Autor: Peter Grad
Dakle, programirate svoj termostat da uštedite troškove grejanja, reciklirate staklo i plastiku, vozite se biciklom na posao umesto da vozite automobil, više puta koristite održive torbe za namirnice, kupujete solarne panele i tuširate se sa svojim partnerom—sve da biste dali svoj doprinos uštedi energije, smanjili otpad i smanjili svoj karbonski otisak.
Studija objavljena prošle nedelje može vam samo pokvariti dan.
Istraživači sa Univerziteta Carnegie Melon i Hugging Face, veb sajt zajednice za mašinsko učenje, izveštavaju da možda ipak doprinosite klimatskim promenama ako ste jedan od 10 miliona korisnika koji svakodnevno koriste modele mašinskog učenja.
U onome što su nazvali prvim sistematskim poređenjem troškova povezanih sa modelima mašinskog učenja, istraživači su otkrili da korišćenje AI modela za generisanje slike zahteva istu količinu energije kao i punjenje pametnog telefona.
„Ljudi misle da veštačka inteligencija nema uticaja na životnu sredinu, da je to apstraktni tehnološki entitet koji živi na ’oblaku’“, rekla je vođa tima Alexandra Luccioni. „Ali svaki put kada postavimo upit za AI model, to dovodi do troška za planetu i važno je da se to uračuna.“
Njen tim je testirao 30 skupova podataka koristeći 88 modela i otkrio široko rasprostranjene razlike u potrošnji energije između različitih tipova zadataka. Izmerili su količinu iskorišćene emisije ugljen-dioksida po zadatku.
Najveću količinu energije trošio je generator slike Stability AI Stable Diffusion XL. tokom takve sesije se proizvodi skoro 1.600 grama ugljen-dioksida. Luccioni je rekla da je to otprilike jednako vožnji četiri milje u automobilu na gas.
Na dnu skale, osnovni zadaci generisanja teksta trošili su ekvivalent automobila koji vozi samo 3/500 dela milje.
Druge kategorije zadataka mašinskog učenja uključivale su klasifikaciju slika i teksta, natpise slika, rezime i odgovaranje na pitanja.
Istraživači su naveli da su generativni zadaci koji stvaraju novi sadržaj, kao što su slike i rezime, intenzivniji po energiju i ugljenik od diskriminativnih zadataka, kao što je rangiranje filmova.
Takođe su uočili da je za iste zadatke korišćenje višenamenskih modela za preduzimanje diskriminativnih zadataka energetski intenzivnije nego korišćenje modela specifičnih za sam zadatak. Ovo je važno, kažu istraživači, zbog nedavnih trendova u korišćenju modela.
„Smatramo da je ova poslednja tačka najubedljiviji zaključak naše studije, s obzirom na trenutni pomak paradigme od manjih modela fino podešenih za određeni zadatak ka modelima koji su namenjeni da izvršavaju mnoštvo zadataka odjednom, raspoređenih da odgovore na gomilu upita korisnika u realnom vremenu“, navodi se u izveštaju.
Kako kaže Luccioni, „Ako pravite određenu aplikaciju, kao što je pretraživanje putem e-pošte… da li su vam zaista potrebni ovi veliki modeli koji su sposobni za bilo šta? Rekla bih, ne“.
Mada iznosi korišćenja ugljen-dioksida za takve zadatke mogu izgledati mali, kada se pomnože sa milionima korisnika koji se svakodnevno oslanjaju na programe generisane veštačkom inteligencijom, često sa više zahteva, ukupni iznosi pokazuju šta bi moglo da ima značajan uticaj na napore da se obuzda ekološki otpad .
„Mislim da bi trebalo da budemo svesni gde i kako koristimo generativnu veštačku inteligenciju, i da poredimo njenu cenu i njene prednosti“, rekla je Luccioni.
Nalazi su objavljeni na preprint serveru arXiv .
Izvor: TechXplore