Bagaimanakah AI mempengaruhi Alam Sekitar?

Bagaimanakah AI mempengaruhi Alam Sekitar?

Jawapan ringkas: AI mempengaruhi alam sekitar terutamanya melalui penggunaan elektrik di pusat data (kedua-dua latihan dan inferens harian), di samping air untuk penyejukan, serta impak terwujud daripada pembuatan perkakasan dan e-sisa. Jika penggunaan meningkat kepada berbilion pertanyaan, inferens boleh mengatasi latihan; jika grid lebih bersih dan sistem cekap, impak akan berkurangan manakala faedah boleh meningkat.

Kesimpulan utama:

Elektrik : Jejaki penggunaan komputer; pelepasan menurun apabila beban kerja dijalankan pada grid yang lebih bersih.

Air : Pilihan penyejukan mengubah kesan; kaedah berasaskan air paling penting di kawasan yang jarang ditemui.

Perkakasan : Cip dan pelayan membawa impak yang ketara; memanjangkan jangka hayat dan mengutamakan pengubahsuaian.

Lantunan Semula : Kecekapan boleh meningkatkan jumlah permintaan; ukur hasil, bukan sahaja keuntungan setiap tugas.

Tuas operasi : Model bersaiz betul, optimumkan inferens dan laporkan metrik setiap permintaan secara telus.

Bagaimanakah AI mempengaruhi Alam Sekitar? Infografik

Artikel yang mungkin anda ingin baca selepas ini:

🔗 Adakah AI buruk untuk alam sekitar?
Terokai jejak karbon AI, penggunaan elektrik dan permintaan pusat data.

🔗 Mengapa AI tidak baik untuk masyarakat?
Lihatlah berat sebelah, gangguan pekerjaan, maklumat salah dan ketidaksamaan sosial yang semakin meluas.

🔗 Mengapa AI teruk? Sisi gelap AI
Fahami risiko seperti pengawasan, manipulasi dan kehilangan kawalan manusia.

🔗 Adakah AI telah keterlaluan?
Perdebatan tentang etika, peraturan dan di mana inovasi harus menetapkan batasan.

Bagaimana AI mempengaruhi Alam Sekitar: gambaran ringkas ⚡🌱

Jika anda hanya ingat beberapa perkara, jadikan ia seperti berikut:

Dan kemudian ada bahagian yang orang lupa: skala . Satu pertanyaan AI mungkin kecil, tetapi berbilion-bilion daripadanya adalah haiwan yang sama sekali berbeza… seperti bola salji kecil yang entah bagaimana menjadi runtuhan salji sebesar sofa. (Metafora itu agak salah, tetapi anda faham.) IEA: Tenaga dan AI

Jejak alam sekitar AI bukanlah satu perkara - ia adalah satu timbunan 🧱🌎

Apabila orang ramai berhujah tentang AI dan kemampanan, mereka sering bercakap melepasi satu sama lain kerana mereka menunjuk pada lapisan yang berbeza:

1) Kira elektrik

  • Melatih model besar mungkin memerlukan kluster besar yang berlari keras untuk jangka masa yang lama. IEA: Tenaga dan AI

  • Inferens (kegunaan harian) boleh menjadi jejak yang lebih besar dari semasa ke semasa kerana ia berlaku secara berterusan, di mana-mana sahaja. IEA: Tenaga dan AI

2) Overhed pusat data

3) Air dan haba

4) Rantaian bekalan perkakasan

5) Kesan tingkah laku dan pemulihan

Jadi apabila seseorang bertanya bagaimana AI mempengaruhi Alam Sekitar, jawapan terus ialah: ia bergantung pada lapisan yang anda ukur dan apa yang dimaksudkan dengan "AI" dalam situasi itu.

Latihan vs inferens: perbezaan yang mengubah segalanya 🧠⚙️

Orang ramai suka bercakap tentang latihan kerana ia kedengaran dramatik - “satu model menggunakan tenaga X.” Tetapi inferens adalah gergasi yang senyap. IEA: Tenaga dan AI

Latihan (binaan besar)

Latihan umpama membina sebuah kilang. Anda membayar kos pendahuluan: pengiraan yang berat, masa jalan yang panjang, banyak percubaan dan kesilapan (dan ya, banyak lelaran "oops yang tidak berjaya, cuba lagi"). Latihan boleh dioptimumkan, tetapi ia masih boleh menjadi besar. IEA: Tenaga dan AI

Inferens (kegunaan harian)

Inferens adalah seperti kilang yang beroperasi setiap hari, untuk semua orang, pada skala besar:

  • Chatbot menjawab soalan

  • Penjanaan imej

  • Kedudukan carian

  • Cadangan

  • Pertuturan-ke-teks

  • Pengesanan penipuan

  • Juruterbang bersama dalam dokumen dan alat kod

Walaupun setiap permintaan agak kecil, jumlah penggunaan boleh mengatasi latihan. Ia adalah situasi klasik "satu straw tidak ada apa-apanya, sejuta straw adalah masalah". IEA: Tenaga dan AI

Nota kecil - sesetengah tugasan AI jauh lebih berat daripada yang lain. Menjana imej atau video panjang cenderung lebih memerlukan tenaga berbanding pengelasan teks pendek. Jadi menggabungkan "AI" ke dalam satu baldi adalah seperti membandingkan basikal dengan kapal kargo dan memanggil kedua-duanya sebagai "pengangkutan." IEA: Tenaga dan AI

Pusat data: kuasa, penyejukan dan kisah air yang tenang itu 💧🏢

Pusat data bukanlah sesuatu yang baharu, tetapi AI mengubah keamatannya. Pemecut berprestasi tinggi boleh menarik banyak kuasa di ruang yang sempit, yang bertukar menjadi haba, yang mesti diuruskan. LBNL (2024): Laporan Penggunaan Tenaga Pusat Data Amerika Syarikat (PDF) IEA: Tenaga dan AI

Asas penyejukan (ringkas tetapi praktikal)

Itulah pertukarannya: anda kadangkala boleh mengurangkan penggunaan elektrik dengan bergantung pada penyejukan berasaskan air. Bergantung pada kekurangan air tempatan, itu mungkin tidak mengapa… atau ia mungkin masalah sebenar. Li et al. (2023): Menjadikan AI Kurang “Dahaga” (PDF)

Selain itu, kesan alam sekitar sangat bergantung kepada:

Secara terus terang: perbualan awam sering menganggap "pusat data" seperti kotak hitam. Ia bukan jahat, ia bukan ajaib. Ia infrastruktur. Ia berfungsi seperti infrastruktur.

Cip dan perkakasan: bahagian yang orang ramai langkau kerana ia kurang seksi 🪨🔧

AI hidup pada perkakasan. Perkakasan mempunyai kitaran hayat, dan impak kitaran hayat boleh menjadi besar. EPA AS: Industri Semikonduktor ITU: Pemantau Sisa Elektronik Global 2024

Di mana kesan alam sekitar muncul

Sisa elektronik dan pelayan "baik-baik sahaja"

Banyak kerosakan alam sekitar bukan disebabkan oleh satu peranti yang sedia ada - ia disebabkan oleh penggantiannya lebih awal kerana ia tidak lagi menjimatkan kos. AI mempercepatkan ini kerana lonjakan prestasi boleh menjadi besar. Godaan untuk menyegarkan perkakasan adalah nyata. ITU: Pemantau Sisa Elektronik Global 2024

Satu perkara praktikal: memanjangkan hayat perkakasan, menambah baik penggunaan dan pengubahsuaian boleh menjadi penting seperti mana-mana tweak model yang menarik. Kadangkala GPU yang paling mesra alam adalah yang tidak anda beli. (Itu kedengaran seperti slogan, tetapi ia juga… agak benar.)

Bagaimana AI mempengaruhi Alam Sekitar: gelung tingkah laku "orang ramai melupakan ini" 🔁😬

Inilah bahagian sosial yang janggal: AI memudahkan sesuatu, jadi orang ramai melakukan lebih banyak perkara. Itu boleh menjadi sesuatu yang hebat - lebih banyak produktiviti, lebih banyak kreativiti, lebih banyak akses. Tetapi ia juga boleh bermakna lebih banyak penggunaan sumber secara keseluruhan. OECD (2012): Pelbagai Manfaat Penambahbaikan Kecekapan Tenaga (PDF)

Contoh:

  • Jika AI menjadikan penjanaan video murah, orang ramai akan menjana lebih banyak video.

  • Jika AI menjadikan pengiklanan lebih berkesan, lebih banyak iklan disiarkan, lebih banyak gelung penglibatan berputar.

  • Jika AI menjadikan logistik penghantaran lebih cekap, e-dagang boleh berkembang dengan lebih pesat.

Ini bukan sebab untuk panik. Ia adalah sebab untuk mengukur hasil, bukan sekadar kecekapan.

Metafora yang tidak sempurna tetapi menyeronokkan: Kecekapan AI umpama memberi seorang remaja peti sejuk yang lebih besar - ya, penyimpanan makanan bertambah baik, tetapi entah bagaimana peti sejuk itu kosong semula dalam sehari. Bukan metafora yang sempurna, tetapi… anda pernah melihatnya berlaku 😅

Kelebihannya: AI benar-benar boleh membantu alam sekitar (apabila disasarkan dengan betul) 🌿✨

Sekarang untuk bahagian yang dipandang remeh: AI boleh mengurangkan pelepasan dan sisa dalam sistem sedia ada yang… terus terang, tidak elegan. IEA: AI untuk pengoptimuman dan inovasi tenaga

Bidang di mana AI boleh membantu

Nuansa penting: "Membantu" AI tidak secara automatik mengimbangi jejak AI. Ia bergantung pada sama ada AI benar-benar digunakan, dan sama ada ia membawa kepada pengurangan sebenar dan bukannya sekadar papan pemuka yang lebih baik. Tetapi ya, potensinya adalah nyata. IEA: AI untuk pengoptimuman dan inovasi tenaga

Apakah yang menjadikan AI mesra alam versi yang baik? ✅🌍

Ini ialah bahagian “okey, apa yang perlu kita lakukan”. Persediaan AI yang bertanggungjawab terhadap alam sekitar biasanya mempunyai:

  • Nilai kes penggunaan yang jelas : Jika model tidak mengubah keputusan atau hasil, ia hanyalah pengiraan yang canggih.

  • Pengukuran yang telah dikumpul : Tenaga, anggaran karbon, penggunaan dan metrik kecekapan yang dijejaki seperti mana-mana KPI yang lain. CodeCarbon: Metodologi

  • Model bersaiz betul : Gunakan model yang lebih kecil apabila model yang lebih kecil berfungsi. Ia bukanlah satu kegagalan moral untuk menjadi cekap.

  • Reka bentuk inferens yang cekap : caching, batching, kuantisasi, pencarian semula dan corak gesaan yang baik. Gholami et al. (2021): Tinjauan Kaedah Pengkuantuman (PDF) Lewis et al. (2020): Penjanaan Tambahan Pemerolehan

  • Kesedaran perkakasan dan lokasi : jalankan beban kerja di tempat grid lebih bersih dan infrastruktur cekap (jika boleh dilaksanakan). API Keamatan Karbon (GB)

  • Jangka hayat perkakasan yang lebih lama : memaksimumkan penggunaan, penggunaan semula dan pengubahsuaian. ITU: Pemantauan E-sisa Global 2024

  • Pelaporan terus terang : elakkan bahasa hijau dan dakwaan samar-samar seperti “AI mesra alam” tanpa angka.

Jika anda masih menjejaki bagaimana AI mempengaruhi Alam Sekitar, inilah titik di mana jawapannya tidak lagi bersifat falsafah dan menjadi beroperasi: ia mempengaruhinya berdasarkan pilihan anda.

Jadual Perbandingan: alat dan pendekatan yang benar-benar mengurangkan impak 🧰⚡

Di bawah ialah jadual yang ringkas dan praktikal. Ia tidak sempurna, dan ya, beberapa sel agak terlalu mementingkan diri sendiri… kerana begitulah cara pemilihan alat sebenar berfungsi.

Alat / Pendekatan Khalayak Harga Mengapa ia berkesan
Pustaka penjejakan karbon/tenaga (penganggar masa jalan) Pasukan ML Bebas-bebas Memberi keterlihatan - yang merupakan separuh daripada pertempuran, walaupun anggaran agak kabur… KodKarbon
Pemantauan kuasa perkakasan (telemetri GPU/CPU) Infra + ML Percuma Mengukur penggunaan sebenar; bagus untuk penanda aras (tidak mencolok tetapi emas)
Penyulingan model Jurutera ML Percuma (kos masa 😵) Model pelajar yang lebih kecil sering memadankan prestasi dengan kos inferens yang jauh lebih rendah Hinton et al. (2015): Menyuling Pengetahuan dalam Rangkaian Neural
Pengkuantuman (inferens ketepatan yang lebih rendah) Produk ML + Percuma Mengurangkan latensi dan penggunaan kuasa; kadangkala dengan sedikit pengorbanan kualiti, kadangkala tiada Gholami dkk. (2021): Tinjauan Kaedah Pengkuantuman (PDF)
Inferens pengeposan + pengelompokan Produk + platform Percuma Mengurangkan pengiraan berlebihan; amat berguna untuk gesaan berulang atau permintaan yang serupa
Penjanaan tambahan pengambilan (RAG) Pasukan apl Campuran Memindahkan "memori" kepada pengambilan semula; boleh mengurangkan keperluan untuk tetingkap konteks yang besar Lewis et al. (2020): Penjanaan Dipertingkatkan Pengambilan
Penjadualan beban kerja mengikut keamatan karbon Infra/operasi Campuran Mengalihkan kerja fleksibel kepada tingkap kuasa yang lebih bersih - memerlukan koordinasi API Keamatan Karbon (GB)
Fokus kecekapan pusat data (penggunaan, penyatuan) Kepimpinan IT Dibayar (biasanya) Tuas yang paling tidak menarik, tetapi selalunya yang terbesar - berhenti menjalankan sistem separuh kosong Grid Hijau: PUE
Projek penggunaan semula haba Kemudahan Ia bergantung Menukar haba buangan kepada nilai; tidak selalunya boleh dilaksanakan, tetapi apabila ia boleh dilaksanakan, ia agak cantik
"Adakah kita memerlukan AI di sini?" semak Semua orang Percuma Mencegah pengiraan yang tidak berguna. Pengoptimuman yang paling berkesan ialah berkata tidak (kadang-kadang)

Perasan tak apa yang hilang? “Beli pelekat hijau ajaib.” Itu memang tak wujud 😬

Buku panduan praktikal: mengurangkan impak AI tanpa memusnahkan produk 🛠️🌱

Jika anda sedang membina atau membeli sistem AI, berikut ialah urutan realistik yang berfungsi dalam praktik:

Langkah 1: Mulakan dengan pengukuran

  • Jejaki penggunaan tenaga atau anggarkannya secara konsisten. CodeCarbon: Metodologi

  • Ukur setiap larian latihan dan setiap permintaan inferens.

  • Pantau penggunaan - sumber terbiar mempunyai cara untuk bersembunyi di tempat yang mudah dilihat. Grid Hijau: PUE

Langkah 2: Saiz model yang betul mengikut kerja

  • Gunakan model yang lebih kecil untuk pengelasan, pengekstrakan, penghalaan.

  • Simpan model berat untuk bekas yang keras.

  • Pertimbangkan satu "lata model": model kecil dahulu, model yang lebih besar hanya jika perlu.

Langkah 3: Optimumkan inferens (di sinilah skala memainkan peranan)

  • Caching : simpan jawapan untuk pertanyaan berulang (dengan kawalan privasi yang teliti).

  • Pengumpulan : permintaan kumpulan untuk meningkatkan kecekapan perkakasan.

  • Output yang lebih pendek : output yang panjang lebih mahal - kadangkala anda tidak memerlukan esei tersebut.

  • Disiplin segera : gesaan yang tidak kemas menghasilkan laluan pengiraan yang lebih panjang… dan ya, lebih banyak token.

Langkah 4: Tingkatkan kebersihan data

Ini kedengaran tidak berkaitan, tetapi sebenarnya tidak:

  • Set data yang lebih bersih dapat mengurangkan churn latihan semula.

  • Kurang hingar bermakna kurang eksperimen dan kurang larian yang sia-sia.

Langkah 5: Anggap perkakasan seperti aset, bukan barang pakai buang

Langkah 6: Pilih penggunaan dengan bijak

  • Jalankan kerja fleksibel di mana kuasa lebih bersih jika boleh. API Keamatan Karbon (GB)

  • Kurangkan replikasi yang tidak perlu.

  • Pastikan sasaran latensi realistik (latensi ultra rendah boleh memaksa persediaan sentiasa hidup yang tidak cekap).

Dan ya… kadangkala langkah terbaik adalah: jangan jalankan model terbesar secara automatik untuk setiap tindakan pengguna. Tabiat itu umpama membiarkan setiap lampu menyala kerana berjalan ke suis adalah menjengkelkan.

Mitos umum (dan apa yang lebih hampir dengan kebenaran) 🧠🧯

Mitos: "AI sentiasa lebih teruk daripada perisian tradisional"

Kebenaran: AI boleh menjadi lebih berat untuk pengiraan, tetapi ia juga boleh menggantikan proses manual yang tidak cekap, mengurangkan pembaziran dan mengoptimumkan sistem. Ia bersifat situasional. IEA: AI untuk pengoptimuman dan inovasi tenaga

Mitos: "Latihan adalah satu-satunya masalah"

Kebenaran: Inferens pada skala boleh mendominasi dari semasa ke semasa. Jika produk anda meletup dalam penggunaan, ini akan menjadi cerita utama. IEA: Tenaga dan AI

Mitos: "Tenaga boleh diperbaharui menyelesaikannya serta-merta"

Kebenaran: Elektrik yang lebih bersih banyak membantu, tetapi tidak memadamkan jejak perkakasan, penggunaan air atau kesan lantunan. Namun begitu, ia tetap penting. IEA: Tenaga dan AI

Mitos: “Jika ia cekap, ia mampan”

Kebenaran: Kecekapan tanpa kawalan permintaan masih boleh meningkatkan impak keseluruhan. Itulah perangkap pemulihan. OECD (2012): Pelbagai Manfaat Penambahbaikan Kecekapan Tenaga (PDF)

Tadbir urus, ketelusan, dan tidak berpura-pura mengenainya 🧾🌍

Jika anda sebuah syarikat, di sinilah kepercayaan dibina atau hilang.

Inilah bahagian di mana orang ramai menjulingkan mata, tetapi ia penting. Teknologi yang bertanggungjawab bukan sahaja tentang kejuruteraan yang bijak. Ia juga tentang tidak berpura-pura bahawa pertukaran itu tidak wujud.

Ringkasan penutup: ringkasan ringkas tentang bagaimana AI mempengaruhi Alam Sekitar 🌎✅

Bagaimana AI mempengaruhi Alam Sekitar bergantung kepada beban tambahan: elektrik, air (kadang-kadang), dan permintaan perkakasan. IEA: Tenaga dan AI Li et al. (2023): Menjadikan AI Kurang “Dahaga” (PDF) Ia juga menawarkan alat yang berkuasa untuk mengurangkan pelepasan dan pembaziran dalam sektor lain. IEA: AI untuk pengoptimuman dan inovasi tenaga Hasil bersih bergantung pada skala, kebersihan grid, pilihan kecekapan dan sama ada AI menyelesaikan masalah sebenar atau hanya menjana kebaharuan untuk kepentingan kebaharuan. IEA: Tenaga dan AI

Jika anda mahukan cara mudah dan praktikal yang paling mudah:

  • Ukur.

  • Saiz yang betul.

  • Optimumkan inferens.

  • Panjangkan jangka hayat perkakasan.

  • Berterus terang tentang pertukaran.

Dan jika anda berasa terbeban, inilah kebenaran yang menenangkan: keputusan operasi kecil, diulang seribu kali, biasanya mengatasi satu kenyataan kemampanan yang besar. Macam menggosok gigi. Tidak glamor, tetapi ia berkesan… 😄🪥

Soalan Lazim

Bagaimanakah AI mempengaruhi alam sekitar dalam penggunaan seharian, bukan hanya makmal penyelidikan besar?

Kebanyakan jejak AI datang daripada elektrik yang menggerakkan pusat data yang menjalankan GPU dan CPU semasa latihan dan "inferens" harian. Satu permintaan mungkin sederhana, tetapi pada skala besar permintaan tersebut terkumpul dengan cepat. Kesannya juga bergantung pada lokasi pusat data, betapa bersihnya grid tempatan dan betapa cekapnya infrastruktur dikendalikan.

Adakah melatih model AI lebih buruk untuk alam sekitar berbanding menggunakannya (inferens)?

Latihan boleh menjadi satu ledakan pengiraan yang besar dan awal, tetapi inferens boleh menjadi jejak yang lebih besar dari semasa ke semasa kerana ia berjalan secara berterusan dan pada skala besar-besaran. Jika sesuatu alat digunakan oleh berjuta-juta orang setiap hari, permintaan berulang boleh melebihi kos latihan sekali sahaja. Itulah sebabnya pengoptimuman sering tertumpu pada kecekapan inferens.

Mengapakah AI menggunakan air, dan adakah ia sentiasa menjadi masalah?

AI boleh menggunakan air terutamanya kerana sesetengah pusat data bergantung pada penyejukan berasaskan air, atau kerana air digunakan secara tidak langsung melalui penjanaan elektrik. Dalam iklim tertentu, penyejukan penyejatan boleh mengurangkan penggunaan elektrik sambil meningkatkan penggunaan air, mewujudkan pertukaran yang tulen. Sama ada ia "buruk" bergantung pada kekurangan air tempatan, reka bentuk penyejukan dan sama ada penggunaan air diukur dan diuruskan.

Apakah bahagian jejak alam sekitar AI yang berasal daripada perkakasan dan e-sisa?

AI bergantung pada cip, pelayan, peralatan rangkaian, bangunan dan rantaian bekalan - yang bermaksud perlombongan, pembuatan, penghantaran dan pelupusan akhirnya. Pembuatan semikonduktor memerlukan tenaga yang intensif dan kitaran naik taraf yang pantas boleh meningkatkan pelepasan terwujud dan e-sisa. Memanjangkan hayat perkakasan, membaik pulih dan menambah baik penggunaan boleh mengurangkan impak dengan ketara, kadangkala menyaingi perubahan peringkat model.

Adakah penggunaan tenaga boleh diperbaharui menyelesaikan impak alam sekitar AI?

Elektrik yang lebih bersih dapat mengurangkan pelepasan daripada komputer, tetapi ia tidak memadamkan impak lain seperti penggunaan air, pembuatan perkakasan dan sisa elektronik. Ia juga tidak menangani "kesan pemulihan" secara automatik, di mana komputer berkos rendah membawa kepada lebih banyak penggunaan secara keseluruhan. Tenaga boleh diperbaharui merupakan tuas penting, tetapi ia hanya satu bahagian daripada timbunan jejak.

Apakah kesan pemulihan, dan mengapa ia penting untuk AI dan kemampanan?

Kesan pemulihan adalah apabila peningkatan kecekapan menjadikan sesuatu lebih murah atau lebih mudah, jadi orang ramai melakukan lebih banyak perkara - kadangkala menghapuskan penjimatan. Dengan AI, penjanaan atau automasi yang lebih murah boleh meningkatkan jumlah permintaan untuk kandungan, pengkomputeran dan perkhidmatan. Itulah sebabnya mengukur hasil dalam amalan lebih penting daripada meraikan kecekapan secara berasingan.

Apakah cara praktikal untuk mengurangkan impak AI tanpa menjejaskan produk?

Pendekatan biasa adalah bermula dengan pengukuran (anggaran tenaga dan karbon, penggunaan), kemudian model bersaiz tepat untuk tugasan dan mengoptimumkan inferens dengan caching, batching dan output yang lebih pendek. Teknik seperti kuantisasi, penyulingan dan penjanaan yang ditambah pengambilan semula boleh mengurangkan keperluan pengkomputeran. Pilihan operasi - seperti penjadualan beban kerja mengikut keamatan karbon dan jangka hayat perkakasan yang lebih lama - selalunya memberikan kemenangan besar.

Bagaimanakah AI boleh membantu alam sekitar dan bukannya merosakkannya?

AI boleh mengurangkan pelepasan dan sisa apabila digunakan untuk mengoptimumkan sistem sebenar: ramalan grid, tindak balas permintaan, kawalan HVAC bangunan, penghalaan logistik, penyelenggaraan ramalan dan pengesanan kebocoran. Ia juga boleh menyokong pemantauan alam sekitar seperti amaran penebangan hutan dan pengesanan metana. Kuncinya ialah sama ada sistem mengubah keputusan dan menghasilkan pengurangan yang boleh diukur, bukan sekadar papan pemuka yang lebih baik.

Metrik apakah yang perlu dilaporkan oleh syarikat untuk mengelakkan dakwaan AI "pencucian hijau"?

Lebih bermakna untuk melaporkan metrik setiap tugas atau setiap permintaan daripada hanya jumlah keseluruhan yang besar, kerana ia menunjukkan kecekapan pada peringkat unit. Penjejakan penggunaan tenaga, anggaran karbon, penggunaan dan - jika berkaitan - impak air mewujudkan akauntabiliti yang lebih jelas. Juga penting: tentukan sempadan (apa yang disertakan) dan elakkan label samar-samar seperti "AI mesra alam" tanpa bukti yang diukur.

Rujukan

  1. Agensi Tenaga Antarabangsa (IEA) - Tenaga dan AI - iea.org

  2. Agensi Tenaga Antarabangsa (IEA) - AI untuk pengoptimuman dan inovasi tenaga - iea.org

  3. Agensi Tenaga Antarabangsa (IEA) - Pendigitalan - iea.org

  4. Makmal Kebangsaan Lawrence Berkeley (LBNL) - Laporan Penggunaan Tenaga Pusat Data Amerika Syarikat (2024) (PDF) - lbl.gov

  5. Li dkk. - Menjadikan AI Kurang “Dahaus” (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Kemunculan dan Perluasan Penyejukan Cecair di Pusat Data Arus Perdana (PDF) - ashrae.org

  7. Grid Hijau - PUE-Pemeriksaan Komprehensif Metrik - thegreengrid.org

  8. Jabatan Tenaga AS (DOE) - FEMP - Peluang Kecekapan Air Penyejukan untuk Pusat Data Persekutuan - energy.gov

  9. Jabatan Tenaga AS (DOE) - FEMP - Kecekapan Tenaga dalam Pusat Data - energy.gov

  10. Agensi Perlindungan Alam Sekitar AS (EPA) - Industri Semikonduktor - epa.gov

  11. Kesatuan Telekomunikasi Antarabangsa (ITU) - Pemantau Sisa Elektronik Global 2024 - itu.int

  12. OECD - Pelbagai Manfaat Penambahbaikan Kecekapan Tenaga (2012) (PDF) - oecd.org

  13. API Keamatan Karbon (GB) - carbonintensity.org.uk

  14. imec - Mengurangkan impak alam sekitar dalam pembuatan cip - imec-int.com

  15. UNEP - Cara MARS berfungsi - unep.org

  16. Pemerhatian Hutan Global - Amaran penebangan hutan GLAD - globalforestwatch.org

  17. Institut Alan Turing - AI dan sistem autonomi untuk menilai biodiversiti dan kesihatan ekosistem - turing.ac.uk

  18. CodeCarbon - Metodologi - mlco2.github.io

  19. Gholami dkk. - Tinjauan Kaedah Pengkuantuman (2021) (PDF) - arxiv.org

  20. Lewis dkk. - Penjanaan Dipertingkatkan Pengambilan (2020) - arxiv.org

  21. Hinton dkk. - Menyuling Pengetahuan dalam Rangkaian Neural (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Cari AI Terkini di Kedai Pembantu AI Rasmi

Tentang Kami

Kembali ke blog