ردپای کربنی هوش مصنوعی و اثرات مثبت و منفی آن بر محیط زیست

شرکت‌ها می‌توانند با استفاده از هوش مصنوعی به محیط زیست کمک کنند‌. از جمله کاربردهای این فناوری می‌توان به جلوگیری از آتش‌سوزی جنگل‌ها و کاهش ضایعات کارخانه‌ها اشاره کرد. با این حال، عبارتی تحت عنوان ردپای کربنی هوش مصنوعی وجود دارد.

امروزه سازمان‌‍‌‌ها به دنبال بهره‌مندی از مزایای هوش مصنوعی هستند. استفاده از این مزایا کاهش فزاینده‌ی ردپای کربنی را درپی دارد. اما اشتباه نکنید: هوش مصنوعی ردپای کربنی خاص خود را دارد که بسته به نوع این فناوری و تکنیک‌های آموزش آن متفاوت است.

طبق توضیحات چِل کارلسون ، تحلیل‌گر ارشد فارستِر ، مدل‌های پردازش زبان طبیعی که در مقیاس بزرگ کار می‌کند، به ویژه مدل‌های ترنسفورمر، کربن بسیار زیادی تولید می‌کنند.

ترنسفورمر به نوعی معماری شبکه عصبی اطلاق می‌شود که مشابه شبکه‌های عصبی بازگشتی(RNN) و شبکه‌های عصبی کانولوشن (CNN) است، اما برخلاف آن‌ها می‌توانند روابط بین داده‌های متوالی را درک کند. این قابلیت به ویژه در مدل‌های زبانی کاربرد دارد، زیرا ترنسفورمرها بافت کلمات را بهتر از سایر معماری‌های شبکه‌های عصبی درک می‌کنند.

کارلسون می‌گوید «ردپای کربنی هوش مصنوعی در مکالمات نمود پیدا می‌کند، البته نه در مکالمات مشتریان یا کاربران نهایی، بلکه در مکالمات روزنامه‌نگاران و تحلیلگران. هرچه قدر بتوانیم ردپای کربنی را به حداقل برسانیم‌، سودبخش‌تر خواهد بود».
با این حال‌، اگر شرکتی بخواهد میزان کل انتشار دی اکسیدکربن خود را اندازه‌گیری کند، باید هوش مصنوعی را نیز یک عامل مهم در نظر بگیرد.

ردپای کربنی هوش مصنوعی

دانشگاه ماساچوست در آمهرست در یکی از پژوهش‌های خود برآورد کرده است که میزان کربن تولید شده بابت آموزش یک مدل ترنسفورمر‌ مانند BERT یا GPT 2‌، که مبتنی بر جست‌وجوی معماری عصبی عمل‌ می‌کند، با ردپای کربنی یک خودرو به علاوه سوخت آن برابری می‌کند.

شرکت‌های گوگل و OpenAI طی مقاله‌ای مشترک، عملکرد و توان مورد نیاز معماری ترنسفورمر را با عملکرد و توان ترنسفورمر تکامل یافته مقایسه کردند. (همانطور که در ادامه مشاهده خواهید کرد) ترنسفورمر تکامل یافته ‌سریعتر بوده و توان پردازشی کمتری نیاز دارد. نویسندگان مقاله، دانشمندان را بر آن داشتند که هنگام محاسبه ردپای هوش مصنوعی چهار عامل زیر را در نظر بگیرند:

• الگوریتم. فلاپس‌های یک ترنسفورمر تکامل یافته 1/6 مرتبه کمتر از فلاپس‌های ترنسفورمر و زمان آموزشی مورد نیاز آن بین 1/1 تا 1/3 مرتبه کمتر از ترنسفورمر است. علاوه بر این، دقت ترنسفورمر تکامل یافته اندکی بیشتر از ترنسفورمر است.

• پردازنده. واحد پردازش تنسور سفارشی گوگل (یا همان TPU v2‌، که خود یک پزدازنده گرافیکی است) ترنسفورمر و ترنسفورمر تکامل یافته را به ترتیب 4/3 و 5/2 مرتبه سریعتر از GPUهای P100 تسلا پردازش می‌کند. TPUv3 نیز برای پردازش هر دو ترنسفورمر حدود 1/2 برابر توان کمتر مصرف می‌کند.

• مرکز داده. کارآمدی مراکز داده ابری تقریباً دو برابر یک مرکز داده معمولی است.

• ترکیب انرژی. استفاده بیشتر از انرژی پاک باعث کاهش انتشار کربن می‌شود.
اگرچه آموزش تنها 10% مصرف انرژی مدل‌های یادگیری ماشین را به خود اختصاص داده است و 90% باقی‌مانده به استنباط مربوط می‌شود، اما این پژوهش به جای استنباط، بر آموزش هوش مصنوعی تاکید داشت، چراکه محاسبه هزینه‌های توان آموزشی آسان‌تر هستند.

اندازه‌گیری و کاهش ردپای کربنی هوش مصنوعی

استیون میلز‌ ، مدیر عامل، شریک و مدیر اخلاق هوش مصنوعی در گروه مشاوره بوستون GAMMA می‌گوید: «لازم است در مورد نحوه ساخت این سیستم‌ها چاره‌ای بیاندیشیم. آیا الگوریتم پیچیدهای را آموزش می‌دهید که غیر ضروری است؟ بازآموزی را هر چند وقت یکبار انجام می‌دهید؟»

وی همچنین درباره زنجیره تأمین هوش مصنوعی توضیح می‌دهد: «زنجیره‌ای متشکل از تهیه الگوریتم‌، تهیه سخت افزارهای محاسباتی و تفکر درباره ردپای کربنی وجود دارد؛ برای مثال‌، می‌توانیم انرژی مصرفی الگوریتم‌های شرکت را از مناطق تحت پوشش خدمات وب آمازون (AWS) که به منابع پایدارتر انرژی متکی هستند‌، تامین کنیم. این امر به طور قطع ردپای کربنی را کاهش می‌دهد».

اما سوال اینجاست که دانشمندان علم داده چگونه ردپای کربنی را محاسبه می‌کنند؟

گروه مشاوره بوستون GAMMA و چند سازمان دیگر پروژه متن باز CodeCarbon‌ را معرفی کرده‌اند. این پروژه میزان کربن مورد نیاز برای محاسبات، به ویژه توان مورد استفاده در مراکز داده خصوصی و زیرساخت‌های اصلی ارائه‌ دهندگان فضای ابری آن‌ها را تخمین می‌زند. این پروژه با هدف کمک به دانشمندان داده در اتخاذ تصمیات سبزتر [پیرامون محاسبات]، راه‌اندازی شده است و به آن‌ها کمک می‌کند تا کدهای خود را بهینه کنند.

دَن سیمیون معاونِ شرکت خدمات حرفه‌ای جهانی Capgemini و سرپرست بخش هوش مصنوعی، تحلیل و علوم داده در این شرکت، معتقد است: «اگر قصد دارید از هوش مصنوعی استفاده کنید‌، به ماشینآلات احتیاج خواهید داشت‌، و اگر از ماشین‌آلات استفاده ‌کنید، ردپای کربنی بر جای خواهید گذاشت. با افزایش داده‌ها و پیچیده‌تر شدن مدل‌ها، انرژی بیشتری را برای به دست آوردن مدل‌های هوش مصنوعی مورد نظر خود مصرف خواهید کرد».

تاثیر سبز هوش مصنوعی

سازمان‌ها برای کاهش ردپای کربنی خود روش‌های مختلفی اتخاذ می‌کنند. از جمله این روش‌ها می‌توان به ترکیب هوش مصنوعی با اینترنت اشیاء یا اینترنت اشیاء صنعتی اشاره کرد. بر اساس پژوهش اخیر گروه مشاوره بوستون‌، شرکت‌ها می‌توانند از هوش مصنوعی برای نظارت بر میزان انتشارات کربن خود‌ و پیش بینی آن در آینده استفاده کرده و با کمک این دانش‌، در جهت کاهش آن گام بردارند.

هوش مصنوعی می‌تواند زنجیره تامین (لجستیک) را بهینه کند‌، مواد مورد نیاز برای ساخت دستگاه‌ها را کاهش داده یا به شیوه‌ای دیگر از انتشار کربن کم کند. برای مثال‌، گروه مشاوره بوستون [درپی تحقیقات خود] تخمین زده است که تا سال 2030‌، هوش مصنوعی می‌تواند انتشار گازهای گلخانه‌ای در سطح جهان را بین 5 تا 10 درصد کاهش دهد؛ به عبارت دیگر، 2/6 تا 5/3 گیگاتون کربن کمتر تولید خواهد شد. از طرف دیگر، اگر هوش مصنوعی بر توسعه پایدار شرکت‌ها پیاده شود، می‌تواند 1 تا 3 تریلیون دلار ارزش آفرینی کند.

استفاده از هوش مصنوعی در کشاورزی

یکی از مشتریان گروه مشاوره بوستون یک تولیدکننده مشروب است که قصد دارد به طور دائمی در این حوزه ‌فعالیت کند. اما این تولیدکننده نمی‌داند در آینده مالک چه زمینی خواهد شد. از طرفی، مالکیت زمین برای تولیدکنندگان مشروب بسیار مهم است زیرا مزارع بسته به عوامل مختلف، از قبیل خاک‌، میزان بارندگی‌، قرار داشتن در منطقه سیلخیز و جریان روان‌آبها محصول بیشتر یا کمتری تولید می‌کنند.

مایک لیونز ‌، مدیر و سهامدار گروه مشاوره بوستون، می‌گوید که این گروه با استفاده از این قبیل داده‌ها‌، برای محصول یک مدل عملکرد ایجاد می‌کند، مدلی که تغییرات عملکرد محصول را در گذر زمان پیش‌بینی می‌کند.

لیونز در ادامه توضیح می‌دهد که: «پیامد نهایی این است که مشتری با آینده‌نگری و با شیوه‌ای راهبردی می‌تواند زمین را بخرد‌، بفروشد یا از آن محافظت کند و به این ترتیب به صورت دائمی در صنعت تولید مشروب فعالیت کند».

سیمیون از شرکت Capgemini توضیح می‌دهد که سازمانِ او از هوش مصنوعی برای کاهش ردپای کربن مرتبط با زنجیره‌های تأمین‌، فرآیندهای تولید و ایجاد مدل‌های یادگیری ماشین استفاده می‌کند. این شرکت همچنین برای شناخت تاثیر تغییرات اقلیمی بر الگوی مهاجرت نهنگ‌ها با دانشگاه‌ها همکاری می‌کند. در کنار این فعالیت‌ها، شرکت Capgemini با تکیه بر بینایی رایانه‌ای درختان بیمار را در جنگل‌هایی که دسترسی به آن‌ها با پای پیاده دشوار است‌، شناسایی می‌کند.

سایر شرکت‌های هوش مصنوعی نیز فعالیت‌های مشابهی انجام می‌دهند. برای مثال‌، DataRobot و Entel Ocean‌ با همکاری یکدیگر واحد دیجیتالی شرکت مخابراتی Entel‌ درشیلی را راه‌اندازی کردند تا به طور خودکار آتش‌سوزی‌های جنگلی را در این کشور شناسایی کنند. Entel Ocean برای جمع آوری داده‌های محیطی، دستگاه‌های اینترنت اشیا را روی درختان نصب کرده‌ است. این شرکت برای پردازش داده‌های جمع‌آوری شده و پیشبینی آتش‌سوزی جنگل‌ها در منطقه، از مدل‌های پیش‌بینی‌ و یادگیری ماشین شرکت DataRobot استفاده می‌کند.

تاثیرات ردپای کربنی هوش مصنوعی در گذر زمان

تاثیرات هوش مصنوعی بر محیط زیست هم جنبه مثبت و هم جنبه دارد و اندازه‌گیری هر دو مهم است. بسیاری از سازمان‌ها از سوی توافق‌نامه پاریس تحت فشار هستند. این توافق‌نامه کشورهای عضو را ملزم کرده است تا سال 2030 در مقایسه با سال 1990 میزان تولید کربن خود را 55 درصد کاهش دهند.

در همین راستا، ابزارها و دستورالعمل‌های جدیدی برای شناخت تاثیرات هوش مصنوعی عرضه می‌شوند. از طرف دیگر، پیشرفت فناوری در تمام حوزه‌ها، از جمله الگورتیم‌ها و مراکز داده و فراتز از آن، ادامه دارد تا به کاهش انتشار کربن کمک کند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید