მოკლე პასუხი: ხელოვნური ინტელექტი გარემოზე ძირითადად მონაცემთა ცენტრებში ელექტროენერგიის გამოყენებით (როგორც ტრენინგით, ასევე ყოველდღიური დასკვნებით) მოქმედებს, გაგრილებისთვის წყალთან ერთად, ასევე აპარატურის წარმოებისა და ელექტრონული ნარჩენების ზემოქმედებით. თუ გამოყენება მილიარდობით მოთხოვნამდე გაიზრდება, დასკვნითი ანალიზი შეიძლება ტრენინგს აჭარბებდეს; თუ ქსელები უფრო სუფთაა და სისტემები ეფექტური, ზემოქმედება მცირდება, ხოლო სარგებელი შეიძლება გაიზარდოს.
ძირითადი დასკვნები:
ელექტროენერგია : გამოთვლითი მოწყობილობების გამოყენების თვალყურის დევნება; ემისიები მცირდება, როდესაც სამუშაო დატვირთვა უფრო სუფთა ქსელებზე ხორციელდება.
წყალი : გაგრილების არჩევანი გავლენას ცვლის; წყალზე დაფუძნებული მეთოდები ყველაზე მნიშვნელოვანია მწირი რეგიონებისთვის.
აპარატურა : ჩიპებსა და სერვერებს მნიშვნელოვანი გავლენა აქვთ ინტეგრირებულ სისტემაზე; ახანგრძლივებენ მომსახურების ვადას და პრიორიტეტს ანიჭებენ განახლებას.
უკუსვლა : ეფექტურობას შეუძლია გაზარდოს მთლიანი მოთხოვნა; გაზომოს შედეგები და არა მხოლოდ თითოეული დავალების მიხედვით მიღებული მოგება.
ოპერაციული ბერკეტები : სწორი ზომის მოდელები, დასკვნების ოპტიმიზაცია და თითოეული მოთხოვნის მიხედვით მეტრიკის გამჭვირვალედ მოხსენება.
სტატიები, რომელთა წაკითხვაც შეიძლება მოგეწონოთ ამის შემდეგ:
🔗 ხელოვნური ინტელექტი გარემოსთვის საზიანოა?
გაეცანით ხელოვნური ინტელექტის ნახშირბადის კვალს, ელექტროენერგიის მოხმარებას და მონაცემთა ცენტრის მოთხოვნებს.
🔗 რატომ არის ხელოვნური ინტელექტი საზოგადოებისთვის ცუდი?
შეხედეთ მიკერძოებას, სამუშაო ადგილების დარღვევას, დეზინფორმაციას და სოციალური უთანასწორობის ზრდას.
🔗 რატომ არის ხელოვნური ინტელექტი ცუდი? ხელოვნური ინტელექტის ბნელი მხარე
გაიგეთ ისეთი რისკები, როგორიცაა თვალთვალი, მანიპულირება და ადამიანის კონტროლის დაკარგვა.
🔗 ხელოვნური ინტელექტი ძალიან შორს წავიდა?
დებატები ეთიკაზე, რეგულაციებზე და იმაზე, თუ სად უნდა გავავლოთ ზღვარი ინოვაციებს შორის.
როგორ მოქმედებს ხელოვნური ინტელექტი გარემოზე: მოკლე მიმოხილვა ⚡🌱
თუ მხოლოდ რამდენიმე პუნქტი გახსოვთ, გააკეთეთ ეს:
-
ხელოვნური ინტელექტი ენერგიას იყენებს - ძირითადად მონაცემთა ცენტრებში, სადაც გრაფიკული პროცესორები/პროცესორები მუშაობენ ტრენინგისა და ყოველდღიური „დასკვნების“ ჩასატარებლად (მოდელის გამოყენებით). IEA: ენერგია და ხელოვნური ინტელექტი
-
ენერგიამ შეიძლება გამოიწვიოს გამონაბოლქვი - ეს დამოკიდებულია ადგილობრივი ქსელის შემადგენლობასა და ელექტროენერგიის კონტრაქტებზე. IEA: ენერგია და ხელოვნური ინტელექტი
-
ხელოვნურ ინტელექტს შეუძლია გასაკვირი რაოდენობის წყლის გამოყენება - ძირითადად ზოგიერთი მონაცემთა ცენტრის გაგრილებისთვის. ლი და სხვ. (2023): ხელოვნური ინტელექტის „წყურვილის“ შემცირება (PDF) აშშ-ის ენერგეტიკის დეპარტამენტის FEMP: გაგრილების წყლის ეფექტურობის შესაძლებლობები ფედერალური მონაცემთა ცენტრებისთვის
-
ხელოვნური ინტელექტი დამოკიდებულია ფიზიკურ ნივთებზე - ჩიპებზე, სერვერებზე, ქსელურ აღჭურვილობაზე, აკუმულატორებზე, შენობებზე... რაც ნიშნავს მოპოვებას, წარმოებას, გადაზიდვას და საბოლოოდ ელექტრონულ ნარჩენებს. აშშ-ის გარემოს დაცვის სააგენტო: ნახევარგამტარული ინდუსტრია ; ITU: ელექტრონული ნარჩენების გლობალური მონიტორი 2024.
-
ხელოვნურ ინტელექტს შეუძლია გარემოზე ზემოქმედება სხვაგანაც შეამციროს - ლოჯისტიკის ოპტიმიზაციის, გაჟონვის აღმოჩენის, ეფექტურობის გაუმჯობესების, კვლევის დაჩქარებისა და სისტემების ნაკლებად უსარგებლო გახდომის გზით. IEA: ხელოვნური ინტელექტი ენერგიის ოპტიმიზაციისა და ინოვაციებისთვის.
და ასევე არის ის ნაწილი, რომელსაც ხალხი ივიწყებს: მასშტაბი . ერთი ხელოვნური ინტელექტის მოთხოვნა შეიძლება პატარა იყოს, მაგრამ მილიარდობით მათგანი სრულიად განსხვავებული არსებაა... როგორც პაწაწინა თოვლის ბურთი, რომელიც რატომღაც დივნის ზომის ზვავად იქცევა. (ეს მეტაფორა ოდნავ არასწორია, მაგრამ თქვენ მიხვდით.) IEA: ენერგია და ხელოვნური ინტელექტი
ხელოვნური ინტელექტის გარემოზე ზემოქმედების კვალი ერთი რამ არ არის - ეს ყველაფერია 🧱🌎
როდესაც ადამიანები ხელოვნურ ინტელექტსა და მდგრადობაზე კამათობენ, ისინი ხშირად ერთმანეთს უგულებელყოფენ, რადგან სხვადასხვა ფენაზე მიუთითებენ:
1) ელექტროენერგიის გამოთვლა
-
დიდი მოდელების მომზადებას შეიძლება დასჭირდეს დიდი კლასტერების დიდი ხნის განმავლობაში ინტენსიური მუშაობა. IEA: ენერგია და ხელოვნური ინტელექტი: ენერგია და ხელოვნური ინტელექტი.
-
ინფერენცია (ყოველდღიური გამოყენება) დროთა განმავლობაში შეიძლება უფრო დიდ კვალს ტოვებდეს, რადგან ის მუდმივად, ყველგან ხდება. IEA: ენერგია და ხელოვნური ინტელექტი.
2) მონაცემთა ცენტრის ოვერჰედის ხარჯები
-
გაგრილება, ელექტროენერგიის განაწილების დანაკარგები, სარეზერვო სისტემები, ქსელური აღჭურვილობა. LBNL (2024): შეერთებული შტატების მონაცემთა ცენტრის ენერგიის გამოყენების ანგარიში (PDF)
-
ერთი და იგივე გამოთვლას შეიძლება ჰქონდეს განსხვავებული გავლენა ადგილზე, ეფექტურობის მიხედვით. მწვანე ბადე: PUE - მეტრიკის ყოვლისმომცველი შესწავლა
3) წყალი და სითბო
-
ბევრი ობიექტი სითბოს სამართავად პირდაპირ ან ირიბად იყენებს წყალს. აშშ-ის ენერგეტიკის დეპარტამენტის FEMP: გაგრილების წყლის ეფექტურობის შესაძლებლობები ფედერალური მონაცემთა ცენტრებისთვის ლი და სხვ. (2023): ხელოვნური ინტელექტის „წყურვილის“ შემცირება (PDF)
-
ნარჩენი სითბოს ხელახლა გამოყენება შესაძლებელია, ან უბრალოდ... ცხელი ჰაერის სახით შეიძლება გავიდეს. (არ არის იდეალური.)
4) აპარატურის მიწოდების ჯაჭვი
-
მასალების მოპოვება და გადამუშავება.
-
ჩიპებისა და სერვერების წარმოება (ენერგოინტენსიური). აშშ-ის გარემოს დაცვის სააგენტო: ნახევარგამტარული ინდუსტრია imec: ჩიპების წარმოებაში გარემოზე ზემოქმედების შემცირება.
-
მიწოდება, შეფუთვა, განახლებები, ჩანაცვლება.
5) ქცევა და უკუქცევითი ეფექტები
-
ხელოვნური ინტელექტი ამოცანებს უფრო იაფს და მარტივს ხდის, ამიტომ ადამიანები მათ უფრო მეტს ასრულებენ. ეკონომიკური თანამშრომლობისა და განვითარების ორგანიზაცია (2012): ენერგოეფექტურობის გაუმჯობესების მრავალჯერადი სარგებელი (PDF)
-
ეფექტურობის ზრდამ შეიძლება შეამციროს მოთხოვნის ზრდა. სწორედ ეს ნაწილი მაღიზიანებს. ეკონომიკური თანამშრომლობისა და განვითარების ორგანიზაცია (2012): ენერგოეფექტურობის გაუმჯობესების მრავალჯერადი სარგებელი (PDF)
ასე რომ, როდესაც ვინმე კითხულობს, თუ როგორ მოქმედებს ხელოვნური ინტელექტი გარემოზე, პირდაპირი პასუხია: ეს დამოკიდებულია იმაზე, თუ რომელ ფენას ზომავთ და რას ნიშნავს „ხელოვნური ინტელექტი“ ამ სიტუაციაში.
ვარჯიში vs ინფერენცია: განსხვავება, რომელიც ყველაფერს ცვლის 🧠⚙️
ხალხს უყვარს ტრენინგზე საუბარი, რადგან ეს დრამატულად ჟღერს - „ერთ მოდელს X ენერგია ჰქონდა გამოყენებული“. თუმცა დასკვნა ჩუმი გიგანტია. IEA: ენერგია და ხელოვნური ინტელექტი
ვარჯიში (დიდი აწყობა)
ტრენინგი ქარხნის აშენებას ჰგავს. თქვენ წინასწარ იხდით ხარჯებს: დიდი რაოდენობით გამოთვლები, ხანგრძლივი გაშვების დრო, უამრავი „ცდისა და შეცდომის“ მეთოდი (და დიახ, უამრავი „უი, თუ არ გამოგივიდათ, სცადეთ ხელახლა“ იტერაცია). ტრენინგის ოპტიმიზაცია შესაძლებელია, მაგრამ ის მაინც შეიძლება მნიშვნელოვანი იყოს. IEA: ენერგია და ხელოვნური ინტელექტი
დასკვნა (ყოველდღიური გამოყენება)
დასკვნა ისეთივეა, როგორც ქარხანა, რომელიც ყოველდღიურად მუშაობს, ყველასთვის, მასშტაბურად:
-
ჩატბოტები პასუხობენ კითხვებს
-
სურათის გენერირება
-
ძიების რეიტინგი
-
რეკომენდაციები
-
მეტყველების ტექსტად გარდაქმნა
-
თაღლითობის აღმოჩენა
-
თანაპილოტები დოკუმენტებსა და კოდის ინსტრუმენტებში
მაშინაც კი, თუ თითოეული მოთხოვნა შედარებით მცირეა, გამოყენების მოცულობამ შეიძლება ტრენინგი შეამციროს. ეს კლასიკური სიტუაციაა, „ერთი ჩხირი არაფერია, მილიონი ჩხირი პრობლემაა“. IEA: ენერგია და ხელოვნური ინტელექტი
პატარა შენიშვნა - ხელოვნური ინტელექტის ზოგიერთი დავალება გაცილებით უფრო რთულია, ვიდრე სხვები. სურათების ან გრძელი ვიდეოების გენერირება, როგორც წესი, უფრო მეტ ენერგიას მოითხოვს, ვიდრე მოკლე ტექსტური კლასიფიკაცია. ამიტომ, „ხელოვნური ინტელექტის“ ერთ კატეგორიაში მოქცევა ჰგავს ველოსიპედის სატვირთო გემთან შედარებას და ორივეს „ტრანსპორტის“ დარქმევას. IEA: ენერგია და ხელოვნური ინტელექტი
მონაცემთა ცენტრები: ენერგია, გაგრილება და ეს წყნარი წყლის ისტორია 💧🏢
მონაცემთა ცენტრები სიახლეს არ წარმოადგენს, თუმცა ხელოვნური ინტელექტი ცვლის ინტენსივობას. მაღალი ხარისხის ამაჩქარებლებს შეუძლიათ დიდი რაოდენობით ენერგიის მოხმარება ვიწრო სივრცეებში, რაც სითბოდ გარდაიქმნება, რომლის მართვაც აუცილებელია. LBNL (2024): შეერთებული შტატების მონაცემთა ცენტრის ენერგიის გამოყენების ანგარიში (PDF) IEA: ენერგია და ხელოვნური ინტელექტი
გაგრილების საფუძვლები (გამარტივებული, მაგრამ პრაქტიკული)
-
ჰაერის გაგრილება : ვენტილატორები, გაცივებული ჰაერი, ცხელი/ცივი დერეფნის დიზაინი. აშშ-ის ენერგეტიკის დეპარტამენტის FEMP: ენერგოეფექტურობა მონაცემთა ცენტრებში.
-
თხევადი გაგრილება : უფრო ეფექტურია მკვრივ გარემოში, მაგრამ შეიძლება მოიცავდეს სხვადასხვა ინფრასტრუქტურას. ASHRAE (TC 9.9): თხევადი გაგრილების გაჩენა და გაფართოება ძირითად მონაცემთა ცენტრებში (PDF)
-
აორთქლებითი გაგრილება : ზოგიერთ კლიმატურ პირობებში შეუძლია ელექტროენერგიის მოხმარების შემცირება, მაგრამ ხშირად ზრდის წყლის მოხმარებას. აშშ-ის ენერგეტიკის დეპარტამენტის FEMP: წყლის ეფექტურობის გაგრილების შესაძლებლობები ფედერალური მონაცემთა ცენტრებისთვის.
ეს კომპრომისია: ზოგჯერ ელექტროენერგიის მოხმარების შემცირება შეგიძლიათ წყალზე დაფუძნებული გაგრილებით. ადგილობრივი წყლის დეფიციტის მიხედვით, ეს შეიძლება ნორმალური იყოს... ან შეიძლება რეალური პრობლემა იყოს. ლი და სხვ. (2023): ხელოვნური ინტელექტის „წყურვილის“ შემცირება (PDF)
ასევე, გარემოსდაცვითი კვალი მნიშვნელოვნად არის დამოკიდებული:
-
სად მდებარეობს მონაცემთა ცენტრი (ქსელის ემისიები განსხვავდება) ნახშირბადის ინტენსივობის API (GB) IEA: ენერგია და ხელოვნური ინტელექტი
-
რამდენად ეფექტურად მუშაობს (გამოყენებას დიდი მნიშვნელობა აქვს) მწვანე ბადე: PUE - მეტრიკის ყოვლისმომცველი შესწავლა
-
გამოყენებული იქნება თუ არა ნარჩენი სითბო ხელახლა
-
ენერგიის შესყიდვის არჩევანი (განახლებადი ენერგია, გრძელვადიანი კონტრაქტები და ა.შ.)
გულახდილად რომ ვთქვათ: საჯარო დისკუსიაში „მონაცემთა ცენტრს“ ხშირად შავი ყუთივით აღიქვამენ. ეს არც ბოროტებაა, არც მაგიური. ეს ინფრასტრუქტურაა. ის ინფრასტრუქტურასავით იქცევა.
ჩიპები და აპარატურა: ნაწილი, რომელსაც ხალხი გამოტოვებს, რადგან ეს ნაკლებად სექსუალურია 🪨🔧
ხელოვნური ინტელექტი აპარატურაზეა დაფუძნებული. აპარატურას სასიცოცხლო ციკლი აქვს და სასიცოცხლო ციკლზე გავლენა შეიძლება დიდი იყოს. აშშ-ის გარემოს დაცვის სააგენტო: ნახევარგამტარული ინდუსტრია ; ITU: ელექტრონული ნარჩენების გლობალური მონიტორი 2024.
სადაც გარემოზე ზემოქმედება ვლინდება
-
მასალების მოპოვება : ლითონებისა და იშვიათი მასალების მოპოვება და გადამუშავება.
-
წარმოება : ნახევარგამტარების წარმოება რთული და ენერგომოხმარების საგანია. აშშ-ის გარემოს დაცვის სააგენტო: ნახევარგამტარების ინდუსტრია imec: ჩიპების წარმოებაში გარემოზე ზემოქმედების შემცირება.
-
ტრანსპორტირება : გლობალური მიწოდების ჯაჭვები ნაწილებს ყველგან გადააქვს.
-
მოკლე ჩანაცვლების ციკლები : სწრაფმა განახლებამ შეიძლება გაზარდოს ელექტრონული ნარჩენები და მასში არსებული ემისიები. ITU: ელექტრონული ნარჩენების გლობალური მონიტორი 2024
ელექტრონული ნარჩენები და „იდეალურად გამართული“ სერვერები
გარემოზე დიდი ზიანი არ მოდის ერთი არსებული მოწყობილობიდან - ეს მოდის მისი ადრეული ჩანაცვლებიდან, რადგან ის აღარ არის ეკონომიური. ხელოვნური ინტელექტი აჩქარებს ამას, რადგან მუშაობის ნახტომი შეიძლება დიდი იყოს. აპარატურის განახლების ცდუნება რეალურია. ITU: გლობალური ელექტრონული ნარჩენების მონიტორი 2024
პრაქტიკული შენიშვნა: აპარატურის სიცოცხლის გახანგრძლივება, გამოყენების გაუმჯობესება და განახლება შეიძლება ისეთივე მნიშვნელოვანი იყოს, როგორც ნებისმიერი დახვეწილი მოდელის ცვლილება. ზოგჯერ ყველაზე ეკოლოგიურად სუფთა გრაფიკული პროცესორი ის არის, რომელსაც არ იყიდით. (ეს სლოგანს ჰგავს, მაგრამ ასევე... გარკვეულწილად სიმართლეა.)
როგორ მოქმედებს ხელოვნური ინტელექტი გარემოზე: „ხალხი ამას ივიწყებს“ ქცევის ციკლი 🔁😬
აი, უხერხული სოციალური ნაწილი: ხელოვნური ინტელექტი საქმეს ამარტივებს, ამიტომ ადამიანები მეტ საქმეს აკეთებენ. ეს შეიძლება შესანიშნავი იყოს - მეტი პროდუქტიულობა, მეტი კრეატიულობა, მეტი წვდომა. თუმცა, ეს ასევე შეიძლება ნიშნავდეს რესურსების უფრო მეტ გამოყენებას. ეკონომიკური თანამშრომლობისა და განვითარების ორგანიზაცია (2012): ენერგოეფექტურობის გაუმჯობესების მრავალჯერადი სარგებელი (PDF)
მაგალითები:
-
თუ ხელოვნური ინტელექტი ვიდეოს გენერირებას იაფს გახდის, ადამიანები მეტ ვიდეოს გენერირებენ.
-
თუ ხელოვნური ინტელექტი რეკლამას უფრო ეფექტურს გახდის, მეტი რეკლამა განთავსდება და მეტი ჩართულობის ციკლი დატრიალდება.
-
თუ ხელოვნური ინტელექტი გადაზიდვების ლოჯისტიკას უფრო ეფექტურს გახდის, ელექტრონული კომერცია კიდევ უფრო მასშტაბური გახდება.
ეს პანიკის მიზეზი არ არის. ეს შედეგების გაზომვის მიზეზია და არა მხოლოდ ეფექტურობის.
არასრულყოფილი, მაგრამ სახალისო მეტაფორა: ხელოვნური ინტელექტის ეფექტურობა მოზარდისთვის უფრო დიდი მაცივრის მიცემას ჰგავს - დიახ, საკვების შენახვა უმჯობესდება, მაგრამ რატომღაც მაცივარი ერთ დღეში ისევ ცარიელდება. იდეალური მეტაფორა არ არის, მაგრამ... თქვენ ეს გინახავთ 😅
დადებითი მხარე: ხელოვნურ ინტელექტს შეუძლია ნამდვილად დაეხმაროს გარემოს (სწორად მიმართვის შემთხვევაში) 🌿✨
ახლა კი იმ ნაწილზე, რომელიც არასაკმარისად არის შეფასებული: ხელოვნურ ინტელექტს შეუძლია შეამციროს გამონაბოლქვი და ნარჩენები არსებულ სისტემებში, რომლებიც... გულწრფელად რომ ვთქვათ, უგემოვნოა. IEA: ხელოვნური ინტელექტი ენერგიის ოპტიმიზაციისა და ინოვაციისთვის
სფეროები, სადაც ხელოვნურ ინტელექტს შეუძლია დახმარება
-
ენერგეტიკული ქსელები : დატვირთვის პროგნოზირება, მოთხოვნაზე რეაგირება, ცვლადი განახლებადი ენერგიის ინტეგრირება. IEA: ხელოვნური ინტელექტი ენერგიის ოპტიმიზაციისა და ინოვაციებისთვის.
-
შენობები : უფრო ჭკვიანი HVAC კონტროლი, პროგნოზირებადი მოვლა-პატრონობა, დაკავებულობაზე დაფუძნებული ენერგიის გამოყენება. IEA: დიგიტალიზაცია
-
ტრანსპორტი : მარშრუტის ოპტიმიზაცია, ავტოპარკის მართვა, ცარიელი მილების შემცირება. IEA: ხელოვნური ინტელექტი ენერგიის ოპტიმიზაციისა და ინოვაციებისთვის.
-
წარმოება : დეფექტების აღმოჩენა, პროცესის რეგულირება, ჯართის შემცირება.
-
სოფლის მეურნეობა : ზუსტი ირიგაცია, მავნებლების აღმოჩენა, სასუქების ოპტიმიზაცია.
-
გარემოსდაცვითი მონიტორინგი : მეთანის გაჟონვის აღმოჩენა, ტყეების გაჩეხვის სიგნალების თვალყურის დევნება, ბიომრავალფეროვნების ნიმუშების რუკაზე დატანა. UNEP: როგორ მუშაობს MARS Global Forest Watch: GLAD ტყეების გაჩეხვის შესახებ შეტყობინებები ალან ტურინგის ინსტიტუტი: ხელოვნური ინტელექტი და ავტონომიური სისტემები ბიომრავალფეროვნების შესაფასებლად.
-
წრიული ეკონომიკა : გადამუშავების ნაკადებში უკეთესი დახარისხება და იდენტიფიკაცია.
მნიშვნელოვანი ნიუანსი: ხელოვნური ინტელექტის „დახმარება“ ავტომატურად არ ანეიტრალებს ხელოვნური ინტელექტის გავლენას. ეს დამოკიდებულია იმაზე, რეალურად გამოიყენება თუ არა ხელოვნური ინტელექტი და იწვევს თუ არა ის რეალურ შემცირებას და არა უბრალოდ უკეთეს დაფებს. მაგრამ დიახ, პოტენციალი რეალურია. IEA: ხელოვნური ინტელექტი ენერგიის ოპტიმიზაციისა და ინოვაციისთვის
რა ხდის ეკოლოგიურად სუფთა ხელოვნური ინტელექტის ვერსიას კარგს? ✅🌍
ეს არის განყოფილება „კარგი, რა ვქნათ?“. კარგ, ეკოლოგიურად პასუხისმგებლიან ხელოვნურ ინტელექტს, როგორც წესი, აქვს:
-
გამოყენების შემთხვევის მკაფიო მნიშვნელობა : თუ მოდელი არ ცვლის გადაწყვეტილებებს ან შედეგებს, ეს უბრალოდ დახვეწილი გამოთვლაა.
-
გაზომვები : ენერგიის, ნახშირბადის შეფასებების, გამოყენებისა და ეფექტურობის მაჩვენებლები, რომლებიც თვალყურს ადევნებენ, როგორც ნებისმიერი სხვა KPI. CodeCarbon: მეთოდოლოგია
-
სწორი ზომის მოდელები : გამოიყენეთ უფრო პატარა მოდელები, როდესაც უფრო პატარა მოდელები მუშაობს. ეფექტურობა მორალური მარცხი არ არის.
-
ეფექტური ინფერენციის დიზაინი : ქეშირება, პაკეტური დაჯგუფება, კვანტიზაცია, მოძიება და კარგი მოთხოვნის ნიმუშები. ღოლამი და სხვ. (2021): კვანტიზაციის მეთოდების მიმოხილვა (PDF) ლუისი და სხვ. (2020): მოძიება-გაფართოებული გენერაცია
-
აპარატურისა და მდებარეობის შესახებ ინფორმირებულობა : სამუშაო დატვირთვების გაშვება ისეთ ადგილებში, სადაც ქსელი უფრო სუფთაა და ინფრასტრუქტურა ეფექტურია (შესაძლებლობის შემთხვევაში). ნახშირბადის ინტენსივობის API (GB)
-
აპარატურის უფრო ხანგრძლივი მუშაობის ვადა : მაქსიმალურად გაზარდეთ გამოყენება, ხელახალი გამოყენება და განახლება. ITU: ელექტრონული ნარჩენების გლობალური მონიტორი 2024
-
პირდაპირი რეპორტაჟი : მოერიდეთ „მწვანე რეკლამირების“ ენას და ბუნდოვან მტკიცებებს, როგორიცაა „ეკოლოგიურად სუფთა ხელოვნური ინტელექტი“ ციფრების გარეშე.
თუ ჯერ კიდევ აკვირდებით, თუ როგორ მოქმედებს ხელოვნური ინტელექტი გარემოზე, ეს არის წერტილი, სადაც პასუხი წყვეტს ფილოსოფიურობას და ოპერატიულ ხასიათს იღებს: ის გავლენას ახდენს მასზე თქვენი არჩევანის საფუძველზე.
შედარების ცხრილი: ინსტრუმენტები და მიდგომები, რომლებიც რეალურად ამცირებენ გავლენას 🧰⚡
ქვემოთ მოცემულია სწრაფი, პრაქტიკული ცხრილი. ის იდეალური არ არის და დიახ, რამდენიმე უჯრა გარკვეულწილად თვითნებურია... რადგან ასე მუშაობს რეალური ხელსაწყოების შერჩევა.
| ინსტრუმენტი / მიდგომა | აუდიტორია | ფასი | რატომ მუშაობს | |
|---|---|---|---|---|
| ნახშირბადის/ენერგიის თვალთვალის ბიბლიოთეკები (გაშვების დროის შემფასებლები) | მანქანური სწავლების გუნდები | თავისუფალი | იძლევა ხილვადობას - რაც ნახევარი საქმეა, მაშინაც კი, თუ შეფასებები ცოტა ბუნდოვანია.. | კოდი ნახშირბადი |
| აპარატურის ენერგომომარაგების მონიტორინგი (GPU/CPU ტელემეტრია) | ინფრა + ML | უფასო | ზომავს რეალურ მოხმარებას; კარგია საორიენტაციო სიებისთვის (უბრალო, მაგრამ ოქროსფერი) | |
| მოდელის დისტილაცია | მანქანური სწავლების ინჟინრები | უფასო (დროის ღირებულება 😵) | მცირე ზომის სტუდენტური მოდელები ხშირად ადარებენ შესრულებას გაცილებით ნაკლებ დასკვნით ხარჯებთან | ჰინტონი და სხვ. (2015): ცოდნის დისტილაცია ნერვულ ქსელში |
| კვანტიზაცია (დაბალი სიზუსტის დასკვნა) | ML + პროდუქტი | უფასო | ამცირებს შეყოვნებას და ენერგომოხმარებას; ზოგჯერ მცირე ხარისხის კომპრომისებით, ზოგჯერ საერთოდ არ ახდენს გავლენას | ღოლამი და სხვ. (2021): კვანტიზაციის მეთოდების მიმოხილვა (PDF) |
| ქეშირება + პაკეტური ინფერენცია | პროდუქტი + პლატფორმა | უფასო | ამცირებს ზედმეტ გამოთვლებს; განსაკუთრებით მოსახერხებელია განმეორებითი მოთხოვნების ან მსგავსი მოთხოვნებისთვის | |
| აღდგენის გზით გაფართოებული გენერაცია (RAG) | აპლიკაციების გუნდები | შერეული | ათავისუფლებს „მეხსიერებას“ ინფორმაციის მოძიებისთვის; შეუძლია შეამციროს უზარმაზარი კონტექსტური ფანჯრების საჭიროება | ლუისი და სხვ. (2020): აღდგენის-გაფართოებული გენერაცია |
| სამუშაო დატვირთვების დაგეგმვა ნახშირბადის ინტენსივობის მიხედვით | ინფრა/ოპერაციები | შერეული | მოქნილი სამუშაოები უფრო სუფთა ელექტრო ფანჯრებზე გადადის - თუმცა კოორდინაციას საჭიროებს | ნახშირბადის ინტენსივობის API (GB) |
| მონაცემთა ცენტრის ეფექტურობაზე ფოკუსირება (გამოყენება, კონსოლიდაცია) | IT ლიდერობა | გადახდილი (ჩვეულებრივ) | ყველაზე ნაკლებად მომხიბვლელი ბერკეტი, მაგრამ ხშირად ყველაზე დიდი - შეწყვიტეთ ნახევრად ცარიელი სისტემების გამოყენება | მწვანე ბადე: PUE |
| სითბოს ხელახალი გამოყენების პროექტები | ობიექტები | ეს დამოკიდებულია | ნარჩენ სითბოს ღირებულებად აქცევს; ყოველთვის არ არის შესაძლებელი, მაგრამ როდესაც ეს შესაძლებელია, ეს საკმაოდ ლამაზია | |
| „ჩვენ საერთოდ გვჭირდება ხელოვნური ინტელექტი აქ?“ შეამოწმეთ | ყველა | უფასო | ხელს უშლის უაზრო გამოთვლებს. ყველაზე ძლიერი ოპტიმიზაცია არის უარის თქმა (ხანდახან) |
შეამჩნიე, რა აკლია? „იყიდე ჯადოსნური მწვანე სტიკერი“. ეს არ არსებობს 😬
პრაქტიკული სახელმძღვანელო: ხელოვნური ინტელექტის ზემოქმედების შემცირება პროდუქტის განადგურების გარეშე 🛠️🌱
თუ ხელოვნური ინტელექტის სისტემებს აშენებთ ან ყიდულობთ, აქ მოცემულია რეალისტური თანმიმდევრობა, რომელიც პრაქტიკაში მუშაობს:
ნაბიჯი 1: დაიწყეთ გაზომვით
-
ენერგიის მოხმარების თვალყურის დევნება ან მისი თანმიმდევრულად შეფასება. CodeCarbon: მეთოდოლოგია
-
გაზომეთ თითოეული სავარჯიშო გაშვების და თითოეული დასკვნის მოთხოვნის მიხედვით.
-
გამოყენების მონიტორინგი - უმოქმედო რესურსებს შეუძლიათ თვალსაჩინო ადგილას დამალვა. მწვანე ბადე: PUE
ნაბიჯი 2: მოდელის ზომის შერჩევა სამუშაოსთვის შესაფერისი
-
კლასიფიკაციის, ამოღების და მარშრუტიზაციისთვის გამოიყენეთ უფრო მცირე მოდელები.
-
მძიმე მოდელი მყარი ქეისებისთვის შეინახეთ.
-
განვიხილოთ „მოდელების კასკადი“: ჯერ პატარა მოდელი, საჭიროების შემთხვევაში მხოლოდ უფრო დიდი მოდელი.
ნაბიჯი 3: დასკვნის ოპტიმიზაცია (სწორედ აქ ხდება მასშტაბის ნაკბენი)
-
ქეშირება : განმეორებითი შეკითხვებისთვის პასუხების შენახვა (კონფიდენციალურობის მკაცრი კონტროლით).
-
პაკეტირება : ჯგუფური მოთხოვნები აპარატურის ეფექტურობის გასაუმჯობესებლად.
-
უფრო მოკლე შედეგები : გრძელი შედეგები უფრო ძვირია - ზოგჯერ ესე არ გჭირდებათ.
-
სწრაფი დისციპლინა : მოუწესრიგებელი მოთხოვნები ქმნის უფრო გრძელ გამოთვლით ბილიკებს... და დიახ, მეტ ტოკენს.
ნაბიჯი 4: მონაცემთა ჰიგიენის გაუმჯობესება
ეს ერთმანეთთან კავშირში არ არის, მაგრამ ასე არ არის:
-
უფრო სუფთა მონაცემთა ნაკრებებს შეუძლია შეამციროს გადამზადების გადინება.
-
ნაკლები ხმაური ნიშნავს ნაკლებ ექსპერიმენტს და ნაკლებ ფუჭად დახარჯულ ცდებს.
ნაბიჯი 5: ტექნიკას მოეპყარით როგორც აქტივს და არა როგორც ერთჯერადი ნივთს
-
განახლების ციკლების გახანგრძლივება, სადაც შესაძლებელია. ITU: გლობალური ელექტრონული ნარჩენების მონიტორი 2024
-
უფრო მსუბუქი სამუშაო დატვირთვებისთვის ხელახლა გამოიყენეთ ძველი აპარატურა.
-
მოერიდეთ „ყოველთვის პიკური“ მიწოდების რეჟიმის შექმნას.
ნაბიჯი 6: გონივრულად აირჩიეთ განლაგება
-
თუ შესაძლებელია, განახორციელეთ მოქნილი სამუშაოები ისეთ ადგილებში, სადაც ენერგია უფრო სუფთაა. ნახშირბადის ინტენსივობის API (GB)
-
შეამცირეთ არასაჭირო რეპლიკაცია.
-
შეინარჩუნეთ შეყოვნების მიზნები რეალისტური (ულტრადაბალმა შეყოვნებამ შეიძლება გამოიწვიოს არაეფექტური, მუდმივად ჩართული პარამეტრები).
და დიახ... ზოგჯერ საუკეთესო ნაბიჯი უბრალოდ ასეთია: არ გაუშვათ ყველაზე დიდი მოდელი ავტომატურად თითოეული მომხმარებლის ქმედებისთვის. ეს ჩვევა გარემოსდაცვითი ეკვივალენტია იმისა, რომ ყველა შუქი ჩართული დატოვოთ, რადგან ჩამრთველთან სიარული შემაწუხებელია.
გავრცელებული მითები (და რა არის სიმართლესთან უფრო ახლოს) 🧠🧯
მითი: „ხელოვნური ინტელექტი ყოველთვის უარესია, ვიდრე ტრადიციული პროგრამული უზრუნველყოფა“
სიმართლე: ხელოვნური ინტელექტი შეიძლება უფრო მეტად იყოს დატვირთული გამოთვლითი ტექნოლოგიით, მაგრამ მას ასევე შეუძლია ჩაანაცვლოს არაეფექტური მექანიკური პროცესები, შეამციროს ნარჩენები და ოპტიმიზაცია გაუწიოს სისტემებს. ის სიტუაციურ პირობებზეა დამოკიდებული. IEA: ხელოვნური ინტელექტი ენერგიის ოპტიმიზაციისა და ინოვაციებისთვის.
მითი: „ერთადერთი პრობლემა ტრენინგია“
სიმართლე: მასშტაბური დასკვნები დროთა განმავლობაში შეიძლება დომინირებდეს. თუ თქვენი პროდუქტის გამოყენება სწრაფად გაიზრდება, ეს მთავარი ამბავი გახდება. IEA: ენერგია და ხელოვნური ინტელექტი
მითი: „განახლებადი ენერგია ამ პრობლემას მყისიერად წყვეტს“
სიმართლე: უფრო სუფთა ელექტროენერგია ბევრს ეხმარება, მაგრამ არ ამცირებს აპარატურის კვალს, წყლის მოხმარებას ან უკუქცევით ეფექტებს. თუმცა, მაინც მნიშვნელოვანია. IEA: ენერგია და ხელოვნური ინტელექტი
მითი: „თუ ეს ეფექტურია, ესე იგი მდგრადია“
სიმართლე: მოთხოვნის კონტროლის გარეშე ეფექტურობას მაინც შეუძლია გაზარდოს საერთო გავლენა. ეს არის უკუქცევითი ხაფანგი. ეკონომიკური თანამშრომლობისა და განვითარების ორგანიზაცია (2012): ენერგოეფექტურობის გაუმჯობესების მრავალჯერადი სარგებელი (PDF)
მმართველობა, გამჭვირვალობა და თეატრალიზაციისგან თავის შეკავება 🧾🌍
თუ თქვენ კომპანია ხართ, სწორედ აქ იქმნება ან იკარგება ნდობა.
-
მნიშვნელოვანი მაჩვენებლების შესახებ ანგარიში : მოთხოვნის, მომხმარებლის, დავალების მიხედვით - არა მხოლოდ დიდი, საშიში ჯამური მაჩვენებლები. LBNL (2024): შეერთებული შტატების მონაცემთა ცენტრის ენერგიის გამოყენების ანგარიში (PDF)
-
მოერიდეთ ბუნდოვან მტკიცებებს : „მწვანე ხელოვნური ინტელექტი“ არაფერს ნიშნავს რიცხვებისა და საზღვრების გარეშე.
-
გაითვალისწინეთ წყალი და ადგილობრივი ზემოქმედება : ნახშირბადი ერთადერთი გარემოსდაცვითი ცვლადი არ არის. ლი და სხვ. (2023): ხელოვნური ინტელექტის „წყურვილის“ შემცირება (PDF)
-
თავშეკავებისკენ ორიენტირებული დიზაინი : ნაგულისხმევი უფრო მოკლე პასუხები, უფრო დაბალფასიანი რეჟიმები, „ეკო“ პარამეტრები, რომლებიც რეალურად რაღაცას აკეთებს.
-
დაფიქრდით სამართლიანობაზე : რესურსების ინტენსიური გამოყენების განხორციელებას იმ ადგილებში, სადაც წყალი მწირია ან ელექტრო ქსელები მყიფეა, თქვენი ცხრილის მიღმაც აქვს შედეგები. აშშ-ის ენერგეტიკის დეპარტამენტის FEMP: გაგრილების წყლის ეფექტურობის შესაძლებლობები ფედერალური მონაცემთა ცენტრებისთვის.
ეს ის ნაწილია, სადაც ხალხი თვალებს ატრიალებს, მაგრამ ეს მნიშვნელოვანია. პასუხისმგებლიანი ტექნოლოგია მხოლოდ ჭკვიან ინჟინერიას არ ნიშნავს. საქმე იმაშიც არის, რომ არ უნდა ვიფიქროთ, რომ კომპრომისები არ არსებობს.
დასკვნითი შეჯამება: ხელოვნური ინტელექტის გარემოზე ზემოქმედების მოკლე მიმოხილვა 🌎✅
ხელოვნური ინტელექტის გავლენა გარემოზე დამატებით დატვირთვაზეა დამოკიდებული: ელექტროენერგია, წყალი (ზოგჯერ) და აპარატურული უზრუნველყოფა. IEA: ენერგია და ხელოვნური ინტელექტი ლი და სხვ. (2023): ხელოვნური ინტელექტის „ნაკლები წყურვილის“ შექმნა (PDF) ის ასევე გვთავაზობს ძლიერ ინსტრუმენტებს სხვა სექტორებში ემისიებისა და ნარჩენების შესამცირებლად. IEA: ხელოვნური ინტელექტი ენერგიის ოპტიმიზაციისა და ინოვაციებისთვის. საბოლოო შედეგი დამოკიდებულია მასშტაბზე, ქსელის სისუფთავეზე, ეფექტურობის არჩევანზე და იმაზე, წყვეტს თუ არა ხელოვნური ინტელექტი რეალურ პრობლემებს თუ უბრალოდ ქმნის სიახლეს სიახლის გულისთვის. IEA: ენერგია და ხელოვნური ინტელექტი
თუ გსურთ უმარტივესი პრაქტიკული დასკვნა:
-
გაზომვა.
-
სწორი ზომის.
-
დასკვნის ოპტიმიზაცია.
-
გაახანგრძლივეთ აპარატურის სიცოცხლის ხანგრძლივობა.
-
იყავით გულახდილი კომპრომისების შესახებ.
და თუ თავს გადატვირთულად გრძნობთ, აი, დამამშვიდებელი სიმართლე: ათასჯერ გამეორებული მცირე ოპერაციული გადაწყვეტილებები, როგორც წესი, ერთ დიდ მდგრადი განვითარების განცხადებას აჯობებს. დაახლოებით კბილების გახეხვას ჰგავს. არ არის მომხიბვლელი, მაგრამ მუშაობს... 😄🪥
ხშირად დასმული კითხვები
როგორ მოქმედებს ხელოვნური ინტელექტი გარემოზე ყოველდღიური გამოყენებისას და არა მხოლოდ დიდ კვლევით ლაბორატორიებში?
ხელოვნური ინტელექტის კვალის უმეტესი ნაწილი მოდის ელექტროენერგიიდან, რომელიც კვებავს მონაცემთა ცენტრებს, რომლებიც მუშაობენ GPU-ებით და CPU-ებით, როგორც ტრენინგის, ასევე ყოველდღიური „ინფერენციის“ დროს. ერთი მოთხოვნა შეიძლება მოკრძალებული იყოს, მაგრამ მასშტაბურად ეს მოთხოვნები სწრაფად გროვდება. გავლენა ასევე დამოკიდებულია იმაზე, თუ სად მდებარეობს მონაცემთა ცენტრი, რამდენად სუფთაა ადგილობრივი ქსელი და რამდენად ეფექტურად მუშაობს ინფრასტრუქტურა.
ხელოვნური ინტელექტის მოდელის სწავლება გარემოსთვის უარესია, ვიდრე მისი გამოყენება (დასკვნა)?
ტრენინგი შეიძლება იყოს გამოთვლების დიდი, წინასწარი აფეთქება, მაგრამ დასკვნა დროთა განმავლობაში შეიძლება უფრო დიდ ნაკადად იქცეს, რადგან ის მუდმივად და მასშტაბურად მუშაობს. თუ ინსტრუმენტს ყოველდღიურად მილიონობით ადამიანი იყენებს, განმეორებითმა მოთხოვნებმა შეიძლება გადააჭარბოს ერთჯერადი ტრენინგის ხარჯებს. სწორედ ამიტომ, ოპტიმიზაცია ხშირად ფოკუსირებულია დასკვნამდე მიყვანის ეფექტურობაზე.
რატომ იყენებს ხელოვნური ინტელექტი წყალს და არის თუ არა ეს ყოველთვის პრობლემა?
ხელოვნურ ინტელექტს წყლის გამოყენება ძირითადად იმიტომ შეუძლია, რომ ზოგიერთი მონაცემთა ცენტრი წყალზე დაფუძნებულ გაგრილებას ეყრდნობა, ან იმიტომ, რომ წყალი ირიბად მოიხმარება ელექტროენერგიის გენერაციის გზით. გარკვეულ კლიმატურ პირობებში, აორთქლებით გაგრილებას შეუძლია ელექტროენერგიის მოხმარების შემცირება და ამავდროულად წყლის მოხმარების გაზრდა, რაც რეალურ კომპრომისს ქმნის. „ცუდია“ ეს თუ არა, დამოკიდებულია ადგილობრივ წყლის დეფიციტზე, გაგრილების დიზაინზე და იმაზე, იზომება თუ არა წყლის მოხმარება და მართულია თუ არა.
ხელოვნური ინტელექტის გარემოზე ზემოქმედების რა ნაწილი მოდის აპარატურიდან და ელექტრონული ნარჩენებიდან?
ხელოვნური ინტელექტი დამოკიდებულია ჩიპებზე, სერვერებზე, ქსელურ აღჭურვილობაზე, შენობებსა და მიწოდების ჯაჭვებზე - რაც ნიშნავს მოპოვებას, წარმოებას, გადაზიდვას და საბოლოო განადგურებას. ნახევარგამტარების წარმოება ენერგომოხმარებადია და სწრაფი განახლების ციკლებმა შეიძლება გაზარდოს გამონაბოლქვი და ელექტრონული ნარჩენები. აპარატურის სიცოცხლის გახანგრძლივებამ, განახლებამ და გამოყენების გაუმჯობესებამ შეიძლება მნიშვნელოვნად შეამციროს ზემოქმედება, ზოგჯერ კი კონკურენცია გაუწიოს მოდელის დონის ცვლილებებს.
განახლებადი ენერგიის გამოყენება წყვეტს თუ არა ხელოვნური ინტელექტის გარემოზე ზემოქმედების პრობლემას?
უფრო სუფთა ელექტროენერგიას შეუძლია შეამციროს გამომთვლელი ტექნოლოგიით გამოწვეული გამონაბოლქვი, მაგრამ ის არ აქრობს სხვა ზემოქმედებას, როგორიცაა წყლის მოხმარება, აპარატურის წარმოება და ელექტრონული ნარჩენები. ის ასევე ავტომატურად არ აგვარებს „უკუგების ეფექტებს“, სადაც დაბალი ღირებულების გამომთვლელი ტექნოლოგიური პროცესები საერთო ჯამში გამოყენების ზრდას იწვევს. განახლებადი ენერგია მნიშვნელოვანი ბერკეტია, მაგრამ ისინი მხოლოდ ერთი ნაწილია გარემოს ზეგავლენისა.
რა არის უკუგების ეფექტი და რატომ არის ის მნიშვნელოვანი ხელოვნური ინტელექტისა და მდგრადობისთვის?
უკუგების ეფექტი მაშინ ხდება, როდესაც ეფექტურობის ზრდა რაღაცას უფრო იაფს ან აადვილებს, ამიტომ ადამიანები უფრო მეტს აკეთებენ - ზოგჯერ დანაზოგის განადგურებით. ხელოვნური ინტელექტის დახმარებით, უფრო იაფმა წარმოებამ ან ავტომატიზაციამ შეიძლება გაზარდოს კონტენტზე, გამოთვლით და მომსახურებებზე მთლიანი მოთხოვნა. სწორედ ამიტომ, პრაქტიკაში შედეგების გაზომვა უფრო მნიშვნელოვანია, ვიდრე ეფექტურობის იზოლირებულად აღნიშვნა.
რა პრაქტიკული გზები არსებობს ხელოვნური ინტელექტის ზემოქმედების შესამცირებლად პროდუქტისთვის ზიანის მიყენების გარეშე?
გავრცელებული მიდგომაა გაზომვით დაწყება (ენერგიისა და ნახშირბადის შეფასებები, გამოყენება), შემდეგ ამოცანისთვის შესაფერისი ზომის მოდელების შექმნა და დასკვნის ოპტიმიზაცია ქეშირების, პარტიული დამუშავებისა და უფრო მოკლე გამომავალი მონაცემების გამოყენებით. ისეთ ტექნიკას, როგორიცაა კვანტიზაცია, დისტილაცია და აღდგენის გზით გაძლიერებული გენერირება, შეუძლია შეამციროს გამოთვლითი საჭიროებები. ოპერაციული არჩევანი - როგორიცაა სამუშაო დატვირთვის დაგეგმვა ნახშირბადის ინტენსივობის მიხედვით და აპარატურის უფრო ხანგრძლივი სიცოცხლის ხანგრძლივობა - ხშირად დიდ გამარჯვებებს მოაქვს.
როგორ შეუძლია ხელოვნურ ინტელექტს გარემოს დახმარება და არა ზიანის მიყენება?
ხელოვნურ ინტელექტს შეუძლია შეამციროს ემისიები და ნარჩენები, როდესაც ის გამოიყენება რეალური სისტემების ოპტიმიზაციისთვის: ქსელის პროგნოზირება, მოთხოვნაზე რეაგირება, შენობის HVAC კონტროლი, ლოჯისტიკური მარშრუტიზაცია, პროგნოზირებადი ტექნიკური მომსახურება და გაჟონვის აღმოჩენა. მას ასევე შეუძლია მხარი დაუჭიროს გარემოს მონიტორინგს, როგორიცაა ტყეების გაჩეხვის შეტყობინებები და მეთანის აღმოჩენა. მთავარი ის არის, ცვლის თუ არა სისტემა გადაწყვეტილებებს და წარმოქმნის თუ არა გაზომვად შემცირებას და არა მხოლოდ უკეთეს დაფაზე.
რა მაჩვენებლები უნდა წარმოადგინონ კომპანიებმა, რათა თავიდან აიცილონ ხელოვნური ინტელექტის პრეტენზიების „მწვანე რეცხვა“?
უფრო მნიშვნელოვანია დავალების ან მოთხოვნის თითოეული მაჩვენებლის შესახებ ინფორმაციის მიწოდება, ვიდრე მხოლოდ დიდი ჯამური რიცხვების, რადგან ეს აჩვენებს ეფექტურობას ერთეულის დონეზე. ენერგიის მოხმარების, ნახშირბადის შეფასების, გამოყენების და - შესაბამის შემთხვევაში - წყლის ზემოქმედების თვალყურის დევნება უფრო მკაფიო ანგარიშვალდებულებას ქმნის. ასევე მნიშვნელოვანია: განსაზღვროთ საზღვრები (რა შედის) და თავიდან აიცილოთ ბუნდოვანი იარლიყები, როგორიცაა „ეკოლოგიურად სუფთა ხელოვნური ინტელექტი“ რაოდენობრივი მტკიცებულებების გარეშე.
ცნობები
-
საერთაშორისო ენერგეტიკული სააგენტო (IEA) - ენერგეტიკა და ხელოვნური ინტელექტი - iea.org
-
საერთაშორისო ენერგეტიკული სააგენტო (IEA) - ხელოვნური ინტელექტი ენერგიის ოპტიმიზაციისა და ინოვაციებისთვის - iea.org
-
საერთაშორისო ენერგეტიკული სააგენტო (IEA) - დიგიტალიზაცია - iea.org
-
ლოურენს ბერკლის ეროვნული ლაბორატორია (LBNL) - შეერთებული შტატების მონაცემთა ცენტრის ენერგიის მოხმარების ანგარიში (2024) (PDF) - lbl.gov
-
ლი და სხვ. - ხელოვნური ინტელექტის „წყურვილის“ შემცირება (2023) (PDF) - arxiv.org
-
ASHRAE (TC 9.9) - თხევადი გაგრილების სისტემის გაჩენა და გაფართოება ძირითად მონაცემთა ცენტრებში (PDF) - ashrae.org
-
მწვანე ბადე - PUE - მეტრიკის ყოვლისმომცველი შესწავლა - thegreengrid.org
-
აშშ-ის ენერგეტიკის დეპარტამენტი (DOE) - FEMP - გაგრილების წყლის ეფექტურობის შესაძლებლობები ფედერალური მონაცემთა ცენტრებისთვის - energy.gov
-
აშშ-ის ენერგეტიკის დეპარტამენტი (DOE) - FEMP - ენერგოეფექტურობა მონაცემთა ცენტრებში - energy.gov
-
აშშ-ის გარემოს დაცვის სააგენტო (EPA) - ნახევარგამტარული ინდუსტრია - epa.gov
-
საერთაშორისო ტელეკომუნიკაციების კავშირი (ITU) - ელექტრონული ნარჩენების გლობალური მონიტორი 2024 - itu.int
-
ეკონომიკური თანამშრომლობისა და განვითარების ორგანიზაცია - ენერგოეფექტურობის გაუმჯობესების მრავალმხრივი სარგებელი (2012) (PDF) - oecd.org
-
ნახშირბადის ინტენსივობის API (GB) - carbonintensity.org.uk
-
imec - ჩიპების წარმოებაში გარემოზე ზემოქმედების შემცირება - imec-int.com
-
UNEP - როგორ მუშაობს MARS - unep.org
-
გლობალური ტყის მონიტორინგი - ტყეების გაჩეხვის შესახებ გაფრთხილება - globalforestwatch.org
-
ალან ტურინგის ინსტიტუტი - ხელოვნური ინტელექტი და ავტონომიური სისტემები ბიომრავალფეროვნებისა და ეკოსისტემის ჯანმრთელობის შესაფასებლად - turing.ac.uk
-
CodeCarbon - მეთოდოლოგია - mlco2.github.io
-
ღოლამი და სხვ. - კვანტიზაციის მეთოდების მიმოხილვა (2021) (PDF) - arxiv.org
-
ლუისი და სხვ. - აღდგენის გზით გაფართოებული თაობა (2020) - arxiv.org
-
ჰინტონი და სხვ. - ცოდნის დისტილაცია ნეირონულ ქსელში (2015) - arxiv.org
-
CodeCarbon - codecarbon.io