Vysvětleno: Dopad generativní AI na životní prostředí

Rychlý vývoj a nasazování výkonných modelů generativní AI má environmentální důsledky, včetně zvýšené spotřeby elektřiny a vody. Tento dvoudílný seriál MIT News se zabývá environmentálními dopady generativní AI. První část se zaměřuje na důvody, proč je tato technologie tak náročná na zdroje. Druhá část se bude zabývat tím, co experti dělají pro snížení uhlíkové stopy generativní AI a dalších dopadů.

Nadšení z potenciálních výhod generativní AI, od zlepšení produktivity pracovníků po pokrok ve vědeckém výzkumu, je těžké ignorovat. Zatímco explozivní růst této nové technologie umožnil rychlé nasazení výkonných modelů v mnoha odvětvích, environmentální důsledky této „zlaté horečky“ generativní AI zůstávají těžko definovatelné, natož zmírnitelné.

Výpočetní výkon potřebný k trénování modelů generativní AI, které často mají miliardy parametrů, jako je například GPT-4 od OpenAI, může vyžadovat ohromující množství elektřiny, což vede ke zvýšeným emisím oxidu uhličitého a tlaku na elektrickou síť.

Nasazování těchto modelů v reálných aplikacích, umožnění milionům lidí používat generativní AI v jejich každodenním životě a následné dolaďování modelů ke zlepšení jejich výkonu spotřebovává velké množství energie i dlouho poté, co byl model vyvinut.

Kromě nároků na elektřinu je potřeba velké množství vody k chlazení hardwaru používaného k trénování, nasazování a dolaďování modelů generativní AI, což může zatěžovat městské zásoby vody a narušovat místní ekosystémy. Rostoucí počet aplikací generativní AI také podnítil poptávku po hardwaru pro vysokovýkonné výpočty, čímž se přidávají nepřímé environmentální dopady z jeho výroby a přepravy.

„Když přemýšlíme o environmentálním dopadu generativní AI, není to jen elektřina, kterou spotřebujete, když zapojíte počítač. Existují mnohem širší důsledky, které zasahují na systémové úrovni a přetrvávají na základě kroků, které podnikáme,“ říká Elsa A. Olivetti, profesorka na Katedře materiálového inženýrství a vedoucí Decarbonization Mission nového klimatického projektu MIT.

Olivetti je hlavní autorkou článku z roku 2024 „The Climate and Sustainability Implications of Generative AI“, napsaného s kolegy z MIT v reakci na výzvu Institutu k napsání prací, které zkoumají transformační potenciál generativní AI, jak v pozitivním, tak v negativním směru pro společnost. (Odkaz na článek)

Náročná datová centra

Spotřeba elektřiny datovými centry je jedním z hlavních faktorů přispívajících k environmentálním dopadům generativní AI, protože datová centra se používají k trénování a provozování modelů hlubokého učení, které stojí za populárními nástroji, jako je ChatGPT a DALL-E.

Datové centrum je klimatizovaná budova, která obsahuje výpočetní infrastrukturu, jako jsou servery, disky pro ukládání dat a síťová zařízení. Například Amazon má více než 100 datových center po celém světě (Odkaz na Amazon), z nichž každé má asi 50 000 serverů, které společnost používá k podpoře cloudových výpočetních služeb.

Zatímco datová centra existují od 40. let 20. století (první bylo postaveno na University of Pennsylvania v roce 1945 na podporu prvního univerzálního digitálního počítače ENIAC (Odkaz na ENIAC)), nárůst generativní AI dramaticky zvýšil tempo výstavby datových center.

„Co je na generativní AI jiné, je hustota výkonu, kterou vyžaduje. Základní je to jen výpočet, ale trénovací cluster generativní AI může spotřebovat sedm nebo osm krát více energie než typické výpočetní zatížení,“ říká Noman Bashir, hlavní autor studie o dopadech, který je odborníkem na výpočty a dopady na klima v MIT Climate and Sustainability Consortium (MCSC) a postdoktorandem v Computer Science and Artificial Intelligence Laboratory (CSAIL).

Vědci odhadli, že energetické nároky datových center v Severní Americe vzrostly z 2 688 megawattů na konci roku 2022 na 5 341 megawattů na konci roku 2023, částečně poháněné požadavky generativní AI. Celosvětově se spotřeba elektřiny datovými centry zvýšila v roce 2022 na 460 terawattů. To by z datových center udělalo 11. největšího spotřebitele elektřiny na světě, mezi Saúdskou Arábií (371 terawattů) a Francií (463 terawattů), podle OECD.

Do roku 2026 se očekává, že spotřeba elektřiny datovými centry dosáhne 1 050 terawattů (což by datová centra posunulo na páté místo v globálním žebříčku, mezi Japonskem a Ruskem).

Ačkoli ne všechny výpočty datových center zahrnují generativní AI, tato technologie byla hlavním hybatelem rostoucí poptávky po energii.

„Poptávku po nových datových centrech nelze uspokojit udržitelným způsobem. Tempo, kterým společnosti budují nová datová centra, znamená, že většina elektřiny k jejich napájení musí pocházet z elektráren na fosilní paliva,“ říká Bashir.

Výkon potřebný k trénování a nasazení modelu, jako je GPT-3 od OpenAI, je těžké určit. Ve výzkumné práci z roku 2021 vědci z Googlu a University of California v Berkeley odhadli, že samotný proces trénování spotřeboval 1 287 megawatthodin elektřiny (dostatek energie pro napájení asi 120 průměrných amerických domácností po dobu jednoho roku), čímž se vygenerovalo asi 552 tun oxidu uhličitého.

Zatímco všechny modely strojového učení musí být trénovány, problémem specifickým pro generativní AI jsou rychlé kolísání spotřeby energie, ke kterým dochází v různých fázích procesu trénování, vysvětluje Bashir.

Operátoři rozvodných sítí musí mít způsob, jak absorbovat tyto výkyvy, aby chránili síť, a obvykle k tomu používají dieslové generátory (Odkaz na dieslové generátory).

Rostoucí dopady z inference

Jakmile je model generativní AI trénován, energetické nároky nezmizí.

Pokaždé, když se model použije, například když jednotlivec požádá ChatGPT o shrnutí e-mailu, spotřebuje výpočetní hardware, který tyto operace provádí, energii. Vědci odhadli, že dotaz ChatGPT spotřebuje asi pětkrát více elektřiny než jednoduché vyhledávání na webu.

„Ale běžný uživatel o tom příliš nepřemýšlí,“ říká Bashir. „Snadné používání rozhraní generativní AI a nedostatek informací o environmentálních dopadech mých akcí znamenají, že jako uživatel nemám velkou motivaci omezit používání generativní AI.“

U tradiční AI je spotřeba energie poměrně rovnoměrně rozdělena mezi zpracování dat, trénování modelu a inferenci, což je proces používání trénovaného modelu k vytváření předpovědí na nových datech. Bashir však očekává, že energetické nároky inference generativní AI nakonec převáží, protože tyto modely se stávají všudypřítomnými v mnoha aplikacích a potřebná elektřina pro inferenci se bude zvyšovat s tím, jak budou budoucí verze modelů větší a komplexnější.

Modely generativní AI mají navíc obzvláště krátkou životnost, poháněnou rostoucí poptávkou po nových aplikacích AI. Společnosti vydávají nové modely každých pár týdnů, takže energie použitá k trénování předchozích verzí se plýtvá, dodává Bashir. Nové modely často spotřebovávají více energie na trénování, protože obvykle mají více parametrů než jejich předchůdci.

Zatímco nároky na elektřinu datových center mohou v odborné literatuře přitahovat největší pozornost, množství vody spotřebované těmito zařízeními má také environmentální dopady.

Chlazená voda se používá k chlazení datového centra absorpcí tepla z výpočetní techniky. Bashir říká, že se odhaduje, že na každou kilowatthodinu energie, kterou datové centrum spotřebuje, bude potřebovat dva litry vody na chlazení.

„Jen proto, že se tomu říká ‚cloudové výpočty‘, to neznamená, že hardware žije v cloudu. Datová centra jsou přítomna v našem fyzickém světě a kvůli svému používání vody mají přímé i nepřímé důsledky pro biodiverzitu,“ říká.

Výpočetní hardware uvnitř datových center přináší i své vlastní, méně přímé environmentální dopady.

Zatímco je obtížné odhadnout, kolik energie je potřeba k výrobě GPU, typu výkonného procesoru, který zvládá náročné úkoly generativní AI, bude to více než to, co je potřeba k výrobě jednoduššího CPU, protože výrobní proces je složitější. Uhlíková stopa GPU je umocněna emisemi souvisejícími s přepravou materiálu a produktu.

Existují také environmentální dopady získávání surovin používaných k výrobě GPU, které mohou zahrnovat špinavé těžební postupy a použití toxických chemikálií pro zpracování.

Tržní výzkumná firma TechInsights odhaduje, že tři hlavní výrobci (NVIDIA, AMD a Intel) dodali do datových center v roce 2023 3,85 milionu GPU, oproti přibližně 2,67 milionu v roce 2022. Očekává se, že toto číslo se v roce 2024 ještě více zvýší.

Odvětví je na neudržitelné cestě, ale existují způsoby, jak podpořit odpovědný vývoj generativní AI, který podporuje environmentální cíle, říká Bashir.

On, Olivetti a jejich kolegové z MIT tvrdí, že to bude vyžadovat komplexní zohlednění všech environmentálních a společenských nákladů generativní AI, stejně jako podrobné posouzení hodnoty jejích vnímaných výhod.

„Potřebujeme kontextuálnější způsob, jak systematicky a komplexně pochopit důsledky nových vývojů v této oblasti. Vzhledem k rychlosti, s jakou došlo ke zlepšením, jsme neměli čas dohánět naše schopnosti měřit a chápat kompromisy,“ říká Olivetti.