ردپای زیست‌محیطی مدل‌های زبانی بزرگ

در پیگیری بی‌وقفه نوآوری در هوش مصنوعی (AI)، توسعه مدل‌های زبانی بزرگ (LLM) به‌طور فزاینده‌ای پیچیده شده است. در حالی که این مدل‌ها قابلیت‌های چشمگیری را در حوزه‌های مختلف به نمایش می‌گذارند، پیامدهای زیست‌محیطی مرتبط با آموزش و استقرار آن‌ها تا حد زیادی پنهان مانده است. شرکت‌هایی که مدل‌های هوش مصنوعی را توسعه می‌دهند، به‌راحتی داده‌های عملکرد را در معیارهای ارزیابی به اشتراک می‌گذارند، اما تمایل دارند از تأثیرات زیست‌محیطی اجتناب کنند. تحقیقات اخیر نور جدیدی بر هزینه‌های غالباً نادیده گرفته‌شده انرژی، آب و کربن مرتبط با این ابزارهای قدرتمند هوش مصنوعی می‌تاباند.

معیار ارزیابی جدید برای ارزیابی تأثیرات زیست‌محیطی

در تلاش برای کمی کردن تأثیرات زیست‌محیطی هوش مصنوعی، تیمی از محققان دانشگاه رود آیلند، کالج پراویدنس و دانشگاه تونس، یک معیار آگاه از زیرساخت برای استنتاج هوش مصنوعی ارائه کرده‌اند. این تحقیق که در سرور پیش‌چاپ دانشگاه کرنل arXiv در دسترس است، ارزیابی دقیق‌تری از اثرات اکولوژیکی هوش مصنوعی ارائه می‌دهد. این معیار ترکیبی از داده‌های تأخیر API عمومی با اطلاعات مربوط به پردازنده‌های گرافیکی (GPU) زیربنایی و ترکیبات شبکه برق منطقه‌ای برای محاسبه ردپای زیست‌محیطی در هر درخواست برای 30 مدل اصلی هوش مصنوعی است. این رویکرد جامع مصرف انرژی، استفاده از آب و انتشار کربن را در نظر می‌گیرد و در نهایت به یک امتیاز "بهره‌وری زیست‌محیطی" می‌رسد.

عبدالطواب هنداوی، استادیار دانشگاه رود آیلند، انگیزه پشت این مطالعه را توضیح می‌دهد: "ما شروع به فکر کردن در مورد مقایسه این مدل‌ها از نظر منابع زیست‌محیطی، آب، انرژی و ردپای کربن کردیم." یافته‌ها اختلافات قابل توجهی را در تأثیرات زیست‌محیطی مدل‌های مختلف هوش مصنوعی نشان می‌دهد.

اختلافات در مصرف انرژی: OpenAI، DeepSeek و Anthropic

این مطالعه تفاوت‌های اساسی در مصرف انرژی بین مدل‌های پیشرو هوش مصنوعی را برجسته می‌کند. مدل o3 شرکت OpenAI و مدل استدلال اصلی DeepSeek برای یک پاسخ طولانی بیش از 33 وات ساعت (Wh) انرژی مصرف می‌کنند. این در تضاد شدید با مدل کوچکتر GPT-4.1 nano شرکت OpenAI است که بیش از 70 برابر انرژی کمتری مصرف می‌کند. Claude-3.7 Sonnet شرکت Anthropic به عنوان کارآمدترین مدل از نظر زیست‌محیطی در این مطالعه ظاهر می‌شود.

محققان بر نقش مهم سخت‌افزار در تعیین تأثیر زیست‌محیطی مدل‌های هوش مصنوعی تأکید می‌کنند. برای مثال، مدل GPT-4o mini که از پردازنده‌های گرافیکی قدیمی‌تر A100 استفاده می‌کند، در هر پرسش انرژی بیشتری نسبت به مدل بزرگتر GPT-4o مصرف می‌کند که بر روی تراشه‌های پیشرفته‌تر H100 کار می‌کند. این امر اهمیت استفاده از سخت‌افزار پیشرفته را برای به حداقل رساندن ردپای زیست‌محیطی هوش مصنوعی نشان می‌دهد.

هزینه زیست‌محیطی طول درخواست

این مطالعه ارتباط مستقیمی بین طول درخواست و تأثیر زیست‌محیطی نشان می‌دهد. درخواست‌های طولانی‌تر همواره منجر به مصرف بیشتر منابع می‌شوند. حتی درخواست‌های به‌ظاهر ناچیز و کوتاه نیز به بار زیست‌محیطی کلی کمک می‌کنند. یک درخواست کوتاه GPT-4o تقریباً 0.43 وات ساعت انرژی مصرف می‌کند. محققان تخمین می‌زنند که با 700 میلیون تماس GPT-4o پیش‌بینی‌شده توسط OpenAI در روز، کل مصرف انرژی سالانه می‌تواند از 392 تا 463 گیگاوات ساعت (GWh) متغیر باشد. برای درک بهتر، این مقدار انرژی برای تامین برق بین 35000 خانه آمریکایی در سال کافی است.

تأثیر تجمعی پذیرش هوش مصنوعی

این مطالعه تأکید می‌کند که پذیرش هوش مصنوعی توسط کاربران منفرد می‌تواند به‌سرعت به هزینه‌های زیست‌محیطی قابل توجهی منجر شود. نضال جغم، محقق دانشگاه رود آیلند و نویسنده اصلی این مطالعه، توضیح می‌دهد که "استفاده سالانه از ChatGPT-4o به اندازه نیازهای آشامیدنی 1.2 میلیون نفر در سال آب مصرف می‌کند." جغم هشدار می‌دهد که در حالی که تأثیر زیست‌محیطی یک پیام یا درخواست واحد ناچیز به نظر می‌رسد، "هنگامی که آن را مقیاس‌بندی می‌کنید، به‌ویژه اینکه هوش مصنوعی چقدر در سراسر شاخص‌ها در حال گسترش است، واقعاً دارد به یک موضوع رو به رشد تبدیل می‌شود."

بررسی عمیق تر معیارهای تأثیر زیست محیطی

برای درک کامل مفاهیم یافته‌های این مطالعه، بررسی دقیق‌تر معیارهای زیست‌محیطی مورد استفاده برای ارزیابی مدل‌های هوش مصنوعی ضروری است. بخش‌های بعدی تجزیه و تحلیلی از معیارهای کلیدی ارائه می‌دهند:

مصرف انرژی

مصرف انرژی یک معیار اساسی از توان الکتریکی مورد نیاز برای عملکرد مدل‌های هوش مصنوعی است. این مطالعه مصرف انرژی را بر حسب وات-ساعت (Wh) در هر درخواست کمی می‌کند و امکان مقایسه مستقیم کارایی انرژی مدل‌های مختلف را فراهم می‌کند. به حداقل رساندن مصرف انرژی برای کاهش ردپای کربن و تأثیر کلی زیست‌محیطی هوش مصنوعی بسیار مهم است.

عوامل مؤثر بر مصرف انرژی:

• اندازه و پیچیدگی مدل: مدل‌های بزرگ‌تر و پیچیده‌تر معمولاً انرژی بیشتری برای کارکردن نسبت به مدل‌های کوچک‌تر و ساده‌تر نیاز دارند.
• کارایی سخت‌افزار: پردازنده‌های گرافیکی و سایر اجزای سخت‌افزاری که برای اجرای مدل‌های هوش مصنوعی استفاده می‌شوند، نقش مهمی در مصرف انرژی ایفا می‌کنند. سخت‌افزار پیشرفته‌تر و کارآمدتر از نظر انرژی می‌تواند به طور قابل توجهی ردپای انرژی هوش مصنوعی را کاهش دهد.
• طول و پیچیدگی درخواست: درخواست‌های طولانی‌تر و پیچیده‌تر معمولاً به منابع محاسباتی بیشتری نیاز دارند و در نتیجه انرژی بیشتری مصرف می‌کنند.
• تکنیک های بهینه سازی: تکنیک های مختلف بهینه سازی، مانند فشرده سازی مدل و کوانتیزاسیون، می توانند مصرف انرژی مدل های هوش مصنوعی را بدون کاهش دقت کاهش دهند.

مصرف آب

مصرف آب جنبه ای است که اغلب نادیده گرفته می شود از تأثیر زیست محیطی هوش مصنوعی. مراکز داده، که میزبان سرورهایی هستند که مدل‌های هوش مصنوعی را اجرا می‌کنند، به مقدار قابل توجهی آب برای خنک کردن نیاز دارند. این مطالعه مصرف آب را بر اساس مصرف انرژی مراکز داده و شدت آب شبکه‌های برق منطقه‌ای که برق این مراکز داده را تامین می‌کنند، تخمین می‌زند.

عوامل مؤثر بر مصرف آب:

• الزامات خنک کننده: مراکز داده گرمای قابل توجهی تولید می کنند و برای حفظ دمای عملیاتی مطلوب به سیستم های خنک کننده نیاز دارند. آب اغلب به عنوان یک خنک کننده، به طور مستقیم یا غیرمستقیم از طریق برج های خنک کننده استفاده می شود.
• شدت آب شبکه برق: شدت آب شبکه برق به مقدار آبی اشاره دارد که برای تولید یک واحد برق مورد نیاز است. شبکه‌های برقی که به‌شدت به نیروگاه‌های حرارتی متکی هستند، که از آب برای خنک کردن استفاده می‌کنند، شدت آب بالاتری دارند.
• موقعیت مکانی مرکز داده: مراکز داده واقع در مناطق خشک یا مناطقی با مسائل کمبود آب می‌توانند تأثیر زیست‌محیطی هوش مصنوعی را تشدید کنند.

انتشار کربن

انتشار کربن یک محرک اصلی تغییرات آب و هوایی است. این مطالعه انتشار کربن را بر اساس مصرف انرژی مدل‌های هوش مصنوعی و شدت کربن شبکه‌های برق منطقه‌ای محاسبه می‌کند. شدت کربن به مقدار دی اکسید کربن منتشر شده در هر واحد برق تولید شده اشاره دارد.

عوامل مؤثر بر انتشار کربن:

• منبع انرژی: نوع انرژی مورد استفاده برای تامین انرژی مراکز داده تأثیر قابل توجهی بر انتشار کربن دارد. منابع انرژی تجدیدپذیر، مانند انرژی خورشیدی و بادی، شدت کربن بسیار کمتری نسبت به سوخت های فسیلی مانند زغال سنگ و گاز طبیعی دارند.
• شدت کربن شبکه برق: شدت کربن شبکه برق بسته به ترکیب منابع انرژی مورد استفاده برای تولید برق متفاوت است. مناطق با سهم بالاتری از منابع انرژی تجدیدپذیر شدت کربن کمتری دارند.
• بهره وری انرژی: کاهش مصرف انرژی موثرترین راه برای کاهش انتشار کربن است.

پیامدها و توصیه‌ها

یافته‌های این مطالعه پیامدهای مهمی برای توسعه‌دهندگان هوش مصنوعی، سیاست‌گذاران و کاربران نهایی دارد. تأثیر زیست‌محیطی هوش مصنوعی ناچیز نیست و باید با دقت در نظر گرفته شود زیرا فناوری هوش مصنوعی به پیشرفت و گسترش خود ادامه می‌دهد.

توصیه‌هایی برای توسعه‌دهندگان هوش مصنوعی:

• اولویت دادن به بهره‌ وری انرژی: توسعه‌دهندگان هوش مصنوعی باید در هنگام طراحی و آموزش مدل‌های هوش مصنوعی، بهره‌وری انرژی را در اولویت قرار دهند. این شامل استفاده از مدل‌های کوچک‌تر، بهینه‌سازی کد و استفاده از سخت‌افزار کارآمد است.
• کاوش منابع انرژی تجدیدپذیر: شرکت های هوش مصنوعی باید فرصت‌ها را برای تامین انرژی مراکز داده خود با منابع انرژی تجدیدپذیر بررسی کنند. این می‌تواند به طور قابل توجهی ردپای کربن هوش مصنوعی را کاهش دهد.
• سرمایه‌گذاری در حفاظت از آب: مراکز داده باید در فناوری‌های حفاظت از آب سرمایه‌گذاری کنند تا مصرف آب را به حداقل برسانند. این شامل استفاده از سیستم‌های خنک کننده حلقه بسته و جمع آوری آب باران است.
• شفافیت و گزارش دهی: شرکت های هوش مصنوعی باید در مورد تأثیرات زیست‌محیطی مدل‌های خود شفاف باشند و معیارهای کلیدی مانند مصرف انرژی، استفاده از آب و انتشار کربن را گزارش دهند.

توصیه‌هایی برای سیاست‌گذاران:

• مشوق دادن به هوش مصنوعی سبز: سیاست‌گذاران باید از طریق اعتبارات مالیاتی، یارانه‌ها و سایر مشوق‌ها، توسعه و استقرار فناوری های هوش مصنوعی سبز را تشویق کنند.
• تنظیم مصرف انرژی مراکز داده: سیاست‌گذاران باید مصرف انرژی مراکز داده را تنظیم کنند تا اطمینان حاصل شود که مراکز داده تا حد امکان کارآمد عمل می‌کنند.
• ترویج پذیرش انرژی تجدیدپذیر: سیاست‌گذاران باید پذیرش منابع انرژی تجدیدپذیر را برای کاهش شدت کربن شبکه‌های برق ترویج کنند.
• پشتیبانی از تحقیق و توسعه: سیاست‌گذاران باید از تحقیق و توسعه در مورد فناوری های جدید که می توانند تأثیر زیست‌محیطی هوش مصنوعی را کاهش دهند، حمایت کنند.

توصیه‌هایی برای کاربران نهایی:

• آگاهانه از هوش مصنوعی استفاده کنید: کاربران نهایی باید از استفاده از هوش مصنوعی خود آگاه باشند و از درخواست های غیرضروری یا بیهوده خودداری کنند.
• مدل‌های هوش مصنوعی سازگار با محیط زیست را انتخاب کنید: در صورت امکان، کاربران نهایی باید مدل های هوش مصنوعی را انتخاب کنند که شناخته شده اند که از نظر انرژی کارآمدتر هستند.
• از شیوه های هوش مصنوعی پایدار حمایت کنید: کاربران نهایی می توانند با انتخاب محصولات و خدمات هوش مصنوعی از شرکت هایی که متعهد به مسئولیت زیست محیطی هستند، از شیوه های هوش مصنوعی پایدار حمایت کنند.

زمینه های تحقیقاتی آینده

این مطالعه بر نیاز به تحقیقات بیشتر در مورد تأثیرات زیست‌محیطی هوش مصنوعی تأکید می‌کند. تحقیقات آینده باید بر زمینه های زیر تمرکز کند:

• ارزیابی چرخه عمر: انجام یک ارزیابی جامع از چرخه عمر مدل‌های هوش مصنوعی، از توسعه تا دفع، برای شناسایی تمام تأثیرات زیست‌محیطی احتمالی.
• تأثیر آموزش: بررسی تأثیرات زیست‌محیطی آموزش مدل‌های هوش مصنوعی، که می‌تواند به طور قابل توجهی بالاتر از تأثیر استنتاج باشد.
• تأثیر هوش مصنوعی بر سایر بخش‌ها: بررسی تأثیر هوش مصنوعی بر سایر بخش‌های اقتصاد، مانند حمل و نقل و تولید، برای درک پیامدهای زیست‌محیطی کلی پذیرش هوش مصنوعی.
• توسعه معیارهای جدید: توسعه معیارهای جدید برای ارزیابی تأثیرات زیست‌محیطی هوش مصنوعی، مانند معیارهایی که انرژی و مواد تعبیه شده در سخت‌افزار هوش مصنوعی را در نظر می‌گیرند.

نتیجه گیری

تأثیرات زیست‌محیطی LLM ها یک موضوع پیچیده و چندوجهی است که نیازمند بررسی دقیق است. یافته‌های این مطالعه بینش های ارزشمندی در مورد هزینه‌های انرژی، آب و کربن مرتبط با ابزارهای محبوب هوش مصنوعی ارائه می‌دهد. با درک این هزینه‌ها، توسعه‌دهندگان هوش مصنوعی، سیاست‌گذاران و کاربران نهایی می‌توانند اقداماتی را برای به حداقل رساندن ردپای زیست‌محیطی هوش مصنوعی انجام دهند و اطمینان حاصل کنند که فناوری هوش مصنوعی به شیوه‌ای پایدار توسعه و مستقر می‌شود. با ادغام بیشتر هوش مصنوعی در زندگی ما، حیاتی است که پایداری را در اولویت قرار دهیم و برای ایجاد آینده‌ای با هم کار کنیم که در آن هوش مصنوعی به نفع جامعه باشد بدون اینکه به محیط زیست آسیب برساند.