Искусственный интеллект
Повышение ответственности за экологию, сокращение вредных выбросов, достижение углеродной нейтральности – эти и ряд других подобных концепций все чаще заявляются как приоритетные в развитии многих компаний и стратегиях государств в целом. При этом внедрение различных высокотехнологичных решений призвано помочь в достижении данных задач.
Многие высокотехнологичные направления в реальности не всегда соответствуют постулируемой заботе об окружающей среде. Развитие технологии генеративного искусственного интеллекта не только не является "экологически чистым" начинанием а, наоборот, ведет к ухудшению климатической ситуации в мире.
Даже на стадии, когда сырье уже добыто, из него созданы необходимые материалы, из материалов изготовлено конечное оборудование, на котором начинает создаваться ИИ, – на этом этапе создания, обучения и использования ИИ реальное воздействие на окружающую среду вовсе не является "зелёным".
Цикл создания генеративного ИИ
Для процесса обучения моделей генеративного ИИ требуются большие объёмы данных. При этом, чем более крупными являются модели ИИ, тем больше энергии необходимо затратить для их обучения.
По оценкам совместного исследования Google и Калифорнийского университета в Беркли, опубликованного в 2022 году, на обучение алгоритма GPT-3, который на определенном этапе использовался в ChatGPT, в целом было потрачено 1,287 МВт-часов электроэнергии. В среднем это эквивалент энергопотребления одного американского домохозяйства на протяжении 120 лет. При этом, на тот момент, пока в ChatGPT использовалась данная модель ИИ, в чатбот ежедневно поступали миллионы запросов, для создания которых было потрачено от 4000 до 6000 МВт часов электричества – т.е. в несколько раз больше, чем на создание GPT-3 в целом.
Использование ИИ в поисковых запросах является намного более энергозатратным по сравнению с обычными запросами в поисковых системах. На текущий момент, по мнению различных экспертов, энергозатраты при формировании ответа на каждый поисковый запрос в ChatGPT в 10 или даже в 30 раз выше аналогичных значений для Google.
В ежегодном докладе Стэнфордского института "Индекс искусственного интеллекта 2023" отмечается, что объем выбросов CO2 в атмосферу при разработке GPT-3 в 2022 году превысил 500 тонн – в 80 раз больше, чем один автомобиль с бензиновым двигателем в среднем выбрасывает в атмосферу за весь цикл своей эксплуатации.
Сравнение выбросов СО2, произведённых моделями ИИ и людьми в 2022 году
При сравнении вредных выбросов различных моделей ИИ в докладе также указаны цифры по потреблению американцев и "человека в среднем". Согласно оценкам Стэнфордского института, в 2022 году показатель потребления среднего американца за год, выраженный в эквиваленте выбросов CO2 в атмосферу, в среднем более чем в 3 раза превышал аналогичное значение для "человека в среднем".
По мере увеличения количества применяемых моделей ИИ энергопотребление, которое необходимо для их функционирования, будет только расти. В частности, по прогнозам Международного энергетического агентства (МЭА), по сравнению с 2022 годом энергопотребление центров обработки данных, специализированных под нужды ИИ, к 2026 году увеличится в 10 раз.
Прогноз потребления электричества в 2022 и 2026 годах, ТВт
Для создания и функционировании ИИ – помимо высокого энергопотребления – необходим большой объём воды для охлаждения и очистки ЦОД, в которых они разрабатываются. По данным исследования, опубликованного в 2023 году, для обучения GPT-3 в ЦОД Microsoft, в частности, требовалось 700 тысяч литров чистой воды.
По прогнозам, совокупный объем воды, необходимой для обучения и функционирования ИИ в подобных ЦОД в 2027 году в мире составит от 4,4 до 6,6 млрд кубометров. Данный показатель сравним с ежегодным потреблением воды в Дании или около 50% ежегодного потребления в Великобритании.
Кроме расходов на создание, обучение и функционирование ИИ также довольно интересным является вопрос о сферах применения данной технологии. Многие нефтегазовые и нефтесервисные компании уже активно используют ИИ – в том числе для того, чтобы добиться оптимизации процессов разведки, бурения и общего улучшения показателей по добыче ресурсов.