پشت پرده پاسخهای چندثانیهای هوش مصنوعی چه میگذرد؟
- مجموعه: اخبار تکنولوژی
پیام ما: هوش مصنوعی که در ابتدا مفهومی نظری در ذهن دانشمندان علوم رایانه بود، امروز در نقش موتور محرک انقلاب صنعتی چهارم، به تمامی ابعاد زندگی، از بهداشت و درمان گرفته تا حملونقل، امور مالی، انرژی و حتی سرگرمی، وارد شده است. عرضه چتبات چتجیپیتی در سال ۲۰۲۲، موجی از نوآوری و رقابت بیسابقه را در صنعت فناوری به راه انداخت. شرکتهای بزرگی مانند گوگل با سرویس جمینای، شرکت چینی دیپسیک و شرکت ایکس با گروک نیز بهسرعت سهمی از این بازار را به خود اختصاص دادند. پیشبینی میشود ارزش بازار جهانی هوش مصنوعی از ۱۸۹ میلیارد دلار در سال ۲۰۲۳، تا سال ۲۰۳۳ به بیش از ۴.۸ تریلیون دلار برسد.
اما این تمام ماجرای هوش مصنوعی نیست. براساس گزارش «هزینههای پنهان هوش مصنوعی بر محیط زیست» که زیر نظر مؤسسه دانشگاه ملل متحد برای آب، محیط زیست و سلامت (UNU-INWEH) منتشر شده، یکی از نگرانکنندهترین ابعاد این فناوری، هزینههای هنگفت محیط زیستی آن است؛ هزینههایی که بهندرت مورد توجه قرار میگیرند. برخلاف تصور رایج، هوش مصنوعی صرفاً پدیدهای نرمافزاری و مجازی نیست، بلکه بر بستر زیرساختی فیزیکی و عظیم شکل گرفته است. این زیرساخت، از معادن استخراج مواد معدنی کمیاب و کارخانههای تولید تراشههای پیشرفته گرفته تا مراکز عظیم داده، شبکههای گسترده انتقال اطلاعات و در نهایت انبوه زبالههای الکترونیکی را دربر میگیرد.
این فناوری روزانه حجم عظیمی از انرژی، آب، زمین و مواد اولیه را مصرف میکند و آلایندگی فراوانی را به محیط زیست تحمیل میکند. پیامدهای این آسیبهای محیط زیستی نیز بهشکلی نامتناسب بر دوش جوامع کمدرآمد و کشورهای درحالتوسعه سنگینی میکند.
آموزش پرهزینه هوش مصنوعی
آموزش یک مدل هوش مصنوعی، فرایندی بسیار پیچیده، طولانی و انرژیبر است. در این فرایند، مدل باید میلیاردها پارامتر را با استفاده از حجم عظیمی از اطلاعات، شامل میلیاردها کلمه، تصویر و دیگر دادهها، تنظیم و بهینهسازی کند. این عملیات معمولاً از چند روز تا چند ماه طول میکشد و برای انجام آن به هزاران پردازنده گرافیکی پیشرفته نیاز است. مصرف برق هرکدام از این پردازندهها بسیار بیشتر از پردازندههای معمولی است و فعالیت آنها گرمای زیادی تولید میکند. دفع این گرما نیز به سیستمهای خنککننده قدرتمند و پرمصرف نیاز دارد.
برای درک بهتر ابعاد این مصرف، گزارش ردپای محیط زیستی چند مدل شاخص را مقایسه کرده است. مدل GPT-3 که در سال ۲۰۲۰ معرفی شد، طی ۳۴ روز حدود ۱.۲۸۷ گیگاواتساعت برق مصرف کرد. در مقابل، مدل GPT-4 در دورهای ۱۰۰روزه حدود ۵۰ تا ۷۰ گیگاواتساعت برق مصرف کرد؛ یعنی ۴۰ تا ۵۵ برابر بیشتر از نسخه قبلی. ردپای کربنی این مدل معادل ۲۵ هزار تن دیاکسیدکربن برآورد شده است. برای جبران این میزان انتشار، حدود ۴۲۰ هزار درخت باید بهمدت ۱۰ سال دیاکسیدکربن جذب کنند.
ردپای آبی این مدل نیز حدود ۶۰۰ میلیون لیتر تخمین زده شده است. این میزان آب برای پر کردن ۲۳۷ استخر المپیک یا تأمین نیاز اولیه سالانه بیش از ۸۱ هزار نفر در آفریقای جنوب صحرا کافی است. زمین مورد استفاده برای سیستمهای موردنیاز این مدل هوش مصنوعی نیز حدود ۰.۹ کیلومترمربع، معادل ۱۲۵ زمین فوتبال، برآورد شده است.
مراکز داده؛ یازدهمین مصرفکننده برق جهان
این ارقام تنها بخش کوچکی از ماجراست. برای درک مقیاس واقعی مصرف انرژی و منابع باید به زیرساخت اصلی هوش مصنوعی، یعنی مراکز داده، نگاه کرد. این مراکز بهعنوان قلب تپنده عصر دیجیتال، تمامی خدمات ابری، پخش ویدئو، بازیهای آنلاین و بهطور فزایندهای، هوش مصنوعی را پشتیبانی میکنند.
براساس دادههای این گزارش، مصرف برق جهانی مراکز داده در سال ۲۰۲۵ به ۴۴۸ تراواتساعت رسیده است. اگر مراکز داده را یک کشور در نظر بگیریم، پس از فرانسه و پیش از عربستان سعودی، یازدهمین مصرفکننده بزرگ برق جهان محسوب میشوند. این میزان برق برای تأمین نیاز سالانه تمامی جمعیت ۱.۳ میلیاردنفری آفریقای جنوب صحرا، برای بیش از ۲.۵ سال کافی است.
ردپای آبی این مراکز نیز حدود ۴.۵ تریلیون لیتر است. این میزان آب برای پر کردن ۱.۸ میلیون استخر المپیک یا تأمین نیاز اولیه آب بیش از ۶۲۰ میلیون نفر در آفریقا کافی است. ردپای زمین آنها نیز به ۶ هزار و ۹۰۰ کیلومترمربع میرسد که ۴.۵ برابر وسعت لندن است.
اگر روند کنونی ادامه یابد، مصرف برق مراکز داده تا سال ۲۰۳۰ از مرز ۹۴۵ تراواتساعت عبور میکند. این میزان تقریباً سه برابر مجموع مصرف سالانه برق پاکستان، بنگلادش و نیجریه، با جمعیتی بیش از ۶۵۰ میلیون نفر، است. ردپای آبی مراکز داده نیز به ۹.۳ تریلیون لیتر میرسد؛ میزانی که میتواند نیاز اولیه آب تمامی جمعیت ۱.۳ میلیاردنفری آفریقا را برای یک سال کامل تأمین کند. ردپای زمین این مراکز نیز از ۱۴ هزار و ۵۰۰ کیلومترمربع فراتر میرود که نزدیک به ۱۰ برابر وسعت مکزیکوسیتی است.
فسیلیها بیشتر آسیب میزنند
درحالحاضر، بیش از ۹۰ درصد توان محاسبات ابری جهان در آمریکا و چین متمرکز است و تنها ۳۲ کشور جهان میزبان مراکز داده هوش مصنوعی هستند. این تمرکز به آن معناست که ردپای محیط زیستی هوش مصنوعی، بهشدت تحتتأثیر ترکیب منابع انرژی، اعم از فسیلی و تجدیدپذیر، در کشورهای میزبان قرار دارد.
ردپای کربنی برق در کشورهایی مانند اندونزی، هند و هنگکنگ که همچنان بیشتر از سوختهای فسیلی استفاده میکنند، بهترتیب ۶۲، ۵۱ و ۴۳ درصد بالاتر از میانگین جهانی است. در مقابل، این رقم در آلمان و ایتالیا که انرژیهای تجدیدپذیر سهم قابلتوجهی در تولید برق دارند، بهترتیب ۲۴ و ۳۲ درصد پایینتر از میانگین جهانی است. در کشورهایی مانند فرانسه، سوئد و سوئیس نیز که به انرژی هستهای و برقآبی متکی هستند، ردپای کربنی برق حدود ۸۸ تا ۹۱ درصد کمتر از میانگین جهانی است.
نکته مهم این است که کاهش انتشار کربن، لزوماً بهمعنای کاهش مصرف آب و زمین نیست. در کشورهایی مانند برزیل، کانادا، سوئد و سوئیس که برقآبی سهم بالایی در تولید انرژی دارد، بهدلیل تبخیر آب مخازن سدها، ردپای آبی برق بیش از دو برابر میانگین جهانی است. در مقابل، کشورهای دارای شبکه برق مبتنی بر سوختهای فسیلی، آب کمتری برای تولید برق مصرف میکنند.
این تفاوت به آن معناست که یک مرکز داده با طراحی و سختافزار مشابه، اگر در کشوری مانند فرانسه مستقر شود، ردپای کربنی اندک، اما ردپای آب و زمین بالایی دارد. همین مرکز داده اگر در آمریکا مستقر شود، ردپای کربنی بیشتر، اما ردپای آب و زمین کمتری خواهد داشت.
بهجز استفاده از آب برای تولید برق، خنککردن تجهیزات نیز آب زیادی مصرف میکند. برای مثال، مرکز داده گوگل در آریزونای آمریکا سالانه ۵.۵ میلیون مترمکعب آب مصرف میکند. مرکز داده مایکروسافت در هلند نیز در سال ۲۰۲۱ و در بحبوحه خشکسالی شدید، حدود ۸۴ میلیون لیتر آب مصرف کرد. این میزان دهها برابر برآوردهای اولیه بود و اعتراض گسترده کشاورزان محلی را بهدنبال داشت.
در کوئرتاروی مکزیک نیز مخازنی که زمانی منابع اصلی تأمین آب منطقه بودند، بر اثر خشکسالیهای پیدرپی و فشار مضاعف ناشی از مصرف مراکز داده، با کاهش منابع روبهرو شدند. این وضعیت هزاران خانوار محلی را با کمبود آب آشامیدنی مواجه کرد.
هر دستور، ردپایی بر محیط زیست
بخش عمده انرژی هوش مصنوعی در مرحله استنتاج، یعنی هنگام پاسخگویی مدل به کاربران، مصرف میشود. در واقع، ۸۰ تا ۹۰ درصد کل انرژی هوش مصنوعی صرف پاسخگویی به درخواستهای روزمره میلیاردها کاربر میشود. ردپای محیط زیستی در این مرحله تحتتأثیر دو عامل است: نخست، تعداد کل درخواستها و دوم، نوع محتوای درخواستی. تولید متن، تصویر و ویدئو، انتخاب مدل و تنظیم کیفیت خروجی، هرکدام میزان متفاوتی انرژی مصرف میکنند.
برای مقایسه، یک عملیات ساده طبقهبندی متن، مانند تشخیص هرزنامه یا اسپم، بهعنوان پایینترین سطح مصرف انرژی در نظر گرفته میشود. یک پاسخ کوتاه و معمولی از مدلی مانند چتجیپیتی، حدود ۲۰۰ برابر بیشتر از این خط مبنا انرژی مصرف میکند. اگر پاسخ مفصل و طولانی باشد، این میزان میتواند به بیش از هزار برابر برسد.
تولید یک تصویر معمولی با هوش مصنوعی نیز حدود هزار و ۴۵۰ برابر یک عملیات طبقهبندی متن انرژی مصرف میکند. پس از آن، تولید ویدئو قرار دارد که پیچیدهترین و پرمصرفترین فعالیت هوش مصنوعی است. انرژی لازم برای تولید یک ویدئوی کوتاه با کیفیت بالا، معادل انرژی موردنیاز برای ۲۰۰ هزار بار طبقهبندی متن است.
اگر این مصرف را در مقیاس جهانی محاسبه کنیم، به ارقامی چشمگیر میرسیم. برای مثال، چتجیپیتی روزانه حدود ۲.۵ میلیارد درخواست را پردازش میکند. اگر میانگین مصرف برق هر درخواست متنی را ۰.۴۲ واتساعت در نظر بگیریم، مصرف سالانه آن به حدود ۳۸۳ گیگاواتساعت میرسد.
این گزارش همچنین مصرف انرژی جستوجوی معمولی در گوگل را با جستوجوی مبتنی بر هوش مصنوعی مقایسه کرده است. براساس این گزارش، یک جستوجوی اینترنتی معمولی و بدون استفاده از هوش مصنوعی، حدود ۰.۳ واتساعت برق مصرف میکند. اگر این جستوجو با یک جستوجوی مبتنی بر هوش مصنوعی با مصرف سه واتساعت جایگزین شود، مصرف انرژی ۱۰ برابر میشود.
در این شرایط، مصرف سالانه برق به حدود ۱۵ تراواتساعت میرسد؛ میزانی که برای تأمین برق سالانه ۱۱۵ میلیون نفر در آفریقا کافی است. ردپای آبی این میزان مصرف نیز میتواند با نیاز اولیه سالانه حدود ۲۰ میلیون نفر در آفریقا برابری کند.
راهحل چیست؟
این گزارش برای مدیریت چنین شرایطی، چارچوبی عملیاتی با شش اصل ارائه میدهد. نخستین و اساسیترین اصل، شفافیت است. براساس این اصل، شرکتها باید میزان مصرف انرژی و ردپای آب، کربن و زمین مدلهای خود را بهشکلی دقیق و استاندارد گزارش کنند تا امکان مقایسه و نظارت فراهم شود.
اصل دوم، طراحی مبتنی بر کارایی است. این اصل بر توسعه مدلهای سبکتر و بهینهتر با استفاده از روشهای پیشرفتهای مانند فشردهسازی مدل، حذف بخشهای غیرضروری، فعالکردن بخش تخصصی موردنیاز برای پاسخ به هر پرسش بهجای فعالکردن کل مدل و استفاده از تراشههای اختصاصی تأکید دارد. این اقدامات میتوانند مصرف انرژی را بهشکلی چشمگیر کاهش دهند.
اصل سوم، عدالت و انصاف محیط زیستی است. این اصل بر توزیع عادلانهتر هزینهها و مزایا و مشارکت جوامع محلی در تصمیمگیری برای استقرار مراکز داده تأکید میکند؛ بهویژه در مناطقی که با تنش آبی یا فشار بر منابع زمین مواجهاند.
مسئولیتپذیری در سراسر چرخه حیات، اصل چهارم است. این اصل، از تأمین اخلاقی مواد اولیه موردنیاز برای ساخت سختافزارها تا مدیریت صحیح زبالههای الکترونیکی را دربر میگیرد. پیشبینی میشود زبالههای ناشی از سختافزارهای هوش مصنوعی تا سال ۲۰۳۰، سالانه به ۲.۵ میلیون تن، معادل وزن ۲۵۰ برج ایفل، برسد. مدیریت صحیح این چرخه باید مانع از آن شود که هزینه تأمین مواد اولیه و دفع زبالهها بر دوش کشورهای کمترتوسعهیافته و درحالتوسعه بیفتد.
اصل پنجم بر همکاری جهانی تأکید دارد. براساس این اصل، استانداردها، الزامات شفافیت و سازوکارهای حفاظتی باید یکپارچه شوند تا مزایای هوش مصنوعی در اختیار همگان قرار گیرد و به تعدادی محدود منحصر نشود.
اصل ششم، مصرف پایدار نام دارد. براساس این اصل، کاربران میتوانند با انتخاب آگاهانه مدلهای سبکتر برای وظایف ساده، خودداری از تولید محتوای تصویری و ویدئویی غیرضروری و ترجیح موتورهای جستوجوی معمولی برای جستوجوهای ساده، در کاهش تقاضای کلی انرژی نقش داشته باشند.
این اقدامات بهظاهر کوچک، در کنار یکدیگر میتوانند مسیر حرکت هوش مصنوعی را از فناوریای مخرب به فناوریای پایدار و مسئولانه تغییر دهند و آیندهای را رقم بزنند که در آن پیشرفت فناورانه با عدالت، اخلاق و پایداری محیط زیستی همراه باشد.
