Ślad Środowiskowy Dużych Modeli Językowych

Ujawnianie Śladu Środowiskowego Dużych Modeli Językowych: Analiza Porównawcza OpenAI, DeepSeek i Anthropic

Nieustanne dążenie do innowacji w dziedzinie sztucznej inteligencji (AI) doprowadziło do rozwoju coraz bardziej zaawansowanych dużych modeli językowych (LLM). Chociaż modele te wykazują imponujące możliwości w różnych dziedzinach, konsekwencje środowiskowe związane z ich szkoleniem i wdrażaniem w dużej mierze pozostają zakryte. Firmy opracowujące modele AI chętnie udostępniają dane dotyczące wydajności na testach porównawczych, ale unikają informacji o wpływie na środowisko. Ostatnie badania rzucają światło na często pomijane koszty energii, wody i emisji dwutlenku węgla związane z tymi potężnymi narzędziami AI.

Nowy Benchmark do Oceny Wpływu na Środowisko

W poszukiwaniu możliwości kwantyfikacji wpływu AI na środowisko, zespół naukowców z University of Rhode Island, Providence College i University of Tunis wprowadził benchmark uwzględniający infrastrukturę do wnioskowania AI. Te badania, dostępne na serwerze preprintów Cornell University arXiv, oferują bardziej precyzyjną ocenę ekologicznych skutków AI. Benchmark łączy dane dotyczące opóźnień publicznego API z informacjami o bazowych GPU i regionalnych składach sieci energetycznych w celu obliczenia śladu środowiskowego na zapytanie dla 30 głównych modeli AI. To kompleksowe podejście uwzględnia zużycie energii, zużycie wody i emisję dwutlenku węgla, czego kulminacją jest wynik "eko-wydajności".

Abdeltawab Hendawi, adiunkt na University of Rhode Island, wyjaśnia motywację stojącą za badaniem: "Zaczęliśmy myśleć o porównywaniu tych modeli pod względem zasobów środowiskowych, wody, energii i śladu węglowego". Wyniki ujawniają znaczne różnice we wpływie na środowisko różnych modeli AI.

Różnice w Zużyciu Energii: OpenAI, DeepSeek i Anthropic

Badanie podkreśla znaczne różnice w zużyciu energii między wiodącymi modelami AI. Model o3 OpenAI i podstawowy model rozumowania DeepSeek zużywają ponad 33 watogodziny (Wh) na pojedynczą rozszerzoną odpowiedź. Kontrastuje to ostro z mniejszym GPT-4.1 nano OpenAI, który wymaga ponad 70 razy mniej energii. Claude-3.7 Sonnet Anthropic jawi się jako najbardziej ekologiczny model w badaniu.

Naukowcy podkreślają kluczową rolę sprzętu w określaniu wpływu modeli AI na środowisko. Na przykład GPT-4o mini, który wykorzystuje starsze GPU A100, zużywa więcej energii na zapytanie niż większy GPT-4o, który działa na bardziej zaawansowanych chipach H100. Podkreśla to znaczenie wykorzystywania najnowocześniejszego sprzętu w celu zminimalizowania śladu środowiskowego AI.

Środowiskowe Koszty Długości Zapytania

Badanie ujawnia bezpośrednią korelację między długością zapytania a wpływem na środowisko. Dłuższe zapytania niezmiennie prowadzą do większego zużycia zasobów. Nawet pozornie nieistotne, krótkie zapytania przyczyniają się do ogólnego obciążenia środowiska. Pojedyncze krótkie zapytanie GPT-4o zużywa około 0,43 Wh energii. Naukowcy szacują, że przy przewidywanych 700 milionach wywołań GPT-4o dziennie w OpenAI, całkowite roczne zużycie energii może wynosić od 392 do 463 gigawatogodzin (GWh). Aby to zobrazować, wystarczy to energii do zasilenia od 35 000 amerykańskich domów rocznie.

Skumulowany Wpływ Adopcji AI

Badanie podkreśla, że adopcja AI przez poszczególnych użytkowników może szybko eskalować do znacznych kosztów środowiskowych. Nidhal Jegham, badaczka z University of Rhode Island i główna autorka badania, wyjaśnia, że "roczne korzystanie z ChatGPT-4o zużywa tyle wody, ile roczne potrzeby pitne 1,2 miliona ludzi". Jegham ostrzega, że chociaż wpływ środowiskowy pojedynczej wiadomości lub zapytania wydaje się znikomy, "po przeskalowaniu, zwłaszcza jak bardzo AI rozszerza się we wszystkich wskaźnikach, naprawdę staje się rosnącym problemem".

Dogłębne Badanie Metryk Wpływu na Środowisko

Aby w pełni docenić implikacje ustaleń badania, niezbędne jest bardziej szczegółowe zbadanie metryk środowiskowych użytych do oceny modeli AI. Poniższe sekcje zawierają podział kluczowych metryk:

Zużycie Energii

Zużycie energii jest fundamentalną miarą energii elektrycznej wymaganej do działania modeli AI. Badanie kwantyfikuje zużycie energii w watogodzinach (Wh) na zapytanie, umożliwiając bezpośrednie porównanie efektywności energetycznej różnych modeli. Minimalizacja zużycia energii ma kluczowe znaczenie dla zmniejszenia śladu węglowego i ogólnego wpływu AI na środowisko.

Czynniki Wpływające na Zużycie Energii:

• Rozmiar i Złożoność Modelu: Większe i bardziej złożone modele zazwyczaj wymagają więcej energii do działania niż mniejsze, prostsze modele.
• Efektywność Sprzętu: GPU i inne komponenty sprzętowe używane do uruchamiania modeli AI odgrywają znaczącą rolę w zużyciu energii. Bardziej zaawansowany i energooszczędny sprzęt może znacznie zmniejszyć ślad energetyczny AI.
• Długość i Złożoność Zapytania: Dłuższe i bardziej złożone zapytania generalnie wymagają więcej zasobów obliczeniowych, a tym samym zużywają więcej energii.
• Techniki Optymalizacji: Różne techniki optymalizacji, takie jak kompresja modelu i kwantyzacja, mogą zmniejszyć zużycie energii przez modele AI bez poświęcania dokładności.

Zużycie Wody

Zużycie wody jest często pomijanym aspektem wpływu AI na środowisko. Centra danych, w których znajdują się serwery uruchamiające modele AI, wymagają znacznych ilości wody do chłodzenia. Badanie szacuje zużycie wody na podstawie zużycia energii przez centra danych i wodochłonności regionalnych sieci energetycznych, które dostarczają energię elektryczną do tych centrów danych.

Czynniki Wpływające na Zużycie Wody:

• Wymagania Chłodzenia: Centra danych generują znaczną ilość ciepła i wymagają systemów chłodzenia, aby utrzymać optymalne temperatury pracy. Woda jest często używana jako chłodziwo, bezpośrednio lub pośrednio przez wieże chłodnicze.
• Wodochłonność Sieci Elektroenergetycznej: Wodochłonność sieci elektroenergetycznej odnosi się do ilości wody wymaganej do wytworzenia jednostki energii elektrycznej. Sieci elektroenergetyczne, które w dużym stopniu polegają na elektrowniach termoelektrycznych, które wykorzystują wodę do chłodzenia, mają wyższą wodochłonność.
• Lokalizacja Centrum Danych: Centra danych zlokalizowane w regionach suchych lub regionach z problemami niedoboru wody mogą pogorszyć wpływ AI na środowisko.

Emisja Dwutlenku Węgla

Emisja dwutlenku węgla jest głównym motorem zmian klimatycznych. Badanie oblicza emisję dwutlenku węgla na podstawie zużycia energii przez modele AI i emisyjności regionalnych sieci energetycznych. Emisyjność odnosi się do ilości dwutlenku węgla emitowanego na jednostkę wytworzonej energii elektrycznej.

Czynniki Wpływające na Emisję Dwutlenku Węgla:

• Źródło Energii: Rodzaj energii używanej do zasilania centrów danych ma znaczący wpływ na emisję dwutlenku węgla. Odnawialne źródła energii, takie jak energia słoneczna i wiatrowa, mają znacznie niższą emisyjność niż paliwa kopalne, takie jak węgiel i gaz ziemny.
• Emisyjność Sieci Elektroenergetycznej: Emisyjność sieci elektroenergetycznej różni się w zależności od mieszanki źródeł energii używanych do wytwarzania energii elektrycznej. Regiony o wyższym udziale odnawialnych źródeł energii mają niższą emisyjność.
• Efektywność Energetyczna: Zmniejszenie zużycia energii jest najskuteczniejszym sposobem na obniżenie emisji dwutlenku węgla.

Implikacje i Zalecenia

Ustalenia badania mają znaczące implikacje dla twórców AI, decydentów i użytkowników końcowych. Wpływ AI na środowisko nie jest pomijalny i należy go dokładnie rozważyć, w miarę jak technologia AI wciąż się rozwija i rozprzestrzenia.

Zalecenia dla Twórców AI:

• Priorytet dla Efektywności Energetycznej: Twórcy AI powinni priorytetowo traktować efektywność energetyczną przy projektowaniu i szkoleniu modeli AI. Obejmuje to używanie mniejszych modeli, optymalizację kodu i wykorzystywanie wydajnego sprzętu.
• Eksploracja Odnawialnych Źródeł Energii: Firmy zajmujące się sztuczną inteligencją powinny badać możliwości zasilania swoich centrów danych odnawialnymi źródłami energii. Może to znacznie zmniejszyć ślad węglowy AI.
• Inwestycje w Oszczędność Wody: Centra danych powinny inwestować w technologie oszczędzania wody, aby zminimalizować zużycie wody. Obejmuje to używanie systemów chłodzenia w obiegu zamkniętym i zbieranie wody deszczowej.
• Transparentność i Raportowanie: Firmy zajmujące się sztuczną inteligencją powinny być transparentne w kwestii wpływu swoich modeli na środowisko i raportować kluczowe wskaźniki, takie jak zużycie energii, zużycie wody i emisja dwutlenku węgla.

Zalecenia dla Polityków:

• Zachęcanie do Ekologicznej AI: Decydenci powinni zachęcać do rozwoju i wdrażania ekologicznych technologii AI poprzez ulgi podatkowe, dotacje i inne zachęty.
• Regulacja Zużycia Energii przez Centra Danych: Decydenci powinni regulować zużycie energii przez centra danych, aby upewnić się, że centra danych działają tak wydajnie, jak to możliwe.
• Promowanie Adopcji Odnawialnych Źródeł Energii: Decydenci powinni promować adopcję odnawialnych źródeł energii, aby zmniejszyć emisyjność sieci energetycznych.
• Wspieranie Badań i Rozwoju: Decydenci powinni wspierać badania i rozwój nowych technologii, które mogą zmniejszyć wpływ AI na środowisko.

Zalecenia dla Użytkowników Końcowych:

• Świadome Korzystanie z AI: Użytkownicy końcowi powinni być świadomi swojego korzystania z AI i unikać niepotrzebnych lub frywolnych zapytań.
• Wybieranie Ekologicznych Modeli AI: W miarę możliwości użytkownicy końcowi powinni wybierać modele AI, o których wiadomo, że są bardziej energooszczędne.
• Wspieranie Zrównoważonych Praktyk AI: Użytkownicy końcowi mogą wspierać zrównoważone praktyki AI, wybierając produkty i usługi AI od firm, które są zaangażowane w odpowiedzialność środowiskową.

Przyszłe Kierunki Badań

Badanie podkreśla potrzebę dalszych badań nad wpływem AI na środowisko. Przyszłe badania powinny koncentrować się na następujących obszarach:

• Ocena Cyklu Życia: Przeprowadzenie kompleksowej oceny cyklu życia modeli AI, od rozwoju po utylizację, w celu zidentyfikowania wszystkich potencjalnych wpływów na środowisko.
• Wpływ Szkolenia: Zbadanie wpływu szkolenia modeli AI na środowisko, który może być znacznie wyższy niż wpływ wnioskowania.
• Wpływ AI na Inne Sektory: Zbadanie wpływu AI na inne sektory gospodarki, takie jak transport i produkcja, w celu zrozumienia ogólnych konsekwencji środowiskowych adopcji AI.
• Opracowanie Nowych Metryk: Opracowanie nowych metryk do oceny wpływu AI na środowisko, takich jak metryki uwzględniające zawartą energię i materiały w sprzęcie AI.

Wniosek

Wpływ środowiskowy LLM jest złożonym i wieloaspektowym problemem, który wymaga starannego rozważenia. Ustalenia tego badania dostarczają cennych informacji na temat kosztów energii, wody i emisji dwutlenku węgla związanych z popularnymi narzędziami AI. Rozumiejąc te koszty, twórcy AI, decydenci i użytkownicy końcowi mogą podjąć kroki w celu zminimalizowania śladu środowiskowego AI i zapewnienia, że technologia AI jest rozwijana i wdrażana w sposób zrównoważony. W miarę jak AI staje się coraz bardziej zintegrowana z naszym życiem, kluczowe jest priorytetowe traktowanie zrównoważonego rozwoju i wspólna praca nad stworzeniem przyszłości, w której AI przynosi korzyści społeczeństwu, nie szkodząc środowisku.