شرکت‌ها چگونه می‌توانند اثرات زیست‌محیطی رو‌به‌رشد هوش مصنوعی را کاهش دهند (HBR)

این مقاله در مجله کسب و کار هاروارد منتشر شده که منبعی معتبر و ارزشمند در حوزه کسب و کار است.

نویسنده: کریستینا شیم

ترجمه شده توسط تیم گیت (Git.ir)

تا سال 2026، انتظار می‌رود توان محاسباتی اختصاص‌یافته به آموزش هوش مصنوعی نسبت به سال 2024 ده برابر شود. با افزایش مصرف توان پردازشی، نیاز به منابع نیز به‌طور چشمگیری افزایش می‌یابد. در نتیجه، شاهد رشد نمایی در مصرف انرژی و حتی به‌طور غیرمنتظره، مصرف آب بوده‌ایم. برخی برآوردها نشان می‌دهد که اجرای یک مدل بزرگ هوش مصنوعی در طول عمر خود می‌تواند انتشار کربنی بیشتری نسبت به یک خودروی معمولی داشته باشد. همچنین گزارشی از Goldman Sachs پیش‌بینی کرده است که تا سال 2030، تقاضا برای انرژی به‌دلیل کاربردهای هوش مصنوعی 160 درصد افزایش خواهد یافت.

ما می‌دانیم که ادامه این روند، ریسک‌های زیست‌محیطی قابل‌توجهی به همراه دارد. در عین حال، هوش مصنوعی می‌تواند ابزاری قدرتمند برای پایداری باشد؛ ابزاری که سرعت حل مسائل را افزایش می‌دهد، به درک بهتر تغییرات اقلیمی کمک می‌کند و از گذار به انرژی‌های نو حمایت می‌کند.

استفاده از هوش مصنوعی اکنون به یک استاندارد جدید برای کسب‌وکارها و دولت‌ها تبدیل شده است؛ چرا که به بهبود تصمیم‌گیری، افزایش بهره‌وری و کاهش هزینه‌ها کمک می‌کند. به همین دلیل، لازم است همین حالا به‌دنبال روش‌های پایدارتر برای استفاده از AI باشیم و در عین حال، کاربردهایی را در اولویت قرار دهیم که بیشترین تأثیر مثبت را بر پایداری دارند.

اما چگونه می‌توانیم از مزایای هوش مصنوعی بهره‌مند شویم و در عین حال اثرات زیست‌محیطی آن را تا حد ممکن کاهش دهیم؟

انتخاب هوشمندانه مدل‌های هوش مصنوعی

یک مدل هوش مصنوعی سه مرحله اصلی دارد: آموزش، تنظیم (فاین‌تیون) و استنتاج. در هر یک از این مراحل، فرصت‌هایی برای افزایش پایداری وجود دارد. در ابتدای مسیر استفاده از هوش مصنوعی، رهبران کسب‌وکار بهتر است به‌جای ساخت و آموزش یک مدل از صفر، از مدل‌های پایه استفاده کنند. این مدل‌ها را می‌توان برای اهداف خاص در زمان کمتر، با داده کمتر و با مصرف انرژی بسیار پایین‌تر تنظیم کرد. در واقع، هزینه بالای آموزش اولیه در طول زمان و در کاربردهای مختلف «سرشکن» می‌شود.

همچنین انتخاب اندازه مناسب مدل اهمیت زیادی دارد. بسیاری از مدل‌ها در اندازه‌های مختلفی ارائه می‌شوند؛ مثلاً با 3 میلیارد، 8 میلیارد یا 20 میلیارد پارامتر. اما بزرگ‌تر بودن همیشه به معنای بهتر بودن نیست. یک مدل کوچک که با داده‌های باکیفیت و هدفمند آموزش دیده باشد، می‌تواند با مصرف انرژی کمتر، عملکردی مشابه یا حتی بهتر ارائه دهد. تحقیقات IBM نشان داده برخی مدل‌هایی که با داده‌های تخصصی آموزش دیده‌اند، می‌توانند هم‌سطح مدل‌هایی باشند که 3 تا 5 برابر بزرگ‌ترند، در حالی که سریع‌تر و کم‌مصرف‌تر هستند. این موضوع برای کسب‌وکارها به معنای کاهش هزینه و بهبود نتایج نیز هست.

انتخاب هوشمند محل پردازش

در بسیاری از موارد، استفاده از رویکرد ابر هیبریدی می‌تواند به کاهش مصرف انرژی کمک کند، زیرا به شرکت‌ها انعطاف می‌دهد که پردازش را در مکان‌های مختلف انجام دهند. در این رویکرد، بخشی از پردازش ممکن است در مراکز داده ابری نزدیک به محل نیاز انجام شود. در موارد دیگر، به دلایل امنیتی یا مقرراتی، پردازش ممکن است به‌صورت داخلی و روی سرورهای سازمان انجام شود.

رویکرد هیبریدی از دو جهت به پایداری کمک می‌کند. اول اینکه امکان قرار دادن داده در نزدیکی محل پردازش را فراهم می‌کند، که باعث کاهش فاصله انتقال داده و صرفه‌جویی در مصرف انرژی می‌شود. دوم اینکه به سازمان‌ها اجازه می‌دهد محل پردازش را بر اساس دسترسی به انرژی‌های تجدیدپذیر انتخاب کنند. برای مثال، ممکن است دو مرکز داده عملکرد مشابهی داشته باشند، اما یکی از انرژی برق‌آبی استفاده کند و دیگری از زغال‌سنگ.

در نهایت، استفاده بهینه از توان پردازشی اهمیت زیادی دارد. بسیاری از سازمان‌ها بیش از نیاز واقعی خود ظرفیت پردازشی رزرو می‌کنند، در حالی که ابزارهایی برای بهینه‌سازی این موضوع وجود دارد. برای نمونه، در یکی از پروژه‌های هوش مصنوعی IBM، این شرکت توانست ظرفیت رزرو شده مازاد را از معادل 23 پردازنده گرافیکی به 13 کاهش دهد. این اقدام بدون کاهش عملکرد، مصرف انرژی را به‌طور قابل‌توجهی کاهش داد و منابع پردازشی را برای استفاده‌های دیگر آزاد کرد.

استفاده از زیرساخت مناسب

پس از انتخاب یک مدل هوش مصنوعی، حدود 90 درصد از عمر آن در مرحله استنتاج سپری می‌شود؛ جایی که داده‌ها برای پیش‌بینی یا انجام یک وظیفه از مدل عبور داده می‌شوند. طبیعی است که بخش عمده ردپای کربنی مدل نیز در همین مرحله ایجاد می‌شود. بنابراین، سازمان‌ها باید زمان و سرمایه کافی برای پایدارتر کردن پردازش داده اختصاص دهند.

هوش مصنوعی روی پردازنده‌هایی که برای انواع خاصی از محاسبات طراحی شده‌اند، کارایی بهتری دارد. مشخص است که عملکرد AI روی پردازنده‌های گرافیکی (GPU) بهتر از پردازنده‌های مرکزی (CPU) است، اما هیچ‌کدام در ابتدا برای هوش مصنوعی طراحی نشده بودند. امروزه شاهد ظهور نسل جدیدی از پردازنده‌ها هستیم که از پایه برای اجرای مدل‌های یادگیری عمیق طراحی شده‌اند و سرعت و بهره‌وری بسیار بالاتری دارند. در برخی موارد، این تراشه‌ها تا 14 برابر کارآمدتر از نظر مصرف انرژی هستند.

پردازش کم‌مصرف مهم‌ترین اقدام برای پایداری است، زیرا نیاز به خنک‌سازی مبتنی بر آب و حتی نیاز به تولید انرژی بیشتر (حتی از منابع تجدیدپذیر که خود نیز هزینه‌های زیست‌محیطی دارند) را کاهش می‌دهد.

استفاده از رویکرد متن‌باز

متن‌باز بودن به معنای مشارکت بیشتر است؛ افراد بیشتری کد را بررسی می‌کنند، مسائل بیشتری شناسایی می‌شود و راه‌حل‌های بیشتری ارائه می‌گردد. این سطح از همکاری شفاف می‌تواند تأثیر چشمگیری داشته باشد. برای مثال، پروژه متن‌باز Kepler که به‌صورت رایگان در دسترس است، به توسعه‌دهندگان کمک می‌کند مصرف انرژی کد خود را در حین توسعه تخمین بزنند و در نتیجه کدی بنویسند که علاوه بر دستیابی به اهداف، اثرات انرژی و هزینه‌های بلندمدت را نیز در نظر بگیرد.

متن‌باز همچنین به معنای استفاده از «خرد جمعی» برای بهبود مدل‌های موجود است، به‌جای آنکه منابع انرژی را صرف ساخت مداوم مدل‌های جدید کنیم. این مدل‌ها به سازمان‌هایی که منابع محدودی دارند کمک می‌کنند نوآوری مقرون‌به‌صرفه داشته باشند و در عین حال، به سازمان‌های محتاط اطمینان بیشتری از نظر انعطاف‌پذیری، ایمنی و اعتمادپذیری می‌دهند.

بزرگ‌ترین پروژه متن‌باز تاریخ، یعنی اینترنت، در ابتدا برای به‌اشتراک‌گذاری مقالات علمی ایجاد شد، اما امروز زیرساخت بخش بزرگی از اقتصاد و جامعه را تشکیل می‌دهد.

به همین ترتیب، در حالی که به نقش هوش مصنوعی در ساخت آینده‌ای بهتر فکر می‌کنیم، باید هم‌زمان به نوآوری و مسئولیت‌پذیری در استفاده از منابع طبیعی توجه داشته باشیم.

جمع‌بندی

با سرعت گرفتن استفاده از هوش مصنوعی، مصرف انرژی و منابع نیز با نرخ نگران‌کننده‌ای در حال افزایش است. پیش‌بینی می‌شود تا سال 2030، مصرف انرژی مرتبط با AI حدود 160 درصد رشد کند. برای ایجاد تعادل میان مزایای هوش مصنوعی و اثرات زیست‌محیطی آن، شرکت‌ها باید به سمت استفاده پایدارتر از این فناوری حرکت کنند.

• انتخاب مدل‌های کارآمد. استفاده از مدل‌های پایه به‌جای آموزش از صفر و بهره‌گیری از مدل‌های کوچک اما باکیفیت می‌تواند مصرف انرژی را کاهش دهد.

• بهینه‌سازی محل پردازش. استفاده از ابر هیبریدی باعث کاهش جابه‌جایی داده و بهره‌گیری از انرژی‌های تجدیدپذیر می‌شود.

• استفاده از زیرساخت کم‌مصرف. پردازنده‌های تخصصی می‌توانند تا 14 برابر مصرف انرژی را نسبت به CPU و GPU کاهش دهند.

• استفاده از متن‌باز. همکاری جمعی و توسعه کدهای بهینه، مصرف منابع را کاهش می‌دهد و کارایی را افزایش می‌دهد.

• نگاه بلندمدت به پایداری. تصمیم‌های امروز در توسعه AI می‌توانند در بلندمدت اثرات زیست‌محیطی را به‌طور قابل‌توجهی کاهش دهند.