Два студенти розробили програмне забезпечення для боротьби з CO2, спричиненим штучним інтелектом

Експерти погоджуються, що поточний шлях розвитку штучного інтелекту (ШІ) призведе до того, що він стане одним з найбільших вкладників у викиди CO2, незважаючи на його використання для боротьби з цією проблемою. Це змусило різні частини галузі почати зосереджуватися на тому, як виправити ситуацію, одним з останніх розробок став проєкт двох студентів Копенгагенського університету.

Розширені методи ШІ, такі як глибоке навчання, розвиваються зі швидкою швидкістю, але це супроводжується величезним енергоспоживанням. Коли це продовжується, технології та методи ШІ, особливо глибоке навчання, можуть стати значним вкладником у зміну клімату. Однак це буде тільки якщо не буде прийнято жодних заходів для зміни поточного шляху.

З 2012 по 2018 рік обчислювальна потужність, необхідна для глибокого навчання, збільшилася на 300 000%. Однією з найбільших проблем галузі є те, що енергоспоживання та вуглецевий слід через розвиток алгоритмів рідко вимірюються. Водночас багато досліджень деталізують цю проблему та закликають до дії.

Carbontracker

У пошуках рішення цієї проблеми Лассе Ф. Вольфф Ентоні та Бенджамін Кандінг з кафедри комп’ютерних наук Копенгагенського університету, разом з асистентом професора Рагхавендрою Селваном, розробили нову програмну систему під назвою Carbontracker. Ця система може точно розрахувати та передбачити, скільки енергоспоживання та викидів CO2 спричиняє навчання глибоких моделей навчання.

“Розробки в цій галузі відбуваються неймовірно швидко, а моделі глибокого навчання постійно стають більші за масштабом та більш просунутими”, – сказав Лассе Ф. Вольфф Ентоні. “Зараз відбувається експоненційний рост, а це означає збільшення енергоспоживання, про яке більшість людей, здається, не думають”.

Моделі глибокого навчання продовжують розвиватися та вирішувати все більш складні завдання, що вимагає значного збільшення енергоспоживання.

“Якщо дані зростають більші за день, то завдання, які алгоритми повинні вирішувати, стають все більш складними”, – говорить Бенджамін Кандінг.

Відкрита програмна система Carbontracker можна знайти тут.

GPT-3

Одним з найкращих прикладів цього є просунута мова модель GPT-3. Це одна з найбільших та найскладніших моделей глибокого навчання, розроблених на сьогодні, але вона має свою ціну. GPT-3 вимагає такої ж кількості енергії, яку використовують 126 данських будинків за рік, всього лише за одну сесію навчання. Кількість викидів CO2 еквівалентна 700 000 кілометрів їзди.

За словами Лассе Ф. Вольффа Ентоні, “За кілька років, ймовірно, буде кілька моделей, які будуть у декілька разів більші”.

“Якщо тенденція продовжиться, штучний інтелект може стати значним вкладником у зміну клімату. Зупинка технологічного розвитку не є метою. Ці розробки пропонують фантастичні можливості для допомоги нашому клімату. Замість цього, це питання про те, щоб бути обізнаним про проблему та думати: Як ми можемо покращити?” – говорить Бенджамін Кандінг.

Carbontracker відстежує кількість CO2, використаного для виробництва енергії в областях, де відбувається навчання глибоких моделей, що робить можливим передбачення викидів CO2 після конвертації енергоспоживання.

За словами студентів, користувачі глибокого навчання повинні звернути увагу на тип апаратного забезпечення та алгоритмів, які використовуються, а також на час навчання моделей, оскільки є області з більшим зеленим енергопостачанням.

“Можливо суттєво зменшити вплив на клімат. Наприклад, це актуально, якщо вибрати навчання моделі в Естонії чи Швеції, де вуглецевий слід навчання моделі можна зменшити більш ніж у 60 разів завдяки більшій зеленій енергії. Алгоритми також суттєво відрізняються за енергоефективністю. Деякі з них вимагають менше обчислень, а отже менше енергії, для досягнення подібних результатів. Якщо можна налаштувати ці параметри, все може змінитися суттєво”, – говорить Лассе Ф. Вольфф Ентоні.