هوش مصنوعی (AI) هم در تحقیقات و هم در صنعت رشد فوق‌العاده‌ای را تجربه می‌کند و زمینه‌های مختلفی مانند علم، پزشکی، مالی و آموزش را متحول کرده است. این پیشرفت‌ها در درجه اول به دلیل توانایی بهبود یافته هوش مصنوعی برای یادگیری موثر مدل‌های بزرگتر با استفاده از مجموعه داده‌های بزرگ است. در حالی که این توسعه، هوش مصنوعی را قادر به کشف اکتشافات علمی، ایجاد فرصت‌های تجاری جدید و افزایش رشد صنعتی کرده است، متأسفانه برای سیاره زمین نیز پیامدهایی دارد. برای جلوگیری از تاثیرات منفی هوش مصنوعی روی زمین، موضوعی به نام هوش مصنوعی پایدار (Sustainable AI) مطرح شده است که قرار است در این مقاله از وبسایت هوش مصنوعی آویر، به بررسی آن بپردازیم. با ما همراه باشید.
تاثیر منفی هوش مصنوعی بر روی زمین
از آنجایی که هوش مصنوعی برای آموزش مدل‌های بزرگتر به مقدار قابل توجهی قدرت محاسباتی و انرژی نیاز دارد، تأثیرات منفی زیادی بر محیط‌زیست دارد که منجر به افزایش ردپای کربن و انتشار گازهای گلخانه‌ای می‌شود.
گزارشی که از MIT Technology Review منتشر شده، نشان می‌دهد که انتشار کربن تولید شده در طول آموزش یک مدل هوش مصنوعی بیشتر از انتشار گاز کربن تولید شده توسط یک خودروی معمولی آمریکایی در کل طول عمر آن است. هوش مصنوعی AlphaGo Zero گوگل، تنها در 40 روز آموزش، 96 تن دی اکسید کربن تولید کرده است. این میزان برابر با انتشار گازهای گلخانه‌ای از 1000 ساعت سفر هوایی یا ردپای کربن سالانه 23 خانه در آمریکا است.
فیس‌بوک گزارش داده که آموزش مدل‌های بزرگ هوش مصنوعی، مانند Meena، می‌تواند ردپای کربنی معادل رانندگی یک وسیله نقلیه مسافربری برای مسافت تقریباً 389833 کیلومتر داشته باشد. یک مطالعه اخیر توسط MIT نشان می‌دهد که تأثیر محیطی محاسبات ابری اکنون از کل صنعت هواپیمایی فراتر رفته است.
رایانش ابری، که ذخیره و پردازش حجم وسیعی از داده‌ها را امکان‌پذیر می‌کند، به میزان قابل توجهی در انتشار گازهای گلخانه‌ای نقش دارد. علاوه بر این، یک مرکز داده می تواند به اندازه 50000 خانه برق مصرف کند.
هوش مصنوعی پایدار چیست؟
هوش مصنوعی پایدار، استفاده از سیستم‌های هوش مصنوعی (AI) است که به روش‌های مشروط با شیوه‌های تجاری پایدار عمل می‌کنند. بسیاری از سیستم‌های هوش مصنوعی فعلی که در سازمان‌ها استفاده می‌شوند، به مضر بودن برای محیط‌زیست شهرت دارند، اما اقدامات قابل انجام می‌تواند این امر را کاهش دهد.
کسانی که دانش دست‌اولی از توسعه و اجرای مدل‌های هوش مصنوعی دارند، می‌دانند که فرآیند دشوار آموزش مدل‌های هوش مصنوعی به مقادیر زیادی انرژی نیاز دارد که منجر به انتشار ناپایدار و آلودگی هوا می‌شود. برخی از مطالعات در طول سال‌ها نشان داده‌اند که فرآیند آموزش تنها یک مدل یادگیری ماشین (ML) می‌تواند با انتشار کربن چند خودرو در مجموع مطابقت داشته باشد.
بنابراین، مدل‌های هوش مصنوعی باید کارآمد شوند تا فرآیند آموزش به انرژی زیادی برای قدرت محاسباتی نیاز نداشته باشد. همچنین، تمام اجزای یک سیستم هوش مصنوعی باید تا حد امکان بهینه‌سازی شوند تا مصرف انرژی محدود شود. با انجام این کار، کسب‌وکارها به روش‌های مدل‌سازی و بهینه‌سازی هوش مصنوعی جدیدی دست خواهند یافت که اثرات زیست محیطی منفی سیستم‌های هوش مصنوعی آنها را کاهش می‌دهد.
یکی از مهم‌ترین تکنیک‌ها برای انجام این کار، مدل‌سازی پراکنده (sparse modeling) نامیده می‌شود که به دلیل سرعت و بهره‌وری انرژی، محبوبیت آن در حال افزایش است. به طور سنتی، الگوریتم‌های ماشین لرنینگ سعی می‌کنند هر بینشی را که از مجموعه داده‌های عظیم جمع‌آوری می‌کنند، تجزیه کنند. با این حال، مدل‌های پراکنده می‌توانند روی مقادیر کمی از داده‌ها با تمرکز محدودتر کار کنند و به دلیل نیاز به داده‌های کمتر، آموزش آسان‌تر است.
در زمان بهینه‌سازی اجزای سخت‌افزاری مورد استفاده برای توسعه و آموزش مدل‌های هوش مصنوعی، شرکت‌ها باید توجه داشته باشند که توسعه‌دهندگان و محققان روی دستگاه‌های نوظهوری کار کرده‌اند که محاسبات سریع‌تری را با نرخ مصرف انرژی کمتر ارائه می‌دهند. به عنوان مثال، محققان MIT در حال توسعه فناوری رو به رشدی برای انجام این کار هستند.
موارد استفاده فعلی و آتی هوش مصنوعی پایدار
علاوه بر عملیات پایدار، قدرت سیستم‌های هوش مصنوعی نیز می‌تواند در بسیاری از ابتکارات پایداری مرتبط با آلودگی، بلایای طبیعی و تغییرات آب و هوایی به کار گرفته شود. کاربردهای هوش مصنوعی پایدار شامل موارد زیر است:
- کشاورزی دقیق که توسط هوش مصنوعی هدایت می‌شود؛
- پیش‌بینی آب و هوا؛
- آماده سازی و تقویت زیرساخت‌ها، مانند تامین‌کنندگان برق.
تجزیه و تحلیل هوش مصنوعی می‌تواند همراه با هواپیماهای بدون سرنشین و سایر فناوری‌های مشابه برای نظارت و کاهش اثرات بلایای طبیعی مانند سیل استفاده شود. به طور مشابه، ارزیابی های آب و هوا و ریسک را می‌توان با این ابزارهای هوش مصنوعی انجام داد، که با دستگاه‌های اینترنت اشیا برای محافظت از محصولات و همچنین سایر دارایی‌ها و زیرساخت‌های حیاتی کار می‌کنند. همچنین، هوش مصنوعی پیش‌بینی‌کننده در پیش‌بینی انتشار گازهای گلخانه‌ای و آلودگی هوا در آینده بر اساس داده‌ها و روندهای موجود بسیار مهم است.
علاوه بر این، بسیاری از این فناوری‌های مبتنی بر هوش مصنوعی در تلاش‌های احیای جنگل در آمازون استفاده می‌شوند. سیستم‌های هوش مصنوعی می‌توانند داده‌های حسگرها، پهپادها و تصاویر ماهواره‌ای را برای نظارت بر جنگل‌ها و چگونگی تکامل یا انتقال آنها در طول زمان تجزیه و تحلیل کنند. الگوریتم های یادگیری ماشین با قابلیت‌های پیش بینی خود، می‌توانند داده‌های گذشته را برای تعیین سناریوهای احتمالی جنگل‌زدایی در آینده بررسی کنند.
وقتی هوش مصنوعی پایدار به درستی اجرا و اجرا شود، اثرات منفی آموزش و شیوه‌های بهینه‌سازی مدل‌های هوش مصنوعی و ماشین لرنینگ سنتی بر محیط‌زیست را کاهش می‌دهد، بدون این که کیفیت پیش‌بینی‌ها و خروجی‌های آن را به خطر بیندازد. علاوه بر این، هوش مصنوعی پایدار برای کمک به مردم برای محافظت از جوامع و منابع طبیعی خود، در موارد مختلف استفاده می‌شود. هوش مصنوعی پایدار مترادف اصطلاح هوش مصنوعی سبز در نظر گرفته می‌شود، که تلاش‌ها برای بهبود اثرات منفی را توصیف می‌کند و اطمینان حاصل می‌کند که آینده هوش مصنوعی مزایای بیشتری به همراه دارد تا معایب.
اجرای شیوه‌های هوش مصنوعی پایدار: چالش‌ها و راه حل‌ها
برای پایدار ساختن هوش مصنوعی، اولویت‌بندی بهره‌وری انرژی در تمام مراحل چرخه حیات آن، از جمله ذخیره‌سازی داده‌ها، آموزش مدل، و استقرار زیرساخت بسیار مهم است.
در این بخش، به چالش‌های اصلی در دستیابی به هوش مصنوعی پایدار و راه‌حل‌های مناسب برای غلبه بر آنها می‌پردازیم.
1. اولویت‌بندی کیفیت داده‌ها
در طول دهه گذشته، هم در میزان داده‌های مورد استفاده برای آموزش سیستم‌های هوش مصنوعی و هم در اندازه مدل‌های هوش مصنوعی افزایش قابل توجهی وجود داشته است. با افزایش اندازه داده‌ها، تقاضا برای پهنای باند جذب داده به طور قابل توجهی افزایش یافته است.
چالش:
در نتیجه، ذخیره‌سازی داده و انتقال داده‌ها به اجزای اصلی زیرساخت تبدیل شده‌اند که در مقایسه با استقرار سیستم هوش مصنوعی، انرژی و منابع قابل توجهی را مصرف می‌کنند.
راه حل:
یکی از راه‌هایی که می‌توانیم به این نیاز فزاینده برای ذخیره‌سازی داده‌ها رسیدگی کنیم، اولویت دادن به کیفیت داده‌ها نسبت به کمیت در طول فرآیند جمع‌آوری داده‌ها است. این موضوع در درجه اول شامل انتخاب دقیق نمونه‌های با کیفیت بالا و خودداری از تکرار غیر ضروری نمونه‌های داده است.
با استفاده از مقدار کمتری از داده‌های با کیفیت بالا، می‌توانیم نیازهای ذخیره‌سازی را کاهش دهیم و مصرف انرژی را کاهش دهیم و در عین حال عملکرد عالی هوش مصنوعی را به دست آوریم.
2. متعادل کردن اندازه و کارایی مدل
رشد مداوم داده‌ها منجر به افزایش سریع اندازه مدل‌ها شده است.
چالش:
در حالی که مدل‌های بزرگتر دقت را با استفاده از اطلاعات زمینه‌ای غنی در داده‌ها بهبود می‌بخشند، آموزش آنها به منابع محاسباتی قوی‌تری نیاز دارد. به عنوان مثال، ظرفیت حافظه شتاب دهنده های مبتنی بر GPU، مانند NVIDIA V100 (2018) با 32 گیگابایت و NVIDIA A100 (2021) با 80 گیگابایت، هر دو سال یکبار کمتر از دو برابر افزایش می‌یابد.
راه حل:
یکی از راه‌های کاهش نیاز به رایانه‌های قدرتمند، ایجاد مدل‌های کوچک‌تر است که عملکردی مشابه مدل‌های بزرگتر دارند. برخی از کارهای موجود در این راستا شامل روش‌هایی مانند فشرده‌سازی مدل، تقطیر دانش و هرس شبکه است. با به اشتراک‌گذاری و استفاده مجدد از مدل‌های آموزش‌دیده، می‌توانیم در مصرف انرژی صرفه‌جویی کنیم و از آموزش‌های اضافی جلوگیری کنیم.
با این حال، برای تحقق این امر، باید از چارچوب‌ها و پلتفرم‌های منبع باز پشتیبانی کنیم که به اشتراک‌گذاری مدل را امکان‌پذیر می‌کنند و تحقیقات مشترک را در جامعه هوش مصنوعی تشویق می‌کنند.
توسعه زیرساخت‌های انرژی کارآمد
گسترش سریع برنامه‌های کاربردی هوش مصنوعی منجر به افزایش قابل توجهی در ظرفیت زیرساخت‌های آموزش هوش مصنوعی در سال‌های اخیر شده است. تقاضای فزاینده برای استنتاج هوش مصنوعی نیز صنایع را به افزایش ظرفیت زیرساختی خود سوق داده است.
چالش:
این افزایش استفاده از هوش مصنوعی به گسترش ردپای کربن کمک می کند.
راه حل:
برای کاهش این تأثیر، ایجاد سخت‌افزار با انرژی کارآمد به‌طور خاص برای وظایف هوش مصنوعی بسیار مهم است. این نوع سخت افزار می‌تواند تا حد زیادی مصرف انرژی را در طول فرآیندهای آموزش و استنتاج کاهش دهد. این شامل بهینه‌سازی پردازنده‌ها، سیستم‌های حافظه و سایر اجزا برای دستیابی به حداکثر عملکرد در هر وات است.
علاوه بر این، استفاده از منابع انرژی تجدیدپذیر مانند انرژی خورشیدی یا بادی برای مراکز داده می تواند به کاهش اثرات زیست محیطی محاسبات هوش مصنوعی کمک کند. علاوه بر این، با استفاده از سیستم‌های خنک‌کننده کارآمد و بهینه‌سازی زیرساخت‌ها، می‌توانیم مصرف انرژی و انتشار کربن را کاهش دهیم.
ایجاد سیاست‌ها و مقررات
چالش:
به منظور اجرای راه حل‌های تکنولوژیک، طراحی و اجرای سیاست‌ها و مقررات برای توسعه پایدار هوش مصنوعی بسیار ضروری است. این امر شامل ایجاد قوانینی است که شیوه‌های هوش مصنوعی پایدار را ترویج می کند.
راه حل:
در این راستا، می‌توان برای سیستم‌های هوش مصنوعی با انرژی کارآمد، حمایت از تحقیقات هوش مصنوعی پایدار و تعیین اهداف برای کاهش انتشار کربن، جوایزی ارائه کرد. این اقدامات می‌تواند به پایدارتر کردن پیشرفت‌های هوش مصنوعی کمک کند.
افزایش آگاهی و آموزش
آگاهی و آموزش می‌تواند نقش کلیدی در ترویج شیوه‌های هوش مصنوعی پایدار داشته باشد.
چالش:
اطلاع رسانی به مردم، از جمله محققان، توسعه‌دهندگان و سیاست‌گذاران هوش مصنوعی در مورد تأثیرات زیست محیطی هوش مصنوعی و نیاز به هوش مصنوعی پایدار بسیار مهم است.
راه حل:
ما می‌توانیم برنامه‌های آموزشی را برای آموزش تکنیک‌های صرفه‌جویی در مصرف انرژی به متخصصان هوش مصنوعی راه‌اندازی کنیم. با افزایش آگاهی و ارائه دانش، می‌توانیم افراد و سازمان‌ها را قادر به توسعه شیوه‌های هوش مصنوعی پایدار کنیم.
و در پایان این که…
پیشرفت‌های هوش مصنوعی تأثیرات مثبتی دارند اما به نگرانی‌های زیست‌محیطی مانند افزایش ردپای کربن نیز کمک می‌کنند. برای رفع این مشکل، هوش مصنوعی پایدار بر کاهش مصرف انرژی و انتشار گازهای گلخانه ای تمرکز دارد. این موضوع را می‌توان از طریق اولویت‌بندی کیفیت داده‌ها، متعادل کردن اندازه مدل، توسعه زیرساخت های کارآمد انرژی، اجرای سیاست‌ها و افزایش آگاهی از طریق آموزش به دست آورد.
با اجرای این اقدامات، هوش مصنوعی می‌تواند به شیوه‌ای مسئولانه‌تر از نظر زیست‌محیطی به کار گرفته شود و به نفع جامعه و کره زمین باشد.
