Sut mae AI yn effeithio ar yr Amgylchedd?

Sut mae AI yn effeithio ar yr Amgylchedd?

Yr ateb byr: Mae deallusrwydd artiffisial yn effeithio ar yr amgylchedd yn bennaf trwy ddefnyddio trydan mewn canolfannau data (hyfforddiant a chasgliadau bob dydd), ochr yn ochr â dŵr ar gyfer oeri, ynghyd ag effeithiau ymgorfforol gweithgynhyrchu caledwedd a gwastraff electronig. Os yw'r defnydd yn graddio i biliynau o ymholiadau, gall casgliadau fod yn bwysicach na hyfforddiant; os yw gridiau'n lanach a systemau'n effeithlon, mae'r effeithiau'n lleihau tra gall manteision dyfu.

Prif bethau i'w cymryd:

Trydan : Tracio defnydd cyfrifiadurol; mae allyriadau'n lleihau pan fydd llwythi gwaith yn rhedeg ar gridiau glanach.

Dŵr : Mae dewisiadau oeri yn newid effeithiau; mae dulliau sy'n seiliedig ar ddŵr yn bwysicaf mewn rhanbarthau prin.

Caledwedd : Mae sglodion a gweinyddion yn cael effeithiau sylweddol ar eu corff; yn ymestyn oes ac yn blaenoriaethu adnewyddu.

Adlam : Gall effeithlonrwydd gynyddu cyfanswm y galw; mesur canlyniadau, nid dim ond enillion fesul tasg.

Dulliau gweithredol : Modelau o'r maint cywir, optimeiddio casgliadau, ac adrodd metrigau fesul cais yn dryloyw.

Sut mae AI yn effeithio ar yr Amgylchedd? Graffeg gwybodaeth

Erthyglau y gallech fod eisiau eu darllen ar ôl yr un hon:

🔗 A yw AI yn ddrwg i'r amgylchedd?
Archwiliwch ôl troed carbon AI, defnydd trydan, a gofynion canolfannau data.

🔗 Pam mae AI yn ddrwg i gymdeithas?
Edrychwch ar ragfarn, tarfu ar swyddi, gwybodaeth anghywir, ac anghydraddoldeb cymdeithasol sy'n ehangu.

🔗 Pam mae AI yn ddrwg? Ochr dywyll AI
Deall risgiau fel gwyliadwriaeth, trin, a cholli rheolaeth ddynol.

🔗 Ydy AI wedi mynd yn rhy bell?
Dadleuon ar foeseg, rheoleiddio, a ble y dylai arloesedd dynnu llinellau.

Sut mae AI yn effeithio ar yr Amgylchedd: y ciplun cyflym ⚡🌱

Os mai dim ond ychydig o bwyntiau rydych chi'n eu cofio, gwnewch nhw fel hyn:

Ac yna mae'r rhan mae pobl yn ei hanghofio: graddfa . Efallai bod un ymholiad AI yn fach, ond mae biliynau ohonyn nhw'n anifail hollol wahanol… fel pêl eira fach sydd rywsut yn dod yn eirlithriad maint soffa. (Mae'r trosiad hwnnw ychydig yn anghywir, ond rydych chi'n ei ddeall.) IEA: Ynni a AI

Nid un peth yw ôl troed amgylcheddol AI - mae'n bentwr 🧱🌎

Pan fydd pobl yn dadlau am AI a chynaliadwyedd, maen nhw'n aml yn siarad heibio i'w gilydd oherwydd eu bod nhw'n pwyntio at wahanol haenau:

1) Cyfrifo trydan

2) Gorbenion canolfan ddata

3) Dŵr a gwres

4) Cadwyn gyflenwi caledwedd

5) Effeithiau ymddygiad ac adlam

Felly pan fydd rhywun yn gofyn sut mae AI yn effeithio ar yr Amgylchedd, yr ateb uniongyrchol yw: mae'n dibynnu ar ba haen rydych chi'n ei mesur, a beth mae “AI” yn ei olygu yn y sefyllfa honno.

Hyfforddiant vs casgliad: y gwahaniaeth sy'n newid popeth 🧠⚙️

Mae pobl wrth eu bodd yn siarad am hyfforddiant oherwydd ei fod yn swnio'n ddramatig - “defnyddiodd un model X ynni.” Ond casgliad yw'r cawr tawel. IEA: Ynni a Deallusrwydd Artiffisial

Hyfforddiant (yr adeiladwaith mawr)

Mae hyfforddiant fel adeiladu ffatri. Rydych chi'n talu'r gost ymlaen llaw: cyfrifiadura trwm, amseroedd rhedeg hir, llawer o rediadau treial a chamgymeriad (ac ie, digon o ailadroddiadau "oops nad oeddent yn gweithio, ceisiwch eto"). Gellir optimeiddio hyfforddiant, ond gall fod yn sylweddol o hyd. IEA: Ynni a Deallusrwydd Artiffisial

Casgliad (y defnydd dyddiol)

Mae casgliad fel y ffatri sy'n rhedeg bob dydd, i bawb, ar raddfa fawr:

  • Sgwrsbotiau yn ateb cwestiynau

  • Cynhyrchu delweddau

  • Safle chwiliad

  • Argymhellion

  • Lleferydd-i-destun

  • Canfod twyll

  • Cydbeilotiaid mewn dogfennau ac offer cod

Hyd yn oed os yw pob cais yn gymharol fach, gall cyfaint y defnydd waethygu hyfforddiant. Dyma'r sefyllfa glasurol "un gwelltyn yw dim byd, miliwn o welltyn yw problem". IEA: Ynni a Deallusrwydd Artiffisial

Nodyn bach - mae rhai tasgau AI yn llawer trymach nag eraill. Mae cynhyrchu delweddau neu fideos hir yn tueddu i fod yn fwy llwglyd o ran ynni na dosbarthu testun byr. Felly mae rhoi “AI” mewn un bwced ychydig fel cymharu beic â llong cargo a’u galw ill dau yn “drafnidiaeth.” IEA: Ynni a AI

Canolfannau data: pŵer, oeri, a'r stori dŵr tawel honno 💧🏢

Nid yw canolfannau data yn beth newydd, ond mae deallusrwydd artiffisial yn newid y dwyster. Gall cyflymyddion perfformiad uchel dynnu llawer o bŵer mewn mannau cyfyng, sy'n troi'n wres, y mae'n rhaid ei reoli. LBNL (2024): Adroddiad Defnydd Ynni Canolfan Ddata'r Unol Daleithiau (PDF) IEA: Ynni a deallusrwydd artiffisial

Hanfodion oeri (wedi'i symleiddio, ond yn ymarferol)

Dyna'r cyfaddawd: weithiau gallwch chi leihau'r defnydd o drydan trwy bwyso ar oeri sy'n seiliedig ar ddŵr. Yn dibynnu ar brinder dŵr lleol, gall hynny fod yn iawn ... neu gall fod yn broblem wirioneddol. Li et al. (2023): Gwneud AI yn Llai “Sychedig” (PDF)

Hefyd, mae'r ôl troed amgylcheddol yn dibynnu'n fawr ar:

I fod yn onest: mae'r sgwrs gyhoeddus yn aml yn trin "canolfan ddata" fel blwch du. Nid yw'n ddrwg, nid yw'n hudol. Mae'n seilwaith. Mae'n ymddwyn fel seilwaith.

Sglodion a chaledwedd: y rhan y mae pobl yn ei hepgor oherwydd ei bod hi'n llai rhywiol 🪨🔧

Mae deallusrwydd artiffisial yn byw ar galedwedd. Mae gan galedwedd gylch bywyd, a gall effeithiau cylch bywyd fod yn fawr. EPA yr Unol Daleithiau: Diwydiant Lled-ddargludyddion ITU: Y Monitor Gwastraff Electronig Byd-eang 2024

Lle mae'r effaith amgylcheddol yn ymddangos

Gwastraff electronig a gweinyddion “perffaith iawn”

Nid yw llawer o niwed amgylcheddol yn deillio o un ddyfais sy'n bodoli eisoes - mae'n deillio o'i disodli'n gynnar oherwydd nad yw bellach yn gost-effeithiol. Mae deallusrwydd artiffisial yn cyflymu hyn oherwydd gall naidiau perfformiad fod yn fawr. Mae'r demtasiwn i adnewyddu caledwedd yn real. ITU: Y Monitor Gwastraff Electronig Byd-eang 2024

Pwynt ymarferol: gall ymestyn oes caledwedd, gwella defnydd, ac adnewyddu fod yr un mor bwysig ag unrhyw addasiad ffansi i fodel. Weithiau'r GPU mwyaf gwyrdd yw'r un nad ydych chi'n ei brynu. (Mae hynny'n swnio fel slogan, ond mae hefyd… yn eithaf gwir.)

Sut mae AI yn effeithio ar yr Amgylchedd: y ddolen ymddygiad “mae pobl yn anghofio hyn” 🔁😬

Dyma’r rhan gymdeithasol anodd: mae deallusrwydd artiffisial yn gwneud pethau’n haws, felly mae pobl yn gwneud mwy o bethau. Gall hynny fod yn wych - mwy o gynhyrchiant, mwy o greadigrwydd, mwy o fynediad. Ond gall hefyd olygu mwy o ddefnydd cyffredinol o adnoddau. OECD (2012): Manteision Lluosog Gwelliannau Effeithlonrwydd Ynni (PDF)

Enghreifftiau:

  • Os yw deallusrwydd artiffisial yn gwneud cynhyrchu fideo yn rhad, mae pobl yn cynhyrchu mwy o fideo.

  • Os yw deallusrwydd artiffisial yn gwneud hysbysebu'n fwy effeithiol, mae mwy o hysbysebion yn cael eu cyflwyno, a mwy o ddolenni ymgysylltu yn troelli.

  • Os yw deallusrwydd artiffisial yn gwneud logisteg cludo yn fwy effeithlon, gall e-fasnach dyfu hyd yn oed yn galetach.

Nid yw hyn yn rheswm i banicio. Mae'n rheswm i fesur canlyniadau, nid dim ond effeithlonrwydd.

Metafor amherffaith ond hwyliog: Mae effeithlonrwydd AI fel rhoi oergell fwy i berson ifanc - ie, mae storio bwyd yn gwella, ond rhywsut mae'r oergell yn wag eto mewn diwrnod. Nid metafor perffaith, ond… rydych chi wedi'i weld yn digwydd 😅

Yr ochr dda: gall deallusrwydd artiffisial helpu'r amgylchedd yn wirioneddol (pan gaiff ei anelu'n iawn) 🌿✨

Nawr am y rhan sy'n cael ei thanamcangyfrif: gall AI leihau allyriadau a gwastraff mewn systemau presennol sydd… a dweud y gwir, yn ddi-nod. IEA: AI ar gyfer optimeiddio ynni ac arloesi

Meysydd lle gall AI helpu

Naws bwysig: Nid yw “helpu” AI yn awtomatig yn gwrthbwyso ôl troed AI. Mae'n dibynnu a yw'r AI yn cael ei ddefnyddio mewn gwirionedd, a pha un a yw'n arwain at ostyngiadau gwirioneddol yn hytrach na dangosfyrddau gwell yn unig. Ond ie, mae'r potensial yn real. IEA: AI ar gyfer optimeiddio ynni ac arloesi

Beth sy'n gwneud fersiwn dda o AI ecogyfeillgar? ✅🌍

Dyma'r adran “iawn felly beth ddylem ni ei wneud”. Fel arfer mae gan osodiad AI sy'n gyfrifol am yr amgylchedd:

  • Gwerth achos defnydd clir : Os nad yw'r model yn newid penderfyniadau na chanlyniadau, dim ond cyfrifiadura ffansi ydyw.

  • Mesuriadau wedi'u cynnwys : Amcangyfrifon ynni, carbon, defnydd, a metrigau effeithlonrwydd yn cael eu holrhain fel unrhyw DPA arall. CodeCarbon: Methodoleg

  • Modelau o'r maint cywir : Defnyddiwch fodelau llai pan fydd modelau llai yn gweithio. Nid yw bod yn effeithlon yn fethiant moesol.

  • Dylunio casgliadau effeithlon : storio mewn storfa, sypynnu, meintioli, adfer, a phatrymau ysgogi da. Gholami et al. (2021): Arolwg o Ddulliau Meintioli (PDF) Lewis et al. (2020): Cynhyrchu Adalw-Ehangedig

  • Ymwybyddiaeth o galedwedd a lleoliad : rhedeg llwythi gwaith lle mae'r grid yn lanach a'r seilwaith yn effeithlon (pan fo'n ymarferol). API Dwyster Carbon (GB)

  • Bywyd caledwedd hirach : gwneud y defnydd, yr ailddefnyddio a'r adnewyddu mwyaf posibl. ITU: Y Monitor Gwastraff Electronig Byd-eang 2024

  • Adrodd uniongyrchol : osgoi iaith golchi gwyrdd a honiadau amwys fel “AI ecogyfeillgar” heb rifau.

Os ydych chi'n dal i olrhain sut mae AI yn effeithio ar yr Amgylchedd, dyma'r pwynt lle mae'r ateb yn peidio â bod yn athronyddol ac yn dod yn weithredol: mae'n effeithio arno yn seiliedig ar eich dewisiadau.

Tabl Cymharu: offer a dulliau sy'n lleihau effaith mewn gwirionedd 🧰⚡

Isod mae tabl cyflym, ymarferol. Nid yw'n berffaith, ac ie, mae rhai celloedd braidd yn farnllyd… oherwydd dyna sut mae dewis offer go iawn yn gweithio.

Offeryn / Dull Cynulleidfa Pris Pam mae'n gweithio
Llyfrgelloedd olrhain carbon/ynni (amcangyfrifon amser rhedeg) Timau ML Rhad ac am ddim Yn rhoi gwelededd - sef hanner y frwydr, hyd yn oed os yw'r amcangyfrifon ychydig yn aneglur… CodCarbon
Monitro pŵer caledwedd (telemetreg GPU/CPU) Is-seil + ML Am ddim Yn mesur defnydd go iawn; yn dda ar gyfer meincnodi rhediadau (ddim yn fflachlyd ond yn aur)
Distyllu model Peirianwyr ML Am ddim (cost amser 😵) Mae modelau myfyrwyr llai yn aml yn cyfateb perfformiad gyda chost casglu llawer llai Hinton et al. (2015): Distyllu'r Wybodaeth mewn Rhwydwaith Niwral
Cwanteiddio (casgliad manwl gywirdeb is) ML + cynnyrch Am ddim Yn lleihau oedi a defnydd pŵer; weithiau gyda chyfaddawdau ansawdd bach, weithiau dim byd o gwbl Gholami et al. (2021): Arolwg o Ddulliau Cwantoli (PDF)
Casgliad storio + swpio Cynnyrch + platfform Am ddim Lleihau cyfrifiadura diangen; yn arbennig o ddefnyddiol ar gyfer awgrymiadau dro ar ôl tro neu geisiadau tebyg
Cynhyrchu wedi'i estyn gan adferiad (RAG) Timau apiau Cymysg Yn rhyddhau “cof” i adferiad; gall leihau’r angen am ffenestri cyd-destun enfawr Lewis et al. (2020): Cynhyrchu Estynedig Adalw
Trefnu llwythi gwaith yn ôl dwyster carbon Is-goch/gweithrediadau Cymysg Symud swyddi hyblyg i ffenestri trydan glanach - mae angen cydgysylltu serch hynny API Dwyster Carbon (GB)
Ffocws ar effeithlonrwydd canolfannau data (defnyddio, cydgrynhoi) Arweinyddiaeth TG Wedi'i dalu (fel arfer) Y lifer lleiaf deniadol, ond yn aml yr un mwyaf - stopiwch redeg systemau hanner gwag Y Grid Gwyrdd: PUE
Prosiectau ailddefnyddio gwres Cyfleusterau Mae'n dibynnu Yn troi gwres gwastraff yn werth; nid bob amser yn ymarferol, ond pan mae'n bosibl, mae'n eithaf prydferth
“Oes angen AI arnon ni yma o gwbl?” gwiriwch Pawb Am ddim Yn atal cyfrifiadura di-bwynt. Yr optimeiddio mwyaf pwerus yw dweud na (weithiau)

Sylwch chi beth sydd ar goll? “Prynwch sticer gwyrdd hud.” Dydy hwnnw ddim yn bodoli 😬

Llawlyfr ymarferol: lleihau effaith AI heb ladd y cynnyrch 🛠️🌱

Os ydych chi'n adeiladu neu'n prynu systemau AI, dyma ddilyniant realistig sy'n gweithio'n ymarferol:

Cam 1: Dechreuwch gyda mesuriad

  • Tracio defnydd ynni neu ei amcangyfrif yn gyson. CodeCarbon: Methodoleg

  • Mesur fesul rhediad hyfforddi a fesul cais casgliad.

  • Monitro defnydd - mae gan adnoddau segur ffordd o guddio o'r golwg. Y Grid Gwyrdd: PUE

Cam 2: Addasu maint y model i'r gwaith

  • Defnyddiwch fodelau llai ar gyfer dosbarthu, echdynnu, llwybro.

  • Cadwch y model trwm ar gyfer y casys caled.

  • Ystyriwch “raeadr model”: model bach yn gyntaf, model mwy dim ond os oes angen.

Cam 3: Optimeiddio casgliad (dyma lle mae graddfa'n brathu)

  • Storio mewn storfa : storio atebion ar gyfer ymholiadau dro ar ôl tro (gyda rheolaethau preifatrwydd gofalus).

  • Swpio : ceisiadau grwp i wella effeithlonrwydd caledwedd.

  • Allbynnau byrrach : mae allbynnau hir yn costio mwy - weithiau nid oes angen y traethawd arnoch chi.

  • Disgyblaeth brydlon : mae awgrymiadau anniben yn creu llwybrau cyfrifiadurol hirach… ac ie, mwy o docynnau.

Cam 4: Gwella hylendid data

Mae hyn yn swnio'n anghysylltiedig, ond nid yw:

  • Gall setiau data glanach leihau trosiant ailhyfforddi.

  • Mae llai o sŵn yn golygu llai o arbrofion a llai o rediadau gwastraffus.

Cam 5: Trin caledwedd fel ased, nid eitem dafladwy

Cam 6: Dewiswch y defnydd yn ddoeth

  • Rhedeg swyddi hyblyg lle mae pŵer yn lanach os gallwch chi. API Dwyster Carbon (GB)

  • Lleihau dyblygu diangen.

  • Cadwch dargedau hwyrni yn realistig (gall hwyrni isel iawn orfodi gosodiadau aneffeithlon sydd ymlaen bob amser).

Ac ie… weithiau’r cam gorau yw: peidiwch â rhedeg y model mwyaf yn awtomatig ar gyfer pob gweithred unigol gan y defnyddiwr. Mae’r arfer hwnnw’n gyfwerth amgylcheddol â gadael pob golau ymlaen oherwydd bod cerdded at y switsh yn annifyr.

Mythau cyffredin (a'r hyn sy'n agosaf at y gwir) 🧠🧯

Myth: “Mae deallusrwydd artiffisial bob amser yn waeth na meddalwedd draddodiadol”

Gwir: Gall deallusrwydd artiffisial fod yn fwy cyfrifiadurol, ond gall hefyd ddisodli prosesau llaw aneffeithlon, lleihau gwastraff, ac optimeiddio systemau. Mae'n sefyllfaol. IEA: Deallusrwydd artiffisial ar gyfer optimeiddio ynni ac arloesi

Myth: “Hyfforddiant yw’r unig broblem”

Gwirionedd: Gall casgliad ar raddfa fawr ddominyddu dros amser. Os bydd eich cynnyrch yn ffrwydro o ran defnydd, dyma'r prif stori. IEA: Ynni a Deallusrwydd Artiffisial

Myth: “Mae ynni adnewyddadwy yn ei ddatrys ar unwaith”

Gwir: Mae trydan glanach yn helpu llawer, ond nid yw'n dileu ôl troed caledwedd, defnydd dŵr, nac effeithiau adlamu. Mae'n dal yn bwysig serch hynny. IEA: Ynni a Deallusrwydd Artiffisial

Myth: “Os yw'n effeithlon, mae'n gynaliadwy”

Gwir: Gall effeithlonrwydd heb reoli'r galw barhau i gynyddu'r effaith gyfan. Dyna'r trap adlam. OECD (2012): Manteision Lluosog Gwelliannau Effeithlonrwydd Ynni (PDF)

Llywodraethu, tryloywder, a pheidio â mynd yn theatrig amdano 🧾🌍

Os ydych chi'n gwmni, dyma lle mae ymddiriedaeth yn cael ei hadeiladu neu ei cholli.

Dyma'r rhan lle mae pobl yn rholio eu llygaid, ond mae'n bwysig. Nid peirianneg glyfar yn unig yw technoleg gyfrifol. Mae hefyd yn ymwneud â pheidio â cheisio esgus nad yw cyfaddawdau'n bodoli.

Crynodeb cloi: crynodeb byr o sut mae AI yn effeithio ar yr Amgylchedd 🌎✅

Mae sut mae AI yn effeithio ar yr Amgylchedd yn dibynnu ar lwyth ychwanegol: trydan, dŵr (weithiau), a galw am galedwedd. IEA: Ynni ac AI Li et al. (2023): Gwneud AI yn Llai “Sychedig” (PDF) Mae hefyd yn cynnig offer pwerus i leihau allyriadau a gwastraff mewn sectorau eraill. IEA: AI ar gyfer optimeiddio ynni ac arloesi Mae'r canlyniad net yn dibynnu ar raddfa, glendid grid, dewisiadau effeithlonrwydd, ac a yw'r AI yn datrys problemau go iawn neu'n cynhyrchu newydd-deb er mwyn newydd-deb yn unig. IEA: Ynni ac AI

Os ydych chi eisiau'r tecawê ymarferol symlaf:

  • Mesur.

  • Maint cywir.

  • Optimeiddio casgliad.

  • Ymestyn oes y caledwedd.

  • Byddwch yn onest am gyfaddawdau.

Ac os ydych chi'n teimlo'n llethol, dyma wirionedd tawelu: mae penderfyniadau gweithredol bach, a ailadroddir fil o weithiau, fel arfer yn curo un datganiad cynaliadwyedd mawr. Rhywbeth fel brwsio'ch dannedd. Ddim yn hudolus, ond mae'n gweithio… 😄🪥

Cwestiynau Cyffredin

Sut mae deallusrwydd artiffisial yn effeithio ar yr amgylchedd mewn defnydd bob dydd, nid dim ond mewn labordai ymchwil mawr?

Daw'r rhan fwyaf o ôl troed AI o'r trydan sy'n pweru canolfannau data sy'n rhedeg GPUs a CPUs yn ystod hyfforddiant a "chasgliadau" bob dydd. Gall un cais fod yn gymedrol, ond ar raddfa fawr mae'r ceisiadau hynny'n cronni'n gyflym. Mae'r effaith hefyd yn dibynnu ar ble mae'r ganolfan ddata wedi'i lleoli, pa mor lân yw'r grid lleol, a pha mor effeithlon y mae'r seilwaith yn cael ei weithredu.

A yw hyfforddi model AI yn waeth i'r amgylchedd na'i ddefnyddio (casgliad)?

Gall hyfforddiant fod yn ffrwydrad mawr o gyfrifiadura ymlaen llaw, ond gall casgliad ddod yn ôl troed mwy dros amser oherwydd ei fod yn rhedeg yn gyson ac ar raddfa enfawr. Os yw offeryn yn cael ei ddefnyddio gan filiynau o bobl bob dydd, gall y ceisiadau dro ar ôl tro fod yn fwy na chost hyfforddi untro. Dyna pam mae optimeiddio yn aml yn canolbwyntio ar effeithlonrwydd casgliad.

Pam mae deallusrwydd artiffisial yn defnyddio dŵr, ac a yw bob amser yn broblem?

Gall deallusrwydd artiffisial ddefnyddio dŵr yn bennaf oherwydd bod rhai canolfannau data yn dibynnu ar oeri sy'n seiliedig ar ddŵr, neu oherwydd bod dŵr yn cael ei ddefnyddio'n anuniongyrchol trwy gynhyrchu trydan. Mewn rhai hinsoddau, gall oeri anweddol leihau'r defnydd o drydan wrth gynyddu'r defnydd o ddŵr, gan greu cyfaddawd gwirioneddol. Mae p'un a yw'n "ddrwg" yn dibynnu ar brinder dŵr lleol, dyluniad oeri, ac a yw'r defnydd o ddŵr yn cael ei fesur a'i reoli.

Pa rannau o ôl troed amgylcheddol AI sy'n dod o galedwedd a gwastraff electronig?

Mae deallusrwydd artiffisial yn dibynnu ar sglodion, gweinyddion, offer rhwydweithio, adeiladau, a chadwyni cyflenwi - sy'n golygu cloddio, gweithgynhyrchu, cludo, a gwaredu yn y pen draw. Mae gweithgynhyrchu lled-ddargludyddion yn defnyddio llawer o ynni, a gall cylchoedd uwchraddio cyflym gynyddu allyriadau ymgorfforedig a gwastraff electronig. Gall ymestyn oes caledwedd, adnewyddu, a gwella defnydd leihau effaith yn sylweddol, gan gystadlu weithiau â newidiadau ar lefel model.

A yw defnyddio ynni adnewyddadwy yn datrys effaith amgylcheddol deallusrwydd artiffisial?

Gall trydan glanach leihau allyriadau o gyfrifiadura, ond nid yw'n dileu effeithiau eraill fel defnyddio dŵr, gweithgynhyrchu caledwedd, a gwastraff electronig. Nid yw ychwaith yn mynd i'r afael yn awtomatig ag "effeithiau adlam," lle mae cyfrifiadura cost is yn arwain at fwy o ddefnydd yn gyffredinol. Mae ynni adnewyddadwy yn lifer pwysig, ond dim ond un rhan o'r pentwr ôl troed ydynt.

Beth yw effaith yr adlam, a pham mae'n bwysig i AI a chynaliadwyedd?

Yr effaith adlam yw pan fydd enillion effeithlonrwydd yn gwneud rhywbeth yn rhatach neu'n haws, felly mae pobl yn gwneud mwy ohono - weithiau'n dileu'r arbedion. Gyda deallusrwydd artiffisial, gall cynhyrchu neu awtomeiddio rhatach gynyddu cyfanswm y galw am gynnwys, cyfrifiadura a gwasanaethau. Dyna pam mae mesur canlyniadau yn ymarferol yn bwysicach na dathlu effeithlonrwydd ar ei ben ei hun.

Beth yw ffyrdd ymarferol o leihau effaith AI heb niweidio'r cynnyrch?

Dull cyffredin yw dechrau gyda mesur (amcangyfrifon ynni a charbon, defnydd), yna modelau o'r maint cywir i'r dasg ac optimeiddio casgliadau gyda storio, swpio, ac allbynnau byrrach. Gall technegau fel meintioli, distyllu, a chynhyrchu wedi'i estyn gan adferiad leihau anghenion cyfrifiadura. Mae dewisiadau gweithredol - fel amserlennu llwyth gwaith yn ôl dwyster carbon ac oes caledwedd hirach - yn aml yn arwain at fuddugoliaethau mawr.

Sut gall AI helpu'r amgylchedd yn hytrach na'i niweidio?

Gall deallusrwydd artiffisial leihau allyriadau a gwastraff pan gaiff ei ddefnyddio i optimeiddio systemau go iawn: rhagweld grid, ymateb i'r galw, rheoli HVAC mewn adeiladau, llwybro logisteg, cynnal a chadw rhagfynegol, a chanfod gollyngiadau. Gall hefyd gefnogi monitro amgylcheddol fel rhybuddion datgoedwigo a chanfod methan. Yr allwedd yw a yw'r system yn newid penderfyniadau ac yn cynhyrchu gostyngiadau mesuradwy, nid dim ond dangosfyrddau gwell.

Pa fetrigau y dylai cwmnïau eu hadrodd i osgoi honiadau “golchi gwyrdd” artiffisial?

Mae'n fwy ystyrlon adrodd metrigau fesul tasg neu fesul cais na chyfanswm niferoedd mawr yn unig, oherwydd ei fod yn dangos effeithlonrwydd ar lefel yr uned. Mae olrhain defnydd ynni, amcangyfrifon carbon, defnydd, a - lle bo'n berthnasol - effeithiau dŵr yn creu atebolrwydd cliriach. Hefyd yn bwysig: diffinio ffiniau (beth sydd wedi'i gynnwys) ac osgoi labeli amwys fel "AI ecogyfeillgar" heb dystiolaeth feintiol.

Cyfeiriadau

  1. Asiantaeth Ynni Ryngwladol (IEA) - Ynni a Deallusrwydd Artiffisial - iea.org

  2. Asiantaeth Ynni Ryngwladol (IEA) - Deallusrwydd Artiffisial ar gyfer optimeiddio ynni ac arloesi - iea.org

  3. Asiantaeth Ynni Ryngwladol (IEA) - Digideiddio - iea.org

  4. Labordy Cenedlaethol Lawrence Berkeley (LBNL) - Adroddiad Defnydd Ynni Canolfan Ddata'r Unol Daleithiau (2024) (PDF) - lbl.gov

  5. Li et al. - Gwneud AI yn Llai “Sychedig” (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Dodiad ac Ehangu Oeri Hylif mewn Canolfannau Data Prif Ffrwd (PDF) - ashrae.org

  7. Y Grid Gwyrdd - PUE - Archwiliad Cynhwysfawr o'r Metrig - thegreengrid.org

  8. Adran Ynni'r Unol Daleithiau (DOE) - FEMP - Cyfleoedd Effeithlonrwydd Dŵr Oeri ar gyfer Canolfannau Data Ffederal - energy.gov

  9. Adran Ynni'r Unol Daleithiau (DOE) - FEMP - Effeithlonrwydd Ynni mewn Canolfannau Data - energy.gov

  10. Asiantaeth Diogelu'r Amgylchedd yr Unol Daleithiau (EPA) - Diwydiant Lled-ddargludyddion - epa.gov

  11. Undeb Telathrebu Rhyngwladol (ITU) - Monitor Gwastraff Electronig Byd-eang 2024 - itu.int

  12. OECD - Manteision Lluosog Gwelliannau Effeithlonrwydd Ynni (2012) (PDF) - oecd.org

  13. API Dwyster Carbon (GB) - carbonintensity.org.uk

  14. imec - Lleihau effaith amgylcheddol mewn gweithgynhyrchu sglodion - imec-int.com

  15. UNEP - Sut mae MARS yn gweithio - unep.org

  16. Gwylfa Goedwigoedd Byd-eang - Rhybuddion datgoedwigo GLAD - globalforestwatch.org

  17. Sefydliad Alan Turing - Deallusrwydd Artiffisial a systemau ymreolaethol ar gyfer asesu bioamrywiaeth ac iechyd ecosystemau - turing.ac.uk

  18. CodeCarbon - Methodoleg - mlco2.github.io

  19. Gholami et al. - Arolwg o Ddulliau Cwanteiddio (2021) (PDF) - arxiv.org

  20. Lewis et al. - Cenhedlaeth Estynedig Adfer (2020) - arxiv.org

  21. Hinton et al. - Distyllu'r Wybodaeth mewn Rhwydwaith Niwral (2015) - arxiv.org

  22. CodCarbon - codecarbon.io

Dewch o hyd i'r AI Diweddaraf yn y Siop Swyddogol ar gyfer Cynorthwywyr AI

Amdanom Ni

Yn ôl i'r blog