বৃহৎ ভাষা মডেলের পরিবেশগত প্রভাব

কৃত্রিম বুদ্ধিমত্তার (AI) উদ্ভাবনের ক্রমাগত অনুসন্ধানের ফলে ক্রমশ অত্যাধুনিক বৃহৎ ভাষা মডেলগুলির (LLMs) বিকাশ ঘটেছে। এই মডেলগুলি বিভিন্ন ক্ষেত্রে চিত্তাকর্ষক ক্ষমতা প্রদর্শন করলেও, এদের প্রশিক্ষণ এবং স্থাপনার সাথে সম্পর্কিত পরিবেশগত পরিণতিগুলি অনেকাংশে অস্পষ্ট রয়ে গেছে। AI মডেল তৈরি করা সংস্থাগুলি সহজেই বেঞ্চমার্কে পারফরম্যান্স ডেটা শেয়ার করে, তবে পরিবেশগত প্রভাব এড়িয়ে যায়। সাম্প্রতিক গবেষণা এই শক্তিশালী AI সরঞ্জামগুলির সাথে জড়িত প্রায়শই উপেক্ষা করা শক্তি, জল এবং কার্বন খরচ সম্পর্কে আলোকপাত করে।

পরিবেশগত প্রভাব মূল্যায়নের জন্য একটি নতুন বেঞ্চমার্ক

AI-এর পরিবেশগত প্রভাবপরিমাপ করার জন্য, রোড আইল্যান্ড বিশ্ববিদ্যালয়, প্রভিডেন্স কলেজ এবং তিউনিস বিশ্ববিদ্যালয়ের গবেষকদের একটি দল AI অনুমানের জন্য একটি পরিকাঠামো-সচেতন বেঞ্চমার্ক চালু করেছে। কর্নেল বিশ্ববিদ্যালয়ের প্রিপrint সার্ভার arXiv-এ উপলব্ধ এই গবেষণা, AI-এর পরিবেশগত প্রভাবের আরও নির্ভুল মূল্যায়ন প্রদান করে। বেঞ্চমার্কটি ৩০টি প্রধান AI মডেলের জন্য প্রতি প্রম্পটে পরিবেশগত পদচিহ্ন গণনা করতে অন্তর্নিহিত GPU এবং আঞ্চলিক পাওয়ার গ্রিড সংমিশ্রণ সম্পর্কিত তথ্যের সাথে পাবলিক API লেটেন্সি ডেটা একত্রিত করে। এই ব্যাপক পদ্ধতি শক্তি খরচ, জলের ব্যবহার এবং কার্বন নিঃসরণ বিবেচনা করে, যার ফলে একটি “ইকো-দক্ষতা” স্কোর পাওয়া যায়।

রোড আইল্যান্ড বিশ্ববিদ্যালয়ের সহকারী অধ্যাপক আবদেলতাব হেনদাউই গবেষণার পেছনের উদ্দেশ্য ব্যাখ্যা করেন: “আমরা পরিবেশগত সম্পদ, জল, শক্তি এবং কার্বন পদচিহ্নের ক্ষেত্রে এই মডেলগুলির তুলনা করার কথা ভাবতে শুরু করি।” অনুসন্ধানে বিভিন্ন AI মডেলের পরিবেশগত প্রভাবের উল্লেখযোগ্য পার্থক্য প্রকাশ পায়।

শক্তি খরচ: OpenAI, DeepSeek, এবং Anthropic

গবেষণায় নেতৃস্থানীয় AI মডেলগুলির মধ্যে শক্তি খরচের যথেষ্ট পার্থক্য তুলে ধরা হয়েছে। OpenAI-এর o3 মডেল এবং DeepSeek-এর প্রাথমিক যুক্তিবাদী মডেল একটি একক বর্ধিত প্রতিক্রিয়ার জন্য ৩৩ ওয়াট-ঘণ্টার (Wh) বেশি খরচ করে। এর বিপরীতে OpenAI-এর ছোট GPT-4.1 ন্যানো ৭০ গুণের বেশি শক্তি সাশ্রয় করে। Anthropic-এর Claude-3.7 Sonnet গবেষণায় সবচেয়ে পরিবেশ-বান্ধব মডেল হিসেবে আত্মপ্রকাশ করেছে।

গবেষকরা AI মডেলের পরিবেশগত প্রভাব নির্ধারণে হার্ডওয়্যারের গুরুত্বপূর্ণ ভূমিকার ওপর জোর দেন। উদাহরণস্বরূপ, GPT-4o মিনি, যা পুরোনো A100 GPU ব্যবহার করে, বৃহত্তর GPT-4o-এর চেয়ে বেশি শক্তি খরচ করে, যা আরও উন্নত H100 চিপে চলে। এটি AI-এর পরিবেশগত পদচিহ্ন কমাতে অত্যাধুনিক হার্ডওয়্যার ব্যবহারের গুরুত্বের ওপর জোর দেয়।

ক্যোয়ারী দৈর্ঘ্যের পরিবেশগত মূল্য

গবেষণায় ক্যোয়ারী দৈর্ঘ্য এবং পরিবেশগত প্রভাবের মধ্যে একটি সরাসরি সম্পর্ক প্রকাশ পেয়েছে। দীর্ঘ ক্যোয়ারীগুলি অনিবার্যভাবে বেশি সম্পদ খরচ করে। এমনকি আপাতদৃষ্টিতে নগণ্য, ছোট প্রম্পটগুলিও সামগ্রিক পরিবেশগত বোঝাতে অবদান রাখে। একটি একক সংক্ষিপ্ত GPT-4o প্রম্পট প্রায় ০.৪৩ Wh শক্তি খরচ করে। গবেষকরা অনুমান করেছেন যে OpenAI-এর প্রতিদিনের ৭০০ মিলিয়ন GPT-4o কলের হিসেবে, মোট বার্ষিক শক্তি খরচ ৩৯২ থেকে ৪৬৩ গিগাওয়াট-ঘণ্টা (GWh) পর্যন্ত হতে পারে। এটিকে পরিপ্রেক্ষিতের মধ্যে রাখতে গেলে, এটি বার্ষিক ৩৫,০০০ আমেরিকান বাড়িকে শক্তি সরবরাহের জন্য যথেষ্ট।

AI গ্রহণের ক্রমবর্ধমান প্রভাব

গবেষণায় জোর দেওয়া হয়েছে যে পৃথক ব্যবহারকারীর AI গ্রহণ দ্রুত যথেষ্ট পরিবেশগত খরচে পরিণত হতে পারে। রোড আইল্যান্ড বিশ্ববিদ্যালয়ের গবেষক এবং গবেষণার প্রধান লেখক নিধাল জেঘাম ব্যাখ্যা করেন যে "বার্ষিক ChatGPT-4o ব্যবহার করলে ১.২ মিলিয়ন মানুষের বার্ষিক পানীয় জলের প্রয়োজনের সমান জল খরচ হয়।" জেঘাম সতর্ক করে বলেন যে একটি একক বার্তা বা প্রম্পটের পরিবেশগত প্রভাব নগণ্য মনে হলেও, "একবার আপনি এটিকে প্রসারিত করলে, বিশেষ করে AI সূচকগুলিতে কতটা বাড়ছে, এটি সত্যিই একটি ক্রমবর্ধমান সমস্যা হয়ে দাঁড়াচ্ছে।"

পরিবেশগত প্রভাব মেট্রিকসের গভীরে অনুসন্ধান

গবেষণার ফলাফলের তাৎপর্য সম্পূর্ণরূপে উপলব্ধি করতে, AI মডেলগুলি মূল্যায়ন করতে ব্যবহৃত পরিবেশগত মেট্রিকসের আরও বিস্তারিত পরীক্ষা করা প্রয়োজন। নিম্নলিখিত বিভাগগুলিতে মূল মেট্রিকসের একটি ভাঙ্গন প্রদান করা হল:

শক্তি খরচ

শক্তি খরচ হল AI মডেলগুলি পরিচালনা করার জন্য প্রয়োজনীয় বিদ্যুতের একটি মৌলিক পরিমাপ। গবেষণাটি প্রতি ক্যোয়ারীতে ওয়াট-ঘণ্টায় (Wh) শক্তি খরচ পরিমাপ করে, যা বিভিন্ন মডেলের শক্তি দক্ষতার সরাসরি তুলনা করার অনুমতি দেয়। কার্বন পদচিহ্ন এবং AI-এর সামগ্রিক পরিবেশগত প্রভাব কমাতে শক্তি খরচ কমানো জরুরি।

শক্তি খরচকে প্রভাবিত করার কারণগুলি:

• মডেলের আকার এবং জটিলতা: বৃহত্তর এবং আরও জটিল মডেলগুলির সাধারণত ছোট, সরল মডেলগুলির চেয়ে বেশি শক্তি প্রয়োজন হয়।
• হার্ডওয়্যারের দক্ষতা: GPU এবং অন্যান্য হার্ডওয়্যার উপাদানগুলি যা AI মডেল চালাতে ব্যবহৃত হয় তা শক্তি খরচে একটি গুরুত্বপূর্ণ ভূমিকা পালন করে। আরও উন্নত এবং শক্তি-সাশ্রয়ী হার্ডওয়্যার AI-এর শক্তি পদচিহ্ন উল্লেখযোগ্যভাবে কমাতে পারে।
• ক্যোয়ারী দৈর্ঘ্য এবং জটিলতা: দীর্ঘ এবং আরও জটিল ক্যোয়ারীগুলির জন্য সাধারণত বেশি গণনাগত সংস্থান প্রয়োজন হয় এবং তাই বেশি শক্তি খরচ হয়।
• অপ্টিমাইজেশন কৌশল: মডেল সংকোচন এবং কোয়ান্টাইজেশনের মতো বিভিন্ন অপ্টিমাইজেশন কৌশল নির্ভুলতা ত্যাগ না করে AI মডেলগুলির শক্তি খরচ কমাতে পারে।

জলের ব্যবহার

জলের ব্যবহার AI-এর পরিবেশগত প্রভাবের একটি প্রায়শই উপেক্ষিত দিক। ডেটা সেন্টার, যেখানে AI মডেলগুলি চলে, শীতল করার জন্য প্রচুর পরিমাণে জলের প্রয়োজন হয়। গবেষণাটি ডেটা সেন্টারগুলির শক্তি খরচ এবং আঞ্চলিক পাওয়ার গ্রিডগুলির জলের তীব্রতার উপর ভিত্তি করে জলের ব্যবহার অনুমান করে যা সেই ডেটা সেন্টারগুলিতে বিদ্যুৎ সরবরাহ করে।

জলের ব্যবহারকে প্রভাবিত করার কারণগুলি:

• শীতল করার প্রয়োজনীয়তা: ডেটা সেন্টারগুলি উল্লেখযোগ্য তাপ উৎপন্ন করে এবং সর্বোত্তম অপারেটিং তাপমাত্রা বজায় রাখার জন্য শীতলীকরণ ব্যবস্থার প্রয়োজন হয়। জল প্রায়শই শীতল হিসাবে ব্যবহৃত হয়, হয় সরাসরি বা কুলিং টাওয়ারের মাধ্যমে।
• পাওয়ার গ্রিডের জলের তীব্রতা: পাওয়ার গ্রিডের জলের তীব্রতা বিদ্যুতের একক তৈরি করতে প্রয়োজনীয় জলের পরিমাণকে বোঝায়। যে পাওয়ার গ্রিডগুলি তাপবিদ্যুৎ কেন্দ্রগুলির উপর বেশি নির্ভর করে, যা শীতল করার জন্য জল ব্যবহার করে, তাদের জলের তীব্রতা বেশি।
• ডেটা সেন্টারের অবস্থান: শুষ্ক অঞ্চলে বা জলের অভাবযুক্ত অঞ্চলে অবস্থিত ডেটা সেন্টারগুলি AI-এর পরিবেশগত প্রভাবকে আরও বাড়িয়ে তুলতে পারে।

কার্বন নিঃসরণ

কার্বন নিঃসরণ জলবায়ু পরিবর্তনের একটি প্রধান চালক। গবেষণাটি AI মডেলগুলির শক্তি খরচ এবং আঞ্চলিক পাওয়ার গ্রিডগুলির কার্বন তীব্রতার উপর ভিত্তি করে কার্বন নিঃসরণ গণনা করে। কার্বন তীব্রতা বিদ্যুতের প্রতি ইউনিট উৎপাদনে নির্গত কার্বন ডাই অক্সাইডের পরিমাণকে বোঝায়।

কার্বন নিঃসরণকে প্রভাবিত করার কারণগুলি:

• শক্তির উৎস: ডেটা সেন্টারগুলিকে শক্তি সরবরাহ করতে ব্যবহৃত শক্তির ধরণের কার্বন নিঃসরণের উপর একটি উল্লেখযোগ্য প্রভাব ফেলে। সৌর এবং বায়ু শক্তির মতো পুনর্নবীকরণযোগ্য শক্তির উৎসগুলির জীবাশ্ম জ্বালানী যেমন কয়লা এবং প্রাকৃতিক গ্যাসের চেয়ে অনেক কম কার্বন তীব্রতা রয়েছে।
• পাওয়ার গ্রিডের কার্বন তীব্রতা: বিদ্যুৎ উৎপাদনের জন্য ব্যবহৃত শক্তির উৎসের মিশ্রণের উপর নির্ভর করে পাওয়ার গ্রিডের কার্বন তীব্রতা পরিবর্তিত হয়। পুনর্নবীকরণযোগ্য শক্তির উৎসের উচ্চ অনুপাতযুক্ত অঞ্চলগুলিতে কার্বন তীব্রতা কম থাকে।
• শক্তি দক্ষতা: কার্বন নিঃসরণ কমানোর সবচেয়ে কার্যকর উপায় হল শক্তি খরচ কমানো।

প্রভাব এবং সুপারিশ

গবেষণার ফলাফলের AI ডেভেলপার, নীতিনির্ধারক এবং শেষ ব্যবহারকারীদের জন্য গুরুত্বপূর্ণ প্রভাব রয়েছে। AI-এর পরিবেশগত প্রভাব নগণ্য নয় এবং AI প্রযুক্তি ক্রমাগত উন্নত এবং প্রসারিত হওয়ার সাথে সাথে এটি সাবধানে বিবেচনা করা প্রয়োজন।

AI ডেভেলপারদের জন্য সুপারিশ:

• শক্তি দক্ষতাকে অগ্রাধিকার দিন: AI মডেল ডিজাইন এবং প্রশিক্ষণ দেওয়ার সময় AI ডেভেলপারদের শক্তি দক্ষতাকে অগ্রাধিকার দেওয়া উচিত। এর মধ্যে ছোট মডেল ব্যবহার করা, কোড অপ্টিমাইজ করা এবং দক্ষ হার্ডওয়্যার ব্যবহার করা অন্তর্ভুক্ত।
• পুনর্নবীকরণযোগ্য শক্তির উৎসগুলি অন্বেষণ করুন: AI সংস্থাগুলির তাদের ডেটা সেন্টারগুলিকে পুনর্নবীকরণযোগ্য শক্তির উৎসগুলির সাথে শক্তি সরবরাহ করার সুযোগগুলি অন্বেষণ করা উচিত। এটি AI-এর কার্বন পদচিহ্ন উল্লেখযোগ্যভাবে কমাতে পারে।
• জল সংরক্ষণে বিনিয়োগ করুন: ডেটা সেন্টারগুলির জলের ব্যবহার কমাতে জল সংরক্ষণ প্রযুক্তিতে বিনিয়োগ করা উচিত। এর মধ্যে ক্লোজড-লুপ কুলিং সিস্টেম এবং বৃষ্টির জল সংগ্রহ ব্যবহার করা অন্তর্ভুক্ত।
• স্বচ্ছতা এবং প্রতিবেদন: AI সংস্থাগুলির তাদের মডেলগুলির পরিবেশগত প্রভাব সম্পর্কে স্বচ্ছ হওয়া উচিত এবং শক্তি খরচ, জলের ব্যবহার এবং কার্বন নিঃসরণের মতো মূল মেট্রিকগুলির প্রতিবেদন করা উচিত।

নীতিনির্ধারকদের জন্য সুপারিশ:

• সবুজ AI-কে উৎসাহিত করুন: নীতিনির্ধারকদের উচিত কর ছাড়, ভর্তুকি এবং অন্যান্য প্রণোদনার মাধ্যমে সবুজ AI প্রযুক্তির বিকাশ ও স্থাপনাকে উৎসাহিত করা।
• ডেটা সেন্টারের শক্তি খরচ নিয়ন্ত্রণ করুন: ডেটা সেন্টারগুলি যতটা সম্ভব দক্ষতার সাথে কাজ করছে তা নিশ্চিত করার জন্য নীতিনির্ধারকদের ডেটা সেন্টারের শক্তি খরচ নিয়ন্ত্রণ করা উচিত।
• পুনর্নবীকরণযোগ্য শক্তি গ্রহণকে উৎসাহিত করুন: পাওয়ার গ্রিডগুলির কার্বন তীব্রতা কমাতে নীতিনির্ধারকদের পুনর্নবীকরণযোগ্য শক্তি গ্রহণের প্রচার করা উচিত।
• গবেষণা এবং উন্নয়ন সমর্থন করুন: AI-এর পরিবেশগত প্রভাব কমাতে পারে এমন নতুন প্রযুক্তিতে নীতিনির্ধারকদের গবেষণা এবং উন্নয়নকে সমর্থন করা উচিত।

শেষ ব্যবহারকারীদের জন্য সুপারিশ:

• AI ব্যবহারের বিষয়ে সতর্ক থাকুন: শেষ ব্যবহারকারীদের তাদের AI ব্যবহার সম্পর্কে সচেতন হওয়া উচিত এবং অপ্রয়োজনীয় বা তুচ্ছ ক্যোয়ারীগুলি এড়ানো উচিত।
• পরিবেশ-বান্ধব AI মডেল চয়ন করুন: যখন সম্ভব, শেষ ব্যবহারকারীদের এমন AI মডেলগুলি বেছে নেওয়া উচিত যা বেশি শক্তি-সাশ্রয়ী হিসাবে পরিচিত।
• টেকসই AI অনুশীলন সমর্থন করুন: শেষ ব্যবহারকারীরা পরিবেশগত দায়বদ্ধতার প্রতি প্রতিশ্রুতিবদ্ধ সংস্থাগুলি থেকে AI পণ্য এবং পরিষেবাগুলি চয়ন করে টেকসই AI অনুশীলনকে সমর্থন করতে পারেন।

ভবিষ্যতের গবেষণার দিকনির্দেশনা

গবেষণাটি AI-এর পরিবেশগত প্রভাব সম্পর্কে আরও গবেষণার প্রয়োজনীয়তার উপর জোর দেয়। ভবিষ্যতের গবেষণা নিম্নলিখিত ক্ষেত্রগুলিতে ফোকাস করা উচিত:

• জীবনচক্র মূল্যায়ন: উন্নয়ন থেকে নিষ্পত্তি পর্যন্ত AI মডেলগুলির একটি বিস্তৃত জীবনচক্র মূল্যায়ন পরিচালনা করা, সমস্ত সম্ভাব্য পরিবেশগত প্রভাব সনাক্ত করতে।
• প্রশিক্ষণের প্রভাব: AI মডেলগুলির প্রশিক্ষণের পরিবেশগত প্রভাব তদন্ত করা, যা অনুমানের প্রভাবের চেয়ে উল্লেখযোগ্যভাবে বেশি হতে পারে।
• অন্যান্য খাতে AI-এর প্রভাব: AI গ্রহণের সামগ্রিক পরিবেশগত পরিণতিগুলি বোঝার জন্য পরিবহন এবং উত্পাদনের মতো অর্থনীতির অন্যান্য খাতে AI-এর প্রভাব পরীক্ষা করা।
• নতুন মেট্রিকের উন্নয়ন: AI-এর পরিবেশগত প্রভাব মূল্যায়ন করার জন্য নতুন মেট্রিক তৈরি করা, যেমন AI হার্ডওয়্যারের অন্তর্ভুক্ত শক্তি এবং উপকরণগুলিকে বিবেচনা করে এমন মেট্রিক।

উপসংহার

LLM-এর পরিবেশগত প্রভাব একটি জটিল এবং বহুমাত্রিক সমস্যা যা সাবধানে বিবেচনা করা প্রয়োজন। এই গবেষণার ফলাফলগুলি জনপ্রিয় AI সরঞ্জামগুলির সাথে যুক্ত শক্তি, জল এবং কার্বন খরচ সম্পর্কে মূল্যবান অন্তর্দৃষ্টি প্রদান করে। এই খরচগুলি বোঝার মাধ্যমে, AI ডেভেলপার, নীতিনির্ধারক এবং শেষ ব্যবহারকারীরা AI-এর পরিবেশগত পদচিহ্ন কমাতে এবং AI প্রযুক্তি টেকসই উপায়ে বিকাশ ও স্থাপন করা হয়েছে তা নিশ্চিত করতে পদক্ষেপ নিতে পারেন। যেহেতু AI আমাদের জীবনে আরও বেশি সংহত হচ্ছে, তাই স্থিতিশীলতাকে অগ্রাধিকার দেওয়া এবং এমন একটি ভবিষ্যত তৈরি করার জন্য একসাথে কাজ করা অত্যন্ত গুরুত্বপূর্ণ যেখানে AI পরিবেশের ক্ষতি না করে সমাজের উপকার করে।