Δύο Φοιτητές Ανάπτυξαν Λογισμικό για την Αντιμετώπιση του CO2 που Προκαλεί η Τεχνητή Νοημοσύνη

Οι εμπειρογνώμονες συμφωνούν ότι ο τρέχων δρόμος της ανάπτυξης της τεχνητής νοημοσύνης (ΤΝ) θα την κάνει einen από τους κύριους συντελεστές του CO2, παρά την χρήση της για την αντιμετώπιση του ίδιου προβλήματος. Αυτό έχει οδηγήσει σε διάφορα τμήματα της βιομηχανίας να αρχίσουν να εστιάζουν στο πώς να θεραπεύσουν την κατάσταση, με μια από τις πιο πρόσφατες εξελίξεις να έρχεται από δύο φοιτητές στο Πανεπιστήμιο της Κοπεγχάγης.

Οι προηγμένες μεθόδους της ΤΝ, όπως η βαθιά μάθηση, αναπτύσσονται με αξιοθαύμαστο ρυθμό, αλλά αυτό συνοδεύεται από τεράστια κατανάλωση ενέργειας. Όσο αυτή η κατανάλωση ενέργειας συνεχίζει να αυξάνεται, οι τεχνολογίες και οι μέθοδοι της ΤΝ, ιδιαίτερα η βαθιά μάθηση, θα γίνουν πιθανότατα σημαντικοί συντελεστές της κλιματικής αλλαγής. Ωστόσο, αυτό θα συμβεί μόνο αν δεν ληφθούν μέτρα για την αλλαγή του τρέχοντος δρόμου.

Từ 2012 έως 2018, η υπολογιστική ισχύς που απαιτείται για τη βαθιά μάθηση έχει αυξηθεί κατά 300.000%. Ένα από τα σημαντικά προβλήματα της βιομηχανίας είναι ότι η κατανάλωση ενέργειας και η υδροηλεκτρική ποδοπάτηση λόγω της ανάπτυξης των αλγορίθμων σπάνια μετράται. Ταυτόχρονα, πολλές μελέτες περιγράφουν αυτό το ζήτημα και ζητούν δράση.

Carbontracker

Στην προσπάθεια να αντιμετωπίσουν αυτό το ζήτημα, οι Lasse F. Wolff Anthony και Benjamin Kanding στο Τμήμα Επιστήμης Υπολογιστών του Πανεπιστημίου της Κοπεγχάγης, μαζί με τον Επίκουρο Καθηγητή Raghavendra Selvan, έχουν αναπτύξει ένα νέο πρόγραμμα λογισμικού με το όνομα Carbontracker. Αυτό το λογισμικό μπορεί να υπολογίσει και να προβλέψει με ακρίβεια πόση ενέργεια καταναλώνεται και πόσο CO2 εκλύεται κατά την εκπαίδευση των μοντέλων βαθιάς μάθησης.

“Οι εξελίξεις σε αυτό το πεδίο προχωρούν με τρελό ρυθμό και τα μοντέλα βαθιάς μάθησης συνεχώς γίνονται μεγαλύτερα και πιο προηγμένα,” είπε ο Lasse F. Wolff Anthony. “Τώρα, υπάρχει εκθετική αύξηση. Και αυτό σημαίνει αυξανόμενη κατανάλωση ενέργειας, η οποία φαίνεται ότι δεν τη σκέφτονται πολλοί άνθρωποι.”

Τα μοντέλα βαθιάς μάθησης συνεχίζουν να μεγαλώνουν και να αντιμετωπίζουν πιο複잡α προβλήματα, απαιτώντας σημαντική αύξηση της κατανάλωσης ενέργειας.

“Όσο οι βάσεις δεδομένων μεγαλώνουν περισσότερο κάθε μέρα, τα προβλήματα που πρέπει να λύσουν οι αλγόριθμοι γίνονται ολοένα και πιο σύνθετα,” λέει ο Benjamin Kanding.

Το ανοικτό πρόγραμμα Carbontracker μπορεί να βρεθεί εδώ.

GPT-3

Ένα από τα καλύτερα παραδείγματα είναι το προηγμένο μοντέλο γλώσσας GPT-3. Είναι ένα από τα μεγαλύτερα και πιο σύνθετα μοντέλα βαθιάς μάθησης που έχουν αναπτυχθεί μέχρι σήμερα, αλλά αυτό έχει ένα κόστος. Το GPT-3 απαιτεί την ίδια ποσότητα ενέργειας που χρησιμοποιούν 126 δανικές οικίες σε ένα χρόνο, όλα σε μια seule συνεδρία εκπαίδευσης. Η ποσότητα του CO2 που εκλύεται είναι ισοδύναμη με 700.000 χιλιόμετρα οδήγησης.

Σύμφωνα με τον Lasse F. Wolff Anthony, “Εντός quelques ετών, θα υπάρχουν πιθανότατα πολλά μοντέλα που είναι πολλά lần μεγαλύτερα.”

“Εάν η τάση συνεχιστεί, η τεχνητή νοημοσύνη μπορεί να γίνει σημαντικός συντελεστής της κλιματικής αλλαγής. Το να σταματήσουμε την τεχνολογική ανάπτυξη δεν είναι το σημείο. Αυτές οι εξελίξεις προσφέρουν φανταστικές ευκαιρίες για την βοήθεια του κλίματος μας. Αντίθετα, είναι về την ενημέρωση για το πρόβλημα και τη σκέψη: Πώς μπορούμε να βελτιώσουμε;” λέει ο Benjamin Kanding.

Το Carbontracker παρακολουθεί την ποσότητα του CO2 που χρησιμοποιείται για την παραγωγή ενέργειας σε περιοχές όπου πραγματοποιείται η εκπαίδευση βαθιάς μάθησης, καθιστώντας δυνατή την πρόβλεψη των εκπομπών CO2 μετά τη μετατροπή της κατανάλωσης ενέργειας.

Σύμφωνα με τους φοιτητές, οι χρήστες της βαθιάς μάθησης πρέπει να προσεχθούν ποια υλικό και αλγόριθμοι χρησιμοποιούνται και πότε πραγματοποιείται η εκπαίδευση του μοντέλου, καθώς υπάρχουν περιοχές με μεγαλύτερη πράσινη ενέργεια.

“Είναι δυνατό να μειωθεί σημαντικά η κλιματική επίδραση. Για παράδειγμα, είναι σχετικό αν κάποιος επιλέξει να εκπαιδεύσει το μοντέλο του στην Εσθονία ή τη Σουηδία, όπου η υδροηλεκτρική ποδοπάτηση της εκπαίδευσης του μοντέλου μπορεί να μειωθεί περισσότερο από 60 φορές χάρη στις πράσινες ενεργειακές προμήθειες. Οι αλγόριθμοι επίσης ποικίλλουν πολύ στην ενεργειακή τους αποδοτικότητα. Κάποιοι απαιτούν λιγότερη υπολογιστική ισχύ και, συνεπώς, λιγότερη ενέργεια, για να επιτύχουν παρόμοια αποτελέσματα. Εάν κάποιος μπορεί να điều chỉnh αυτά τα είδη παραμέτρων, τα πράγματα μπορούν να αλλάξουν σημαντικά,” λέει ο Lasse F. Wolff Anthony.