По мере того как модели ИИ увеличиваются в размерах и сложности, растет и их углеродный след. Например, на обучение GPT-3, известной языковой модели, ушло более 1200 мегаватт-часов электроэнергии, что эквивалентно годовым выбросам 276 автомобилей. И это только одна модель. Это порождает дилемму: следует ли нам продолжать наращивать производительность ИИ за счет нашей планеты?
Исследователи из ABB изучили эту дилемму, сосредоточившись на перерабатывающих отраслях, где модели ИИ обычно меньше, чем те, что используются в лабораториях технологических гигантов. Хорошие новости? Исследование показывает, что эти системы можно оптимизировать для сокращения выбросов.
Чтобы помочь инженерам и лицам, принимающим решения, исследователи разработали структуру, определяющую ключевые факторы, влияющие на воздействие модели ИИ на окружающую среду на протяжении всего ее жизненного цикла — от разработки до внедрения. К ним относятся выбор оборудования, эффективность процесса обучения и даже источник используемой электроэнергии.
Одной из перспективных стратегий является трансфертное обучение, при котором предварительно обученная модель адаптируется для новой задачи. Этот подход позволяет кардинально сократить время обучения и энергозатраты. ABB также протестировала различные рекомендации из академической литературы и обнаружила, что многие из них действительно работают на практике, например, использование более эффективных алгоритмов или обучение в часы наименьшей нагрузки на энергосистему.
ИИ не обязательно должен быть климатическим злодеем. Благодаря продуманному дизайну и более умным выбором мы можем создавать мощные модели, которые также экологически ответственны. Компании могут занять проактивную позицию в понимании и снижении углеродного следа своих систем ИИ — не только ради соблюдения требований или экономии средств, но и как приверженность принципам устойчивого развития, делая экологичность ИИ реальностью и помогая промышленности работать эффективнее, рациональнее и чище.






