Två studenter utvecklar programvara för att bekämpa CO2 orsakat av AI

Experter är överens om att den nuvarande utvecklingsbanan för artificiell intelligens (AI) kommer att göra den till en av de ledande bidragsgivarna till CO2, trots att den används för att bekämpa just detta problem. Detta har fått olika delar av branschen att börja fokusera på hur man kan åtgärda situationen, med en av de senaste utvecklingarna från två studenter vid Köpenhamns universitet.

Avancerade AI-metoder som deep learning utvecklas i en hisnande takt, men det medför enorma energiförbrukningsnivåer. Ju mer detta ökar, desto mer sannolikt är det att AI-teknologier och metoder, särskilt deep learning, kommer att bli en betydande bidragsgivare till klimatförändringar. Men detta gäller bara om ingen åtgärd vidtas för att ändra den nuvarande banan.

Från 2012 till 2018 har den beräkningskraft som krävs för deep learning ökat med 300 000 %. Ett av branschens stora problem är att energiförbrukning och koldioxidavtryck på grund av algoritmernas utveckling sällan mäts. Samtidigt detaljerar många studier detta problem och kräver åtgärder.

Koldioxidspårare

I syfte att åtgärda detta problem har Lasse F. Wolff Anthony och Benjamin Kanding vid Köpenhamns universitets datavetenskapsavdelning, tillsammans med biträdande professor Raghavendra Selvan, utvecklat ett nytt program som kallas Koldioxidspårare. Detta program kan exakt beräkna och förutsäga hur mycket energiförbrukning och koldioxidutsläpp som kommer från utbildning av deep learning-modeller.

“Utvecklingen inom detta område går vansinnigt fort och deep learning-modellerna blir ständigt större och mer avancerade”, säger Lasse F. Wolff Anthony. “Just nu är det exponentiell tillväxt. Och det innebär en ökande energiförbrukning som de flesta verkar inte tänka på.”

Deep learning-modellerna fortsätter att växa och hantera allt mer komplexa problem, vilket kräver en betydande ökning av energiförbrukningen.

“Så länge datamängderna växer dag för dag, blir problemen som algoritmerna måste lösa allt mer komplexa”, säger Benjamin Kanding.

Det öppna källkodsprogrammet Koldioxidspårare kan hittas här.

GPT-3

Ett av de bästa exemplen på detta är den avancerade språkmodellen GPT-3. Den är en av de största och mest komplexa deep learning-modellerna som utvecklats hittills, men den kommer med en kostnad. GPT-3 kräver samma mängd energi som 126 danska hem under ett år, allt i en enda utbildningssession. Mängden koldioxid som släpps ut är ekvivalent med 700 000 kilometer körning.

Enligt Lasse F. Wolff Anthony, “Inom några år kommer det troligen att finnas flera modeller som är många gånger större.”

“Om trenden fortsätter, kan artificiell intelligens bli en betydande bidragsgivare till klimatförändringar. Att bromsa teknikutvecklingen är inte poängen. Dessa utvecklingar erbjuder fantastiska möjligheter för att hjälpa vår klimat. Istället handlar det om att bli medveten om problemet och tänka: Hur kan vi förbättra?” säger Benjamin Kanding.

Koldioxidspårare spårar mängden koldioxid som används för att producera energi i områden där deep learning-utbildning sker, vilket gör det möjligt att förutsäga koldioxidutsläpp efter energiförbrukning.

Enligt studenterna bör deep learning-användare uppmärksamma vilken typ av hårdvara och algoritmer som används och när modellutbildning sker, eftersom det finns områden med större gröna energitillförsel.

“Det är möjligt att minska klimatpåverkan betydligt. Till exempel är det relevant om man väljer att utbilda sin modell i Estland eller Sverige, där koldioxidavtrycket från en modellutbildning kan minskas med mer än 60 gånger tack vare grönare energitillförsel. Algoritmer varierar också mycket i sin energieffektivitet. Vissa kräver mindre beräkningar och därmed mindre energi för att uppnå liknande resultat. Om man kan justera dessa typer av parametrar, kan saker och ting förändras avsevärt”, säger Lasse F. Wolff Anthony.