Yapay Zeka Teknolojisi ve Gizli Su Ayak İzi

Yapay zekaya sıcak yaklaşımlar her yerde: Nereden baktığınıza bağlı olarak, üretken yapay zeka ya bizi öldürecek, işlerimizi elimizden alacak, bizi angaryadan kurtaracak ya da muazzam yenilikleri teşvik edecek. (Her iki durumda da, düzenleme çağrıları burada.) The Markup'ta çoğu zaman gerçek sonuçların ölçülmesini de içeren ölçülü bir yaklaşım benimsemeyi seviyoruz.

Bu Soru-Cevap bölümünü Riverside'daki Kaliforniya Üniversitesi'nde bilgisayar bilimleri alanında doçent olan ve Riverside Ph.D. ekibiyle birlikte çalışan Shaolei Ren ile paylaşmaktan heyecan duyuyorum. Adaylar Pengfei Li ve Jianyi Yang ile Arlington'daki Texas Üniversitesi'nde bilgisayar bilimi doçenti olan Mohammad A. Islam , yakın zamanda yapay zekanın gizli su ayak izini ölçen bir makale yayınladı.

Gelişmekte olan teknolojilerin karbon ayak izi bir miktar ilgi çekse de, gerçek anlamda sürdürülebilirliğe doğru ilerlemek için suyun da denklemin bir parçası olması gerekiyor.

Ayrıca merhaba! Ben The Markup'ın CEO'su Nabiha Syed ve eğer bunu bir öncelik haline getirirsek teknolojik ilerlemenin sağlıklı bir gezegenle bir arada var olabileceğine inanan biriyim. Tek bir ChatGPT konuşmasının ne kadar su "içebileceğini" ve yapay zekanın su ayak izini azaltmak için atabileceğimiz somut adımları öğrenmek için okumaya devam edin.

(Bu Soru-Cevap, kısalık ve netlik sağlamak amacıyla düzenlenmiştir.)

Syed: Çok iyi bir nedenden dolayı, GPT‑3 ve GPT‑4 gibi yapay zeka modellerinin yanı sıra bitcoin madenciliği de dahil olmak üzere çeşitli teknolojilerin karbon ayak izinin daha fazla incelendiğini görmeye başlıyoruz . Ancak araştırmanız daha az dikkat çeken bir şeye odaklanıyor: Yapay zeka teknolojisinin gizli su ayak izi. Bize bulgularınızdan bahsedin.

Ren: Su ayak izi, tatlı suyun "sonsuz" bir kaynak olduğu yönündeki büyük yanlış algı ve suyun nispeten daha düşük fiyat etiketi dahil olmak üzere çeşitli nedenlerle gözden kaçırılıyor. Birçok yapay zeka modeli geliştiricisi su ayak izinin farkında bile değil. Ancak bu, özellikle Kaliforniya gibi kurak bölgelerde su ayak izinin önemli olmadığı anlamına gelmiyor.

Öğrencilerim ve UT Arlington'daki çalışma arkadaşımla birlikte, son teknoloji tahmin yöntemini kullanarak yapay zekanın su ayak izi üzerine bazı araştırmalar yaptık. Büyük ölçekli yapay zeka modellerinin gerçekten de büyük su tüketicileri olduğunu görüyoruz.

Örneğin, Microsoft'un son teknolojiye sahip ABD veri merkezlerinde GPT‑3 eğitimi doğrudan 700.000 litre temiz tatlı su tüketebilir (370 BMW otomobili veya 320 Tesla elektrikli otomobil üretmeye yetecek kadar) ve eğer su tüketimi üç katına çıkacaktı Eğitimler Microsoft'un Asya'daki veri merkezlerinde yapıldı. Bu sayılara elektrik üretimiyle ilişkili saha dışı su ayak izi dahil değildir.

Çıkarım için (yani ChatGPT ile konuşma), tahminimiz, modelin ne zaman ve nerede konuşlandırıldığına bağlı olarak, yaklaşık 20 ila 50 soru ve cevaptan oluşan kısa bir sohbet için ChatGPT'nin 500 ml'lik bir şişe suya ihtiyacı olduğunu göstermektedir. ChatGPT'nin devasa kullanıcı tabanı göz önüne alındığında, çıkarım için toplam su ayak izi çok büyük olabilir.

Ardından, yapay zeka modellerinin çalışma zamanı su verimliliğinin benzersiz mekansal-zamansal farklılıklarını daha ayrıntılı olarak inceledik; su verimliliği zamana ve konuma göre değişir. Bu, yapay zeka iş yüklerini ve görevlerini belirli zamanlarda ve belirli konumlarda dinamik olarak planlayarak yapay zekanın su ayak izini azaltma potansiyelinin olduğu anlamına gelir; tıpkı elektrikli araçlarımızı gece boyunca düşük elektrik fiyatlarından yararlanarak elektrik faturalarımızı düşürmemiz gibi.

Syed: Bu su ayak izi, örneğin sığır eti gibi bir şeyle kıyaslandığında nasıldır?

Ren: Bazı web sitelerinden sığır eti ve kot pantolonun büyük bir su ayak izine sahip olduğunu görebiliyoruz, ancak su ayak izleri tüm yaşam döngüsü boyunca geçerli ve büyük bir kısmı da içilemez su içeriyor. Örneğin kot pantolonun su ayak izi pamuğun büyümesinden başlıyor.

Çalışmamızda yalnızca operasyonel su ayak izini (yani yapay zeka modellerinin eğitimi ve çalıştırılmasıyla ilişkili su tüketimini) dikkate alıyoruz, ancak somutlaşmış su ayak izini (örneğin, çip yapımı da dahil olmak üzere yapay zeka sunucu üretimi ve nakliyesiyle ilişkili su ayak izini) hariç tutuyoruz. Yapay zeka modelleri için somutlaştırılmış su ayak izini hesaba katarsak, genel su ayak izinin kolayca 10 kat veya daha fazla artabileceği yönünde bir his var içimden.

Syed: Karbon azaltımı ile su tasarrufunun birbiriyle nasıl bir gerilim içinde olabileceğini özellikle merak ediyorum. “Güneşi takip mi edelim, yoksa takipten vazgeçelim mi” diye sorduğunuzda ne demek istiyorsunuz?

Ren: Su verimliliği çoğunlukla dış sıcaklığa ve elektrik üretimi için kullanılan enerji yakıt karışımlarına bağlıdır. Karbon tasarrufu sağlayan saatler/konumlar, su tasarrufu sağlayan saatler/konumlar anlamına gelmez ve hatta bazen bunlar birbirine zıttır.

Su bilincine sahip kullanıcılar, suyun verimli olduğu saatlerde ve/veya suyun verimli olduğu veri merkezlerinde yapay zeka modellerinin çıkarım hizmetlerini kullanmayı tercih edebilirler….

Örneğin Kaliforniya'da öğlen saatlerinde yüksek bir güneş enerjisi üretimi var ve bu da karbon açısından en verimli saatlere yol açıyor, ancak öğlen civarında dış sıcaklık da yüksek ve dolayısıyla su verimliliği en kötü durumda. Sonuç olarak, eğer yalnızca karbon ayak izini azaltmayı düşünürsek (örneğin öğlen saatlerinde daha fazla yapay zeka eğitimi planlayarak), muhtemelen daha yüksek su tüketimiyle karşı karşıya kalacağız ve bu da yapay zeka için gerçekten sürdürülebilir değil.

Öte yandan, yalnızca su ayak izini azaltırsak (örneğin, yapay zeka eğitimini gece yarısına planlayarak), mevcut güneş enerjisinin azalması nedeniyle karbon ayak izini artırabiliriz.

Syed: Microsoft, Google ve Amazon gibi teknoloji devlerinin yapay zekanın geleceğine büyük yatırım yaptıkları açık, ancak gelişimlerinde çevresel hususları bir öncelik haline getirdiklerini görüyor muyuz?

Ren: Evet, Google , Microsoft ve Meta gibi birçok teknoloji devinin sürdürülebilirlik raporlarında su ayak izinin öncelikli olarak öne çıktığını görüyoruz.

Ayrıca yasa koyucular son zamanlarda veri merkezlerinin su kullanımının yerel çevre üzerindeki etkisini dikkate almaya başladı. Örneğin, Loudon County'nin "dünyanın veri merkezi başkenti" olarak bilindiği Virginia'da, bu yılın başlarında önerilen SB 1078 , veri merkezinin su kullanımı ve karbon üzerindeki etkisini incelemek için "bir saha değerlendirmesi" gerektirecektir. emisyonların yanı sıra tarımsal kaynaklar üzerindeki etkiler.

Sektörün şu ana kadarki çabalarının çoğu, “mühendislik” perspektifinden sahadaki su verimliliğinin artırılmasına odaklandı; örneğin veri merkezinin soğutma kulesi verimliliğinin artırılması ve yerel içme suyu kaynaklarına başvurmak yerine geri dönüştürülmüş suyun işlenmesi. Bununla birlikte veri merkezlerinin büyük çoğunluğu hâlâ içme suyu ve soğutma kuleleri kullanıyor.

Örneğin Google gibi teknoloji devleri bile soğutma kulelerine büyük ölçüde güveniyor ve her yıl milyarlarca litre içme suyu tüketiyor.

Bu kadar büyük su tüketimi yerel su altyapısı üzerinde baskı yarattı; Google'ın veri merkezi The Dalles, Ore'daki suyun dörtte birinden fazlasını kullanıyor. Üstelik birçok veri merkezi Kaliforniya gibi kuraklığa eğilimli bölgelerde de bulunuyor.

Çalışmamız, büyük bir yapay zeka modelinin "ne zaman" ve "nerede" eğitileceğinin su ayak izini önemli ölçüde etkileyebileceğini gösteriyor.

Bunun altında yatan neden, hem tesis içi hem de tesis dışı su kullanım etkinliğinin (WUE) mekansal-zamansal çeşitliliğidir; dış hava koşullarındaki değişiklikler nedeniyle tesis içi WUE değişiklikleri ve şebekenin değişikliklerinden dolayı tesis dışı WUE değişiklikleri. zamanla değişen talepleri karşılamak için enerji yakıt karışımları. Aslında WUE, aylık veya mevsimsel olarak olduğundan çok daha hızlı bir zaman ölçeğinde değişir.

Bu nedenle, WUE'nin mekansal-zamansal çeşitliliğinden yararlanarak, su ayak izini azaltmak için yapay zeka modeli eğitimini ve çıkarımlarını dinamik olarak planlayabiliriz.

Örneğin, küçük bir yapay zeka modelini eğitiyorsak, eğitim görevini gece yarısına ve/veya daha iyi su verimliliğine sahip bir veri merkezi konumunda planlayabiliriz. Benzer şekilde, su konusunda bilinçli olan bazı kullanıcılar, yapay zeka modellerinin çıkarım hizmetlerini suyun verimli olduğu saatlerde ve/veya su verimli veri merkezlerinde kullanmayı tercih edebilir; bu, yapay zeka modellerinin çıkarım için su ayak izinin azaltılmasına katkıda bulunabilir.

Bu tür talep yönlü su yönetimi, arz tarafına odaklanan mevcut mühendislik temelli yerinde su tasarrufu yaklaşımlarını tamamlamaktadır. Ayrıca yaklaşımımız yazılım tabanlı olup, iklim koşullarına veya yeni soğutma sistemi kurulumlarına ilişkin özel bir gereksinim olmaksızın, herhangi bir soğutma sistemiyle birlikte ücretsiz olarak kullanılabilir.

Daha fazla şeffaflığa sahip olarak, su açısından en verimli yapay zeka modellerine ne zaman ve nerede sahip olduğumuzu tam olarak bilebileceğiz.

Syed: Bir sonraki adım olarak şeffaflığı öneriyorsunuz. Daha fazla şeffaflık hangi soruları yanıtlamamıza yardımcı olabilir?

Ren: Daha fazla şeffaflığa sahip olsaydık, su açısından en verimli yapay zeka modellerine ne zaman ve nerede sahip olduğumuzu tam olarak bilebilecektik.

Şeffaflık aynı zamanda yapay zeka modellerinin su ayak izinin ölçülmesini, karşılaştırılmasını ve iyileştirilmesini de mümkün kılar; bu da araştırma topluluğu için büyük değer taşıyabilir. Şu anda bazı yapay zeka konferansları yazarlardan, makalelerinde yapay zeka modellerinin karbon ayak izini beyan etmelerini talep ediyor; Şeffaflık ve farkındalıkla yazarların yapay zeka modellerinin su ayak izini çevresel etkinin bir parçası olarak da beyan edebileceklerine inanıyoruz.

Bu tür bilgilerle yapay zeka modeli geliştiricileri, yapay zeka modeli eğitimlerini daha iyi planlayabilir ve ayrıca diğer performans ölçümlerinde çok az veya sıfır bozulmayla kullanıcıların su tasarrufuna yönelik çıkarım isteklerini daha iyi yönlendirmek için mekansal-zamansal çeşitlilikten yararlanabilir.

Ek olarak şeffaflık, kullanıcıların çalışma zamanındaki su ayak izlerini bilmelerine ve su ayak izlerini iyileştirmelerine de olanak tanıyabilir (örneğin, acil olmayan bazı çıkarım isteklerini mümkünse suyun verimli olduğu saatlere ertelemek isteyebilirler).

Apple, şarj için düşük karbonlu saatleri seçerek temiz enerji planlamasını iPhone ürünlerine entegre etti ve suya duyarlı yapay zeka eğitiminin ve çıkarımlarının da gelecekte gerçeğe dönüştürülebileceğini umuyoruz.

Umarım siz de bunu benim kadar düşündürücü bulmuşsunuzdur! Bu durum özellikle evimin yakınını etkiledi: Babam ve kız kardeşimin ikisi de su kaynakları mühendisiydi ve ben kuraklıkla boğuşan Güney Kaliforniya'da büyüdüm. Elbette teknolojik bir patlamanın içindeyiz; ancak inovasyon kamu yararımıza hizmet etmeli, onu ortadan kaldırmamalı.

Okuduğunuz için teşekkürler!

Her zaman,

Nebiha Seyyid

Baş yönetici

İşaretleme

kaydeden Nabiha Syed

Burada da yayınlandı

Unsplash'ta David Becker'in fotoğrafı