मोठ्या भाषा मॉडेलचा पर्यावरणीय ठसा

कृत्रिम बुद्धिमत्ता (AI) नवकल्पनांच्या सततच्या प्रयत्नांमुळे अधिकाधिक अत्याधुनिक मोठ्या भाषा मॉडेलचा (LLMs) विकास झाला आहे. हे मॉडेल विविध क्षेत्रांमध्ये प्रभावी क्षमता दर्शवतात, परंतु त्यांच्या प्रशिक्षण आणि उपयोजनाशी संबंधित पर्यावरणीय परिणाम मोठ्या प्रमाणात अस्पष्ट आहेत. AI मॉडेल विकसित करणार्‍या कंपन्या बेंचमार्कवर कार्यप्रदर्शन डेटा सहजपणे सामायिक करतात, परंतु पर्यावरणीय प्रभाव टाळतात. अलीकडील संशोधनात या शक्तिशाली AI साधनांशी संबंधित ऊर्जा, पाणी आणि कार्बन खर्चांवर प्रकाश टाकला आहे, ज्याकडे अनेकदा दुर्लक्ष केले जाते.

पर्यावरणीय प्रभावाचे मूल्यांकन करण्यासाठी एक नवीन बेंचमार्क

AI च्या पर्यावरणीय प्रभावाचे प्रमाण निश्चित करण्याच्या प्रयत्नात, Rhode Island विद्यापीठ, Providence कॉलेज आणि Tunis विद्यापीठातील संशोधकांच्या एका टीमने AI अनुमानासाठी पायाभूत सुविधा-जागरूक बेंचमार्क सादर केले आहे. कॉर्नेल विद्यापीठाच्या प्रीप्रिंट सर्व्हर arXiv वर उपलब्ध असलेले हे संशोधन AI च्या पर्यावरणीय परिणामांचे अधिक अचूक मूल्यांकन करते. हा बेंचमार्क सार्वजनिक API लेटन्सी डेटाला अंतर्निहित GPUs आणि प्रादेशिक पॉवर ग्रिड रचनांवरील माहितीसह एकत्रित करतो आणि 30 मुख्य AI मॉडेलसाठी प्रति प्रॉम्प्ट पर्यावरणीय पदचिन्हाची गणना करतो. या सर्वसमावेशक दृष्टिकोन ऊर्जा वापर, पाण्याची गरज आणि कार्बन उत्सर्जन यांचा विचार करतो, ज्याचा परिणाम "इको-कार्यक्षमता" स्कोअरमध्ये होतो.

Rhode Island विद्यापीठातील सहाय्यक प्राध्यापक अब्देलतावाब हेंदवी अभ्यासामागची प्रेरणा स्पष्ट करतात: "आम्ही पर्यावरणीय संसाधने, पाणी, ऊर्जा आणि कार्बन पदचिन्हांच्या दृष्टीने या मॉडेलची तुलना करण्याचा विचार करण्यास सुरुवात केली." निष्कर्षांवरून असे दिसून आले आहे की वेगवेगळ्या AI मॉडेलच्या पर्यावरणीय प्रभावामध्ये लक्षणीय फरक आहेत.

ऊर्जा वापरातील तफावत: OpenAI, DeepSeek आणि Anthropic

अभ्यासात आघाडीच्या AI मॉडेलमध्ये ऊर्जा वापरामध्ये मोठे फरक दिसून आले आहेत. OpenAI चे o3 मॉडेल आणि DeepSeek चे प्राथमिक तर्क मॉडेल एका विस्तारित प्रतिसादासाठी 33 वॅट-तास (Wh) पेक्षा जास्त वापरतात. याउलट, OpenAI चे लहान GPT-4.1 नॅनो 70 पट कमी ऊर्जा वापरते. Anthropic चे Claude-3.7 Sonnet हे अभ्यासात सर्वात इको-कार्यक्षम मॉडेल म्हणून उदयास आले आहे.

संशोधकांनी AI मॉडेलच्या पर्यावरणीय परिणामामध्ये हार्डवेअरच्या महत्त्वपूर्ण भूमिकेवर जोर दिला आहे. उदाहरणार्थ, GPT-4o मिनी, जे जुने A100 GPUs वापरते, ते मोठ्या GPT-4o पेक्षा जास्त ऊर्जा वापरते, जे अधिक प्रगत H100 चिप्सवर चालते. AI चा पर्यावरणीय पदचिन्ह कमी करण्यासाठी अत्याधुनिक हार्डवेअर वापरण्याचे महत्त्व यावरून अधोरेखित होते.

क्वेरी लांबीचा पर्यावरणीय टोल

अभ्यासात क्वेरी लांबी आणि पर्यावरणीय प्रभाव यांच्यात थेट संबंध असल्याचे दिसून आले आहे. लांब क्वेरीमुळे मोठ्या प्रमाणात संसाधनांचा वापर होतो. अगदी किरकोळ, लहान प्रॉम्प्ट देखील एकूण पर्यावरणीय भारांमध्ये योगदान देतात. एक साधा GPT-4o प्रॉम्प्ट अंदाजे 0.43 Wh ऊर्जा वापरतो. संशोधकांचा असा अंदाज आहे की OpenAI च्या अंदाजित 700 दशलक्ष GPT-4o कॉल्स प्रति दिवसानुसार, एकूण वार्षिक ऊर्जा वापर 392 ते 463 गिगावाट-तास (GWh) पर्यंत असू शकतो. हे लक्षात घेण्यासारखे आहे की, ही ऊर्जा दरवर्षी 35,000 अमेरिकन घरांना वीज पुरवण्यासाठी पुरेशी आहे.

AI स्वीकारण्याचा एकत्रित परिणाम

अभ्यासात यावर जोर देण्यात आला आहे की AI चा वापर वैयक्तिक वापरकर्त्यांकडून मोठ्या प्रमाणात वाढू शकतो, ज्यामुळे पर्यावरणावर मोठा खर्च येऊ शकतो. Rhode Island विद्यापीठातील संशोधक आणि अभ्यासाचे प्रमुख लेखक निधल जेघम स्पष्ट करतात की "ChatGPT-4o चा वार्षिक वापर 1.2 दशलक्ष लोकांच्या पिण्याच्या पाण्याच्या गरजेइतका पाणी वापरतो." जेघम इशारा देतात की एका संदेशाचा किंवा प्रॉम्प्टचा पर्यावरणीय परिणाम नगण्य वाटत असला तरी, "एकदा तुम्ही तो वाढवला की, विशेषत: AI निर्देशांकानुसार किती विस्तारत आहे, ही खरोखरच एक वाढती समस्या आहे."

पर्यावरणीय प्रभाव मेट्रिक्समध्ये अधिक खोलवर जा

अभ्यासाच्या निष्कर्षांचे पूर्णपणे आकलन करण्यासाठी, AI मॉडेलचे मूल्यांकन करण्यासाठी वापरल्या जाणार्‍या पर्यावरणीय मेट्रिक्सची अधिक तपशीलवार तपासणी करणे आवश्यक आहे. खालील विभाग प्रमुख मेट्रिक्सचे विश्लेषण प्रदान करतात:

ऊर्जा वापर

ऊर्जा वापर हे AI मॉडेल चालवण्यासाठी आवश्यक असलेल्या विद्युत शक्तीचे मूलभूत माप आहे. अभ्यास प्रति क्वेरी वॅट-तासांमध्ये (Wh) ऊर्जा वापराचे प्रमाण निश्चित करतो, ज्यामुळे विविध मॉडेलच्या ऊर्जा कार्यक्षमतेची थेट तुलना करता येते. कार्बन पदचिन्ह आणि AI वरील एकूण पर्यावरणीय परिणाम कमी करण्यासाठी ऊर्जा वापर कमी करणे महत्वाचे आहे.

ऊर्जा वापरास प्रभावित करणारे घटक:

• मॉडेलचा आकार आणि जटिलता: मोठ्या आणि अधिक जटिल मॉडेलला लहान, साध्या मॉडेलपेक्षा चालविण्यासाठी जास्त ऊर्जा लागते.
• हार्डवेअर कार्यक्षमता: AI मॉडेल चालवण्यासाठी वापरले जाणारे GPUs आणि इतर हार्डवेअर घटक ऊर्जा वापरात महत्त्वपूर्ण भूमिका बजावतात. अधिक प्रगत आणि ऊर्जा-कार्यक्षम हार्डवेअर AI चा ऊर्जा पदचिन्ह लक्षणीयरीत्या कमी करू शकतो.
• क्वेरी लांबी आणि जटिलता: लांब आणि अधिक जटिल क्वेरीला सामान्यत: अधिक संगणकीय संसाधनांची आवश्यकता असते आणि त्यामुळे जास्त ऊर्जा वापरली जाते.
• ऑप्टिमायझेशन तंत्र: मॉडेल कॉम्प्रेशन आणि क्वांटिझेशनसारखी विविध ऑप्टिमायझेशन तंत्र अचूकता कमी न करता AI चा ऊर्जा वापर कमी करू शकतात.

पाण्याची गरज

AI च्या पर्यावरणीय परिणामाचा पाण्याच्या वापराकडे अनेकदा दुर्लक्ष केले जाते. डेटा सेंटर्स, जे AI मॉडेल चालवणारे सर्व्हर ठेवतात, त्यांना थंड ठेवण्यासाठी मोठ्या प्रमाणात पाण्याची आवश्यकता असते. अभ्यास डेटा केंद्रांच्या ऊर्जा वापरावर आधारित पाण्याच्या वापराचा अंदाज लावतो आणि प्रादेशिक पॉवर ग्रिडची पाणी तीव्रता त्या डेटा केंद्रांना वीज पुरवते.

पाण्याच्या वापरावर परिणाम करणारे घटक:

• थंड ठेवण्याची आवश्यकता: डेटा सेंटर्स मोठ्या प्रमाणात उष्णता निर्माण करतात आणि इष्टतम ऑपरेटिंग तापमान राखण्यासाठी शीतकरण प्रणाली आवश्यक असते. पाणी अनेकदा शीतलक म्हणून वापरले जाते, एकतर थेट किंवा अप्रत्यक्षपणे कूलिंग टॉवरद्वारे.
• पॉवर ग्रिड पाणी तीव्रता: पॉवर ग्रिडच्या पाणी तीव्रतेचा अर्थ विजेचा एक युनिट तयार करण्यासाठी आवश्यक असलेल्या पाण्याची मात्रा. औष्णिक ऊर्जा प्रकल्पांवर मोठ्या प्रमाणात अवलंबून असलेल्या पॉवर ग्रिड, जे थंड करण्यासाठी पाणी वापरतात, त्यांची पाणी तीव्रता जास्त असते.
• डेटा सेंटरचे स्थान: वाळवंटी प्रदेशात किंवा पाण्याच्या कमतरतेच्या समस्या असलेल्या प्रदेशात असलेल्या डेटा सेंटर्समुळे AI चा पर्यावरणीय प्रभाव वाढू शकतो.

कार्बन उत्सर्जन

कार्बन उत्सर्जन हे हवामान बदलाचे मुख्य कारण आहे. अभ्यास AI मॉडेलच्या ऊर्जा वापराच्या आधारावर आणि प्रादेशिक पॉवर ग्रिडच्या कार्बन तीव्रतेनुसार कार्बन उत्सर्जनाची गणना करतो. कार्बन तीव्रता म्हणजे तयार केलेल्या विजेच्या प्रति युनिट कार्बन डायऑक्साइड वायूंचे उत्सर्जन.

कार्बन उत्सर्जनावर परिणाम करणारे घटक:

• ऊर्जा स्रोत: डेटा सेंटर्सला वीज पुरवण्यासाठी वापरल्या जाणार्‍या ऊर्जेचा प्रकार कार्बन उत्सर्जनावर महत्त्वपूर्ण परिणाम करतो. सौर आणि पवन ऊर्जेसारख्या अक्षय ऊर्जा स्रोतांमध्ये कोळसा आणि नैसर्गिक वायूंसारख्या जीवाश्म इंधनांपेक्षा खूप कमी कार्बन तीव्रता असते.
• पॉवर ग्रिड कार्बन तीव्रता: वीज निर्मितीसाठी वापरल्या जाणार्‍या ऊर्जा स्रोतांच्या मिश्रणावर अवलंबून पॉवर ग्रिडची कार्बन तीव्रता बदलते. अक्षय ऊर्जा स्रोतांचे प्रमाण जास्त असलेल्या प्रदेशात कार्बन तीव्रता कमी असते.
• ऊर्जा कार्यक्षमता: कार्बन उत्सर्जन कमी करण्याचा सर्वात प्रभावी मार्ग म्हणजे ऊर्जा वापर कमी करणे.

परिणाम आणि शिफारसी

अभ्यासाच्या निष्कर्षांचे AI विकासक, धोरणकर्ते आणि अंतिम वापरकर्त्यांसाठी महत्त्वपूर्ण परिणाम आहेत. AI चा पर्यावरणीय प्रभाव नगण्य नाही आणि AI तंत्रज्ञान जसजसे प्रगती करत आहे आणि वाढत आहे तसतसे त्यावर काळजीपूर्वक विचार करणे आवश्यक आहे.

AI विकासकांसाठी शिफारसी:

• ऊर्जा कार्यक्षमतेला प्राधान्य द्या: AI मॉडेल डिझाइन आणि प्रशिक्षित करताना AI विकासकांनी ऊर्जा कार्यक्षमतेला प्राधान्य दिले पाहिजे. यामध्ये लहान मॉडेल वापरणे, कोड ऑप्टिमाइझ करणे आणि कार्यक्षम हार्डवेअरचा लाभ घेणे समाविष्ट आहे.
• अक्षय ऊर्जा स्रोतांचा शोध घ्या: AI कंपन्यांनी त्यांच्या डेटा सेंटर्सला अक्षय ऊर्जा स्रोतांनी वीज पुरवण्याची संधी शोधली पाहिजे. यामुळे AI चा कार्बन पदचिन्ह लक्षणीयरीत्या कमी होऊ शकतो.
• पाणी संरक्षणात गुंतवणूक करा: डेटा सेंटर्सनी पाण्याचा वापर कमी करण्यासाठी पाणी संरक्षण तंत्रज्ञानात गुंतवणूक केली पाहिजे. यामध्ये क्लोज्ड-लूप कूलिंग सिस्टम आणि पावसाचे पाणी साठवणे यांचा समावेश आहे.
• पारदर्शकता आणि अहवाल: AI कंपन्यांनी त्यांच्या मॉडेलच्या पर्यावरणीय प्रभावाबद्दल पारदर्शक असले पाहिजे आणि ऊर्जा वापर, पाण्याची गरज आणि कार्बन उत्सर्जन यासारख्या महत्त्वाच्या मेट्रिक्सचा अहवाल द्यावा.

धोरणकर्त्यांसाठी शिफारसी:

• ग्रीन AI ला प्रोत्साहन द्या: धोरणकर्त्यांनी कर क्रेडिट, सबसिडी आणि इतर प्रोत्साहनांद्वारे ग्रीन AI तंत्रज्ञानाच्या विकास आणि उपयोजनाला प्रोत्साहन दिले पाहिजे.
• डेटा सेंटर ऊर्जा वापराचे नियमन करा: धोरणकर्त्यांनी डेटा सेंटर ऊर्जा वापराचे नियमन केले पाहिजे जेणेकरून डेटा सेंटर्स शक्य तितके कार्यक्षमतेने चालतील.
• अक्षय ऊर्जा स्वीकृतीला प्रोत्साहन द्या: पॉवर ग्रिडची कार्बन तीव्रता कमी करण्यासाठी धोरणकर्त्यांनी अक्षय ऊर्जा स्रोतांच्या स्वीकृतीला प्रोत्साहन दिले पाहिजे.
• संशोधन आणि विकासाला समर्थन द्या: धोरणकर्त्यांनी नवीन तंत्रज्ञानामध्ये संशोधन आणि विकासाला समर्थन दिले पाहिजे ज्यामुळे AI चा पर्यावरणीय प्रभाव कमी होऊ शकेल.

अंतिम वापरकर्त्यांसाठी शिफारसी:

• AI वापराबाबत जागरूक रहा: अंतिम वापरकर्त्यांनी त्यांच्या AI वापराबाबत जागरूक असले पाहिजे आणि अनावश्यक किंवा निरर्थक क्वेरी टाळल्या पाहिजेत.
• पर्यावरणपूरक AI मॉडेल निवडा: शक्य असल्यास, अंतिम वापरकर्त्यांनी AI मॉडेल निवडले पाहिजे जे अधिक ऊर्जा-कार्यक्षम असल्याचे ज्ञात आहे.
• शाश्वत AI पद्धतींना समर्थन द्या: अंतिम वापरकर्ते पर्यावरणीय जबाबदारीसाठी वचनबद्ध असलेल्या कंपन्यांकडून AI उत्पादने आणि सेवा निवडून शाश्वत AI पद्धतींना समर्थन देऊ शकतात.

भविष्यातील संशोधन दिशा

अभ्यास AI च्या पर्यावरणीय परिणामामध्ये पुढील संशोधनाची आवश्यकता अधोरेखित करतो. भविष्यातील संशोधनात खालील क्षेत्रांवर लक्ष केंद्रित केले पाहिजे:

• जीवनचक्र मूल्यमापन: AI मॉडेलच्या विकासापासून ते विल्हेवाट लावण्यापर्यंतच्या सर्व संभाव्य पर्यावरणीय परिणामांची ओळख पटवण्यासाठी एक विस्तृत जीवनचक्र मूल्यमापन करणे.
• प्रशिक्षणाचा प्रभाव: AI मॉडेलला प्रशिक्षण देण्याच्या पर्यावरणीय परिणामाची तपासणी करणे, जे अनुमानाच्या प्रभावापेक्षा लक्षणीयरीत्या जास्त असू शकते.
• **इतर क्षेत्रांवरील AI चा प्रभाव: **अर्थव्यवस्थेतील इतर क्षेत्रांवरील AI चा प्रभाव तपासने, जसे की वाहतूक आणि उत्पादन, AI स्वीकारण्याचे एकूण पर्यावरणीय परिणाम समजून घेण्यासाठी.
• नवीन मेट्रिक्सचा विकास: AI च्या पर्यावरणीय परिणामाचे मूल्यांकन करण्यासाठी नवीन मेट्रिक्स विकसित करणे, जसे की AI हार्डवेअरमधील अंतर्भूत ऊर्जा आणि सामग्रीचा हिशोब देणारे मेट्रिक्स.

निष्कर्ष

LLMs चा पर्यावरणीय परिणाम एक जटिल आणि बहुआयामी समस्या आहे ज्यावर काळजीपूर्वक विचार करणे आवश्यक आहे. या अभ्यासाचे निष्कर्ष लोकप्रिय AI साधनांशी संबंधित ऊर्जा, पाणी आणि कार्बन खर्चांबद्दल मौल्यवान अंतर्दृष्टी प्रदान करतात. हे खर्च समजून घेऊन, AI विकासक, धोरणकर्ते आणि अंतिम वापरकर्ते AI चा पर्यावरणीय पदचिन्ह कमी करण्यासाठी आणि AI तंत्रज्ञान शाश्वत पद्धतीने विकसित आणि तैनात केले जाईल याची खात्री करण्यासाठी पावले उचलू शकतात. AI आपल्या जीवनात अधिकाधिक समाकलित होत असल्याने, शाश्वततेला प्राधान्य देणे आणि असे भविष्य निर्माण करण्यासाठी एकत्र काम करणे महत्त्वाचे आहे जिथे AI पर्यावरणाला हानी न पोहोचवता समाजाला लाभ देईल.