Athari za Mazingira za Miundo ya Lugha Kubwa

Kipimo Kipya cha Kutathmini Athari za Mazingira

Katika jitihada za kupima athari za kimazingira za akili bandia (AI), timu ya watafiti kutoka Chuo Kikuu cha Rhode Island, Chuo cha Providence, na Chuo Kikuu cha Tunis imeanzisha kipimo kinachozingatia miundombinu kwa ajili ya hitimisho la AI. Utafiti huu, unaopatikana kwenye seva ya chapisho la awali ya Chuo Kikuu cha Cornell, arXiv, unatoa tathmini sahihi zaidi ya athari za kiikolojia za AI. Kipimo hiki kinachanganya data ya muda wa kusubiri wa API ya umma na habari juu ya GPU zinazotumiwa na muundo wa gridi ya umeme ya kikanda ili kuhesabu athari za kimazingira kwa kila swali kwa miundo 30 mikuu ya AI. Mbinu hii pana inazingatia matumizi ya nishati, matumizi ya maji, na utoaji wa kaboni, na kuishia na alama ya “ufanisi wa mazingira”.

Abdeltawab Hendawi, profesa msaidizi katika Chuo Kikuu cha Rhode Island, anaelezea msukumo nyuma ya utafiti: "Tukaanza kufikiria juu ya kulinganisha miundo hii kwa suala la rasilimali za mazingira, maji, nishati, na athari ya kaboni." Matokeo yanaonyesha tofauti kubwa katika athari za kimazingira za miundo tofauti ya AI.

Tofauti katika Matumizi ya Nishati: OpenAI, DeepSeek, na Anthropic

Utafiti unaangazia tofauti kubwa katika matumizi ya nishati kati ya miundo inayoongoza ya AI. Muundo wa o3 wa OpenAI na muundo mkuu wa DeepSeek wa kufikiri hutumia zaidi ya wati-saa 33 (Wh) kwa jibu moja refu lenye kina. Hii inatofautiana sana na GPT-4.1 nano ndogo ya OpenAI, ambayo inahitaji nishati kidogo, zaidi ya mara 70. Claude-3.7 Sonnet ya Anthropic inajitokeza kama muundo bora zaidi wa mazingira katika utafiti.

Watafiti wanasisitiza jukumu muhimu la vifaa katika kuamua athari za kimazingira za miundo ya AI. Kwa mfano, GPT-4o mini, ambayo hutumia GPU kongwe za A100, hutumia nishati zaidi kwa kila swali kuliko GPT-4o kubwa, ambayo inafanya kazi kwenye chips za H100 za hali ya juu zaidi. Hii inasisitiza umuhimu wa kutumia vifaa vya kisasa ili kupunguza athari za kimazingira za AI.

Athari ya Kimazingira ya Urefu wa Swali

Utafiti unaonyesha uhusiano wa moja kwa moja kati ya urefu wa swali na athari za kimazingira. Maswali marefu huelekea kusababisha matumizi makubwa ya rasilimali. Hata maswali mafupi yanayoonekana kuwa hayana maana huchangia mzigo wa jumla wa kimazingira. Swali moja fupi la GPT-4o hutumia takriban 0.43 Wh ya nishati. Watafiti wanakadiria kuwa kwa makadirio ya OpenAI ya simu milioni 700 za GPT-4o kwa siku, jumla ya matumizi ya nishati ya kila mwaka yanaweza kuwa kutoka gigawati-saa 392 hadi 463 (GWh). Ili kuweka hii katika mtazamo, nishati hiyo inatosha kuendesha umeme kati ya nyumba 35,000 za Kimarekani kila mwaka.

Athari Kubwa ya Kupitishwa kwa AI

Utafiti unasisitiza kwamba matumizi ya AI ya watumiaji binafsi yanaweza kuongezeka haraka na kuwa gharama kubwa za kimazingira. Nidhal Jegham, mtafiti katika Chuo Kikuu cha Rhode Island na mwandishi mkuu wa utafiti, anaelezea kwamba “Kutumia ChatGPT-4o kila mwaka hutumia maji mengi kama mahitaji ya kunywa ya watu milioni 1.2 kila mwaka.” Jegham anaonya kwamba ingawa athari za kimazingira za ujumbe mmoja au swali zinaonekana kuwa ndogo, “Mara tu unapoipanua, haswa jinsi AI inavyopanuka katika fahirisi, inazidi kuwa suala linaloongezeka.”

Kuingia Ndani Zaidi katika Vipimo vya Athari za Kimazingira

Ili kufahamu kikamilifu athari za matokeo ya utafiti, uchunguzi wa kina zaidi wa metriki za kimazingira zinazotumiwa kutathmini miundo ya AI ni muhimu. Sehemu zifuatazo zinatoa uchambuzi wa vipimo muhimu:

Matumizi ya Nishati

Matumizi ya nishati ni kipimo muhimu cha nguvu ya umeme inayohitajika kuendesha miundo ya AI. Utafiti unahesabu matumizi ya nishati katika wati-saa (Wh) kwa kila swali, kuruhusu kulinganisha moja kwa moja ufanisi wa nishati wa miundo tofauti. Kupunguza matumizi ya nishati ni muhimu kwa kupunguza alama ya kaboni na athari za jumla za kimazingira za AI.

Mambo Yanayoathiri Matumizi ya Nishati:

• Ukubwa na Ugumu wa Muundo: Miundo mikubwa na ngumu zaidi kwa kawaida huhitaji nishati zaidi kufanya kazi kuliko miundo midogo na rahisi.
• Ufanisi wa Vifaa: GPU na sehemu zingine za vifaa zinazotumiwa kuendesha miundo ya AI zina jukumu kubwa katika matumizi ya nishati. Vifaa vya hali ya juu zaidi na vyenye ufanisi wa nishati vinaweza kupunguza kwa kiasi kikubwa alama ya nishati ya AI.
• Urefu na Ugumu wa Swali: Maswali marefu na magumu zaidi kwa ujumla yanahitaji rasilimali zaidi za kompyuta na hivyo kutumia nishati zaidi.
• Mbinu za Uboreshaji: Mbinu mbalimbali za uboreshaji, kama vile ukandamizaji wa muundo na quantization, zinaweza kupunguza matumizi ya nishati ya miundo ya AI bila kuathiri usahihi.

Matumizi ya Maji

Matumizi ya maji ni suala ambalo mara nyingi hupuuzwa la athari za kimazingira za AI. Vituo vya data, ambavyo huweka seva zinazoendesha miundo ya AI, vinahitaji kiasi kikubwa cha maji kwa ajili ya kupoeza. Utafiti unakadiria matumizi ya maji kulingana na matumizi ya nishati ya vituo vya data na kiwango cha maji cha gridi za umeme za kikanda ambazo hutoa umeme kwa vituo hivyo vya data.

Mambo Yanayoathiri Matumizi ya Maji:

• Mahitaji ya Kupoeza: Vituo vya data huzalisha joto kubwa na zinahitaji mifumo ya kupoeza ili kudumisha joto bora la uendeshaji. Maji mara nyingi hutumiwa kama kipozezi, moja kwa moja au kwa njia isiyo ya moja kwa moja kupitia minara ya kupoeza.
• Kiwango cha Maji cha Gridi ya Umeme: Kiwango cha maji cha gridi ya umeme kinarejelea kiasi cha maji kinachohitajika kuzalisha kitengo cha umeme. Gridi za umeme ambazo zinategemea sana mitambo ya umeme ya thermoelectric, ambayo hutumia maji kwa kupoeza, zina viwango vya juu vya maji.
• Mahali pa Kituo cha Data: Vituo vya data vilivyoko katika maeneo kame au maeneo yenye uhaba wa maji vinaweza kuzidisha athari za kimazingira za AI.

Utoaji wa Kaboni

Utoaji wa kaboni ndio kichocheo kikuu cha mabadiliko ya tabianchi. Utafiti unahesabu utoaji wa kaboni kulingana na matumizi ya nishati ya miundo ya AI na kiwango cha kaboni cha gridi za umeme za kikanda. Kiwango cha kaboni kinarejelea kiasi cha kaboni dioksidi inayotolewa kwa kila kitengo cha umeme kinachozalishwa.

Mambo Yanayoathiri Utoaji wa Kaboni:

• Chanzo cha Nishati: Aina ya nishati inayotumiwa kuendesha vituo vya data ina athari kubwa kwa utoaji wa kaboni. Vyanzo vya nishati mbadala, kama vile nishati ya jua na upepo, vina viwango vya chini sana vya kaboni kuliko mafuta ya kisukuku kama vile makaa ya mawe na gesi asilia.
• Kiwango cha Kaboni cha Gridi ya Umeme: Kiwango cha kaboni cha gridi ya umeme kinatofautiana kulingana na mchanganyiko wa vyanzo vya nishati vinavyotumiwa kuzalisha umeme. Maeneo yenye idadi kubwa ya vyanzo vya nishati mbadala yana viwango vya chini vya carbon.
• Ufanisi wa Nishati: Kupunguza matumizi ya nishati ndiyo njia bora zaidi ya kupunguza utoaji wa kaboni.

Maana na Mapendekezo

Matokeo ya utafiti yana maana kubwa kwa watengenezaji wa AI, watunga sera, na watumiaji wa mwisho. Athari za kimazingira za AI sio ndogo na zinahitaji kuzingatiwa kwa uangalifu teknolojia ya AI inavyoendelea kusonga mbele na kuenea.

Mapendekezo kwa Watengenezaji wa AI:

• Tanguliza Ufanisi wa Nishati: Watengenezaji wa AI wanapaswa kutanguliza ufanisi wa nishati wanapounda na kufunza miundo ya AI. Hii ni pamoja na kutumia miundo midogo, kuboresha kanuni, na kutumia vifaa vyenye ufanisi.
• Chunguza Vyanzo vya Nishati Mbadala: Kampuni za AI zinapaswa kuchunguza fursa za kuendesha vituo vyao vya data na vyanzo vya nishati mbadala. Hii inaweza kupunguza kwa kiasi kikubwa alama ya kaboni ya AI.
• Wekeza katika Uhifadhi wa Maji: Vituo vya data vinapaswa kuwekeza katika teknolojia za uhifadhi wa maji ili kupunguza matumizi ya maji. Hii ni pamoja na kutumia mifumo ya kupoeza ya mzunguko uliofungwa na uvunaji wa maji ya mvua.
• Uwazi na Utoaji Ripoti: Kampuni za AI zinapaswa kuwa wazi kuhusu athari za kimazingira za miundo yao na kutoa ripoti za metriki muhimu kama vile matumizi ya nishati, matumizi ya maji, na uzalishaji wa kaboni.

Mapendekezo kwa Watunga Sera:

• Himiza AI ya Kijani: Watunga sera wanapaswa kuhimiza uundaji na utumiaji wa teknolojia za AI za kijani kupitia mikopo ya kodi, ruzuku, na motisha zingine.
• Dhibiti Matumizi ya Nishati ya Vituo vya Data: Watunga sera wanapaswa kudhibiti matumizi ya nishati ya vituo vya data ili kuhakikisha kuwa vituo vya data vinafanya kazi kwa ufanisi iwezekanavyo.
• Kukuza Utawi wa Nishati Mbadala: Watunga sera wanapaswa kukuza utumiaji wa vyanzo vya nishati mbadala ili kupunguza kiwango cha kaboni cha gridi za umeme.
• Saidia Utafiti na Maendeleo: Watunga sera wanapaswa kusaidia utafiti na maendeleo katika teknolojia mpya ambazo zinaweza kupunguza athari za kimazingira za AI.

Mapendekezo kwa Watumiaji wa Mwisho:

• Zingatia Matumizi ya AI: Watumiaji wa mwisho wanapaswa kuzingatia matumizi yao ya AI na kuepuka maswali yasiyo ya lazima au ya kipuuzi.
• Chagua Miundo ya AI Rafiki kwa Mazingira: Ikiwezekana, watumiaji wa mwisho wanapaswa kuchagua miundo ya AI ambayo inajulikana kuwa na ufanisi zaidi wa nishati.
• Saidia Mazoea Endelevu ya AI: Watumiaji wa mwisho wanaweza kusaidia mazoea endelevu ya AI kwa kuchagua bidhaa na huduma za AI kutoka kwa kampuni ambazo zimejitolea kwa uwajibikaji wa kimazingira.

Mielekeo ya Utafiti wa Baadaye

Utafiti unaangazia hitaji la utafiti zaidi katika athari za kimazingira za AI. Utafiti wa baadaye unapaswa kuzingatia maeneo yafuatayo:

• Tathmini ya Mzunguko wa Maisha: Kufanya tathmini kamili ya mzunguko wa maisha ya miundo ya AI, kutoka maendeleo hadi utupaji, ili kutambua athari zote zinazowezekana za kimazingira.
• Athari za Mafunzo: Kuchunguza athari za kimazingira za kufunza miundo ya AI, ambayo inaweza kuwa kubwa zaidi kuliko athari za hitimisho.
• Athari za AI kwa Sekta Nyingine: Kuchunguza athari za AI kwa sekta zingine za uchumi, kama vile usafirishaji na utengenezaji, ili kuelewa matokeo ya jumla ya kimazingira ya utumiaji wa AI.
• Uundaji wa Metriki Mpya: Kuunda metriki mpya za kutathmini athari za kimazingira za AI, kama vile metriki zinazozingatia nishati na nyenzo zilizojumuishwa katika vifaa vya AI.

Hitimisho

Athari za kimazingira za LLMs ni suala ngumu na lenye pande nyingi ambalo linahitaji kuzingatiwa kwa uangalifu. Matokeo ya utafiti huu yanatoa ufahamu muhimu katika gharama za nishati, maji, na kaboni zinazohusiana na zana maarufu za AI. Kwa kuelewa gharama hizi, watengenezaji wa AI, watunga sera, na watumiaji wa mwisho wanaweza kuchukua hatua za kupunguza alama za kimazingira za AI na kuhakikisha kuwa teknolojia ya AI inaundwa na kutumika kwa njia endelevu. AI inavyozidi kuunganishwa katika maisha yetu, ni muhimu kutanguliza uendelevu na kufanya kazi pamoja ili kuunda mustakabali ambapo AI inafaidisha jamii bila kudhuru mazingira.