बड़े भाषा मॉडलों का पर्यावरणीय पदचिह्न

कृत्रिम बुद्धिमत्ता (AI) नवाचार की निरंतर खोज ने तेजी से परिष्कृत बड़े भाषा मॉडल (LLM) के विकास का नेतृत्व किया है। जबकि ये मॉडल विभिन्न डोमेन में प्रभावशाली क्षमताएं प्रदर्शित करते हैं, उनकी प्रशिक्षण और तैनाती से जुड़े पर्यावरणीय परिणाम काफी हद तक अस्पष्ट रहे हैं। AI मॉडल विकसित करने वाली कंपनियां बेंचमार्क पर प्रदर्शन डेटा को आसानी से साझा करती हैं, लेकिन पर्यावरणीय प्रभाव से बचने की प्रवृत्ति रखती हैं। हालिया शोध इन शक्तिशाली AI उपकरणों से जुड़ी अक्सर अनदेखी की जाने वाली ऊर्जा, पानी और कार्बन लागतों पर प्रकाश डालते हैं।

पर्यावरणीय प्रभाव के आकलन के लिए एक नया बेंचमार्क

AI के पर्यावरणीय प्रभाव को मापने की खोज में, रोड आइलैंड विश्वविद्यालय, प्रोविडेंस कॉलेज और ट्यूनिस विश्वविद्यालय के शोधकर्ताओं की एक टीम ने AI अनुमान के लिए एक बुनियादी ढांचे के प्रति जागरूक बेंचमार्क पेश किया है। यह शोध, कॉर्नेल विश्वविद्यालय के प्रीप्रिंट सर्वर arXiv पर उपलब्ध है, AI के पारिस्थितिक प्रभावों का अधिक सटीक मूल्यांकन प्रदान करता है। बेंचमार्क 30 मुख्यधारा के AI मॉडल के लिए प्रति प्रॉम्प्ट पर्यावरणीय पदचिह्न की गणना करने के लिए अंतर्निहित GPU और क्षेत्रीय पावर ग्रिड संरचनाओं की जानकारी के साथ सार्वजनिक API विलंबता डेटा को जोड़ता है। यह व्यापक दृष्टिकोण ऊर्जा खपत, पानी के उपयोग और कार्बन उत्सर्जन पर विचार करता है, जो एक "इको-एफिशिएंसी" स्कोर में परिणत होता है।

रोड आइलैंड विश्वविद्यालय में सहायक प्रोफेसर अबदेलातवाब हेंडवी ने अध्ययन के पीछे की प्रेरणा को समझाया: "हमने पर्यावरणीय संसाधनों, पानी, ऊर्जा और कार्बन पदचिह्न के संदर्भ में इन मॉडलों की तुलना करने के बारे में सोचना शुरू किया।" निष्कर्षों से पता चलता है कि विभिन्न AI मॉडलों के पर्यावरणीय प्रभाव में महत्वपूर्ण असमानताएं हैं।

ऊर्जा खपत में असमानताएं: OpenAI, DeepSeek और Anthropic

अध्ययन में अग्रणी AI मॉडलों के बीच ऊर्जा खपत में पर्याप्त अंतर पर प्रकाश डाला गया है। OpenAI का o3 मॉडल और DeepSeek का प्राथमिक तर्क मॉडल एक ही विस्तारित प्रतिक्रिया के लिए 33 वाट-घंटे (Wh) से अधिक की खपत करते हैं। यह OpenAI के छोटे GPT-4.1 नैनो के विपरीत है, जिसके लिए 70 गुना कम ऊर्जा की आवश्यकता होती है। Anthropic का Claude-3.7 Sonnet अध्ययन में सबसे अधिक पारिस्थितिक रूप से कुशल मॉडल के रूप में उभरा है।

शोधकर्ताओं ने AI मॉडल के पर्यावरणीय प्रभाव को निर्धारित करने में हार्डवेयर की महत्वपूर्ण भूमिका पर जोर दिया है। उदाहरण के लिए, GPT-4o मिनी, जो पुराने A100 GPU का उपयोग करता है, बड़े GPT-4o की तुलना में प्रति क्वेरी अधिक ऊर्जा की खपत करता है, जो अधिक उन्नत H100 चिप्स पर काम करता है। यह AI के पर्यावरणीय पदचिह्न को कम करने के लिए अत्याधुनिक हार्डवेयर का लाभ उठाने के महत्व को रेखांकित करता है।

क्वेरी लंबाई का पर्यावरणीय प्रभाव

अध्ययन में क्वेरी लंबाई और पर्यावरणीय प्रभाव के बीच सीधा संबंध बताया गया है। लंबी प्रश्नों के परिणामस्वरूप अनिवार्य रूप से अधिक संसाधन खपत होती है। यहां तक कि प्रतीत होता है कि महत्वहीन, छोटे संकेत समग्र पर्यावरणीय बोझ में योगदान करते हैं। एक एकल संक्षिप्त GPT-4o संकेत लगभग 0.43 Wh ऊर्जा की खपत करता है। शोधकर्ताओं का अनुमान है कि OpenAI के प्रति दिन 700 मिलियन GPT-4o कॉल के अनुमानित अनुमान पर, कुल वार्षिक ऊर्जा खपत 392 से 463 गीगावाट-घंटे (GWh) तक हो सकती है। इसे परिप्रेक्ष्य में रखने के लिए, यह सालाना 35,000 अमेरिकी घरों के बीच बिजली भरने के लिए पर्याप्त ऊर्जा है।

AI अपनाने का संचयी प्रभाव

अध्ययन में इस बात पर जोर दिया गया है कि AI को व्यक्तिगत उपयोगकर्ताओं द्वारा अपनाना जल्दी से पर्याप्त पर्यावरणीय लागत में बढ़ सकता है। रोड आइलैंड विश्वविद्यालय में शोधकर्ता और अध्ययन के प्रमुख लेखक निधल जागम ने समझाया कि "ChatGPT-4o का वार्षिक उपयोग सालाना 1.2 मिलियन लोगों की पीने की जरूरतों के बराबर पानी की खपत करता है।" जागम ने चेतावनी दी कि एक एकल संदेश या संकेत का पर्यावरणीय प्रभाव नगण्य लगता है, "एक बार जब आप इसे बढ़ाते हैं, खासकर AI कितना अधिक बढ़ता जा रहा है, तो यह वास्तव में एक बढ़ता हुआ मुद्दा बन रहा है।"

पर्यावरणीय प्रभाव मीट्रिक में गहराई से उतरना

अध्ययन के निष्कर्षों के निहितार्थों को पूरी तरह से समझने के लिए, AI मॉडलों का मूल्यांकन करने के लिए उपयोग किए जाने वाले पर्यावरणीय मीट्रिक की अधिक विस्तृत जांच आवश्यक है। निम्नलिखित अनुभाग मुख्य मीट्रिक का विवरण प्रदान करते हैं:

ऊर्जा की खपत

ऊर्जा की खपत AI मॉडल को संचालित करने के लिए आवश्यक विद्युत शक्ति का एक मूलभूत माप है। अध्ययन विभिन्न मॉडलों की ऊर्जा दक्षता की सीधी तुलना के लिए प्रति क्वेरी वाट-घंटे (Wh) में ऊर्जा खपत को मापता है। कार्बन पदचिह्न और AI के समग्र पर्यावरणीय प्रभाव को कम करने के लिए ऊर्जा खपत को कम करना महत्वपूर्ण है।

ऊर्जा खपत को प्रभावित करने वाले कारक:

• मॉडल का आकार और जटिलता: बड़े और अधिक जटिल मॉडल को आमतौर पर छोटे, सरल मॉडल की तुलना में संचालित करने के लिए अधिक ऊर्जा की आवश्यकता होती है।
• हार्डवेयर दक्षता: GPU और अन्य हार्डवेयर घटक जो AI मॉडल चलाने के लिए उपयोग किए जाते हैं, वे ऊर्जा खपत में महत्वपूर्ण भूमिका निभाते हैं। अधिक उन्नत और ऊर्जा-कुशल हार्डवेयर AI के ऊर्जा पदचिह्न को काफी कम कर सकता है।
• क्वेरी लंबाई और जटिलता: लंबी और अधिक जटिल प्रश्नों के लिए आम तौर पर अधिक संगणनात्मक संसाधनों की आवश्यकता होती है और इस प्रकार अधिक ऊर्जा की खपत होती है।
• अनुकूलन तकनीक: मॉडल संपीड़न और क्वांटिज़ेशन जैसी विभिन्न अनुकूलन तकनीकें, सटीकता का त्याग किए बिना AI मॉडल की ऊर्जा खपत को कम कर सकती हैं।

पानी का उपयोग

पानी का उपयोग AI के पर्यावरणीय प्रभाव का एक अक्सर अनदेखा पहलू है। डेटा केंद्रों, जो AI मॉडल चलाने वाले सर्वरों के घर हैं, को ठंडा करने के लिए बड़ी मात्रा में पानी की आवश्यकता होती है। अध्ययन डेटा केंद्रों की ऊर्जा खपत और क्षेत्रीय पावर ग्रिड की जल तीव्रता के आधार पर पानी के उपयोग का अनुमान लगाता है जो उन डेटा केंद्रों को बिजली की आपूर्ति करते हैं।

पानी के उपयोग को प्रभावित करने वाले कारक:

• शीतलन आवश्यकताएँ: डेटा केंद्र महत्वपूर्ण गर्मी उत्पन्न करते हैं और इष्टतम ऑपरेटिंग तापमान बनाए रखने के लिए शीतलन प्रणालियों की आवश्यकता होती है। पानी का उपयोग अक्सर शीतलक के रूप में किया जाता है, या तो सीधे या अप्रत्यक्ष रूप से कूलिंग टावरों के माध्यम से।
• पावर ग्रिड जल तीव्रता: पावर ग्रिड की जल तीव्रता बिजली की एक इकाई उत्पन्न करने के लिए आवश्यक पानी की मात्रा को संदर्भित करती है। पावर ग्रिड जो थर्मोइलेक्ट्रिक पावर प्लांटों पर बहुत अधिक निर्भर करते हैं, जो शीतलन के लिए पानी का उपयोग करते हैं, उनकी जल तीव्रता अधिक होती है।
• डेटा केंद्र का स्थान: शुष्क क्षेत्रों या पानी की कमी के मुद्दों वाले क्षेत्रों में स्थित डेटा केंद्र AI के पर्यावरणीय प्रभाव को बढ़ा सकते हैं।

कार्बन उत्सर्जन

कार्बन उत्सर्जन जलवायु परिवर्तन का एक प्राथमिक चालक है। अध्ययन AI मॉडल की ऊर्जा खपत और क्षेत्रीय पावर ग्रिड की कार्बन तीव्रता के आधार पर कार्बन उत्सर्जन की गणना करता है। कार्बन तीव्रता बिजली की प्रति यूनिट उत्पन्न कार्बन डाइऑक्साइड की मात्रा को संदर्भित करती है।

कार्बन उत्सर्जन को प्रभावित करने वाले कारक:

• ऊर्जा स्रोत: डेटा केंद्रों को बिजली देने के लिए उपयोग की जाने वाली ऊर्जा के प्रकार का कार्बन उत्सर्जन पर महत्वपूर्ण प्रभाव पड़ता है। सौर और पवन ऊर्जा जैसे अक्षय ऊर्जा स्रोतों में कोयला और प्राकृतिक गैस जैसे जीवाश्म ईंधन की तुलना में बहुत कम कार्बन तीव्रता होती है।
• पावर ग्रिड कार्बन तीव्रता: बिजली उत्पन्न करने के लिए उपयोग किए जाने वाले ऊर्जा स्रोतों के मिश्रण के आधार पर पावर ग्रिड की कार्बन तीव्रता भिन्न होती है। अक्षय ऊर्जा स्रोतों का उच्च अनुपात वाले क्षेत्रों में कम कार्बन तीव्रता होती है।
• ऊर्जा दक्षता: ऊर्जा की खपत को कम करना कार्बन उत्सर्जन को कम करने का सबसे प्रभावी तरीका है।

निहितार्थ और अनुशंसाएँ

अध्ययन के निष्कर्षों के AI डेवलपर्स, नीति निर्माताओं और अंतिम उपयोगकर्ताओं के लिए महत्वपूर्ण निहितार्थ हैं। AI का पर्यावरणीय प्रभाव नगण्य नहीं है और AI तकनीक के आगे बढ़ने और फैलने के साथ-साथ सावधानीपूर्वक विचार करने की आवश्यकता है।

AI डेवलपर्स के लिए अनुशंसाएँ:

• ऊर्जा दक्षता को प्राथमिकता दें: AI डेवलपर्स को AI मॉडल को डिजाइन और प्रशिक्षित करते समय ऊर्जा दक्षता को प्राथमिकता देनी चाहिए। इसमें छोटे मॉडल का उपयोग करना, कोड अनुकूलित करना और कुशल हार्डवेयर का लाभ उठाना शामिल है।
• अक्षय ऊर्जा स्रोतों का अन्वेषण करें: AI कंपनियों को अक्षय ऊर्जा स्रोतों के साथ अपने डेटा केंद्रों को बिजली देने के अवसरों का पता लगाना चाहिए। यह AI के कार्बन पदचिह्न को काफी कम कर सकता है।
• जल संरक्षण में निवेश करें: डेटा केंद्रों को पानी के उपयोग को कम करने के लिए जल संरक्षण तकनीकों में निवेश करना चाहिए। इसमें बंद-लूप शीतलन प्रणालियों और वर्षा जल संचयन का उपयोग करना शामिल है।
• पारदर्शिता और रिपोर्टिंग: AI कंपनियों को अपने मॉडल के पर्यावरणीय प्रभाव के बारे में पारदर्शी होना चाहिए और ऊर्जा खपत, पानी के उपयोग और कार्बन उत्सर्जन जैसे प्रमुख मीट्रिक की रिपोर्ट करनी चाहिए।

नीति निर्माताओं के लिए अनुशंसाएँ:

• ग्रीन AI को प्रोत्साहित करें: नीति निर्माताओं को कर क्रेडिट, सब्सिडी और अन्य प्रोत्साहनों के माध्यम से ग्रीन AI प्रौद्योगिकियों के विकास और तैनाती को प्रोत्साहित करना चाहिए।
• डेटा केंद्र ऊर्जा खपत को विनियमित करें: नीति निर्माताओं को डेटा केंद्र ऊर्जा खपत को विनियमित करना चाहिए ताकि यह सुनिश्चित किया जा सके कि डेटा केंद्र जितना संभव हो उतना कुशलता से काम कर रहे हैं।
• अक्षय ऊर्जा अपनाने को बढ़ावा दें: नीति निर्माताओं को पावर ग्रिड की कार्बन तीव्रता को कम करने के लिए अक्षय ऊर्जा स्रोतों को अपनाने को बढ़ावा देना चाहिए।
• अनुसंधान और विकास का समर्थन करें: नीति निर्माताओं को नई तकनीकों में अनुसंधान और विकास का समर्थन करना चाहिए जो AI के पर्यावरणीय प्रभाव को कम कर सकती हैं।

अंतिम-उपयोगकर्ताओं के लिए अनुशंसाएँ:

• AI उपयोग के प्रति सचेत रहें: अंतिम-उपयोगकर्ताओं को अपने AI उपयोग के प्रति सचेत रहना चाहिए और अनावश्यक या हल्के प्रश्नों से बचना चाहिए।
• इको-फ्रेंडली AI मॉडल चुनें: जब संभव हो, तो अंतिम-उपयोगकर्ताओं को AI मॉडल चुनना चाहिए जो अधिक ऊर्जा-कुशल होने के लिए जाने जाते हैं।
• सतत AI प्रथाओं का समर्थन करें: अंतिम-उपयोगकर्ता पर्यावरण जिम्मेदारी के लिए प्रतिबद्ध कंपनियों से AI उत्पादों और सेवाओं का चयन करके सतत AI प्रथाओं का समर्थन कर सकते हैं।

भविष्य के अनुसंधान निर्देश

अध्ययन AI के पर्यावरणीय प्रभाव में आगे के अनुसंधान की आवश्यकता पर प्रकाश डालता है। भविष्य के अनुसंधान को निम्नलिखित क्षेत्रों पर ध्यान केंद्रित करना चाहिए:

• जीवन चक्र मूल्यांकन: सभी संभावित पर्यावरणीय प्रभावों की पहचान करने के लिए विकास से लेकर निपटान तक AI मॉडल का एक व्यापक जीवन चक्र मूल्यांकन करना।
• प्रशिक्षण का प्रभाव: AI मॉडल को प्रशिक्षित करने के पर्यावरणीय प्रभाव की जाँच करना, जो अनुमान के प्रभाव से काफी अधिक हो सकता है।
• अन्य क्षेत्रों पर AI का प्रभाव: AI अपनाने के समग्र पर्यावरणीय परिणामों को समझने के लिए परिवहन और विनिर्माण जैसे अर्थव्यवस्था के अन्य क्षेत्रों पर AI के प्रभाव की जाँच करना।
• नए मीट्रिक का विकास: AI के पर्यावरणीय प्रभाव का आकलन करने के लिए नए मीट्रिक विकसित करना, जैसे कि मीट्रिक जो AI हार्डवेयर में सन्निहित ऊर्जा और सामग्री को ध्यान में रखते हैं।

निष्कर्ष

LLM का पर्यावरणीय प्रभाव एक जटिल और बहुआयामी मुद्दा है जिस पर सावधानीपूर्वक विचार करने की आवश्यकता है। इस अध्ययन के निष्कर्ष लोकप्रिय AI उपकरणों से जुड़ी ऊर्जा, पानी और कार्बन लागतों में मूल्यवान अंतर्दृष्टि प्रदान करते हैं। इन लागतों को समझकर, AI डेवलपर्स, नीति निर्माता और अंतिम-उपयोगकर्ता AI के पर्यावरणीय पदचिह्न को कम करने के लिए कदम उठा सकते हैं और यह सुनिश्चित कर सकते हैं कि AI तकनीक को एक स्थायी तरीके से विकसित और तैनात किया गया है। जैसे-जैसे AI हमारे जीवन में अधिक एकीकृत होता जा रहा है, स्थिरता को प्राथमिकता देना और एक ऐसा भविष्य बनाने के लिए मिलकर काम करना महत्वपूर्ण है जहाँ AI पर्यावरण को नुकसान पहुँचाए बिना समाज को लाभ पहुँचाता है।