Sprādzienbīstams ģeneratīvā mākslīgā intelekta pieaugums — no ChatGPT līdz attēlu apstrādes progresīvām sistēmām — ir novedis pie plašām izmaiņām ekonomikā, kultūrā un tehnoloģijās. Tomēr tagad pētnieki brīdina: aiz mākslīgā intelekta ērtības slēpjas pieaugoša un slikti apzināta ekoloģiska katastrofa.
Konferencē ASV tika prezentēts darbs "Power Hungry Processing: Watts Driving the Cost of AI Deployment?" Pētījuma rezultāti izrādījās satraucoši: mūsdienu universālās mākslīgā intelekta modeļi patērē kārtas lielākas enerģijas apjomus nekā tradicionālais programmatūra.
Kāpēc mākslīgā intelekta izmantošana izrādījās tik energoietilpīga
Pētījums rāda, ka iemesls ir pašā ģeneratīvo modeļu dabā. Mākslīgā intelekta modeļi — īpaši lieli valodas modeļi — veic milzīgas matricas reizināšanas katram tokenam (lietotāja pieprasījumam).
Atšķirībā no klasiskajām programmām, kas izpilda iepriekš aprakstītas instrukcijas, mākslīgā intelekta modeļi katru reizi no jauna pārskaita milzīgu skaitu varbūtību. Šāds pieejas veids prasa smagas matemātiskas operācijas — jo īpaši atkārtotas matricas reizināšanas uz miljardiem parametru.
Autori norāda, ka ģeneratīvajos modeļos nākamā vārda (tokena) izvēle notiek nevis no dažiem variantiem, bet no visa modeļa vārdnīcas, kas var ietvert desmitiem tūkstošu elementu.
Savukārt uzdevumi, kas saistīti ar attēliem, prasa vēl vairāk enerģijas nekā darbs ar tekstu, jo modelim jā"izdomā" nevis viens vārds, bet katrs attēla pixels. Teksts ir simbolu secība, kuru ir salīdzinoši maz, bet attēls ir miljoniem mazu krāsainu punktu. Mākslīgajam intelektam jāaprēķina katra no tām krāsa un vērtība. Tāpēc, kā norāda pētījuma autori, "uzdevumi, kas saistīti ar attēliem, ģenerē neapstrādātus pikseļus, kas padara šādus uzdevumus energoietilpīgākus nekā teksta uzdevumi".
Atbildes garums arī spēlē lomu: katrs jauns vārds prasa pārskaitīt visu iepriekšējo secību, kas eksponenciāli palielina enerģijas patēriņu. Tāpēc gari dialogi vai rakstiski uzdevumi rada daudz nopietnāku slodzi nekā īsie pieprasījumi.
Ekoloģiskās sekas: ūdens, CO₂ un slodze uz elektroapgādes tīkliem
Lai gan lielo modeļu apmācība jau sen ir zināma kā energoietilpīgs process, pētnieki uzsver: praksē galvenā slodze rodas vēlāk — modeļa izmantošanas laikā miljoniem lietotāju.
Populāras sistēmas, piemēram, čatboti vai attēlu ģeneratori, veic miljardiem pieprasījumu dienā. Pat ja viens inferencs maksā maz, šādi apjomi ātri pārvērš nelielas summas nozīmīgā ietekmē uz vidi.
Enerģijas patēriņa pieaugums noved pie oglekļa emisiju palielināšanās. Turklāt mūsdienu datu centri prasa milzīgus ūdens apjomus dzesēšanai, un reģionos, kur novērojams mitruma trūkums vai ekstremāls karstums, tas var radīt konkurenci starp infrastruktūru un iedzīvotājiem.
Pētījuma autori secina: mākslīgais intelekts padara mūsu dzīvi ērtāku, bet prasa milzīgus enerģijas izdevumus — un jo "gudrāka" un universālāka ir modeļa, jo augstāka ir tās ekoloģiskā cena. Pētījums skaidri parāda: pirms palaist jaudīgas ģeneratīvas sistēmas vienkāršu uzdevumu dēļ, nozarei ir jāpadomā, vai katra ērtība ir vērta tūkstošiem lieku kilovatstundu.
