பெரிய மொழி மாதிரிகளின் சுற்றுச்சூழல் சுவடு

செயற்கை நுண்ணறிவு (Artificial Intelligence, AI) கண்டுபிடிப்புகளுக்கான இடைவிடாத தேடல் பெருகிய முறையில் அதிநவீன பெரிய மொழி மாதிரிகளின் (Large Language Models, LLMs) வளர்ச்சிக்கு வழிவகுத்துள்ளது. இந்த மாதிரிகள் பல்வேறு களங்களில் ஈர்க்கக்கூடிய திறன்களைக் காட்டுகின்றன, அவற்றின் பயிற்சி மற்றும் பயன்பாட்டுடன் தொடர்புடைய சுற்றுச்சூழல் விளைவுகள் பெரும்பாலும் மறைக்கப்பட்டுவிட்டன. AI மாதிரிகளை உருவாக்கும் நிறுவனங்கள் தரநிலைகளில் செயல்திறன் தரவை எளிதாகப் பகிர்ந்து கொள்கின்றன, ஆனால் சுற்றுச்சூழல் தாக்கத்தைத் தவிர்க்கும் போக்கு உள்ளது. சமீபத்திய ஆராய்ச்சி இந்த சக்திவாய்ந்த AI கருவிகளுடன் தொடர்புடைய ஆற்றல், நீர் மற்றும் கார்பன் செலவுகள் பெரும்பாலும் கவனிக்கப்படுவதில்லை என்பதை வெளிச்சம் போட்டுக் காட்டுகிறது.

சுற்றுச்சூழல் தாக்கத்தை மதிப்பிடுவதற்கான ஒரு புதிய அளவுகோல்

AI-இன் சுற்றுச்சூழல் தாக்கத்தை அளவிடும் முயற்சியில், ரோட் தீவு பல்கலைக்கழகம், பிராவிடன்ஸ் கல்லூரி மற்றும் துனிஸ் பல்கலைக்கழகத்தைச் சேர்ந்த ஆராய்ச்சியாளர்கள் AI உய்த்துணர்விற்கான உள்கட்டமைப்பு-அறிந்த அளவுகோலை அறிமுகப்படுத்தியுள்ளனர். Cornell பல்கலைக்கழகத்தின் முன்தீர்வு சேவையகமான arXiv இல் கிடைக்கும் இந்த ஆராய்ச்சி, AI-இன் சுற்றுச்சூழல் விளைவுகளைப் பற்றிய துல்லியமான மதிப்பீட்டை வழங்குகிறது. இந்த அளவுகோல் பொது API தாமதத் தரவை அடிப்படை GPUs மற்றும் பிராந்திய மின் கட்டமைப்புடன் இணைத்து 30 முக்கிய AI மாதிரிகளுக்கான ஒரு தூண்டுதலுக்கான சுற்றுச்சூழல் சுவடு கணக்கிடுகிறது. இந்த விரிவான அணுகுமுறை ஆற்றல் நுகர்வு, நீர் பயன்பாடு மற்றும் கார்பன் வெளியேற்றம் ஆகியவற்றை கவனத்தில் கொண்டு, ஒரு “சுற்றுச்சூழல்-திறன்” மதிப்பெண்ணில் முடிகிறது.

ரோட் தீவு பல்கலைக்கழகத்தின் உதவி பேராசிரியரான அப்தெல்தவாப் ஹெண்டாவி, இந்த ஆய்வின் பின்னணியில் உள்ள நோக்கத்தை விளக்குகிறார்: "சுற்றுச்சூழல் வளங்கள், நீர், ஆற்றல் மற்றும் கார்பன் சுவடு ஆகியவற்றின் அடிப்படையில் இந்த மாதிரிகளை ஒப்பிட்டுப் பார்க்க ஆரம்பித்தோம்." வெவ்வேறு AI மாதிரிகளின் சுற்றுச்சூழல் தாக்கத்தில் கணிசமான வேறுபாடுகள் இருப்பதாக அவர் கூறுகிறார்.

ஆற்றல் நுகர்வில் வேறுபாடுகள்: OpenAI, DeepSeek மற்றும் Anthropic

முன்னணி AI மாதிரிகள் மத்தியில் ஆற்றல் நுகர்வில் கணிசமான வேறுபாடுகள் இருப்பதாக இந்த ஆய்வு எடுத்துக்காட்டுகிறது. OpenAI-இன் o3 மாதிரி மற்றும் DeepSeek-இன் முதன்மை காரண மாதிரி ஒரு நீட்டிக்கப்பட்ட பதிலுக்கு 33 வாட்-மணிநேரத்திற்கும் (watt-hours, Wh) அதிகமான ஆற்றலை பயன்படுத்துகின்றன. இது OpenAI-இன் சிறிய GPT-4.1 நானோவுடன் முற்றிலும் வேறுபடுகிறது, இதற்கு 70 மடங்கு குறைவான ஆற்றல் தேவைப்படுகிறது. Anthropic-இன் Claude-3.7 Sonic இந்த ஆய்வில் மிகவும் சுற்றுச்சூழலுக்கு உகந்த மாதிரியாக வெளிப்படுகிறது.

AI மாதிரிகளின் சுற்றுச்சூழல் தாக்கத்தை நிர்ணயிப்பதில் வன்பொருளின் முக்கியப் பங்கை ஆராய்ச்சியாளர்கள் வலியுறுத்துகின்றனர். உதாரணமாக, பழைய A100 GPUs ஐப் பயன்படுத்தும் GPT-4o மினி, மேம்பட்ட H100 சிப்களில் இயங்கும் பெரிய GPT-4o ஐ விட வினவலுக்கு அதிக ஆற்றலை பயன்படுத்துகிறது. AI-இன் சுற்றுச்சூழல் சுவடுவைக் குறைக்க அதிநவீன வன்பொருளைப் பயன்படுத்துவதன் முக்கியத்துவத்தை இது அடிக்கோடிட்டுக் காட்டுகிறது.

வினவல் நீளத்தின் சுற்றுச்சூழல் சுங்கம்

வினவல் நீளம் மற்றும் சுற்றுச்சூழல் தாக்கம் இடையே ஒரு நேரடி தொடர்பு இருப்பதாக இந்த ஆய்வு காட்டுகிறது. நீண்ட வினவல்கள் தவிர்க்க முடியாமல் அதிக வள நுகர்வுக்கு வழிவகுக்கின்றன. வெளிப்படையாக முக்கியமற்ற, குறுகிய தூண்டுதல்கள் கூட ஒட்டுமொத்த சுற்றுச்சூழல் சுமைக்கு பங்களிக்கின்றன. ஒரு சிறிய GPT-4o தூண்டுதல் தோராயமாக 0.43 Wh ஆற்றலை பயன்படுத்துகிறது. OpenAI இன் ஒரு நாளைக்கு 700 மில்லியன் GPT-4o அழைப்புகள் என்ற கணிப்பின்படி, மொத்த ஆண்டு ஆற்றல் நுகர்வு 392 முதல் 463 ஜிகாவாட்-மணிநேரம் (gigawatt-hours, GWh) வரை இருக்கலாம் என்று ஆராய்ச்சியாளர்கள் மதிப்பிடுகின்றனர். இதை ஒரு கண்ணோட்டத்தில் பார்த்தால், இது ஆண்டுதோறும் 35,000 அமெரிக்க வீடுகளுக்கு சக்தியளிக்க போதுமான ஆற்றலாகும்.

AI தத்தெடுப்பின் ஒட்டுமொத்த தாக்கம்

தனிப்பட்ட பயனர்களின் AI பயன்பாடு விரைவாக கணிசமான சுற்றுச்சூழல் செலவுகளுக்கு வழிவகுக்கும் என்று இந்த ஆய்வு வலியுறுத்துகிறது. ரோட் தீவு பல்கலைக்கழக ஆராய்ச்சியாளரும் ஆய்வின் முதன்மை ஆசிரியருமான நிதால் ஜெகம், "ChatGPT-4o ஐ ஆண்டுதோறும் பயன்படுத்துவது ஆண்டுதோறும் 1.2 மில்லியன் மக்களின் குடிநீர் தேவைகளுக்கு சமமான தண்ணீரை பயன்படுத்துகிறது" என்று விளக்குகிறார். ஒரு செய்தி அல்லது தூண்டுதலின் சுற்றுச்சூழல் தாக்கம் மிகக் குறைவானதாகத் தோன்றினாலும், "நீங்கள் அதை அளவிடுகிறீர்கள், குறிப்பாக AI எவ்வளவு குறியீடுகள் முழுவதும் விரிவடைகிறது", இது மிகவும் வளர்ந்து வரும் பிரச்சினையாகி வருகிறது என்று ஜெகம் எச்சரிக்கிறார்.

சுற்றுச்சூழல் தாக்கம் அளவீடுகளில் ஆழமாக மூழ்குதல்

ஆய்வின் கண்டுபிடிப்புகளின் தாக்கத்தை முழுமையாகப் பாராட்ட, AI மாதிரிகளை மதிப்பிடுவதற்குப் பயன்படுத்தப்படும் சுற்றுச்சூழல் அளவீடுகளைப் பற்றி இன்னும் விரிவாகப் பார்ப்பது அவசியம். முக்கிய அளவீடுகளின் முறிவை பின்வரும் பகுதிகள் வழங்குகின்றன:

ஆற்றல் நுகர்வு

ஆற்றல் நுகர்வு என்பது AI மாதிரிகளை இயக்குவதற்குத் தேவையான மின் சக்தியின் அடிப்படை அளவீடு ஆகும். இந்த ஆய்வு ஒரு வினவலுக்கு வாட்-மணிநேரத்தில் (Wh) ஆற்றல் நுகர்வை அளவிடுகிறது, இது வெவ்வேறு மாதிரிகளின் ஆற்றல் திறனை நேரடியாக ஒப்பிட்டுப் பார்க்க அனுமதிக்கிறது. கார்பன் சுவடு மற்றும் AI இன் ஒட்டுமொத்த சுற்றுச்சூழல் தாக்கத்தைக் குறைக்க ஆற்றல் நுகர்வைக் குறைப்பது முக்கியம்.

ஆற்றல் நுகர்வை பாதிக்கும் காரணிகள்:

• மாதிரி அளவு மற்றும் சிக்கலானது: பெரிய மற்றும் சிக்கலான மாதிரிகள் பொதுவாக சிறிய, எளிய மாதிரிகளை விட இயக்க அதிக ஆற்றல் தேவைப்படுகிறது.
• வன்பொருள் திறன்: AI மாதிரிகளை இயக்கப் பயன்படுத்தப்படும் GPUs மற்றும் பிற வன்பொருள் கூறுகள் ஆற்றல் நுகர்வில் குறிப்பிடத்தக்க பங்கைக் கொண்டுள்ளன. மேம்பட்ட மற்றும் ஆற்றல்-திறனுள்ள வன்பொருள் AI இன் ஆற்றல் சுவடு கணிசமாகக் குறைக்கும்.
• வினவல் நீளம் மற்றும் சிக்கலானது: நீண்ட மற்றும் சிக்கலான வினவல்கள் பொதுவாக அதிக கணக்கீட்டு வளங்கள் தேவைப்படுகின்றன, இதனால் அதிக ஆற்றல் தேவைப்படுகிறது.
• உகப்பாக்க நுட்பங்கள்: மாதிரி சுருக்கம் மற்றும் குவாண்டம்மயமாக்கல் போன்ற பல்வேறு உகப்பாக்க நுட்பங்கள், துல்லியத்தைப் பாதிக்காமல் AI மாதிரிகளின் ஆற்றல் நுகர்வைக் குறைக்கலாம்.

நீர் பயன்பாடு

நீர் பயன்பாடு என்பது AI-இன் சுற்றுச்சூழல் தாக்கத்தின் பெரும்பாலும் கவனிக்கப்படாத அம்சம் ஆகும். AI மாதிரிகளை இயக்கும் சேவையகங்களைக் கொண்ட தரவு மையங்களுக்கு குளிரூட்டலுக்கு கணிசமான அளவு தண்ணீர் தேவைப்படுகிறது. தரவு மையங்களின் ஆற்றல் நுகர்வு மற்றும் அந்த தரவு மையங்களுக்கு மின்சாரம் வழங்கும் பிராந்திய மின் கட்டமைப்புகளின் நீர் தீவிரத்தை அடிப்படையாகக் கொண்டு இந்த ஆய்வு நீர் பயன்பாட்டை மதிப்பிடுகிறது.

நீர் பயன்பாட்டை பாதிக்கும் காரணிகள்:

• குளிரூட்டும் தேவைகள்: தரவு மையங்கள் கணிசமான வெப்பத்தை உருவாக்குகின்றன மற்றும் உகந்த இயக்க வெப்பநிலையை பராமரிக்க குளிரூட்டும் அமைப்புகள் தேவைப்படுகின்றன. தண்ணீர் பெரும்பாலும் குளிரூட்டியாகப் பயன்படுத்தப்படுகிறது, நேரடியாகவோ அல்லது குளிர்விக்கும் கோபுரங்கள் மூலமாகவோ.
• மின் கட்டமைப்பு நீர் தீவிரம்: மின் கட்டமைப்பின் நீர் தீவிரம் என்பது ஒரு அலகு மின்சாரம் தயாரிக்கத் தேவையான நீரின் அளவைக் குறிக்கிறது. குளிரூட்டலுக்கு தண்ணீரைப் பயன்படுத்தும் வெப்ப மின் நிலையங்களை பெரிதும் நம்பியிருக்கும் மின் கட்டமைப்புக்கு அதிக நீர் தீவிரம் உள்ளது.
• தரவு மைய இடம்: வறண்ட பகுதிகளில் அல்லது நீர் பற்றாக்குறை உள்ள பகுதிகளில் அமைந்துள்ள தரவு மையங்கள் AI இன் சுற்றுச்சூழல் தாக்கத்தை அதிகரிக்கலாம்.

கார்பன் வெளியேற்றம்

கார்பன் வெளியேற்றம் என்பது காலநிலை மாற்றத்தின் முதன்மை ஓட்டுனர் ஆகும். AI மாதிரிகளின் ஆற்றல் நுகர்வு மற்றும் பிராந்திய மின் கட்டமைப்புகளின் கார்பன் தீவிரத்தை அடிப்படையாகக் கொண்டு இந்த ஆய்வு கார்பன் வெளியேற்றத்தை கணக்கிடுகிறது. கார்பன் தீவிரம் என்பது ஒரு அலகு மின்சாரம் உற்பத்திக்கு வெளியேற்றப்படும் கார்பன் டை ஆக்சைடின் அளவைக் குறிக்கிறது.

கார்பன் வெளியேற்றத்தை பாதிக்கும் காரணிகள்:

• ஆற்றல் மூலம்: தரவு மையங்களுக்கு சக்தியளிக்கப் பயன்படும் ஆற்றல் வகை கார்பன் வெளியேற்றத்தில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்துகிறது. சூரிய மற்றும் காற்று சக்தி போன்ற புதுப்பிக்கத்தக்க எரிசக்தி ஆதாரங்கள் நிலக்கரி மற்றும் இயற்கை எரிவாயு போன்ற புதைபடிவ எரிபொருட்களைக் காட்டிலும் மிகக் குறைந்த கார்பன் செறிவுகளைக் கொண்டுள்ளன.
• மின் கட்டமைப்பு கார்பன் தீவிரம்: மின் கட்டமைப்பு கார்பன் தீவிரம் மின்சாரம் தயாரிக்கப் பயன்படுத்தப்படும் எரிசக்தி ஆதாரங்களின் கலவையைப் பொறுத்து மாறுபடும். அதிக விகிதத்தில் புதுப்பிக்கத்தக்க எரிசக்தி ஆதாரங்களைக் கொண்ட பிரதேசங்கள் குறைந்த கார்பன் செறிவுகளைக் கொண்டிருக்கும்.
• ஆற்றல் திறன்: கார்பன் வெளியேற்றத்தைக் குறைப்பதற்கான மிகவும் பயனுள்ள வழி ஆற்றல் நுகர்வைக் குறைப்பதாகும்.

தாக்கங்கள் மற்றும் பரிந்துரைகள்

இந்த ஆய்வின் கண்டுபிடிப்புகள் AI டெவலப்பர்கள், கொள்கை வகுப்பாளர்கள் மற்றும் இறுதி பயனர்களுக்கு குறிப்பிடத்தக்க தாக்கங்களை ஏற்படுத்துகின்றன. AI இன் சுற்றுச்சூழல் தாக்கம் மிகக் குறைவானது அல்ல, மேலும் AI தொழில்நுட்பம் தொடர்ந்து முன்னேறி வருவதால் கவனமாக கவனிக்கப்பட வேண்டும்.

AI டெவலப்பர்களுக்கான பரிந்துரைகள்:

• ஆற்றல் திறனுக்கு முன்னுரிமை கொடுங்கள்: AI டெவலப்பர்கள் AI மாதிரிகளை வடிவமைத்து பயிற்சி செய்யும் போது ஆற்றல் திறனுக்கு முன்னுரிமை கொடுக்க வேண்டும். சிறிய மாதிரிகளைப் பயன்படுத்துதல், குறியீட்டை மேம்படுத்துதல் மற்றும் திறமையான வன்பொருளைப் பயன்படுத்துதல் ஆகியவை இதில் அடங்கும்.
• புதுப்பிக்கத்தக்க எரிசக்தி ஆதாரங்களை ஆராயுங்கள்: AI நிறுவனங்கள் தங்கள் தரவு மையங்களுக்கு புதுப்பிக்கத்தக்க எரிசக்தி ஆதாரங்களுடன் சக்தியளிப்பதற்கான வாய்ப்புகளை ஆராய வேண்டும். இது AI-இன் கார்பன் சுவடு கணிசமாகக் குறைக்கும்.
• நீர் பாதுகாப்பில் முதலீடு செய்யுங்கள்: நீர் பயன்பாட்டை குறைக்க தரவு மையங்கள் நீர் பாதுகாப்பு தொழிநுட்பங்களில் முதலீடு செய்ய வேண்டும். மூடிய வளைய குளிரூட்டும் அமைப்புகள் மற்றும் மழைநீர் சேகரிப்பு ஆகியவை இதில் அடங்கும்.
• வெளிப்படைத்தன்மை மற்றும் அறிக்கை: AI நிறுவனங்கள் தங்கள் மாதிரிகளின் சுற்றுச்சூழல் தாக்கம் குறித்து வெளிப்படையாக இருக்க வேண்டும் மற்றும் ஆற்றல் நுகர்வு, நீர் பயன்பாடு மற்றும் கார்பன் வெளியேற்றம் போன்ற முக்கிய அளவீடுகளைப் புகாரளிக்க வேண்டும்.

கொள்கை வகுப்பாளர்களுக்கான பரிந்துரைகள்:

• பசுமை AI ஐஊக்குவிக்கவும்: வரி வரவுகள், மானியங்கள் மற்றும் பிற ஊக்கத்தொகைகள் மூலம் பசுமை AI தொழிநுட்பங்களின் வளர்ச்சிக்கும் பயன்பாட்டிற்கும் கொள்கை வகுப்பாளர்கள் ஊக்கப்படுத்த வேண்டும்.
• தரவு மைய ஆற்றல் நுகர்வை கட்டுப்படுத்துங்கள்: தரவு மையங்கள் முடிந்தவரை திறமையாக செயல்படுவதை கொள்கை வகுப்பாளர்கள் உறுதி செய்வதற்காக தரவு மைய ஆற்றல் நுகர்வை கட்டுப்படுத்த வேண்டும்.
• புதுப்பிக்கத்தக்க எரிசக்தி பயன்பாட்டை ஊக்குவிக்கவும்: மின் கட்டமைப்புகளின் கார்பன் தீவிரத்தை குறைக்க புதுப்பிக்கத்தக்க எரிசக்தி ஆதாரங்களை கொள்கை வகுப்பாளர்கள் ஊக்குவிக்க வேண்டும்.
• ஆராய்ச்சி மற்றும் வளர்ச்சியை ஆதரிக்கவும்: AI இன் சுற்றுச்சூழல் தாக்கத்தைக் குறைக்கக்கூடிய புதிய தொழிநுட்பங்களில் ஆராய்ச்சி மற்றும் வளர்ச்சியை கொள்கை வகுப்பாளர்கள் ஆதரிக்க வேண்டும்.

இறுதி பயனர்களுக்கான பரிந்துரைகள்:

• AI பயன்பாட்டில் கவனமாக இருங்கள்: இறுதி பயனர்கள் தங்கள் AI பயன்பாடு குறித்து கவனமாக இருக்க வேண்டும் மற்றும் தேவையற்ற அல்லது அற்ப வினவல்களை தவிர்க்க வேண்டும்.
• சுற்றுச்சூழலுக்கு உகந்த AI மாதிரிகளைத் தேர்ந்தெடுக்கவும்: முடிந்தவரை அதிக ஆற்றல் திறனுள்ள AI மாதிரிகளை இறுதி பயனர்கள் தேர்ந்தெடுக்க வேண்டும்.
• நிலையான AI நடைமுறைகளை ஆதரிக்கவும்: சுற்றுச்சூழல் பொறுப்புக்கு உறுதி பூண்ட நிறுவனங்களிடமிருந்து AI தயாரிப்புகள் மற்றும் சேவைகளைத் தேர்ந்தெடுப்பதன் மூலம் நிலையான AI நடைமுறைகளை இறுதி பயனர்கள் ஆதரிக்கலாம்.

எதிர்கால ஆராய்ச்சி திசைகள்

AI இன் சுற்றுச்சூழல் தாக்கம் குறித்து மேலும் ஆராய்ச்சி தேவை என்பதை இந்த ஆய்வு சிறப்பித்துக் காட்டுகிறது. எதிர்கால ஆராய்ச்சி பின்வரும் क्षेत्रों पर ध्यान केंद्रित किया जाना चाहिए:

• வாழ்க்கை சுழற்சி மதிப்பீடு: AI மாதிரிகளின் வளர்ச்சி முதல் அகற்றல் வரை அனைத்து சாத்தியமான சுற்றுச்சூழல் தாக்கங்களையும் அடையாளம் காண ஒரு விரிவான வாழ்க்கை சுழற்சி மதிப்பீடு மேற்கொள்வது.
• பயிற்சியின் தாக்கம்: உய்த்துணர்வின் தாக்கத்தை விட கணிசமாக அதிகமாக இருக்கும் AI மாதிரிகளைப் பயிற்சியளிப்பதன்环保 தாக்கத்தை விசாரித்தல்.
• பிற துறைகளில் AI இன் தாக்கம்: AI தத்தெடுப்பின் ஒட்டுமொத்த环保 விளைவுகளைப் புரிந்து கொள்ள போக்குவரத்து மற்றும் உற்பத்தி போன்ற பொருளாதாரத்தின் பிற துறைகளில் AI இன் தாக்கத்தை பரிசோதித்தல்.
• புதிய அளவீடுகளின் உருவாக்கம்: AI வன்பொருளின் உள்ளமைந்த ஆற்றல் மற்றும் பொருட்களை கணக்கில் எடுத்துக்கொள்ளும் அளவீடுகள் போன்ற AI இன் पर्यावरण தாக்கத்தை மதிப்பிடுவதற்கு புதிய அளவீடுகளை உருவாக்குதல்.

முடிவு

பெரிய மொழி மாதிரிகளின் சுற்றுச்சூழல் தாக்கம் ஒரு சிக்கலான மற்றும் பலதரப்பட்ட பிரச்சினை, இது கவனமாக பரிசீலிக்கப்பட வேண்டும். இந்த ஆய்வின் கண்டுபிடிப்புகள் பிரபலமான AI கருவிகளுடன் தொடர்புடைய ஆற்றல், நீர் மற்றும் கார்பன் செலவுகள் குறித்து மதிப்புமிக்க நுண்ணறிவுகளை வழங்குகின்றன. இந்த செலவுகளைப் புரிந்துகொள்வதன் மூலம் AI டெவலப்பர்கள், கொள்கை வகுப்பாளர்கள் மற்றும் இறுதி பயனர்கள் AI இன் சுற்றுச்சூழல் சுவடுவைக் குறைக்க நடவடிக்கை எடுக்கலாம் மற்றும் AI தொழிநுட்பம் நிலையான முறையில் உருவாக்கப்பட்டு பயன்படுத்தப்படுவதை உறுதி செய்யலாம். AI நம் வாழ்வில் அதிகமாக ஒருங்கிணைக்கப்படுவதால், நிலைத்தன்மைக்கு முன்னுரிமை அளிப்பதும், சுற்றுச்சூழலுக்கு தீங்கு விளைவிக்காமல் சமூகத்திற்கு பயனளிக்கும் ஒரு எதிர்காலத்தை உருவாக்க ஒன்றிணைந்து செயல்படுவதும் முக்கியம்.