המרדף הבלתי פוסק אחר חדשנות בינה מלאכותית (AI) הוביל לפיתוח מודלי שפה גדולים (LLMs) מתוחכמים יותר ויותר. אמנם מודלים אלה מציגים יכולות מרשימות בתחומים שונים, אך ההשלכות הסביבתיות הקשורות לאימון ולפריסה שלהם נותרו במידה רבה מעורפלות. חברות המפתחות מודלים של AI משתפות בשמחה נתוני ביצועים על סמך מדדים, אך נוטות להימנע מהשפעה סביבתית. מחקרים אחרונים שופכים אור על עלויות האנרגיה, המים והפחמן שלעתים קרובות מתעלמים מהן, הקשורות לכלי AI חזקים אלה.
מדד חדש להערכת השפעה סביבתית
במסע לכימות ההשפעה הסביבתית של AI, צוות חוקרים מאוניברסיטת רוד איילנד, מכללת פרובידנס ואוניברסיטת תוניסיה הציג מדד מודע לתשתית עבור הסקת AI. מחקר זה, הזמין בשרת המקדימים arXiv של אוניברסיטת קורנל, מציע הערכה מדויקת יותר של ההשפעות האקולוגיות של AI. המדד משלב נתוני השהיית API ציבוריים עם מידע על מעבדי GPU בסיסיים והרכבי רשת חשמל אזוריים כדי לחשב את טביעת הרגל הסביבתית לכל הנחיה עבור 30 מודלי AI מיינסטרים. גישה מקיפה זו שוקלת צריכת אנרגיה, שימוש במים ופליטות פחמן, ומגיעה לציון "יעילות אקולוגית".
עבדלתואב הנדאווי, פרופסור חבר באוניברסיטת רוד איילנד, מסביר את המניע מאחורי המחקר: "התחלנו לחשוב על השוואת המודלים האלה מבחינת משאבי סביבה, מים, אנרגיה וטביעת רגל פחמנית." הממצאים מגלים פערים משמעותיים בהשפעה הסביבתית של מודלי AI שונים.
פערים בצריכת אנרגיה: OpenAI, DeepSeek ואנתרופיק
המחקר מדגיש הבדלים ניכרים בצריכת האנרגיה בין מודלי AI מובילים. המודל o3 של OpenAI ומודל הטיעון הראשי של DeepSeek צורכים יותר מ-33 וואט-שעה (Wh) לתגובה מורחבת בודדת. זה מנוגד בחדות לננו GPT-4.1 הקטן יותר של OpenAI, הדורש יותר מפי 70 פחות אנרגיה. קלוד-3.7 סונט של אנתרופיק מתגלה כמודל היעיל ביותר מבחינה אקולוגית במחקר.
החוקרים מדגישים את התפקיד המכריע של חומרה בקביעת ההשפעה הסביבתית של מודלי AI. לדוגמה, GPT-4o mini, המשתמש במעבדי A100 GPU ישנים יותר, צורך יותר אנרגיה לשאילתה מאשר GPT-4o הגדול יותר, הפועל על שבבי H100 מתקדמים יותר. זה מדגיש את החשיבות של מינוף חומרה חדשנית כדי למזער את טביעת הרגל הסביבתית של AI.
מחיר סביבתי של אורך שאילתה
המחקר מגלה מתאם ישיר בין אורך שאילתה להשפעה סביבתית. שאילתות ארוכות יותר מובילות בהכרח לצריכת משאבים גדולה יותר. אפילו הנחיות קצרות לכאורה ולא משמעותיות תורמות לנטל הסביבתי הכולל. הנחיה קצרה אחת של GPT-4o צורכת כ-0.43 וואט-שעה של אנרגיה. חוקרים מעריכים שב-700 מיליון שיחות GPT-4o הצפויות של OpenAI ביום, צריכת האנרגיה השנתית הכוללת עשויה לנוע בין 392 ל-463 ג’יגה-ואט-שעה (GWh). כדי להכניס זאת לפרופורציה, זה מספיק אנרגיה כדי להפעיל בין 35,000 בתים אמריקאים בשנה.
ההשפעה המצטברת של אימוץ AI
המחקר מדגיש שאימוץ AI של משתמשים בודדים יכול להסלים במהירות לעלויות סביבתיות ניכרות. נידהל ג’האם, חוקרת באוניברסיטת רוד איילנד והמחברת הראשית של המחקר, מסבירה כי "שימוש ב-ChatGPT-4o מדי שנה צורך מים כמו צורכי השתייה של 1.2 מיליון אנשים בשנה." ג’האם מזהירה שאמנם ההשפעה הסביבתית של הודעה או הנחיה אחת נראית זניחה, "ברגע שמגדילים אותה, במיוחד כמה AI מתרחב על פני מדדים, זה באמת הופך להיות נושא עולה."
התעמקות במדדי ההשפעה הסביבתית
כדי להעריך באופן מלא את ההשלכות של ממצאי המחקר, ניתוח מפורט יותר של המדדים הסביבתיים המשמשים להערכת מודלי ה-AI הוא חיוני. הסעיפים הבאים מספקים פירוט של מדדי המפתח:
צריכת אנרגיה
צריכת אנרגיה היא מדד בסיסי של הכוח החשמלי הנדרש להפעלת מודלי AI. המחקר מכמת את צריכת האנרגיה בוואט-שעה (Wh) לשאילתה, ומאפשר השוואה ישירה של יעילות האנרגיה של מודלים שונים. מזעור צריכת האנרגיה הוא קריטי להפחתת טביעת הרגל הפחמנית וההשפעה הסביבתית הכוללת של AI.
גורמים המשפיעים על צריכת אנרגיה:
- גודל ומורכבות המודל: מודלים גדולים ומורכבים יותר דורשים בדרך כלל יותר אנרגיה כדי לפעול ממודלים קטנים ופשוטים יותר.
- יעילות חומרה: למעבדי ה-GPU ורכיבי חומרה אחרים המשמשים להפעלת מודלי AI יש תפקיד משמעותי בצריכת האנרגיה. חומרה מתקדמת ויעילה יותר באנרגיה יכולה להפחית באופן משמעותי את טביעת הרגל האנרגטית של AI.
- אורך ומורכבות שאילתה: שאילתות ארוכות ומורכבות יותר דורשות בדרך כלל יותר משאבי מחשוב ולכן צורכות יותר אנרגיה.
- טכניקות אופטימיזציה: טכניקות אופטימיזציה שונות, כמו דחיסת מודל וקוונטיזציה, יכולות להפחית את צריכת האנרגיה של מודלי AI מבלי לוותר על דיוק.
שימוש במים
שימוש במים הוא היבט שלעתים קרובות מתעלמים ממנו בהשפעה הסביבתית של AI. מרכזי נתונים, המאכלסים את השרתים המריצים מודלי AI, דורשים כמויות ניכרות של מים לקירור. המחקר מעריך את השימוש במים על סמך צריכת האנרגיה של מרכזי הנתונים ואינטנסיביות המים של רשתות החשמל האזוריות המספקות חשמל לאותם מרכזי נתונים.
גורמים המשפיעים על שימוש במים:
- דרישות קירור: מרכזי נתונים מייצרים חום משמעותי ודורשים מערכות קירור כדי לשמור על טמפרטורות פעולה מיטביות. מים משמשים לעתים קרובות כחומר קירור, במישרין או בעקיפין באמצעות מגדלי קירור.
- עוצמת מים של רשת החשמל: עוצמת המים של רשת החשמל מתייחסת לכמות המים הנדרשת לייצור יחידת חשמל. רשתות חשמל המסתמכות במידה רבה על תחנות כוח תרמיות, המשתמשות במים לקירור, הן בעלות עוצמת מים גבוהה יותר.
- מיקום מרכז נתונים: מרכזי נתונים הממוקמים באזורים צחיחים או אזורים עם בעיות מחסור במים יכולים להחמיר את ההשפעה הסביבתית של AI.
פליטת פחמן
פליטת פחמן היא מניע עיקרי של שינויי אקלים. המחקר מחשב את פליטת הפחמן על סמך צריכת האנרגיה של מודלי AI ואינטנסיביות הפחמן של רשתות החשמל האזוריות. עוצמת פחמן מתייחסת לכמות הפחמן הדו-חמצני הנפלטת ליחידת חשמל המיוצרת.
גורמים המשפיעים על פליטת פחמן:
- מקור אנרגיה: לסוג האנרגיה המשמשת להפעלת מרכזי נתונים יש השפעה משמעותית על פליטת פחמן. למקורות אנרגיה מתחדשים, כמו אנרגיית שמש ואנרגיית רוח, יש עוצמות פחמן נמוכות בהרבה מדלקים מאובנים כמו פחם וגז טבעי.
- עוצמת פחמן של רשת החשמל: עוצמת הפחמן של רשת החשמל משתנה בהתאם לתמהיל של מקורות אנרגיה המשמשים לייצור חשמל. לאזורים עם שיעור גבוה יותר של מקורות אנרגיה מתחדשים יש עוצמות פחמן נמוכות יותר.
- יעילות אנרגטית: הפחתת צריכת האנרגיה היא הדרך היעילה ביותר להפחתת פליטת פחמן.
השלכות והמלצות
לממצאי המחקר יש השלכות משמעותיות עבור מפתחי AI, קובעי מדיניות ומשתמשי קצה. ההשפעה הסביבתית של AI אינה זניחה ויש לשקול אותה בזהירות ככל שטכנולוגיית AI ממשיכה להתקדם ולהתרבות.
המלצות למפתחי AI:
- תעדוף יעילות אנרגטית: מפתחי AI צריכים לתעדף יעילות אנרגטית בעת תכנון והכשרת מודלי AI. זה כולל שימוש במודלים קטנים יותר, אופטימיזציה של קוד ומינוף חומרה יעילה.
- חקור מקורות אנרגיה מתחדשים: חברות AI צריכות לחקור הזדמנויות להפעלת מרכזי הנתונים שלהן באמצעות מקורות אנרגיה מתחדשים. זה יכול להפחית באופן משמעותי את טביעת הרגל הפחמנית של AI.
- השקיעו בשימור מים: מרכזי נתונים צריכים להשקיע בטכנולוגיות שימור מים כדי למזער את השימוש במים. זה כולל שימוש במערכות קירור במעגל סגור ואיסוף מי גשמים.
- שקיפות ודיווח: חברות AI צריכות להיות שקופות לגבי ההשפעה הסביבתית של המודלים שלהן ולדווח על מדדי מפתח כמו צריכת אנרגיה, שימוש במים ופליטת פחמן.
המלצות לקובעי מדיניות:
תמריץ AI ירוק: קובעי מדיניות צריכים לתמרץ את הפיתוח והפריסה של טכנולוגיות AI ירוקות באמצעות זיכויי מס, סובסידיות ותמריצים אחרים.
הסדרת צריכתאנרגיה של מרכזי נתונים: קובעי מדיניות צריכים להסדיר את צריכת האנרגיה של מרכזי נתונים כדי להבטיח שמרכזי נתונים פועלים ביעילות ככל האפשר.
קידום אימוץ אנרגיה מתחדשת: קובעי מדיניות צריכים לקדם את אימוץ מקורות אנרגיה מתחדשים כדי להפחית את עוצמת הפחמן של רשתות חשמל.
תמיכה במחקר ופיתוח: קובעי מדיניות צריכים לתמוך במחקר ופיתוח לטכנולוגיות חדשות שיכולות להפחית את ההשפעה הסביבתית של AI.
המלצות למשתמשי קצה:
- שימו לב לשימוש ב-AI: משתמשי קצה צריכים להיות מודעים לשימוש שלהם ב-AI ולהימנע משאילתות מיותרות או קלות דעת.
- בחרו מודלי AI ידידותיים לסביבה: כאשר אפשר, משתמשי קצה צריכים לבחור מודלי AI שידועים כי הם יעילים יותר באנרגיה.
- תמכו בשיטות AI בנות קיימא: משתמשי קצה יכולים לתמוך בשיטות AI בנות קיימא על ידי בחירת מוצרי ושירותי AI מחברות המחויבות לאחריות סביבתית.
כיווני מחקר עתידיים
המחקר מדגיש את הצורך במחקר נוסף על ההשפעה הסביבתית של AI. מחקר עתידי צריך להתמקד בתחומים הבאים:
- הערכת מחזור חיים: עריכת הערכת מחזור חיים מקיפה של מודלי AI, מפיתוח ועד סילוק, כדי לזהות את כל ההשפעות הסביבתיות הפוטנציאליות.
- השפעה של אימון: חקירת ההשפעה הסביבתית של הכשרת מודלי AI, שעשויה להיות גבוהה משמעותית מההשפעה של הסקה.
- השפעה של AI על מגזרים אחרים: בחינת ההשפעה של AI על מגזרים אחרים בכלכלה, כמו תחבורה וייצור, כדי להבין את ההשלכות הסביבתיות הכוללות של אימוץ AI.
- פיתוח מדדים חדשים: פיתוח מדדים חדשים להערכת ההשפעה הסביבתית של AI, כגון מדדים המתייחסים לאנרגיה ולחומרים המגולמים בחומרת AI.
מסקנה
ההשפעה הסביבתית של LLMs היא נושא מורכב ורב פנים הדורש התייחסות זהירה. ממצאי מחקר זה מספקים תובנות חשובות לגבי עלויות האנרגיה, המים והפחמן הקשורות לכלי AI פופולריים. על ידי הבנת עלויות אלה, מפתחי AI, קובעי מדיניות ומשתמשי קצה יכולים לנקוט צעדים כדי למזער את טביעת הרגל הסביבתית של AI ולהבטיח שטכנולוגיית AI תפותח ותיפרס בצורה בת קיימא. ככל ש-AI הופך משולב יותר בחיינו, חיוני לתעדף קיימות ולעבוד יחד כדי ליצור עתיד שבו AI מועיל לחברה מבלי לפגוע בסביבה.