To studerende udvikler software til at bekæmpe CO2-forurenning forårsaget af kunstig intelligens

Eksperter er enige om, at den nuværende udvikling af kunstig intelligens (AI) vil gøre det til en af de største bidragsytere til CO2, på trods af dets brug til at bekæmpe netop dette problem. Dette har ført til, at forskellige dele af branchen er begyndt at fokusere på, hvordan man kan løse situationen, og en af de seneste udviklinger kommer fra to studerende på Københavns Universitet.

Avancerede AI-metoder som dyb læring udvikles i en fantastisk hast, men det medfører massive energiforbrugs niveauer. Da dette fortsætter med at øge, vil AI-teknologier og -metoder, især dyb læring, sandsynligvis blive en betydelig bidragsyder til klimaforandringen. Men dette er kun, hvis der ikke tages noget til at ændre den nuværende kurs.

Fra 2012 til 2018 er den beregningskraft, der kræves til dyb læring, øget med 300.000 %. Et af branchens største problemer er, at energiforbrug og kulstofaftryk på grund af algoritmeudvikling sjældent måles. Samtidig detaljerer mange studier dette problem og opfordrer til handling.

Carbontracker

I søgen efter at løse dette problem har Lasse F. Wolff Anthony og Benjamin Kanding på Københavns Universitets datalogi afdeling, sammen med lektor Raghavendra Selvan, udviklet et nyt softwareprogram kaldet Carbontracker. Dette program kan nøjagtigt beregne og forudsige, hvor meget energiforbrug og CO2-udledning der kommer fra træning af dyb læring modeller.

“Udviklingen i dette felt sker med en vanvittig hast, og dyb læring modeller bliver konstant større og mere avancerede,” siger Lasse F. Wolff Anthony. “Lige nu er der eksponentiel vækst. Og det betyder en øget energiforbrug, som de fleste mennesker synes ikke at tænke over.”

Dyb læring modeller fortsætter med at vokse og løse stadig mere komplekse problemer, hvilket kræver en betydelig øgning af energiforbrug.

“Da datasæt bliver større for hver dag, bliver problemerne, som algoritmerne skal løse, mere og mere komplekse,” siger Benjamin Kanding.

Det open source Carbontracker program kan findes her.

GPT-3

Et af de bedste eksempler på dette er den avancerede sprogmodel GPT-3. Det er en af de største og mest komplekse dyb læring modeller, der er udviklet til dato, men det kommer med en pris. GPT-3 kræver samme mængde energi, som 126 danske hjem forbruger på ét år, alt i ét træningssession. Mængden af CO2, der frigøres, er lig med 700.000 kilometers kørsel.

Ifølge Lasse F. Wolff Anthony “Vil der sandsynligvis være flere modeller, der er mange gange større, inden for få år.”

“Hvis trenden fortsætter, kan kunstig intelligens ende med at være en betydelig bidragsyder til klimaforandringen. At bremse teknologiens udvikling er ikke pointen. Disse udviklinger tilbyder fantastiske muligheder for at hjælpe vores klima. I stedet handler det om at blive bekendt med problemet og tænke: Hvordan kan vi forbedre det?” siger Benjamin Kanding.

Carbontracker sporer mængden af CO2, der bruges til at producere energi i områder, hvor dyb læringstræning finder sted, og gør det muligt at forudsige CO2-udledning efter omregning af energiforbrug.

Ifølge studenterne bør brugerne af dyb læring være opmærksomme på, hvilken type hardware og algoritmer, der bruges, og hvornår modeltræning finder sted, da der er områder med større grønne energiforsyninger.

“Det er muligt at reducere klimaet påvirkningen betydeligt. For eksempel er det relevant, hvis man vælger at træne sin model i Estland eller Sverige, hvor kulstofaftrykket af en modeltræning kan reduceres med mere end 60 gange takket være grønnere energiforsyninger. Algoritmer varierer også meget i deres energieffektivitet. Nogle kræver mindre beregning og dermed mindre energi for at opnå lignende resultater. Hvis man kan justere disse parametre, kan tingene ændre sig betydeligt,” siger Lasse F. Wolff Anthony.