharama ya muda 😵) Mifano midogo ya wanafunzi mara nyingi hulingana na utendaji na gharama ndogo ya makadirio Hinton et al. (2015): Kusambaza Maarifa katika Mtandao wa Neva
Upimaji (uhakiki wa usahihi wa chini) ML + bidhaa Bure Hupunguza ucheleweshaji na matumizi ya nishati; wakati mwingine kwa mabadiliko madogo ya ubora, wakati mwingine hakuna Gholami na wenzake (2021): Utafiti wa Mbinu za Upimaji (PDF)
Kuhifadhi kumbukumbu + makadirio ya upangaji Bidhaa + jukwaa Bure Hupunguza hesabu isiyohitajika; hasa inafaa kwa vidokezo vinavyorudiwa au maombi kama hayo
Kizazi kilichoongezwa nguvu cha urejeshaji (RAG) Timu za programu Imechanganywa Hupakua "kumbukumbu" hadi kwenye urejeshaji; inaweza kupunguza hitaji la madirisha makubwa ya muktadha Lewis et al. (2020): Kizazi Kilichoongezwa Urejeshaji
Kupanga mzigo wa kazi kwa kiwango cha kaboni Infra/op Imechanganywa Hubadilisha kazi zinazobadilika kuwa madirisha safi ya umeme - inahitaji uratibu ingawa API ya Ukali wa Kaboni (GB)
Mkazo wa ufanisi wa kituo cha data (matumizi, ujumuishaji) Uongozi wa TEHAMA Kulipwa (kawaida) Kifaa kisichovutia sana, lakini mara nyingi kikubwa zaidi - simama kuendesha mifumo isiyo na kitu Gridi ya Kijani: PUE
Miradi ya utumiaji tena wa joto Vifaa Inategemea Hubadilisha joto taka kuwa thamani; si mara zote inawezekana, lakini inapowezekana, ni nzuri kidogo
"Je, tunahitaji hata akili bandia hapa?" angalia Kila mtu Bure Huzuia hesabu isiyo na maana. Uboreshaji wenye nguvu zaidi ni kusema hapana (wakati mwingine)

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

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.

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… 😄🪥

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

Rudi kwenye blogu