Skrytá cena pohodlí: Proč je třeba vidět environmentální dopad AI

Pravidelně se spoléháme na AI, abychom získali pomoc, ať už jde o to, aby něco zkrátili, vygenerovali nebo vyřešili. Je to rychlé, snadné a stále více je začleněno do toho, jak pracujeme. Ale ve spěchu, abychom věci učinili snadnějšími, jsme přehlédli jednu důležitou část příběhu: environmentální náklady za digitální pohodlí.

Každá interakce s AI závisí na něčem, co nevidíme a zřídka zvažujeme – datové centry, čipy, elektrické sítě, chladicí systémy a globální logistické sítě. Tato “neviditelná infrastruktura” dělá AI pocitově bezhmotnou. Ale environmentální dopad je všechno jiné než bezhmotný.

Přišel čas, abychom učinili tyto náklady viditelnými. Jakmile se AI stane více centrální pro obchodní operace, tak i její dopad na energii, vodu a emise. Otázka není jen to, jak mocný bude další model, ale také zda jsme připraveni nést odpovědnost za to, co je třeba k jeho provozu.

AI má problém s optikou. Na rozdíl od kouře z továrny nebo dopravy na dálnici se emise při školení nebo dotazování modelu dějí za zavřenými dveřmi v klimatizovaných serverových sálech. To je neudělá je méně reálnými.

Provozování pokročilých modelů vyžaduje značné množství elektřiny. Školení GPT-3, například, spotřebuje tolik energie, kolik spotřebuje 130 amerických domácností ročně. A to není vše. Inference, proces generování odpovědí, souhrnů nebo obrázků, spotřebuje značné množství energie. Jeden dotaz na ChatGPT spotřebuje asi pětkrát více elektřiny než typický web search, a generování jednoho AI obrázku může spotřebovat tolik energie jako plné nabití smartphone.

Spotřeba vody je také důležitou částí obrazu. Každý krát, kdy ChatGPT vygeneruje krátký 100-slovný email pomocí modelu GPT-4, spotřebuje přibližně objem standardní láhve s vodou. Tato voda se používá k chlazení serverů v datových centrech, které generují intenzivní teplo během provozu. Pokud bychom to škálovali na týdenní použití 10% pracujících Američanů, roční spotřeba vody by se rovnala denní spotřebě všech domácností v Rhode Islandu po dobu jednoho a půl dne.

Jakmile se AI zátěže rozšiřují, tak i požadavky na energii datových center. Světová banka odhaduje, že širší kategorie Informačních a komunikačních technologií (ICT), včetně AI,目前 představuje alespoň 1,7% globálních emisí skleníkových plynů. I když toto číslo může vypadat skromně, odráží pouze současné úrovně přijetí. S pokračujícím růstem AI – spolu s rostoucí globální přístupem k internetu, rozšířenou cloudovou úložiště, zařízeními IoT a dokonce i technologiemi blockchain – kolektivní dopad by mohl růst významně, i když některé efektivnosti jsou získány.

Tento rozpor mezi tím, jak snadné je AI používat, a jak náročné je ho provozovat, dělá problém snadno přehlédnutelným.

Ale také ukazuje na řešení. Nemusíme zpomalovat inovace. Musíme být více úmyslní, jak je navrhujeme a nasazujeme. To znamená klást lepší otázky, držet dodavatele zodpovědné a zahrnovat udržitelnost do každého rozhodnutí o AI.

Tyto systémy se stávají stále výkonnějšími. Pokud chceme, aby nám pomohly řešit environmentální problémy, musíme zajistit, aby nebyly potichu horší.

Od infrastruktury k odpovědnosti

Environmentální dopad AI není omezený na okamžik, kdy uživatel klikne na “enter”. Existuje celá dodavatelská síť za ním: těžba, výroba čipů, přeprava zařízení a výstavba datových center. Tato realita vytváří novou výzvu pro společnosti. Na rozdíl od tradičních zdrojů emisí, kde dopad lze spojit s spáleným palivem nebo ujetými kilometry, náklady na AI jsou rozloženy napříč systémy a poskytovateli. Je snadné si myslet, že odpovědnost patří “oblaku” nebo “dodavateli”.

Ale pokud používáte AI prostřednictvím platformy SaaS, cloudového poskytovatele nebo interních nástrojů, pak emise a spotřeba energie jsou součástí vaší provozní stopy. To je zejména pravda, když se díváme na emise Scope 3, které zahrnují ty, které jsou generovány napříč vaší hodnotovou řetězcem.

Učinění neviditelného viditelným

Jak tedy můžeme odhalit skryté environmentální náklady AI? Začíná to tím, že přehodnotíme, jak hodnotíme nástroje, které používáme.

Týmy pro nákup by měly klást otázky o funkčnosti, zdrojích energie, efektivitě datových center a reportování emisí. Pokud dodavatel nemůže říci, kolik energie spotřebují jeho nástroje AI nebo zda se spoléhají na obnovitelné zdroje energie, je to červená vlajka.

Týmy produktů a inženýrů mohou učinit rozhodnutí o designu, která sníží dopad bez obětování výsledků. To zahrnuje použití menších, jemně naladěných modelů, kdykoli je to možné, a vyhýbání se zbytečné složitosti. Více efektivního modelu není jen rychlejší, je také zelenější.

Zaměstnanci mohou také přispět. Školení týmů, aby psali jasná, cílená podněty, snižuje počet dotazů potřebných a minimalizuje čas výpočtu. Jeden dobře konstruovaný požadavek může okamžitě poskytnout správný výsledek, zatímco několik vágních požadavků může plýtvat energií s každým opakováním.

Proč ISO 42001 nabízí užitečnou mapu

ISO 42001, nová mezinárodní norma pro systémy řízení AI, zavádí klíčový důraz: povzbuzuje organizace, aby zvažovaly nejen to, jak AI systémy fungují, ale také to, jak ovlivňují lidi a planetu. Neřeší klima jako druhotnou věc; řeší ho jako riziko, které je třeba řídit od začátku.

Co AI může vrátit

Je snadné se soustředit na negativa, ale AI také přináší skutečný potenciál, aby nám pomohlo řešit environmentální problémy.

Už nyní AI pomáhá společnostem s předpovědí poptávky a úpravou spotřeby energie v reálném čase, aby lépe integrovaly obnovitelné zdroje, jako je vítr a slunce. V zemědělství se AI používá k monitorování vlhkosti půdy a povětrnostních podmínek, aby vedly plánování zavlažování a minimalizovaly únik hnojiv. Společnosti logistiky používají AI k plánování efektivnějších tras, snižování spotřeby paliva a času nečinnosti. A možná nejvýznamněji, AI urychluje sledování emisí analýzou dat o nákupu a dodavatelích, pomáhá společnostem vypočítat obtížně měřitelné emise Scope 3 a identifikovat, kde jsou možné snížení.

Přišel čas na bližší pohled

AI nebude zpomalovat, a neměl by. Musíme však začít dělat jeho environmentální stopu více viditelnou a řiditelnou.

To znamená:

• Výběr partnerů, kteří reportují a snižují své emise.
• Školení týmů, aby používaly AI efektivně a úmyslně.
• Řešení environmentálního dopadu jako součást hodnoty, ne jako kompromis.

Jsme zvyklí myslet na AI jako na neviditelnou. Ale to je problém vnímání, ne fyzický. Servery jsou reálné, emise jsou měřitelné a voda je konečná.

Nyní je čas budovat zvyky odpovědnosti, aby systémy, na které se spoléháme, nepotichu podkopávaly budoucnost, kterou všichni snažíme chránit.