της Μαρίας Αδαμίδου,
Η τεχνητή νοημοσύνη (ΤΝ) έχει τη δυνατότητα να φέρει επανάσταση στον τομέα της ενέργειας, βελτιστοποιώντας την παραγωγή, τη διανομή και την κατανάλωση ενέργειας. Αυτό σημαίνει ότι μπορεί να συμβάλει στη μείωση της ενεργειακής σπατάλης, στην αύξηση της ενεργειακής απόδοσης και στην επιτάχυνση της μετάβασης σε ανανεώσιμες πηγές ενέργειας. Ωστόσο, τα ίδια τα συστήματα τεχνητής νοημοσύνης καταναλώνουν επίσης σημαντική ποσότητα ενέργειας, εγείροντας ανησυχίες σχετικά με το αποτύπωμά τους σε σχέση με τις εκπομπές διοξειδίου του άνθρακα.
Σύμφωνα με πρόσφατη μελέτη, η ΤΝ θα μπορούσε να μειώσει τις παγκόσμιες εκπομπές αερίων του θερμοκηπίου έως και 4% έως το 2030, που ισοδυναμεί με 2,4 γιγατόνους διοξειδίου του άνθρακα. Η τεχνητή νοημοσύνη μπορεί να το επιτύχει αυτό βελτιστοποιώντας την παραγωγή και την κατανάλωση ενέργειας σε διάφορες βιομηχανίες, όπως οι μεταφορές, η μεταποίηση και η γεωργία. Για παράδειγμα, τα έξυπνα δίκτυα με τεχνητή νοημοσύνη μπορούν να εξισορροπήσουν την προσφορά και τη ζήτηση ενέργειας, μειώνοντας την ανάγκη για σταθμούς παραγωγής ενέργειας με βάση τα ορυκτά καύσιμα. Μπορεί επίσης να βελτιστοποιήσει την κατανάλωση ενέργειας σε κτίρια, προσαρμόζοντας τα συστήματα θέρμανσης, ψύξης και φωτισμού με βάση την πληρότητα και τις καιρικές συνθήκες.
Ενεργειακή απόδοση
Εκτός από τη μείωση των εκπομπών διοξειδίου του άνθρακα, η τεχνητή νοημοσύνη μπορεί επίσης να βελτιώσει την ενεργειακή απόδοση. Για παράδειγμα, η προγνωστική συντήρηση με τεχνητή νοημοσύνη μπορεί να εντοπίσει βλάβες του εξοπλισμού πριν αυτές εμφανιστούν, μειώνοντας τον χρόνο διακοπής λειτουργίας και αυξάνοντας την ενεργειακή απόδοση. Ακόμη, έχει τη δυνατότητα να βελτιστοποιήσει τον σχεδιασμό και τη λειτουργία συστημάτων ανανεώσιμων πηγών ενέργειας, όπως η αιολική και η ηλιακή ενέργεια, για τη μεγιστοποίηση της παραγωγής ενέργειας.
Υπολογιστική ισχύ
Ωστόσο, η κατανάλωση ενέργειας από τα ίδια τα συστήματα ΤΝ προκαλεί ολοένα και μεγαλύτερη ανησυχία. Τα συστήματα ΤΝ απαιτούν σημαντική υπολογιστική ισχύ για την επεξεργασία μεγάλων ποσοτήτων δεδομένων και την εκπαίδευση μοντέλων μηχανικής μάθησης. Αυτή η υπολογιστική ισχύς απαιτεί ενέργεια, η οποία με τη σειρά της παράγει εκπομπές διοξειδίου του άνθρακα. Μια πρόσφατη έκθεση του OpenAI διαπίστωσε ότι η εκπαίδευση ενός μόνο μοντέλου ΤΝ μπορεί να εκπέμψει τόσο άνθρακα όσο πέντε αυτοκίνητα σε όλη τη διάρκεια της ζωής τους. Η έκθεση διαπίστωσε επίσης ότι η κατανάλωση ενέργειας από τα συστήματα τεχνητής νοημοσύνης αυξάνεται με ταχείς ρυθμούς, με αύξηση 300.000% στην υπολογιστική ισχύ που απαιτείται για την εκπαίδευση της τεχνητής νοημοσύνης κατά την τελευταία δεκαετία.
Μια εκπαίδευση, 120 σπίτια..
Για παράδειγμα, η εκπαίδευση του μοντέλου GPT-3 απαιτεί περίπου 3.2 εκατομμύρια δολάρια σε ενέργεια και αντιπροσωπεύει περίπου 300 πτήσεις από τη Νέα Υόρκη στο Σαν Φρανσίσκο. Ωστόσο, η κατανάλωση ενέργειας του μοντέλου σε λειτουργία και καθημερινή χρήση είναι σημαντικά μικρότερη από αυτήν που απαιτείται κατά τη διαδικασία εκπαίδευσης.
Η εκπαίδευση του GPT-3, ενός μοναδικού προγράμματος τεχνητής νοημοσύνης που μπορεί να δημιουργήσει γλώσσα και έχει πολλές διαφορετικές χρήσεις, απαιτεί 1,287 γιγαβατώρες, σύμφωνα με έρευνα που δημοσιεύθηκε το 2021. Αυτό αντιστοιχεί σε περίπου την ίδια κατανάλωση ηλεκτρικού ρεύματος με 120 σπίτια στις ΗΠΑ για έναν χρόνο. Η εκπαίδευση αυτή παρήγαγε 502 τόνους διοξειδίου του άνθρακα, σύμφωνα με την ίδια έρευνα. Αυτά αντιστοιχούν σε ένα μόνο πρόγραμμα ή μοντέλο.
Στην Google
Μία ακόμα ενδεικτική πληροφορία προέρχεται από τη Google, όπου ερευνητές ανακάλυψαν ότι στην τεχνητή νοημοσύνη αναλογεί το 10 έως το 15% της συνολικής κατανάλωσης ηλεκτρικής ενέργειας της εταιρείας, η οποία ανήλθε σε 18,3 τεραβάτωρες ώρες το 2021. Αυτό θα σήμαινε ότι η τεχνητή νοημοσύνη της Google καίει περίπου 2,3 τεραβάτωρες ετησίως. Η τεχνητή νοημοσύνη αποτελεί μια από τις πιο ενεργοβόρες τεχνολογίες των τελευταίων ετών, με τη χρήση της να απαιτεί μεγάλες ποσότητες ενέργειας.
Για να αντιμετωπίσουν τις δικαιολογημένες ανησυχίες, οι ερευνητές και οι ηγέτες της βιομηχανίας διερευνούν τρόπους για να καταστήσουν τα συστήματα ΤΝ πιο ενεργειακά αποδοτικά. Μια προσέγγιση είναι η χρήση εξειδικευμένου υλικού, όπως οι μονάδες επεξεργασίας γραφικών (GPU) και οι μονάδες επεξεργασίας τανυστών (TPU), που έχουν σχεδιαστεί για φορτία εργασίας AI και απαιτούν λιγότερη ενέργεια από τις παραδοσιακές CPU. Μια άλλη προσέγγιση είναι η ανάπτυξη αποδοτικότερων αλγορίθμων που απαιτούν λιγότερη υπολογιστική ισχύ για την επίτευξη των ίδιων αποτελεσμάτων.
Συμπέρασμα
Συμπερασματικά, η ΤΝ έχει τη δυνατότητα να μεταμορφώσει τον ενεργειακό τομέα και να συμβάλει στη μείωση των παγκόσμιων εκπομπών διοξειδίου του άνθρακα. Ωστόσο, η ενεργειακή κατανάλωση των ίδιων των συστημάτων τεχνητής νοημοσύνης αποτελεί αυξανόμενη ανησυχία και απαιτείται περισσότερη έρευνα για την ανάπτυξη ενεργειακά αποδοτικών συστημάτων τεχνητής νοημοσύνης. Με τη χρήση εξειδικευμένου υλικού και την ανάπτυξη πιο αποδοτικών αλγορίθμων, μπορούμε να διασφαλίσουμε ότι η ΤΝ θα συμβάλει σε ένα βιώσιμο και χαμηλών εκπομπών άνθρακα ενεργειακό μέλλον.
Υ.Γ. Το συγκεκριμένο άρθρο γράφτηκε με τη βοήθεια της τεχνητής νοημοσύνης, που κατανάλωσε 33 Watt μέχρι την ολοκλήρωσή του. Όσο, δηλαδή, καίει μια λάμπα LED 5 Watt σε 6-7 ώρες, ή ένας ανεμιστήρας οροφής στη μέγιστη ταχύτητα σε μία ώρα.
