Университет Парк, Пенсильвания — Искусственный интеллект (ИИ) становится неотъемлемой частью повседневной жизни, обеспечивая работу таких технологий, как цифровые помощники и онлайн-шопинг. Однако за этой инновацией скрывается растущий негативный экологический след. В 2023 году центры обработки данных потребляли 4% электроэнергии США. Эта цифра может утроиться к 2028 году. Быстрый рост ИИ также приводит к увеличению потребления воды, выбросов и электронных отходов. Это вызывает настоятельные вопросы о устойчивом развитии. Махмут Кандемир, выдающийся профессор кафедры компьютерных наук и инженерии, отмечает, что необходимо оптимизировать ИИ для использования меньшего количества энергии и защиты окружающей среды.
Кандемир подчеркивает важность проактивных решений, таких как упрощение ИИ-моделей, разработка более экологичной инфраструктуры и содействие сотрудничеству между различными областями. В этом интервью он обсудил, как прогрессивные подходы со стороны технологической индустрии, исследователей и политиков могут гарантировать, что ИИ продолжит способствовать прогрессу. При этом он не должен углублять своего негативного влияния на экологию.
Почему потребление энергии ИИ становится все большей проблемой?
Кандемир: Изначально вопросы энергетики в вычислениях были вызваны потребностями пользователей, например, улучшением времени работы батарей в мобильных устройствах. Сегодня акцент смещается на экологическую устойчивость, сокращение углеродного следа и повышение энергоэффективности ИИ-моделей. ИИ, особенно крупные языковые модели, требует огромных вычислительных ресурсов. Обучение этих моделей включает использование тысяч графических процессоров (ГП) в течение месяцев, что приводит к высокому потреблению электроэнергии. К 2030-35 годам центры обработки данных могут составлять 20% мирового потребления электроэнергии. Это создаст огромную нагрузку на энергетические сети.
Что делает обучение ИИ-моделей таким ресурсозатратным?
Кандемир: Обучение ИИ-моделей включает настройку миллиардов параметров через повторные вычисления, требующие колоссальной вычислительной мощности. Этот процесс требует высокопроизводительной вычислительной инфраструктуры, состоящей из тысяч ГП и ТПУ (тензорные процессоры), которые работают параллельно. Каждое обучение может занимать недели или месяцы, потребляя огромные объемы электроэнергии. Лишь несколько организаций, таких как Google, Microsoft и Amazon, могут позволить себе обучение крупных моделей из-за высоких затрат. Эти затраты включают оборудование, электроэнергию, охлаждение и обслуживание. Меньшие учреждения с ограниченными ресурсами ГП/ТПУ могут значительно дольше обучать модели. Это приводит к еще большему накопительному потреблению энергии. ИИ-модели часто требуют частого переобучения для сохранения актуальности. Это дополнительно увеличивает потребление энергии. Неполадки в инфраструктуре, программные неэффективности и растущая сложность моделей ИИ усугубляют ситуацию. Это делает обучение ИИ одной из самых ресурсозатратных задач в современной вычислительной практике.
Каковы ключевые экологические последствия развития ИИ?
Кандемир: Экологическое воздействие ИИ выходит за рамки высокого потребления электроэнергии. ИИ-модели потребляют огромные объемы электроэнергии, получаемой из ископаемых источников. Это значительно увеличивает выбросы парниковых газов. Необходимость в современных системах охлаждения в центрах обработки данных ИИ также ведет к избыточному потреблению воды. Это может иметь серьезные экологические последствия для регионов, испытывающих нехватку воды. Короткий срок службы ГП и других компонентов высокопроизводительных вычислений приводит к растущей проблеме электронных отходов. Устаревшее или поврежденное оборудование часто выбрасывается. Производство этих компонентов требует извлечения редкоземельных минералов. Это истощает природные ресурсы и способствует ухудшению экологической ситуации. Хранение и передача огромных наборов данных, используемых в обучении ИИ, требуют значительных объемов энергии. Это еще больше усугубляет экологическую нагрузку ИИ. Без надлежащих мер по обеспечению устойчивости расширение ИИ может ускорить экологический ущерб и усугубить изменения климата.
Как сделать развитие ИИ более устойчивым?
Кандемир: Существует несколько стратегий, которые могут снизить экологический след ИИ, сохраняя при этом технологические достижения. Одним из подходов является оптимизация ИИ-моделей для использования меньшего количества ресурсов без значительного снижения производительности. Это сделает ИИ более энергоэффективным. Вместо того чтобы обучать крупные универсальные модели с нуля, исследователи могут разрабатывать специализированные ИИ-модели. Они будут адаптированы для конкретных областей, таких как вычислительная химия или здравоохранение. Это поможет снизить вычислительные затраты.
Прогресс в аппаратном обеспечении также может сыграть важную роль. Специфические для ИИ ускорители, такие как нейроморфные чипы и оптические процессоры, предоставляют потенциал для значительной экономии энергии. Переход центров обработки данных ИИ на возобновляемые источники энергии может помочь. Это такие источники как солнечная и ветровая энергия. Хотя остаются проблемы с хранением энергии и адаптацией инфраструктуры.
Еще один инновационный подход заключается в распределении вычислений ИИ по различным часовым зонам. Это позволяет обеспечить соответствие нагрузки на вычисления периодам пиковой доступности возобновляемой энергии. Реализуя эти стратегии, индустрия ИИ может стремиться к снижению своего экологического воздействия, продолжая при этом инновации.
Какую роль могут сыграть научные учреждения в устойчивом развитии ИИ?
Кандемир: Университеты и исследовательские организации играют ключевую роль в руководстве усилиями по повышению устойчивости ИИ. Они могут проводить точные оценки углеродного следа рабочих нагрузок ИИ, чтобы лучше понять и уменьшить энергетическое воздействие технологий ИИ. Поддержание устойчивости через стратегические планы исследований и рекомендации по политике может подтолкнуть индустрию к более экологичным решениям. Оно может повлиять на регуляторные решения.
Получение финансирования от таких агентств, как Национальный научный фонд США (NSF), Министерство энергетики (DOE) и Агентство передовых исследований в области обороны (DARPA), будет иметь решающее значение. Это важно для продвижения устойчивых исследований ИИ. Научные учреждения также могут содействовать междисциплинарному сотрудничеству между компьютерными учеными, экологическими исследователями и политиками. Это поможет разработать целостные решения, которые обеспечивают баланс между прогрессом ИИ и экологической ответственностью.
Кроме того, университеты могут создавать инициативы, такие как образовательные программы, семинары и общественные обсуждения. Это повысит осведомленность о устойчивом развитии ИИ. Также это будет способствовать принятию энергоэффективных практик в сообществе исследователей ИИ. Приняв проактивную роль, научные учреждения могут стимулировать значительные изменения. Они помогут сформировать более устойчивое будущее для ИИ.
Источник: Penn State