Вы согласны, что мы приближаемся к переломному моменту в истории нашей планеты? Звучит драматично, не правда ли? И, к сожалению, это так серьезно, как кажется.

На протяжении многих лет было много предупреждений о надвигающихся опасностях, нависших над нашей заветной планетой, но не было предпринято много реальных действий для их устранения. Вот как можно описать ситуацию:

Давайте попробуем составить план спасения детской Земли
Как мы можем передумать и остановить это безумие
Сегодня наш последний шанс сохранить планету в безопасности
…Власть и деньги не последуют нас в могилу

Здравствуйте, господин президент
Как вы теперь будете спасать своих близких от этого
Скажите мне сейчас «Да, мы можем», «Да, мы можем»
. . .

Ситуация серьезная, повсюду на планете
Нам нужно поднять все голоса, нам нужно изменить все мнения
Температура повышается, зимы становятся длиннее

Какая разница? Хорошо, я знаю. Может быть, и вам тоже
Это не мне и не вам
Это всем детям, нашим детям

отрывок из Мр. Президент (Мадемуазель Живаго) Лары Фабиан

"Хорошо, а какое это имеет отношение к искусственному интеллекту?", спросите вы. И вы правы в том смысле, что это не так очевидно, так что давайте попробуем очистить эту луковицу от кожуры, насколько это возможно.

2012 год так же важен для искусственного интеллекта (ИИ), как 1893 год для электричества. В 1893 году Никола Тесла продемонстрировал электричество переменного тока (AC) на Всемирной Колумбийской выставке в Чикаго. Итак, что произошло в 2012 году с ИИ? Впервые за многие десятилетия сверточные нейронные сети (СНС) наконец-то показали свою мощь в глубоком обучении. . Их сила была продемонстрирована во время знаменитого конкурса ImageNet, где участники соревновались в точном предсказании визуальных объектов.

Но глубокое обучение — не единственная область, в которой за последние годы произошли прорывы. 2016 год стал еще одной важной вехой в истории ИИ, поскольку в другой ветви ИИ, обучении с подкреплением, произошел огромный скачок: AlphaGo от DeepMind обыграл Ли Седоля в игре Го. Затем первоначальный алгоритм был успешно адаптирован для других игровых (AlphaZero и MuZero) и научных приложений (AlphaFold).

Затем наступил 2017 год с еще одним прорывом в области глубокого обучения, на этот раз в области под названием Обработка естественного языка (NLP). Группа ученых, состоящая в основном из исследователей Google, опубликовала знаменитую статью Внимание — это все, что вам нужно, показывающую, что механизмы внимания позволили построить множество моделей — иногда в гигантском масштабе — для построения моделей универсальных способностей.

"Хорошо, почему этот краткий обзор прорывов в области искусственного интеллекта так важен?" Причина проста. Мы слышим только об успехах ИИ, не осознавая проблем, которые они приносят. Компании больше заботятся об успешных испытаниях и, следовательно, публикуют о них только тогда, когда это выгодно. Однако они не показывают, сколько неудач требуется для достижения этих успехов. На самом деле у нас нет даже приблизительного представления о правильном соотношении неудачных и успешных испытаний. Мы видим великие достижения только на блестящих обложках новостных журналов!

Далее вы можете спросить: «какое мне дело, если Google, Meta или Nvidia проведут много неудачных внутренних испытаний? Разве это не их дело? Меня это не касается!”. Позвольте мне бросить вызов этому мышлению и показать вам реальную проблему, которая вытекает из него. Когда эксперимент по глубокому обучению или обучению с подкреплением заканчивается неудачей, это не только вычислительные затраты или пустая трата ресурсов для компании, но и реальная опасность для окружающей среды для всех нас, живущих на этой планете.

Посмотрим на цифры. Из сообщения в блоге OpenAI мы узнали, что количество вычислительных мощностей, необходимых для самых масштабных обучающих запусков ИИ, увеличилось в 300 000 раз с 2012 года (ИИ и вычисления). Кроме того, предполагалось, что во время обучения он мог потреблять 5 000–67 000 галлонов бензина с идеальной энергоэффективностью. Также есть некоторые расчеты, показывающие, что даже модели меньшего размера, чем ГПТ-3, потребляют в среднем 9216 киловатт-часов (кВтч) электроэнергии в сутки, что почти столько же, годовое среднее потребление электроэнергии домохозяйством в США. По оценкам исследования Университета Массачусетса в Амхерсте, обучение одной модели НЛП может привести к выбросу около 300 000 кг углерода, что почти в пять раз превышает выбросы среднего американского автомобиля в течение всего срока службы (включая производство самого автомобиля). .

"Хорошо, в чем дело?". Дело в том, что интенсивное использование графических процессоров для обучения моделей машинного обучения способствует быстрому выбросу CO2. CO2 и другие токсичные парниковые газы, такие как метан, закись азота и хлорфторуглерод, задерживают тепло в атмосфере Земли. Это вызывает повышение температуры Земли, что приводит к дисбалансу в экосистеме нашей Земли. Эти дисбалансы вызывают множество проблем, таких как повышение глобальной средней температуры, повышение уровня моря и загрязнение воздуха, и это лишь некоторые из них. По этой причине было выдвинуто множество формальных и неформальных инициатив по привлечению стран (и, следовательно, крупных частных компаний) к ответственности за свой углеродный след.

Однако, разве это не проблема энергетической отрасли, которая не обезуглерожена? Почему мы обвиняем индустрию ИИ/ИТ? Короткий ответ: "не совсем!". Очень важно понимать, что этот огромный спрос на потребление электроэнергии оказывает сильное давление на электроэнергетическую отрасль и не поддерживает все усилия, направленные на обезуглероживание (и, следовательно, озеленение) электроэнергии. рынок, которого пытаются достичь многие страны с развитой экономикой. Переход к зеленой экономике не так прост, как вливание в нее денег в надежде на внезапный результат. Это требует тщательного планирования, постепенного отказа от грязных загрязнителей, а также постепенных изменений и модернизации всей энергетической инфраструктуры.

Теперь вы согласитесь, что косвенное сокращение выбросов CO2 должно быть приоритетом для крупных технологических компаний из-за того, что обучение больших нейронных сетей, таких как GPT-3, DALL-E 2 и Gopher, или запуск крупномасштабного обучения с подкреплением испытания сводят на нет все наши коллективные усилия по защите окружающей среды, обезуглероживанию энергии и смягчению последствий изменения климата.

И неясно, правильно ли прилагают усилия поставщики облачных технологий. Три большие коровы (AWS, Azure и GCP) не стесняются открывать все больше и больше центров виртуальных машин, предназначенных для предоставления и запуска приложений с большой нагрузкой. Они адаптируются, хотя и медленно, со своими новыми предложениями оптимизированных услуг вычислений и/или памяти. Однако это недостаточно устойчивые подходы к сокращению вычислений и электроэнергии для достижения зеленого будущего, которое мы представляем. Хорошая новость заключается в том, что мы в TurinTech считаем, что один из способов, с помощью которого ИИ может способствовать сокращению выбросов CO2, — это многоцелевая оптимизация задач машинного обучения. Благодаря оптимизации мы можем снизить энергопотребление, а значит, и вычислительные ресурсы. Некоторые из целей, которые мы предлагаем, называются зелеными показателями, которые можно настроить для обучения выбросов углерода, прогнозирования выбросов углерода, обучения потребляемой электроэнергии и прогнозирования электроэнергии. потребляется.

Однако было бы несправедливо упоминать только о неблагоприятном воздействии ИИ на изменение климата, не упоминая о его потенциальном вкладе в смягчение последствий изменения климата. Существует так много приложений ИИ в исследованиях энергетики и климата, что одной этой статьи недостаточно, чтобы описать даже верхушку айсберга всех потенциальных направлений. Однако следует упомянуть несколько текущих проектов и потенциальных приложений.

ИИ уже помогает измерять повышение уровня моря, и есть положительные исследования по прогнозированию будущих уровней озонового слоя. Было замечено, что «концентрации стратосферного озона над Антарктидой снизились почти до нулевых значений». Озоновый слой нашей планеты является защитным экраном от вредных и, возможно, смертоносных ультрафиолетовых лучей солнца, и его сохранение ставит большую загадку в вопросах смягчения последствий изменения климата. Всякий раз, когда мы заменяем вредные озоноразрушающие вещества другими веществами, эти другие вещества оказываются парниковыми газами с их пагубным воздействием на изменение климата.

"Итак, есть ли свет в конце туннеля?" Да, есть. Компании должны использовать ИИ для улучшения своих целей в области устойчивого развития и экологических инициатив. Мы должны обращать внимание на такие показатели, как выбросы углерода и потребление электроэнергии, при разработке и развертывании их моделей. Есть несколько многообещающих реализаций некоторых пионеров. Alaska Airlines, например, успешно сокращает углеродный след компании, используя технологию искусственного интеллекта для управления полетами, и ожидается, что в ближайшие годы их примеру последуют все больше компаний.

Источники выработки электроэнергии разнообразны: электростанции, ветряные мельницы, солнечные панели, геотермальная энергия, биомасса и т. д.Эти источники генерируют множество данных, и ИИ, например, можно использовать для прогнозирования выхода из строя электростанции или ветряную мельницу или измерять деградацию коэффициента преобразования солнечной панели в режиме реального времени. Его можно даже использовать для измерения коллективного воздействия улавливания и хранения углерода (CCS) и воздействия тепловых насосов на всю энергетическую систему. Не говоря уже о возможности сравнения эффективности конкурирующих стратегий декарбонизации. Эксперименты могут быть разработаны, чтобы понять влияние каждой стратегии, содержащей определенные пропорции CCS, геотермальных и возобновляемых технологий. Представьте также эксперимент с искусственным интеллектом, предназначенный для использования преимуществ архитектуры состязательных нейронных сетей или моделирования обучения с подкреплением при разработке стратегий энергетической политики для перехода на экологически чистую энергию.

Наконец, «Хорошо, зачем мне инвестировать в зеленую инфраструктуру? Есть ли какие-либо инвестиционные преимущества от зеленого финансирования?». Да это так. ИИ можно использовать для принятия инвестиционных решений в технологиях производства энергии, особенно в возобновляемых источниках. Какие отдельные технологии станут важным фактором получения прибыли? Эту проблему может быть легко решить, но трудно сказать, что будет соответствовать всем вашим стандартам ESG (экологическое, социальное и корпоративное управление).

Ключевой вывод этой статьи двоякий. Необходимость в «зеленом» ИИ подчеркивает безотлагательность:

  1. создание и использование экологичных ИИ-решений
  2. внедрение и применение ИИ для экологических инициатив

evoML — это платформа оптимизации ИИ, которая позволяет компаниям делать и то, и другое. В качестве дополнительного бонуса вы получите оптимальную модель и код, готовые к развертыванию, оптимизированные для достижения максимальной эффективности и скорости. Сейчас самое время стать экологичнее с умным и эффективным ИИ!

Об авторе

Доктор Виталий Авагян | Исследовать

Опытный специалист по данным со страстью к программной инженерии и облачным технологиям. Он создает контент о продуктивности и искусственном интеллекте, поэтому подписывайтесь на него в LinkedIn, чтобы получать его регулярные советы.

Первоначально опубликовано на https://turintech.ai 12 июля 2022 г.