توسط : ابزارهای هوش مصنوعی مولد، از پاسخ‌دادن به ایمیل‌های کاری گرفته تا تولید تصاویر خلاقانه، به دستیار روزمره بسیاری از افراد تبدیل شده‌اند. اما پژوهش‌ها نشان می‌دهند که در ازای هر مسئله‌ای که این ابزارها حل می‌کنند، هزینه‌های پنهان زیست‌محیطی نیز درحال افزایش است.
به گزارش CNN، هر پرسشی که کاربر از یک مدل هوش مصنوعی می‌پرسد، به مجموعه‌ای از اعداد به نام «شناسه توکن» تبدیل می‌شود و به مراکز داده‌ای عظیم — که برخی از آن‌ها مساحتی بزرگ‌تر از یک زمین فوتبال دارند — ارسال می‌گردد.
این مراکز داده اغلب با برق حاصل از سوخت‌های فسیلی مانند زغال‌سنگ یا گاز طبیعی تغذیه می‌شوند. در این مراکز، صدها رایانه پرقدرت با اجرای ده‌ها محاسبه سریع، پاسخ مورد نظر را تولید می‌کنند. براساس برآوردها، فرایند پاسخ‌دادن توسط هوش مصنوعی ممکن است تا ۱۰ برابر بیش از جست‌وجوی ساده در گوگل انرژی مصرف کند.
هر پرسش از هوش مصنوعی چه تأثیری بر محیط زیست دارد؟
برای پاسخ به این سؤال، پژوهشگرانی در آلمان عملکرد ۱۴ مدل زبانی بزرگ (LLM) را بررسی کردند و از آن‌ها خواستند به مجموعه‌ای از پرسش‌های تشریحی و چندگزینه‌ای پاسخ دهند. آن‌ها دریافتند که پاسخ‌گویی به سؤالات پیچیده، تا شش برابر بیشتر از سؤالات کوتاه و ساده، کربن‌دی‌اکسید تولید می‌کند!
علاوه‌براین، طبق یافته‌های این مطالعه، مدل‌های زبانی بزرگ که از توانایی استدلال بالاتری برخوردارند، برای پاسخ به یک پرسش مشابه، تا ۵۰ برابر بیشتر از مدل‌های ساده‌تر کربن‌دی‌اکسید تولید کردند.
«ماکسیمیلیان داونر»، دانشجوی دکترای دانشگاه علوم کاربردی مونیخ و نویسنده اول این پژوهش که در Frontiers in Communication منتشر شده است، می‌گوید: «این یافته‌ها نشان می‌دهند که بین مصرف انرژی و دقت عملکرد مدل، نوعی مبادله و توازن وجود دارد.»
مدل‌های پیشرفته‌تر و پرمصرف‌تر هوش مصنوعی معمولاً ده‌ها میلیارد پارامتر بیشتر از مدل‌های ساده‌تر دارند. این پارامترها نوعی ضرایب درونی هستند که مدل برای پردازش داده‌ها و تفسیر شناسه‌های توکن به کار می‌گیرد.
داونر در ادامه توضیح می‌دهد: «می‌توانید آن را به شبکه‌ای عصبی در مغز تشبیه کنید؛ هرچه اتصالات عصبی بیشتر باشند، مغز برای پاسخ‌گویی به یک پرسش، توان پردازشی بیشتری در اختیار دارد.»
چگونه می‌توان ردپای کربنی را هنگام استفاده از هوش مصنوعی کاهش داد؟
به گفته داونر، یکی از دلایلی که سؤالات پیچیده انرژی بیشتری مصرف می‌کنند، این است که بسیاری از مدل‌های هوش مصنوعی طوری آموزش دیده‌اند که پاسخ‌های مفصل و توضیحی ارائه دهند. برای مثال، اگر از یک چت‌بات هوش مصنوعی بخواهید یک مسئله جبری را حل کند، معمولاً مراحل رسیدن به پاسخ را نیز برای شما شرح می‌دهد.
او توضیح می‌دهد: «هوش مصنوعی انرژی زیادی صرف مؤدب‌بودن می‌کند، به‌ویژه وقتی کاربر هم مؤدب باشد و عباراتی مانند «لطفاً» یا «ممنونم» به کار ببرد. اما همین باعث می‌شود پاسخ‌ها طولانی‌تر شوند و در نتیجه انرژی بیشتری برای تولید هر کلمه مصرف شود.»
به همین دلیل، داونر به کاربران توصیه می‌کند که هنگام تعامل با مدل‌های هوش مصنوعی، با زبانی مستقیم‌تر و دقیق‌تر صحبت کنند. برای مثال، می‌توانید تعداد جملات پاسخ را مشخص کنید یا بگویید که نیازی به توضیح ندارید.
به گفته «ساشا لوچونی»، مسئول بخش اقلیم در شرکت هوش مصنوعی Hugging Face، مهم‌ترین نکته‌ای که در مطالعه داونر برجسته شده این است که همه مدل‌های هوش مصنوعی به یک اندازه طراحی نشده‌اند. او در ایمیلی توضیح داد که کاربران برای کاهش ردپای کربنی خود می‌توانند با دقت بیشتری انتخاب کنند که از کدام مدل برای چه کاری استفاده کنند.
لوچونی افزود: «مدل‌هایی که برای وظایف خاص طراحی شده‌اند، معمولاً بسیار کوچک‌تر و کارآمدتر هستند، و در انجام وظایف خاص نیز به همان اندازه مؤثر عمل می‌کنند.»
برای مثال، اگر شما یک مهندس نرم‌افزار هستید که هر روز با مسائل پیچیده برنامه‌نویسی سروکار دارد، استفاده از یک مدل هوش مصنوعی پیشرفته و مخصوص کدنویسی منطقی است. اما برای یک دانش‌آموز دبیرستانی که صرفاً می‌خواهد تکالیفش را انجام دهد، استفاده از چنین ابزار قدرتمندی، مشابه به‌کارگیری یک ماشین‌حساب دیجیتال با نیروی هسته‌ای است.
داونر نیز تأکید می‌کند که حتی در میان مدل‌های عرضه‌شده توسط یک شرکت واحد، سطوح مختلفی از توانایی استدلال وجود دارد. بنابراین، کاربران باید پیش از استفاده بررسی کنند که کدام قابلیت‌ها بیشترین تناسب را با نیازهای آن‌ها دارد.
لوچونی توصیه می‌کند که در صورت امکان، برای انجام وظایف ساده به منابع پایه‌تر مانند دایرهالمعارف‌های آنلاین یا ماشین‌حساب‌های تلفن همراه بازگردید.
اندازه‌گیری تأثیر زیست‌محیطی هوش مصنوعی دشوار است
تعیین عددی دقیق برای تأثیر زیست‌محیطی هوش مصنوعی کار ساده‌ای نیست. به گفته این مطالعه، میزان مصرف انرژی می‌تواند بسته به فاصله کاربر از شبکه برق محلی و سخت‌افزاری که مدل‌های هوش مصنوعی روی آن اجرا می‌شوند، متفاوت باشد. داونر توضیح می‌دهد که به همین دلیل، پژوهشگران تصمیم گرفتند میزان تولید کربن را به‌صورت بازه‌ای گزارش دهند.
از سوی دیگر، بسیاری از شرکت‌های فعال در حوزه هوش مصنوعی اطلاعات مربوط به مصرف انرژی، اندازه سرورها یا روش‌های بهینه‌سازی خود را به اشتراک نمی‌گذارند؛ جزئیاتی که می‌توانند به پژوهشگران در تخمین دقیق مصرف انرژی کمک کنند.
قرارداد ۳ میلیارد دلاری گوگل در انرژی پاک برای توسعه هوش مصنوعی
«شائولِی رن»، دانشیار مهندسی برق و رایانه در دانشگاه کالیفرنیا، ریورساید که در زمینه مصرف آب هوش مصنوعی پژوهش می‌کند، می‌گوید: «این عدم شفافیت، یکی از موانع اصلی در ارزیابی اثرات زیست‌محیطی واقعی این فناوری است.»
رن توضیح می‌دهد: «نمی‌توان به‌طور میانگین گفت که هوش مصنوعی این مقدار انرژی یا آب مصرف می‌کند؛ چنین عددی واقعاً معنا ندارد. باید هر مدل را به‌صورت جداگانه بررسی کنیم و ببینیم برای انجام هر وظیفه خاص چه میزان منابع مصرف می‌شود.»
به گفته داونر، یکی از راه‌های افزایش شفافیت در شرکت‌های هوش مصنوعی، این است که میزان انتشار کربن ناشی از هر پرسش یا درخواست کاربر را به‌طور دقیق اعلام کنند: «اگر مردم اطلاعات بیشتری درباره هزینه زیست‌محیطی تولید هر پاسخ داشته باشند، شاید با خودشان فکر کنند: آیا واقعاً لازم است فقط چون حوصله‌ام سر رفته، از هوش مصنوعی بخواهم تصویرم را شبیه یک اکشن‌فیگور بسازد؟ یا مثلاً آیا باید جوک تعریف‌کردن برای ChatGPT را تبدیل به سرگرمی روزمره‌ام کنم؟»
از سوی دیگر، لوچونی هشدار می‌دهد که با گسترش استفاده شرکت‌ها از ابزارهای هوش مصنوعی مولد در سیستم‌های خود، ممکن است کاربران در آینده انتخاب چندانی درخصوص چگونگی یا زمان استفاده از این فناوری نداشته باشند.
لوچونی می‌گوید: «ما به هوش مصنوعی مولد در جستجوهای اینترنتی نیاز نداریم. هیچ‌کس نخواسته بود که چت‌بات‌های هوش مصنوعی وارد پیام‌رسان‌ها یا شبکه‌های اجتماعی شوند. این رقابت برای گنجاندن هوش مصنوعی در هر فناوری موجود واقعاً آزاردهنده است، چرا که پیامدهای زیادی برای سیاره ما دارد.»
رن نیز تأکید می‌کند که هرچه اطلاعات کمتری درباره میزان مصرف منابع توسط هوش مصنوعی در دسترس باشد، گزینه‌های کاربران هم محدودتر می‌شود. او می‌افزاید که احتمال اعمال فشارهای نظارتی برای شفافیت بیشتر در ایالات متحده، در کوتاه‌مدت بسیار پایین است. درعوض، شاید امید اصلی برای توسعه هوش مصنوعی کم‌مصرف‌تر در صرفه‌جویی اقتصادی حاصل از کاهش مصرف انرژی نهفته باشد.
رن در پایان می‌گوید: «درمجموع، همچنان به آینده امیدوارم. مهندسان زیادی هستند که با تلاش فراوان سعی در بهینه‌سازی مصرف منابع دارند. البته صنایع دیگر هم انرژی زیادی مصرف می‌کنند، اما این نباید بهانه‌ای برای نادیده‌گرفتن تأثیرات زیست‌محیطی هوش مصنوعی باشد. ما قطعاً باید به این موضوع توجه کنیم!»
