Dva studenti vyvinuli software pro boj proti CO2 způsobenému umělou inteligencí

Odborníci se shodují, že současná cesta vývoje umělé inteligence (AI) způsobí, že se stane jedním z hlavních přispěvatelů CO2, navzdory jejímu použití pro boj proti této problematice. To vedlo k tomu, že různé části odvětví začaly zaměřovat na to, jak situaci řešit, a jedním z nejnovějších vývoje je software vyvinutý dvěma studenty z Kodaňské univerzity.

Pokročilé metody AI, jako je hluboké učení, se vyvíjí rychlostí, která je ohromující, ale to má za následek enormní spotřebu energie. Jakmile tato spotřeba energie dále poroste, technologie a metody AI, zejména hluboké učení, se pravděpodobně stanou významným přispěvatelem ke změně klimatu. To se však stane pouze tehdy, pokud nebude učiněn žádný krok pro změnu současné cesty.

Mezi lety 2012 a 2018 se výpočetní výkon potřebný pro hluboké učení zvýšil o 300 000 %. Jedním z velkých problémů odvětví je, že spotřeba energie a uhlíková stopa způsobená vývojem algoritmů jsou zřídka měřeny. Současně mnoho studií popisuje tuto problematiku a volá po akci.

Carbontracker

Při hledání řešení této problematiky Lasse F. Wolff Anthony a Benjamin Kanding z katedry počítačových věd Kodaňské univerzity, spolu s asistujícím profesorem Raghavendrou Selvanem, vyvinuli nový software nazvaný Carbontracker. Tento software může přesně vypočítat a předpovědět, kolik energie a emisí CO2 je způsobeno školením modelů hlubokého učení.

“Vývoj v tomto oboru probíhá šílenou rychlostí a modely hlubokého učení jsou neustále větší a složitější,” řekl Lasse F. Wolff Anthony. “V tuto chvíli je exponenciální růst. A to znamená rostoucí spotřebu energie, o které většina lidí zdá se nemyslí.”

Modely hlubokého učení dále rostou a řeší stále složitější problémy, což vyžaduje významné zvýšení spotřeby energie.

“Jak datové sady rostou větší den za dnem, problémy, které algoritmy potřebují řešit, se stávají stále složitějšími,” říká Benjamin Kanding.

Otevřený software Carbontracker lze nalézt zde.

GPT-3

Jedním z nejlepších příkladů toho je pokročilý jazykový model GPT-3. Je to jeden z největších a nejsložitějších modelů hlubokého učení, které byly dosud vyvinuty, ale má to svou cenu. GPT-3 vyžaduje stejné množství energie, které spotřebuje 126 dánských domácností za rok, a to pouze během jednoho školicího sezení. Množství uvolněného CO2 je ekvivalentní 700 000 kilometrů jízdy.

Podle Lasse F. Wolffa Anthonyho “Bude pravděpodobně několik modelů, které budou mnohokrát větší, během několika let.”

“Pokud bude trend pokračovat, umělá inteligence by mohla skončit jako významný přispěvatel ke změně klimatu. Zastavení technologického rozvoje není cílem. Tyto vývojové příležitosti nabízejí fantastické možnosti pro pomoc našemu klimatu. Místo toho je třeba si uvědomit problém a myslet: Jak bychom mohli zlepšit?” říká Benjamin Kanding.

Carbontracker sleduje množství CO2 použité pro výrobu energie v oblastech, kde probíhá školení hlubokého učení, což umožňuje předpovědět emise CO2 po přeměně spotřeby energie.

Podle studentů by uživatelé hlubokého učení měli dbát na to, jaký typ hardwaru a algoritmů se používá a kdy probíhá školení modelu, protože existují oblasti s větším podílem zelené energie.

“Je možné výrazně snížit dopad na klima. Například je relevantní, zda se rozhodnete školení modelu provést v Estonsku nebo Švédsku, kde uhlíková stopa školení modelu může být snížena o více než 60krát díky zelenější energii. Algoritmy se také velmi liší ve své energetické efektivitě. Některé vyžadují méně výpočtů a tím i méně energie, aby dosáhly podobných výsledků. Pokud je možné upravit tyto parametry, věci se mohou změnit značně,” říká Lasse F. Wolff Anthony.