Το Κρυφό Κόστος της Ευκολίας: Γιατί πρέπει να ληφθεί υπόψη ο Περιβαλλοντικός Αντίκτυπος της Τεχνητής Νοημοσύνης

Βασιζόμαστε τακτικά στην Τεχνητή Νοημοσύνη για βοήθεια, είτε για να συνοψίσουμε αυτό, είτε για να το δημιουργήσουμε είτε για να το λύσουμε. Είναι γρήγορο, εύκολο και ενσωματώνεται ολοένα και περισσότερο στον τρόπο που εργαζόμαστε. Αλλά στη βιασύνη μας να κάνουμε τα πράγματα ευκολότερα, έχουμε παραβλέψει ένα βασικό μέρος της ιστορίας: το περιβαλλοντικό κόστος πίσω από την ψηφιακή ευκολία.

Κάθε αλληλεπίδραση με την Τεχνητή Νοημοσύνη βασίζεται σε κάτι που δεν βλέπουμε ποτέ και σπάνια λαμβάνουμε υπόψη - κέντρα δεδομένων, τσιπ, δίκτυα ηλεκτρικής ενέργειας, συστήματα ψύξης και παγκόσμια δίκτυα logistics. Αυτή η «αόρατη υποδομή» κάνει την Τεχνητή Νοημοσύνη να φαίνεται χωρίς βαρύτητα. Αλλά το περιβαλλοντικό κόστος είναι οτιδήποτε άλλο εκτός από αυτό.

Ήρθε η ώρα να κάνουμε αυτό το κόστος ορατό. Καθώς η Τεχνητή Νοημοσύνη αποκτά ολοένα και πιο κεντρικό ρόλο στις επιχειρηματικές δραστηριότητες, αυξάνεται και ο αντίκτυπός της στην ενέργεια, το νερό και τις εκπομπές. Το ερώτημα δεν είναι μόνο πόσο ισχυρό θα είναι το επόμενο μοντέλο, αλλά και αν είμαστε έτοιμοι να αναλάβουμε την ευθύνη για ό,τι χρειάζεται για να λειτουργήσει.

Η Τεχνητή Νοημοσύνη έχει πρόβλημα οπτικής. Σε αντίθεση με τον καπνό από ένα εργοστάσιο ή την κυκλοφορία σε έναν αυτοκινητόδρομο, οι εκπομπές της εκπαίδευσης ή της υποβολής ερωτημάτων σε ένα μοντέλο συμβαίνουν πίσω από κλειστές πόρτες σε αίθουσες διακομιστών με ελεγχόμενο κλίμα. Αυτό δεν τις καθιστά λιγότερο πραγματικές.

Η λειτουργία προηγμένων μοντέλων απαιτεί σημαντική ποσότητα ηλεκτρικής ενέργειας. Η εκπαίδευση του GPT-3, για παράδειγμα, καταναλώνει τόση ενέργεια όση καταναλώνουν 130 νοικοκυριά στις ΗΠΑ. ετησίωςΚαι δεν σταματά εκεί. Η συμπερασματολογία, η διαδικασία δημιουργίας απαντήσεων, περιλήψεων ή εικόνων, χρησιμοποιεί σημαντική ισχύ. Ένα μόνο ερώτημα ChatGPT χρησιμοποιεί περίπου πέντε φορές περισσότερη ηλεκτρική ενέργεια από μια τυπική αναζήτηση στο διαδίκτυο, και η δημιουργία μιας εικόνας AI μπορεί να καταναλώσει τόσα πολλά ενέργεια όπως η πλήρης φόρτιση ενός smartphone.

Η κατανάλωση νερού αποτελεί επίσης σημαντικό μέρος της εικόνας. Κάθε φορά που το ChatGPT δημιουργεί ένα σύντομο email 100 λέξεων χρησιμοποιώντας το μοντέλο GPT-4, καταναλώνει περίπου τον όγκο ενός τυπικού μπουκαλιού νερού. Αυτό το νερό χρησιμοποιείται για την ψύξη των διακομιστών στα κέντρα δεδομένων, τα οποία παράγουν έντονη θερμότητα κατά τη λειτουργία. Αν το κλιμακώσετε αυτό σε μία μόνο εβδομαδιαία χρήση από το 10% των εργαζόμενων Αμερικανών, η ετήσια χρήση νερού θα ισούται με την ημερήσια κατανάλωση κάθε νοικοκυριού στο Ρόουντ Άιλαντ, για ενάμιση ημέρα.

Καθώς τα φόρτα εργασίας της Τεχνητής Νοημοσύνης επεκτείνονται, αυξάνονται και οι απαιτήσεις ισχύος των κέντρων δεδομένων. Η Παγκόσμια Τράπεζα. εκτιμήσεις ότι η ευρύτερη κατηγορία των Τεχνολογιών Πληροφορικής και Επικοινωνιών (ΤΠΕ), συμπεριλαμβανομένης της Τεχνητής Νοημοσύνης (ΤΠΕ), αντιπροσωπεύει επί του παρόντος τουλάχιστον το 1.7% των παγκόσμιων εκπομπών αερίων του θερμοκηπίου. Ενώ αυτός ο αριθμός μπορεί να φαίνεται μέτριος, αντικατοπτρίζει μόνο τα τρέχοντα επίπεδα υιοθέτησης. Με τη συνεχιζόμενη ανάπτυξη της ΤΝ - παράλληλα με την αυξανόμενη παγκόσμια πρόσβαση στο διαδίκτυο, την επέκταση της αποθήκευσης στο cloud, τις συσκευές IoT, ακόμη και τις τεχνολογίες blockchain - ο συλλογικός αντίκτυπος θα μπορούσε να αυξηθεί σημαντικά, ακόμη και αν επιτευχθεί κάποια βελτίωση της αποτελεσματικότητας.

Αυτή η αποσύνδεση μεταξύ του πόσο εύκολη είναι η χρήση της Τεχνητής Νοημοσύνης και του πόσο απαιτητική σε πόρους είναι η λειτουργία της καθιστά εύκολο το ζήτημα να αγνοηθεί.

Αλλά υποδεικνύει επίσης τη λύση. Δεν χρειάζεται να επιβραδύνουμε την καινοτομία. Πρέπει να είμαστε πιο προσεκτικοί στον τρόπο που τη σχεδιάζουμε και την αναπτύσσουμε. Αυτό σημαίνει να θέτουμε καλύτερες ερωτήσεις, να θεωρούμε τους προμηθευτές υπόλογους και να λαμβάνουμε υπόψη τη βιωσιμότητα σε κάθε απόφαση που αφορά την Τεχνητή Νοημοσύνη.

Αυτά τα συστήματα γίνονται όλο και πιο ισχυρά. Αν θέλουμε να βοηθήσουν στην επίλυση των κλιματικών προκλήσεων, πρέπει να διασφαλίσουμε ότι δεν τις επιδεινώνουν αθόρυβα.

Από τις Υποδομές στην Λογοδοσία

Ο περιβαλλοντικός αντίκτυπος της Τεχνητής Νοημοσύνης δεν περιορίζεται στη στιγμή που ένας χρήστης πατάει το κουμπί «enter». Υπάρχει μια ολόκληρη αλυσίδα εφοδιασμού από πίσω: εξόρυξη, κατασκευή τσιπ, αποστολή εξοπλισμού και κατασκευή κέντρων δεδομένων. Αυτή η πραγματικότητα δημιουργεί ένα νέο είδος πρόκλησης λογοδοσίας για τις εταιρείες. Σε αντίθεση με τις παραδοσιακές πηγές εκπομπών, όπου ο αντίκτυπος μπορεί να συνδεθεί με τα καύσιμα που καταναλώνονται ή τα χιλιόμετρα που διανύονται, το κόστος της Τεχνητής Νοημοσύνης κατανέμεται σε συστήματα και παρόχους. Είναι εύκολο να σκεφτεί κανείς ότι η ευθύνη ανήκει στο «cloud» ή στον «πωλητή».

Αλλά αν χρησιμοποιείτε Τεχνητή Νοημοσύνη μέσω μιας πλατφόρμας SaaS, ενός παρόχου cloud ή εσωτερικών εργαλείων, τότε οι εκπομπές και η κατανάλωση ενέργειας αποτελούν μέρος του λειτουργικού σας αποτυπώματος. Αυτό ισχύει ιδιαίτερα όταν εξετάζουμε τις εκπομπές Scope 3, οι οποίες περιλαμβάνουν εκείνες που παράγονται σε όλη την αλυσίδα αξίας σας.

Τα καλά νέα είναι ότι η λογοδοσία δεν έχει να κάνει με την απόδοση ευθυνών. Έχει να κάνει με την ευαισθητοποίηση, τη διαφάνεια και την καλύτερη λήψη αποφάσεων.

Κάνοντας το αόρατο ορατό

Πώς, λοιπόν, μπορούμε να αναδείξουμε το κρυφό περιβαλλοντικό κόστος της Τεχνητής Νοημοσύνης; Ξεκινά με την επανεξέταση του τρόπου με τον οποίο αξιολογούμε τα εργαλεία που χρησιμοποιούμε.

Οι ομάδες προμηθειών θα πρέπει να ρωτούν για τη λειτουργικότητα, τις πηγές ενέργειας, την αποδοτικότητα του κέντρου δεδομένων και την αναφορά εκπομπών. Εάν ένας προμηθευτής δεν μπορεί να σας πει πόση ενέργεια καταναλώνουν τα εργαλεία τεχνητής νοημοσύνης που χρησιμοποιεί ή εάν βασίζεται σε ανανεώσιμες πηγές ενέργειας, αυτό αποτελεί προειδοποιητικό σημάδι.

Οι ομάδες προϊόντων και μηχανικών μπορούν να λαμβάνουν αποφάσεις σχεδιασμού που μειώνουν τον αντίκτυπο χωρίς να θυσιάζουν τα αποτελέσματα. Αυτό περιλαμβάνει τη χρήση μικρότερων, βελτιωμένων μοντέλων όπου είναι δυνατόν και την αποφυγή περιττής πολυπλοκότητας. Ένα πιο αποτελεσματικό μοντέλο δεν είναι απλώς ταχύτερο, είναι και πιο οικολογικό.

Οι εργαζόμενοι μπορούν επίσης να συνεισφέρουν. Η εκπαίδευση των ομάδων στη σύνταξη σαφών, στοχευμένων προτροπών μειώνει τον αριθμό των απαραίτητων ερωτημάτων και ελαχιστοποιεί τον χρόνο υπολογισμού. Ένα καλοδομημένο αίτημα μπορεί να αποφέρει το σωστό αποτέλεσμα αμέσως, ενώ αρκετά ασαφή αιτήματα μπορεί να σπαταλούν ενέργεια με κάθε επανάληψη.

Η εκτελεστική ηγεσία μπορεί να συνδέσει τα σημεία μεταξύ καινοτομίας και βιωσιμότητας. Η υιοθέτηση της Τεχνητής Νοημοσύνης θα πρέπει να ευθυγραμμίζεται με τους κλιματικούς στόχους και όχι να αντιμετωπίζεται ως ξεχωριστή στρατηγική. Μικρές αλλαγές αρχίζουν να συσσωρεύονται όταν οι οργανισμοί εντάσσουν τον περιβαλλοντικό αντίκτυπο στη συζήτηση σε κάθε επίπεδο.

Γιατί το ISO 42001 προσφέρει έναν χρήσιμο χάρτη πορείας

Το ISO 42001, το νέο διεθνές πρότυπο για συστήματα διαχείρισης Τεχνητής Νοημοσύνης, εισάγει μια βασική εστίαση: την ενθάρρυνση των οργανισμών να λαμβάνουν υπόψη όχι μόνο τον τρόπο με τον οποίο λειτουργούν τα συστήματα Τεχνητής Νοημοσύνης, αλλά και τον τρόπο με τον οποίο επηρεάζουν τους ανθρώπους και τον πλανήτη. Δεν αντιμετωπίζει το κλίμα ως κάτι δευτερεύον, αλλά ως έναν κίνδυνο που αξίζει να διαχειριστούμε από την αρχή.

Για τις εταιρείες που ήδη εργάζονται για την επίτευξη των στόχων ISO 14001 (για τη διαχείριση του περιβάλλοντος) ή μηδενικών εκπομπών, το ISO 42001 προσφέρει μια γέφυρα. Βοηθά στην ευθυγράμμιση της διακυβέρνησης της Τεχνητής Νοημοσύνης με ευρύτερες στρατηγικές βιωσιμότητας, από την παρακολούθηση των εκπομπών έως τις υπεύθυνες συνεργασίες με τους προμηθευτές.

Τι μπορεί να προσφέρει η Τεχνητή Νοημοσύνη στο πίσω μέρος της;

Είναι εύκολο να επικεντρωθούμε στα αρνητικά, αλλά η Τεχνητή Νοημοσύνη προσφέρει επίσης πραγματικές δυνατότητες για να μας βοηθήσει να λύσουμε περιβαλλοντικά προβλήματα.

Ήδη, η Τεχνητή Νοημοσύνη βοηθά τις επιχειρήσεις κοινής ωφέλειας να προβλέπουν τη ζήτηση και να προσαρμόζουν τη χρήση ενέργειας σε πραγματικό χρόνο, ώστε να ενσωματώνουν καλύτερα τις ανανεώσιμες πηγές ενέργειας, όπως η αιολική και η ηλιακή ενέργεια. Στη γεωργία, χρησιμοποιείται για την παρακολούθηση της υγρασίας του εδάφους και των καιρικών συνθηκών, με σκοπό την καθοδήγηση των προγραμμάτων άρδευσης και την ελαχιστοποίηση της απορροής λιπασμάτων. Οι εταιρείες logistics χρησιμοποιούν την Τεχνητή Νοημοσύνη για να σχεδιάζουν πιο αποτελεσματικές διαδρομές παράδοσης, μειώνοντας την κατανάλωση καυσίμου και τον χρόνο αδράνειας. Και ίσως το πιο σημαντικό, η Τεχνητή Νοημοσύνη επιταχύνει την παρακολούθηση των εκπομπών αναλύοντας δεδομένα προμηθειών και προμηθευτών, βοηθώντας τις εταιρείες να υπολογίζουν τις δύσκολα μετρήσιμες εκπομπές Scope 3 και να εντοπίζουν πού είναι δυνατές οι μειώσεις.

Εάν αναπτυχθεί με προσοχή, η Τεχνητή Νοημοσύνη μπορεί να λειτουργήσει όχι μόνο ως καταναλωτής πόρων, αλλά και ως μοχλός εξεύρεσης πιο έξυπνων λύσεων για το κλίμα.

Ώρα να ρίξετε μια πιο προσεκτική ματιά

Η τεχνητή νοημοσύνη δεν πρόκειται να επιβραδυνθεί, και δεν πρέπει. Ωστόσο, πρέπει να αρχίσουμε να κάνουμε το περιβαλλοντικό της αποτύπωμα πιο ορατό και διαχειρίσιμο.

Αυτό σημαίνει:

• Επιλογή εταίρων που αναφέρουν και μειώνουν τις εκπομπές τους.
• Εκπαίδευση ομάδων για αποτελεσματική και σκόπιμη χρήση της Τεχνητής Νοημοσύνης.
• Αντιμετώπιση των περιβαλλοντικών επιπτώσεων ως μέρος της εξίσωσης αξίας και όχι ως συμβιβασμού.

Έχουμε συνηθίσει να θεωρούμε την Τεχνητή Νοημοσύνη ως αόρατη. Αλλά αυτό είναι πρόβλημα αντίληψης, όχι φυσικό. Οι διακομιστές είναι πραγματικοί, οι εκπομπές είναι μετρήσιμες και το νερό είναι πεπερασμένο.

Τώρα είναι η ώρα να οικοδομήσουμε συνήθειες λογοδοσίας, ώστε τα συστήματα στα οποία βασιζόμαστε να μην υπονομεύουν αθόρυβα το μέλλον που όλοι προσπαθούμε να προστατεύσουμε.