एआयचा पर्यावरणावर कसा परिणाम होतो?

एआयचा पर्यावरणावर कसा परिणाम होतो?

थोडक्यात उत्तर: एआय पर्यावरणावर प्रामुख्याने डेटा सेंटरमध्ये वीज वापर (प्रशिक्षण आणि दैनंदिन अनुमान दोन्ही), थंड करण्यासाठी पाण्याबरोबरच हार्डवेअर उत्पादन आणि ई-कचऱ्याचे मूर्त परिणाम यांच्याद्वारे परिणाम करते. जर वापर अब्जावधी प्रश्नांपर्यंत पोहोचला तर अनुमान प्रशिक्षणापेक्षा जास्त असू शकते; जर ग्रिड स्वच्छ असतील आणि प्रणाली कार्यक्षम असतील तर परिणाम कमी होतात तर फायदे वाढू शकतात.

महत्वाचे मुद्दे:

वीज : संगणकीय वापराचा मागोवा घ्या; स्वच्छ ग्रिडवर कामाचे भार चालतात तेव्हा उत्सर्जन कमी होते.

पाणी : थंड करण्याच्या निवडी परिणाम बदलतात; दुर्मिळ प्रदेशांमध्ये पाण्यावर आधारित पद्धती सर्वात महत्त्वाच्या असतात.

हार्डवेअर : चिप्स आणि सर्व्हर्समध्ये लक्षणीय मूर्त परिणाम होतात; आयुष्य वाढवा आणि नूतनीकरणाला प्राधान्य द्या.

रिबाउंड : कार्यक्षमता एकूण मागणी वाढवू शकते; केवळ प्रति-कार्य नफ्याचेच नव्हे तर परिणामांचे मोजमाप करते.

ऑपरेशनल लीव्हर्स : उजव्या आकाराचे मॉडेल, अनुमान ऑप्टिमाइझ करणे आणि प्रति-विनंती मेट्रिक्स पारदर्शकपणे अहवाल देणे.

एआयचा पर्यावरणावर कसा परिणाम होतो? इन्फोग्राफिक

या लेखानंतर तुम्हाला वाचायला आवडतील असे लेख:

🔗 एआय पर्यावरणासाठी वाईट आहे का?
एआयचा कार्बन फूटप्रिंट, वीज वापर आणि डेटा-सेंटरच्या मागण्या एक्सप्लोर करा.

🔗 एआय समाजासाठी वाईट का आहे?
पक्षपात, नोकरीतील व्यत्यय, चुकीची माहिती आणि वाढती सामाजिक असमानता पहा.

🔗 एआय वाईट का आहे? एआयची काळी बाजू
पाळत ठेवणे, हाताळणी करणे आणि मानवी नियंत्रण गमावणे यासारखे धोके समजून घ्या.

🔗 एआय खूप पुढे गेला आहे का?
नीतिमत्ता, नियमन आणि नवोपक्रम कुठे रेषा आखून देतात यावर चर्चा.

एआय पर्यावरणावर कसा परिणाम करते: एक झटपट झलक ⚡🌱

जर तुम्हाला फक्त काही मुद्दे आठवत असतील तर ते असे करा:

आणि मग लोक विसरतात ती गोष्ट म्हणजे स्केल . एक एआय क्वेरी लहान असू शकते, पण त्यापैकी अब्जावधी जणू एक पूर्णपणे वेगळा प्राणी आहे... एका लहान बर्फाच्या गोळ्यासारखा जो कसा तरी सोफ्याच्या आकाराचा हिमस्खलन बनतो. (ते रूपक थोडेसे वेगळे आहे, पण तुम्हाला समजते.) आयईए: ऊर्जा आणि एआय

एआयचा पर्यावरणीय प्रभाव हा एकच नाही - तो एक स्टॅक आहे 🧱🌎

जेव्हा लोक एआय आणि शाश्वततेबद्दल वाद घालतात तेव्हा ते अनेकदा एकमेकांना मागे टाकून बोलतात कारण ते वेगवेगळ्या स्तरांकडे बोट दाखवत असतात:

१) वीज मोजा

  • मोठ्या मॉडेल्सना प्रशिक्षण देण्यासाठी मोठ्या क्लस्टरना दीर्घकाळ कठोर परिश्रम करावे लागू शकतात. IEA: ऊर्जा आणि AI

  • अनुमान (दैनंदिन वापर) कालांतराने मोठे पाऊल पडू शकते कारण ते सतत, सर्वत्र घडते. IEA: ऊर्जा आणि AI

२) डेटा सेंटर ओव्हरहेड

३) पाणी आणि उष्णता

४) हार्डवेअर पुरवठा साखळी

५) वर्तन आणि पुनरागमन परिणाम

म्हणून जेव्हा कोणी विचारते की एआय पर्यावरणावर कसा परिणाम करते, तेव्हा त्याचे सरळ उत्तर असे आहे: ते तुम्ही कोणत्या थराचे मोजमाप करत आहात आणि त्या परिस्थितीत "एआय" चा अर्थ काय आहे यावर अवलंबून असते.

प्रशिक्षण विरुद्ध अनुमान: सर्वकाही बदलणारा फरक 🧠⚙️

लोकांना प्रशिक्षणाबद्दल बोलणे आवडते कारण ते नाट्यमय वाटते - "एका मॉडेलने X ऊर्जा वापरली." पण निष्कर्ष हा शांत राक्षस आहे. IEA: ऊर्जा आणि AI

प्रशिक्षण (मोठी बांधणी)

प्रशिक्षण हे कारखाना बांधण्यासारखे आहे. तुम्हाला सुरुवातीचा खर्च येतो: जास्त गणना, दीर्घ रनटाइम, बरेच ट्रायल-अँड-एरर रन (आणि हो, भरपूर "अरेरे जे काम करत नव्हते, पुन्हा प्रयत्न करा" पुनरावृत्ती). प्रशिक्षण ऑप्टिमाइझ केले जाऊ शकते, परंतु तरीही ते लक्षणीय असू शकते. IEA: ऊर्जा आणि AI

अनुमान (दैनंदिन वापर)

अनुमान हे प्रत्येकासाठी, प्रमाणात दररोज चालणाऱ्या कारखान्यासारखे आहे:

  • प्रश्नांची उत्तरे देणारे चॅटबॉट्स

  • प्रतिमा निर्मिती

  • शोध रँकिंग

  • शिफारसी

  • भाषण ते मजकूर

  • फसवणूक शोधणे

  • कागदपत्रे आणि कोड टूल्समध्ये सह-पायलट

जरी प्रत्येक विनंती तुलनेने लहान असली तरी, वापराचे प्रमाण प्रशिक्षणापेक्षा कमी असू शकते. ही क्लासिक "एक स्ट्रॉ काहीच नाही, दहा लाख स्ट्रॉ ही एक समस्या आहे" परिस्थिती आहे. IEA: ऊर्जा आणि AI

एक छोटीशी टीप - काही एआय कामे इतरांपेक्षा खूपच जड असतात. प्रतिमा किंवा मोठे व्हिडिओ तयार करणे हे लहान मजकूर वर्गीकरणापेक्षा जास्त ऊर्जा-हंगे असते. म्हणून "एआय" एका बादलीत जमा करणे म्हणजे सायकलची तुलना मालवाहू जहाजाशी करणे आणि त्या दोघांनाही "वाहतूक" म्हणणे असे आहे. आयईए: ऊर्जा आणि एआय

डेटा सेंटर्स: वीज, थंडपणा आणि ती शांत पाण्याची कहाणी 💧🏢

डेटा सेंटर नवीन नाहीत, पण एआय तीव्रता बदलते. उच्च-कार्यक्षमता प्रवेगक अरुंद जागांमध्ये भरपूर शक्ती खेचू शकतात, जी उष्णतेमध्ये बदलते, ज्याचे व्यवस्थापन करणे आवश्यक आहे. एलबीएनएल (२०२४): युनायटेड स्टेट्स डेटा सेंटर एनर्जी युसेज रिपोर्ट (पीडीएफ) आयईए: एनर्जी अँड एआय

थंड करण्याच्या मूलभूत गोष्टी (सरलीकृत, पण व्यावहारिक)

हाच तोटा आहे: पाण्यावर आधारित कूलिंगचा वापर करून तुम्ही कधीकधी वीज वापर कमी करू शकता. स्थानिक पाण्याच्या कमतरतेनुसार, ते ठीक असू शकते... किंवा ती खरी समस्या असू शकते. ली एट अल. (२०२३): एआयला कमी "तहानलेले" बनवणे (पीडीएफ)

तसेच, पर्यावरणीय प्रभाव यावर मोठ्या प्रमाणात अवलंबून असतो:

स्पष्टपणे सांगायचे तर: सार्वजनिक संभाषणात अनेकदा "डेटा सेंटर" ला ब्लॅक बॉक्ससारखे वागवले जाते. ते वाईट नाही, ते जादूई नाही. ते पायाभूत सुविधा आहे. ते पायाभूत सुविधांसारखे वागते.

चिप्स आणि हार्डवेअर: कमी सेक्सी असल्याने लोक तो भाग वगळतात 🪨🔧

एआय हार्डवेअरवर जगते. हार्डवेअरला एक जीवनचक्र असते आणि जीवनचक्र परिणाम मोठे असू शकतात. यूएस ईपीए: सेमीकंडक्टर इंडस्ट्री आयटीयू: द ग्लोबल ई-वेस्ट मॉनिटर २०२४

पर्यावरणीय परिणाम कुठे दिसून येतो

ई-कचरा आणि "पूर्णपणे चांगले" सर्व्हर

पर्यावरणाची बरीच हानी एकाच डिव्हाइसमुळे होत नाही - ती लवकर बदलल्याने होते कारण ती आता किफायतशीर राहिलेली नाही. कामगिरीत मोठी वाढ होऊ शकते म्हणून एआय याला गती देते. हार्डवेअर रिफ्रेश करण्याचा मोह खरा आहे. आयटीयू: द ग्लोबल ई-वेस्ट मॉनिटर २०२४

एक व्यावहारिक मुद्दा: हार्डवेअरचे आयुष्य वाढवणे, वापर सुधारणे आणि नूतनीकरण करणे हे कोणत्याही फॅन्सी मॉडेलच्या बदलाइतकेच महत्त्वाचे असू शकते. कधीकधी सर्वात हिरवा GPU तो असतो जो तुम्ही खरेदी करत नाही. (ते एखाद्या घोषणेसारखे वाटते, पण ते... थोडे खरे देखील आहे.)

एआय पर्यावरणावर कसा परिणाम करते: "लोक हे विसरतात" वर्तन चक्र 🔁😬

हा विचित्र सामाजिक भाग आहे: एआय गोष्टी सोप्या बनवते, त्यामुळे लोक अधिक गोष्टी करतात. ते अद्भुत असू शकते - अधिक उत्पादकता, अधिक सर्जनशीलता, अधिक प्रवेश. परंतु याचा अर्थ संसाधनांचा एकूण वापर देखील वाढू शकतो. ओईसीडी (२०१२): ऊर्जा कार्यक्षमता सुधारणांचे अनेक फायदे (पीडीएफ)

उदाहरणे:

  • जर एआय व्हिडिओ जनरेशन स्वस्त बनवते, तर लोक अधिक व्हिडिओ जनरेशन करतील.

  • जर एआय जाहिरातींना अधिक प्रभावी बनवते, तर अधिक जाहिराती दिल्या जातील, अधिक एंगेजमेंट लूप फिरतील.

  • जर एआयने शिपिंग लॉजिस्टिक्स अधिक कार्यक्षम बनवले तर ई-कॉमर्स आणखी कठीण होऊ शकते.

हे घाबरण्याचे कारण नाही. हे केवळ कार्यक्षमता नव्हे तर परिणामांचे मोजमाप करण्याचे कारण आहे.

एक अपूर्ण पण मजेदार रूपक: एआय कार्यक्षमता म्हणजे एखाद्या किशोरवयीन मुलाला मोठा फ्रीज देण्यासारखे आहे - हो, अन्न साठवणूक सुधारते, परंतु कसा तरी फ्रीज एका दिवसात पुन्हा रिकामा होतो. परिपूर्ण रूपक नाही, पण... तुम्ही ते घडताना पाहिले आहे 😅

फायदा: एआय खरोखरच पर्यावरणाला मदत करू शकते (जर योग्य लक्ष्य ठेवले तर) 🌿✨

आता ज्या भागाला कमी लेखले जाते त्याबद्दल: एआय विद्यमान प्रणालींमध्ये उत्सर्जन आणि कचरा कमी करू शकते जे ... स्पष्टपणे, अयोग्य आहेत. आयईए: ऊर्जा ऑप्टिमायझेशन आणि नवोपक्रमासाठी एआय

एआय मदत करू शकते अशी क्षेत्रे

महत्त्वाचा मुद्दा: एआय "मदत करणे" हे एआयच्या फूटप्रिंटला आपोआप भरून काढत नाही. ते एआय प्रत्यक्षात तैनात केले जाते की नाही, प्रत्यक्षात वापरले जाते की नाही आणि ते केवळ चांगले डॅशबोर्डऐवजी खऱ्या अर्थाने कपात करते का यावर अवलंबून असते. पण हो, क्षमता खरी आहे. आयईए: ऊर्जा ऑप्टिमायझेशन आणि नवोपक्रमासाठी एआय

पर्यावरणपूरक एआयची चांगली आवृत्ती काय असू शकते? ✅🌍

हा "ठीक आहे मग आपण काय करावे" विभाग आहे. पर्यावरणाच्या दृष्टीने जबाबदार असलेल्या चांगल्या एआय सेटअपमध्ये सहसा हे असते:

जर तुम्ही अजूनही एआय पर्यावरणावर कसा परिणाम करते याचा मागोवा घेत असाल, तर हाच मुद्दा आहे जिथे उत्तर तात्विक राहणे थांबवते आणि ते कार्यात्मक बनते: ते तुमच्या निवडींवर आधारित त्यावर परिणाम करते.

तुलना सारणी: प्रत्यक्षात प्रभाव कमी करणारी साधने आणि दृष्टिकोन 🧰⚡

खाली एक जलद, व्यावहारिक सारणी आहे. ती परिपूर्ण नाही, आणि हो, काही सेल थोडे मतप्रणालीचे आहेत... कारण खऱ्या साधनांची निवड अशा प्रकारे कार्य करते.

साधन / दृष्टिकोन प्रेक्षक किंमत ते का काम करते
कार्बन/ऊर्जा ट्रॅकिंग लायब्ररी (रनटाइम अंदाजक) एमएल संघ मुक्त दृश्यमानता देते - जे अर्धे युद्ध आहे, जरी अंदाज थोडे अस्पष्ट असले तरीही.. कोडकार्बन
हार्डवेअर पॉवर मॉनिटरिंग (GPU/CPU टेलीमेट्री) इन्फ्रा + एमएल मोफत वास्तविक वापर मोजतो; बेंचमार्किंग रनसाठी चांगले (फ्लॅश नसलेले पण सोनेरी)
मॉडेल डिस्टिलेशन एमएल अभियंते मोफत (वेळ खर्च 😵) लहान विद्यार्थी मॉडेल्स बहुतेकदा कामगिरीशी खूपच कमी अनुमान खर्चासह जुळतात हिंटन आणि इतर (२०१५): न्यूरल नेटवर्कमध्ये ज्ञानाचे डिस्टिलिंग
परिमाणीकरण (कमी अचूक अनुमान) एमएल + उत्पादन मोफत विलंब आणि वीज वापर कमी करते; कधीकधी लहान दर्जाच्या तडजोडींसह, कधीकधी काहीच नाही घोलामी आणि इतर (२०२१): परिमाणीकरण पद्धतींचे सर्वेक्षण (पीडीएफ)
कॅशिंग + बॅचिंग अनुमान उत्पादन + प्लॅटफॉर्म मोफत अनावश्यक गणना कमी करते; विशेषतः वारंवार येणाऱ्या सूचना किंवा तत्सम विनंत्यांसाठी उपयुक्त
पुनर्प्राप्ती-संवर्धित पिढी (RAG) अ‍ॅप टीम मिश्रित "मेमरी" पुनर्प्राप्तीसाठी ऑफलोड करते; मोठ्या संदर्भ विंडोची आवश्यकता कमी करू शकते लुईस आणि इतर (२०२०): पुनर्प्राप्ती-संवर्धित पिढी
कार्बन तीव्रतेनुसार कामाचे वेळापत्रक तयार करणे इन्फ्रा/ऑप्स मिश्रित लवचिक कामे स्वच्छ पॉवर विंडोकडे वळवतो - तरीही समन्वय आवश्यक आहे कार्बन इंटेन्सिटी API (GB)
डेटा सेंटर कार्यक्षमता फोकस (उपयोग, एकत्रीकरण) आयटी नेतृत्व पैसे दिले (सहसा) सर्वात कमी ग्लॅमरस लीव्हर, परंतु बहुतेकदा सर्वात मोठा - अर्ध्या रिकाम्या सिस्टीम चालवणे थांबवा हिरवा ग्रिड: PUE
उष्णता पुनर्वापर प्रकल्प सुविधा ते अवलंबून आहे वाया जाणाऱ्या उष्णतेचे मूल्यात रूपांतर करते; नेहमीच शक्य नसते, पण जेव्हा ते शक्य असते तेव्हा ते थोडे सुंदर असते
"आपल्याला इथे एआयची गरज आहे का?" तपासा प्रत्येकजण मोफत निरर्थक गणना प्रतिबंधित करते. सर्वात शक्तिशाली ऑप्टिमायझेशन म्हणजे नाही म्हणणे (कधीकधी)

काय गहाळ आहे ते लक्षात घ्या? "एक जादूचा हिरवा स्टिकर खरेदी करा." तो अस्तित्वात नाही 😬

व्यावहारिक खेळ: उत्पादन नष्ट न करता एआय प्रभाव कमी करणे 🛠️🌱

जर तुम्ही एआय सिस्टीम बनवत असाल किंवा खरेदी करत असाल, तर येथे एक वास्तववादी क्रम आहे जो प्रत्यक्षात काम करतो:

पायरी १: मापनाने सुरुवात करा

  • ऊर्जेच्या वापराचा मागोवा घ्या किंवा त्याचा सातत्याने अंदाज घ्या. कोडकार्बन: कार्यपद्धती

  • प्रति प्रशिक्षण धाव आणि प्रति अनुमान विनंती मोजा.

  • मॉनिटर वापर - निष्क्रिय संसाधने स्पष्ट दृष्टीक्षेपात लपण्याचा एक मार्ग आहे. ग्रीन ग्रिड: PUE

पायरी २: कामाच्या ठिकाणी मॉडेलचा उजवा आकार घ्या

  • वर्गीकरण, निष्कर्षण, रूटिंगसाठी लहान मॉडेल्स वापरा.

  • कठीण केसेससाठी जड मॉडेल ठेवा.

  • "मॉडेल कॅस्केड" विचारात घ्या: प्रथम लहान मॉडेल, गरज पडल्यासच मोठे मॉडेल.

पायरी ३: अनुमान ऑप्टिमाइझ करा (येथे स्केल चावतो)

  • कॅशिंग : वारंवार येणाऱ्या प्रश्नांची उत्तरे साठवा (कागदी गोपनीयता नियंत्रणांसह).

  • बॅचिंग : हार्डवेअर कार्यक्षमता सुधारण्यासाठी गट विनंत्या.

  • कमी लेखन : दीर्घ लेखनासाठी जास्त खर्च येतो - कधीकधी तुम्हाला निबंधाची आवश्यकता नसते.

  • त्वरित शिस्त : अस्वच्छ प्रॉम्प्ट लांब संगणकीय मार्ग तयार करतात... आणि हो, अधिक टोकन.

पायरी ४: डेटा स्वच्छता सुधारा

हे असंबंधित वाटतं, पण तसं नाहीये:

  • स्वच्छ डेटासेटमुळे पुनर्प्रशिक्षण मंथन कमी होऊ शकते.

  • कमी आवाज म्हणजे कमी प्रयोग आणि कमी धावा वाया जातात.

पायरी ५: हार्डवेअरला एका मालमत्तेसारखे समजा, एक्झोबेबल म्हणून नाही

  • शक्य असेल तिथे रिफ्रेश सायकल वाढवा. ITU: द ग्लोबल ई-वेस्ट मॉनिटर २०२४

  • हलक्या कामाच्या भारासाठी जुन्या हार्डवेअरचा पुनर्वापर करा.

  • "नेहमीच सर्वाधिक" तरतूद टाळा.

पायरी ६: तैनाती हुशारीने निवडा

  • शक्य असल्यास, जिथे वीज अधिक स्वच्छ असेल तिथे लवचिक कामे करा. कार्बन इंटेन्सिटी API (GB)

  • अनावश्यक प्रतिकृती कमी करा.

  • लेटन्सी लक्ष्ये वास्तववादी ठेवा (अल्ट्रा-लो लेटन्सीमुळे नेहमी-चालू सेटअप अकार्यक्षम होऊ शकतात).

आणि हो... कधीकधी सर्वोत्तम पाऊल म्हणजे: प्रत्येक वापरकर्त्याच्या कृतीसाठी सर्वात मोठे मॉडेल ऑटो-रन करू नका. ती सवय म्हणजे प्रत्येक लाईट चालू ठेवण्यासारखे आहे कारण स्विचकडे चालणे त्रासदायक आहे.

सामान्य मिथक (आणि सत्याच्या जवळ काय आहे) 🧠🧯

गैरसमज: "एआय नेहमीच पारंपारिक सॉफ्टवेअरपेक्षा वाईट असते"

सत्य: एआय अधिक संगणकीयदृष्ट्या जड असू शकते, परंतु ते अकार्यक्षम मॅन्युअल प्रक्रियांची जागा घेऊ शकते, कचरा कमी करू शकते आणि सिस्टम ऑप्टिमाइझ करू शकते. ते परिस्थितीजन्य आहे. आयईए: ऊर्जा ऑप्टिमायझेशन आणि नवोपक्रमासाठी एआय

गैरसमज: "प्रशिक्षण ही एकमेव समस्या आहे"

सत्य: कालांतराने प्रमाणानुसार अनुमान वर्चस्व गाजवू शकते. जर तुमच्या उत्पादनाचा वापर वाढला तर ही मुख्य गोष्ट बनते. IEA: ऊर्जा आणि AI

गैरसमज: "नवीकरणीय ऊर्जा त्वरित सोडवते"

सत्य: स्वच्छ वीज खूप मदत करते, परंतु हार्डवेअर फूटप्रिंट, पाण्याचा वापर किंवा रिबाउंड इफेक्ट्स पुसत नाही. तरीही महत्त्वाचे आहे. IEA: ऊर्जा आणि AI

गैरसमज: "जर ते कार्यक्षम असेल तर ते शाश्वत असेल"

सत्य: मागणी नियंत्रणाशिवाय कार्यक्षमता अजूनही एकूण परिणाम वाढवू शकते. हाच रिबाउंड ट्रॅप आहे. OECD (२०१२): ऊर्जा कार्यक्षमता सुधारणांचे अनेक फायदे (PDF)

प्रशासन, पारदर्शकता आणि त्याबद्दल नाटकीय न होणे 🧾🌍

जर तुम्ही कंपनी असाल, तर इथेच विश्वास निर्माण होतो किंवा गमावला जातो.

लोक याकडे डोळेझाक करतात, पण ते महत्त्वाचे आहे. जबाबदार तंत्रज्ञान म्हणजे केवळ हुशार अभियांत्रिकी नाही. ते असे न भासवण्याबद्दल देखील आहे की व्यवहार अस्तित्वात नाहीत.

शेवटचा सारांश: एआय पर्यावरणावर कसा परिणाम करते याचा संक्षिप्त आढावा 🌎✅

एआय पर्यावरणावर कसा परिणाम करते हे अतिरिक्त भारांवर अवलंबून असते: वीज, पाणी (कधीकधी), आणि हार्डवेअरची मागणी. आयईए: ऊर्जा आणि एआय ली एट अल. (२०२३): एआयला "तहानलेला" कमी करणे (पीडीएफ) हे इतर क्षेत्रांमध्ये उत्सर्जन आणि कचरा कमी करण्यासाठी शक्तिशाली साधने देखील देते. आयईए: ऊर्जा ऑप्टिमायझेशन आणि नवोपक्रमासाठी एआय निव्वळ परिणाम स्केल, ग्रिड स्वच्छता, कार्यक्षमता निवडी आणि एआय वास्तविक समस्या सोडवत आहे की फक्त नवीनतेसाठी नवीनता निर्माण करत आहे यावर अवलंबून असते. आयईए: ऊर्जा आणि एआय

जर तुम्हाला सर्वात सोपा व्यावहारिक उपाय हवा असेल तर:

  • मोजमाप.

  • योग्य आकार.

  • अनुमान ऑप्टिमाइझ करा.

  • हार्डवेअरचे आयुष्य वाढवा.

  • तडजोडींबद्दल स्पष्ट बोला.

आणि जर तुम्हाला खूप त्रास होत असेल, तर येथे एक शांत करणारे सत्य आहे: हजार वेळा पुनरावृत्ती केलेले छोटे ऑपरेशनल निर्णय सहसा एका मोठ्या शाश्वततेच्या विधानाला मागे टाकतात. दात घासण्यासारखे. आकर्षक नाही, पण ते काम करते... 😄🪥

वारंवार विचारले जाणारे प्रश्न

मोठ्या संशोधन प्रयोगशाळांमध्येच नव्हे तर दैनंदिन वापरातही एआयचा पर्यावरणावर कसा परिणाम होतो?

एआयचा बहुतेक प्रभाव प्रशिक्षण आणि दैनंदिन "अनुमान" दरम्यान GPU आणि CPU चालवणाऱ्या डेटा सेंटर्सना वीज पुरवणाऱ्या विजेपासून येतो. एकच विनंती सामान्य असू शकते, परंतु मोठ्या प्रमाणात त्या विनंत्या जलद जमा होतात. डेटा सेंटर कुठे आहे, स्थानिक ग्रिड किती स्वच्छ आहे आणि पायाभूत सुविधा किती कार्यक्षमतेने चालवल्या जातात यावर देखील परिणाम अवलंबून असतो.

एआय मॉडेलला प्रशिक्षण देणे हे पर्यावरणासाठी वापरण्यापेक्षा वाईट आहे का (अनुमान)?

प्रशिक्षण हे गणनाचा एक मोठा, आगाऊ स्फोट असू शकतो, परंतु अनुमान कालांतराने मोठे पाऊल बनू शकते कारण ते सतत आणि मोठ्या प्रमाणात चालते. जर एखादे साधन दररोज लाखो लोक वापरत असतील, तर वारंवार होणाऱ्या विनंत्या एक-वेळच्या प्रशिक्षण खर्चापेक्षा जास्त असू शकतात. म्हणूनच ऑप्टिमायझेशन बहुतेकदा अनुमान कार्यक्षमतेवर लक्ष केंद्रित करते.

एआय पाण्याचा वापर का करते आणि ते नेहमीच एक समस्या असते का?

काही डेटा सेंटर्स पाण्यावर आधारित कूलिंगवर अवलंबून असल्याने किंवा वीज निर्मितीद्वारे अप्रत्यक्षपणे पाण्याचा वापर केला जातो म्हणून एआय पाण्याचा वापर करू शकते. विशिष्ट हवामानात, बाष्पीभवन कूलिंगमुळे पाण्याचा वापर वाढवताना विजेचा वापर कमी होऊ शकतो, ज्यामुळे खरा व्यापार निर्माण होतो. ते "वाईट" आहे की नाही हे स्थानिक पाण्याच्या कमतरतेवर, कूलिंग डिझाइनवर आणि पाण्याचा वापर मोजला आणि व्यवस्थापित केला जातो की नाही यावर अवलंबून असते.

हार्डवेअर आणि ई-कचऱ्यापासून एआयच्या पर्यावरणीय प्रभावाचे कोणते भाग येतात?

एआय चिप्स, सर्व्हर, नेटवर्किंग गियर, इमारती आणि पुरवठा साखळ्यांवर अवलंबून असते - म्हणजे खाणकाम, उत्पादन, शिपिंग आणि अंतिम विल्हेवाट. सेमीकंडक्टर उत्पादन हे ऊर्जा-केंद्रित आहे आणि जलद अपग्रेड सायकलमुळे अंतर्भूत उत्सर्जन आणि ई-कचरा वाढू शकतो. हार्डवेअरचे आयुष्य वाढवणे, नूतनीकरण करणे आणि वापर सुधारणे यामुळे प्रभाव लक्षणीयरीत्या कमी होऊ शकतो, कधीकधी मॉडेल-स्तरीय बदलांशी स्पर्धा करणे देखील शक्य आहे.

अक्षय ऊर्जेचा वापर केल्याने एआयचा पर्यावरणीय परिणाम दूर होतो का?

स्वच्छ वीज संगणकातून होणारे उत्सर्जन कमी करू शकते, परंतु ते पाण्याचा वापर, हार्डवेअर उत्पादन आणि ई-कचरा यासारख्या इतर परिणामांना मिटवत नाही. ते "रिबाउंड इफेक्ट्स" देखील आपोआप संबोधित करत नाही, जिथे कमी किमतीच्या संगणकामुळे एकूणच अधिक वापर होतो. नवीकरणीय ऊर्जा ही एक महत्त्वाची लीव्हर आहे, परंतु ती फूटप्रिंट स्टॅकचा फक्त एक भाग आहे.

रिबाउंड इफेक्ट काय आहे आणि ते एआय आणि शाश्वततेसाठी का महत्त्वाचे आहे?

कार्यक्षमता वाढल्याने एखादी गोष्ट स्वस्त किंवा सोपी होते तेव्हा रिबाउंड इफेक्ट होतो, त्यामुळे लोक ते जास्त करतात - कधीकधी बचत कमी होते. एआय सह, स्वस्त निर्मिती किंवा ऑटोमेशनमुळे कंटेंट, कॉम्प्युट आणि सेवांची एकूण मागणी वाढू शकते. म्हणूनच व्यवहारात निकाल मोजणे हे एकाकी कार्यक्षमता साजरी करण्यापेक्षा जास्त महत्त्वाचे आहे.

उत्पादनाला हानी पोहोचवल्याशिवाय एआयचा प्रभाव कमी करण्याचे व्यावहारिक मार्ग कोणते आहेत?

एक सामान्य दृष्टिकोन म्हणजे मापन (ऊर्जा आणि कार्बन अंदाज, वापर) पासून सुरुवात करणे, नंतर कार्यासाठी योग्य-आकाराचे मॉडेल तयार करणे आणि कॅशिंग, बॅचिंग आणि लहान आउटपुटसह अनुमान ऑप्टिमाइझ करणे. क्वांटायझेशन, डिस्टिलेशन आणि पुनर्प्राप्ती-संवर्धित निर्मिती यासारख्या तंत्रांमुळे संगणकीय गरजा कमी होऊ शकतात. ऑपरेशनल पर्याय - जसे की कार्बन तीव्रतेनुसार वर्कलोड शेड्यूलिंग आणि दीर्घ हार्डवेअर लाइफटाइम - बहुतेकदा मोठे विजय मिळवतात.

एआय पर्यावरणाला हानी पोहोचवण्याऐवजी कशी मदत करू शकते?

वास्तविक प्रणालींना अनुकूल करण्यासाठी वापरल्यास एआय उत्सर्जन आणि कचरा कमी करू शकते: ग्रिड अंदाज, मागणी प्रतिसाद, इमारत एचव्हीएसी नियंत्रण, लॉजिस्टिक्स रूटिंग, भाकित देखभाल आणि गळती शोधणे. ते जंगलतोडीच्या सूचना आणि मिथेन शोधणे यासारख्या पर्यावरणीय देखरेखीला देखील समर्थन देऊ शकते. मुख्य म्हणजे सिस्टम निर्णय बदलते आणि केवळ चांगले डॅशबोर्डच नाही तर मोजता येण्याजोगे कपात निर्माण करते का.

एआय दाव्यांचे "ग्रीनवॉशिंग" टाळण्यासाठी कंपन्यांनी कोणते मेट्रिक्स नोंदवावेत?

केवळ मोठ्या एकूण आकड्यांपेक्षा प्रति-कार्य किंवा प्रति-विनंती मेट्रिक्सचा अहवाल देणे अधिक अर्थपूर्ण आहे, कारण ते युनिट पातळीवर कार्यक्षमता दर्शवते. ऊर्जेचा वापर, कार्बन अंदाज, वापर आणि - जिथे संबंधित असेल - पाण्याच्या प्रभावांचा मागोवा घेतल्याने स्पष्ट जबाबदारी निर्माण होते. हे देखील महत्त्वाचे आहे: सीमा परिभाषित करा (काय समाविष्ट आहे) आणि प्रमाणित पुराव्याशिवाय "पर्यावरणास अनुकूल एआय" सारखे अस्पष्ट लेबल्स टाळा.

संदर्भ

  1. आंतरराष्ट्रीय ऊर्जा संस्था (IEA) - ऊर्जा आणि AI - iea.org

  2. आंतरराष्ट्रीय ऊर्जा संस्था (IEA) - ऊर्जा ऑप्टिमायझेशन आणि नवोपक्रमासाठी AI - iea.org

  3. आंतरराष्ट्रीय ऊर्जा संस्था (IEA) - डिजिटलायझेशन - iea.org

  4. लॉरेन्स बर्कले राष्ट्रीय प्रयोगशाळा (LBNL) - युनायटेड स्टेट्स डेटा सेंटर ऊर्जा वापर अहवाल (२०२४) (PDF) - lbl.gov

  5. ली आणि इतर - एआयला कमी "तहानलेले" बनवणे (२०२३) (पीडीएफ) - arxiv.org

  6. ASHRAE (TC 9.9) - मुख्य प्रवाहातील डेटा सेंटर्समध्ये द्रव शीतकरणाचा उदय आणि विस्तार (PDF) - ashrae.org

  7. ग्रीन ग्रिड - PUE-मेट्रिकची एक व्यापक परीक्षा - thegreengrid.org

  8. यूएस डिपार्टमेंट ऑफ एनर्जी (DOE) - FEMP - फेडरल डेटा सेंटर्ससाठी थंड पाण्याच्या कार्यक्षमतेच्या संधी - energy.gov

  9. यूएस डिपार्टमेंट ऑफ एनर्जी (DOE) - FEMP - डेटा सेंटर्समध्ये ऊर्जा कार्यक्षमता - energy.gov

  10. यूएस पर्यावरण संरक्षण एजन्सी (EPA) - सेमीकंडक्टर उद्योग - epa.gov

  11. आंतरराष्ट्रीय दूरसंचार संघ (ITU) - ग्लोबल ई-कचरा मॉनिटर २०२४ - itu.int

  12. ओईसीडी - ऊर्जा कार्यक्षमता सुधारणांचे बहुविध फायदे (२०१२) (पीडीएफ) - oecd.org

  13. कार्बन इंटेन्सिटी एपीआय (जीबी) - carbonintensity.org.uk

  14. imec - चिप उत्पादनात पर्यावरणीय परिणाम कमी करणे - imec-int.com

  15. UNEP - MARS कसे कार्य करते - unep.org

  16. जागतिक वन निरीक्षण - जंगलतोडीच्या आनंदाच्या सूचना - globalforestwatch.org

  17. अ‍ॅलन ट्युरिंग इन्स्टिट्यूट - जैवविविधता आणि परिसंस्थेच्या आरोग्याचे मूल्यांकन करण्यासाठी एआय आणि स्वायत्त प्रणाली - turing.ac.uk

  18. कोडकार्बन - कार्यपद्धती - mlco2.github.io

  19. घोलामी आणि इतर - क्वांटायझेशन पद्धतींचे सर्वेक्षण (२०२१) (पीडीएफ) - arxiv.org

  20. लुईस आणि इतर - पुनर्प्राप्ती-संवर्धित पिढी (२०२०) - arxiv.org

  21. हिंटन आणि इतर - न्यूरल नेटवर्कमध्ये ज्ञानाचे डिस्टिलिंग (२०१५) - arxiv.org

  22. कोडकार्बन - codecarbon.io

अधिकृत एआय असिस्टंट स्टोअरमध्ये नवीनतम एआय शोधा

आमच्याबद्दल

ब्लॉगवर परत