Экологический след больших языковых моделей

Новый эталон для оценки воздействия на окружающую среду

Неустанное стремление к инновациям в области искусственного интеллекта (ИИ) привело к разработке все более сложных больших языковых моделей (LLM). Хотя эти модели демонстрируют впечатляющие возможности в различных областях, экологические последствия, связанные с их обучением и развертыванием, в значительной степени остаются неясными. Компании, разрабатывающие модели ИИ, охотно делятся данными об их производительности, но, как правило, избегают говорить об экологическом воздействии. Недавние исследования проливают свет на часто упускаемые из виду затраты энергии, воды и углерода, связанные с этими мощными инструментами ИИ.

В стремлении количественно оценить воздействие ИИ на окружающую среду группа исследователей из Университета Род-Айленда, Провиденс-колледжа и Университета Туниса представила эталон, учитывающий инфраструктуру для вывода ИИ. Это исследование, доступное на сервере препринтов Корнельского университета arXiv, предлагает более точную оценку экологических последствий ИИ. Эталон сочетает в себе данные о задержках общедоступного API с информацией о базовых графических процессорах и составе региональной энергосистемы для расчета экологического следа на один запрос для 30 основных моделей ИИ. Этот комплексный подход учитывает потребление энергии, использование воды и выбросы углерода, что в конечном итоге приводит к оценке "экоэффективности".

Абделтаваб Хендави, доцент Университета Род-Айленда, объясняет мотивацию исследования: "Мы начали думать о сравнении этих моделей с точки зрения экологических ресурсов, воды, энергии и углеродного следа". Результаты выявили значительные различия в воздействии различных моделей ИИ на окружающую среду.

Различия в энергопотреблении: OpenAI, DeepSeek и Anthropic

Исследование выявило существенные различия в энергопотреблении между ведущими моделями ИИ. Модель o3 от OpenAI и основная модель рассуждений от DeepSeek потребляют более 33 ватт-часов (Втч) на один расширенный ответ. Это резко контрастирует с меньшей моделью GPT-4.1 nano от OpenAI, которая требует в 70 раз меньше энергии. Claude-3.7 от Anthropic оказалась самой экоэффективной моделью в исследовании.

Исследователи подчеркивают решающую роль оборудования в определении воздействия моделей ИИ на окружающую среду. Например, GPT-4o mini, в которой используются старые графические процессоры A100, потребляет больше энергии на запрос, чем более крупная GPT-4o, которая работает на более современных чипах H100. Это подчеркивает важность использования передового оборудования для минимизации воздействия ИИ на окружающую среду.

Экологический ущерб от длины запроса

Исследование выявило прямую зависимость между длиной запроса и воздействием на окружающую среду. Более длинные запросы неизменно приводят к большему потреблению ресурсов. Даже кажущиеся незначительными короткие запросы вносят свой вклад в общую экологическую ситуацию. Один короткий запрос GPT-4o потребляет примерно 0,43 Втч энергии. Исследователи подсчитали, что при прогнозируемом OpenAI объеме в 700 миллионов вызовов GPT-4o в день общее годовое потребление энергии может составлять от 392 до 463 гигаватт-часов (ГВтч). В перспективе этого достаточно энергии для питания от 35 000 американских домов в год.

Кумулятивное воздействие внедрения ИИ

В исследовании подчеркивается, что внедрение ИИ отдельными пользователями может быстро перерасти в существенные экологические издержки. Нидал Джегам, исследователь из Университета Род-Айленда и ведущий автор исследования, объясняет, что "ежегодное использование ChatGPT-4o потребляет столько же воды, сколько необходимо для питья 1,2 миллиона человек в год". Джегам предупреждает, что, хотя воздействие одного сообщения или запроса на окружающую среду кажется незначительным, "если его масштабировать, особенно учитывая, насколько широко ИИ распространяется по всем индексам, это действительно становится растущей проблемой".

Более глубокое изучение показателей воздействия на окружающую среду

Чтобы в полной мере оценить последствия результатов исследования, необходимо более подробно изучить экологические показатели, используемые для оценки моделей ИИ. В следующих разделах представлен анализ ключевых показателей:

Потребление энергии

Потребление энергии является фундаментальным показателем электрической мощности, необходимой для работы моделей ИИ. В исследовании количественно оценивается потребление энергии в ватт-часах (Втч) на запрос, что позволяет напрямую сравнивать энергоэффективность различных моделей. Минимизация потребления энергии имеет решающее значение для сокращения выбросов углекислого газа и общего воздействия ИИ на окружающую среду.

Факторы, влияющие на потребление энергии:

• Размер и сложность модели: Более крупные и сложные модели обычно требуют больше энергии для работы, чем более мелкие и простые модели.
• Эффективность оборудования: Графические процессоры и другие аппаратные компоненты, используемые для запуска моделей ИИ, играют важную роль в потреблении энергии. Более современное и энергоэффективное оборудование может существенно снизить энергопотребление ИИ.
• Длина и сложность запроса: Более длинные и сложные запросы обычно требуют больше вычислительных ресурсов и, следовательно, потребляют больше энергии.
• Методы оптимизации: Различные методы оптимизации, такие как сжатие и квантование модели, могут снизить энергопотребление моделей ИИ без ущерба для точности.

Использование воды

Использование воды часто упускается из виду в аспекте воздействия ИИ на окружающую среду. Центры обработки данных, в которых размещаются серверы, на которых работают модели ИИ, требуют значительного количества воды для охлаждения. В исследовании оценивается использование воды на основе потребления энергии центрами обработки данных и водоемкости региональных энергосистем, которые снабжают эти центры обработки данных электроэнергией.

Факторы, влияющие на использование воды:

• Требования к охлаждению: Центры обработки данных выделяют значительное количество тепла и нуждаются в системах охлаждения для поддержания оптимальной рабочей температуры. Вода часто используется в качестве охлаждающей жидкости, либо напрямую, либо косвенно через градирни.
• Водоемкость энергосистемы: Водоемкость энергосистемы относится к количеству воды, необходимому для выработки единицы электроэнергии. Энергосистемы, которые в значительной степени зависят от тепловых электростанций, использующих воду для охлаждения, имеют более высокую водоемкость.
• Местоположение центра обработки данных: Центры обработки данных, расположенные в засушливых регионах или регионах с нехваткой воды, могут усугубить воздействие ИИ на окружающую среду.

Выбросы углерода

Выбросы углерода являются основной причиной изменения климата. В исследовании рассчитываются выбросы углерода на основе потребления энергии моделями ИИ и углеродоемкости региональных энергосистем. Углеродоемкость относится к количеству углекислого газа, выбрасываемого на единицу выработанной электроэнергии.

Факторы, влияющие на выбросы углерода:

• Источник энергии: Тип энергии, используемой для питания центров обработки данных, оказывает существенное влияние на выбросы углерода. Возобновляемые источники энергии, такие как солнечная и ветровая энергия, имеют гораздо более низкую углеродоемкость, чем ископаемое топливо, такое как уголь и природный газ.
• Углеродоемкость энергосистемы: Углеродоемкость энергосистемы варьируется в зависимости от сочетания источников энергии, используемых для выработки электроэнергии. Регионы с большей долей возобновляемых источников энергии имеют более низкую углеродоемкость.
• Энергоэффективность: Снижение потребления энергии является наиболее эффективным способом снижения выбросов углерода.

Последствия и рекомендации

Результаты исследования имеют серьезные последствия для разработчиков ИИ, политиков и конечных пользователей. Воздействие ИИ на окружающую среду нельзя недооценивать, и его необходимо тщательно учитывать, поскольку технология ИИ продолжает развиваться и распространяться.

Рекомендации для разработчиков ИИ:

• Приоритет энергоэффективности: Разработчики ИИ должны уделять приоритетное внимание энергоэффективности при проектировании и обучении моделей ИИ. Это включает в себя использование меньших моделей, оптимизацию кода и использование эффективного оборудования.
• Изучение возобновляемых источников энергии: Компании, занимающиеся ИИ, должны изучать возможности питания своих центров обработки данных возобновляемыми источниками энергии. Это может значительно сократить углеродный след ИИ.
• Инвестирование в сохранение воды: Центры обработки данных должны инвестировать в технологии сохранения воды, чтобы минимизировать использование воды. Это включает в себя использование систем охлаждения с замкнутым контуром и сбор дождевой воды.
• Прозрачность и отчетность: Компании, занимающиеся ИИ, должны быть прозрачными в отношении воздействия своих моделей на окружающую среду и сообщать об основных показателях, таких как потребление энергии, использование воды и выбросы углерода.

Рекомендации для политиков:

• Стимулирование "зеленого ИИ": Политики должны стимулировать разработку и внедрение экологически чистых технологий ИИ с помощью налоговых льгот, субсидий и других стимулов.
• Регулирование энергопотребления центров обработки данных: Политики должны регулировать энергопотребление центров обработки данных, чтобы обеспечить максимально эффективную работу центров обработки данных.
• Содействие внедрению возобновляемых источников энергии: Политики должны содействовать внедрению возобновляемых источников энергии для снижения углеродоемкости энергосистем.
• Поддержка исследований и разработок: Политики должны поддерживать исследования и разработки новых технологий, которые могут снизить воздействие ИИ на окружающую среду.

Рекомендации для конечных пользователей:

• Осознанное использование ИИ: Конечные пользователи должны осознанно использовать ИИ и избегать ненужных или легкомысленных запросов.
• Выбор экологичных моделей ИИ: По возможности конечные пользователи должны выбирать модели ИИ, которые, как известно, более энергоэффективны.
• Поддержка устойчивых практик ИИ: Конечные пользователи могут поддерживать устойчивые практики ИИ, выбирая продукты и услуги ИИ от компаний, которые привержены экологической ответственности.

Направления будущих исследований

Исследование подчеркивает необходимость дальнейших исследований воздействия ИИ на окружающую среду. Будущие исследования должны быть сосредоточены на следующих областях:

• Оценка жизненного цикла: Проведение комплексной оценки жизненного цикла моделей ИИ, от разработки до утилизации, для выявления всех потенциальных воздействий на окружающую среду.
• Воздействие обучения: Изучение воздействия обучения моделей ИИ на окружающую среду, которое может быть значительно выше, чем воздействие вывода.
• Воздействие ИИ на другие сектора: Изучение воздействия ИИ на другие сектора экономики, такие как транспорт и производство, для понимания общих экологических последствий внедрения ИИ.
• Разработка новых показателей: Разработка новых показателей для оценки воздействия ИИ на окружающую среду, таких как показатели, учитывающие воплощенную энергию и материалы в оборудовании ИИ.

Заключение

Воздействие LLM на окружающую среду является сложной и многогранной проблемой, требующей тщательного рассмотрения. Результаты этого исследования дают ценную информацию о затратах энергии, воды и углерода, связанных с популярными инструментами ИИ. Понимая эти затраты, разработчики ИИ, политики и конечные пользователи могут предпринять шаги для минимизации экологического следа ИИ и обеспечения того, чтобы технология ИИ разрабатывалась и внедрялась устойчивым образом. Поскольку ИИ все больше интегрируется в нашу жизнь, крайне важно уделять приоритетное внимание устойчивому развитию и совместно создавать будущее, в котором ИИ приносит пользу обществу, не нанося вреда окружающей среде.