При всех достижениях, обеспечиваемых искусственным интеллектом, от распознавания речи до автомобилей с автоматическим управлением, системы искусственного интеллекта потребляют много энергии и могут генерировать большие объемы выбросов углерода, изменяющих климат.
Исследование, проведенное в прошлом году, показало, что обучение готовой системы языковой обработки произвело более 600 кг выбросов углекислого газа, примерно столько же, сколько было получено при перелете одного человека туда и обратно между Нью-Йорком и Сан-Франциско. Полный набор экспериментов, необходимых для создания и обучения этой языковой системы с нуля, может принести еще больше: до 35 тонн, в зависимости от источника энергии. Это вдвое больше, чем средний человек выдыхает за всю свою жизнь.
Но есть способы сделать машинное обучение чище и экологичнее, так называемый «Зеленый искусственный интеллект». Некоторые алгоритмы менее энергоемки, и многие обучающие сессии можно перенести в удаленные места, которые получают большую часть энергии из возобновляемых источников.
Однако важно, чтобы разработчики и компании знали, сколько выбросов производят их эксперименты по машинному обучению и насколько эти объемы могут быть уменьшены.
Команда исследователей из Стэнфорда, Facebook AI Research и McGill University придумала простой в использовании инструмент, который быстро измеряет как количество электроэнергии, которую будет использовать проект машинного обучения, так и то, сколько это означает в выбросах углерода.
«Поскольку системы машинного обучения становятся все более вездесущими и более ресурсоемкими, они могут внести существенный вклад в выбросы углерода», - говорит Питер Хендерсон. «Но вы не можете решить проблему, если не можете измерить ее. Наша система может помочь исследователям и промышленным инженерам понять, насколько эффективна их работа с точки зрения выбросов углерода, и, возможно, подсказать идеи о том, как уменьшить их углеродный след».
Отслеживание выбросов
«Существует большой толчок для расширения машинного обучения для решения все больших и больших задач с использованием большей вычислительной мощности и большего объема данных», - говорит Юрафски. «Как только это произойдет, мы должны помнить о том, стоят ли преимущества этих моделей с большим количеством вычислений от стоимости воздействия на окружающую среду».
Системы машинного обучения развивают свои навыки, проводя миллионы статистических экспериментов круглосуточно, постоянно совершенствуя свои модели для выполнения задач. Обучение, которое может длиться недели или даже месяцы, становится все более энергоемким. А поскольку затраты на вычислительную мощность и огромные наборы данных резко сократились, машинное обучение становится все более распространенным в бизнесе, правительстве, научных кругах и личной жизни.
Чтобы получить точную оценку того, что это означает для выбросов углерода, исследователи начали с измерения энергопотребления конкретной модели искусственного интеллекта. Это сложнее, чем кажется, потому что одна машина часто тренирует несколько моделей одновременно, поэтому каждая тренировка должна быть отделена от других. Каждый учебный сеанс также потребляет энергию для общих служебных функций, таких как хранение данных и охлаждение, которые должны быть правильно распределены.
Следующим шагом является перевод энергопотребления в выбросы углерода, которые зависят от сочетания возобновляемых и ископаемых видов топлива, которые производят электроэнергию. Эта смесь широко варьируется в зависимости от местоположения, а также от времени суток. Например, в районах, где много солнечной энергии, интенсивность выбросов углерода снижается по мере того, как солнце поднимается выше в небе.
Чтобы получить эту информацию, исследователи изучили общедоступные источники данных о структуре энергопотребления в различных регионах США и мира. В Калифорнии трекер эксперимента подключается к данным в реальном времени от калифорнийского ISO, который управляет потоком электроэнергии по большинству энергосистем штата. В 12:45 например, в конце мая, возобновляемые источники энергии обеспечивали 47% производимой энергии.
Место проведения тренировки ИИ может существенно повлиять на выбросы углерода. Исследователи подсчитали, что проведение сеанса в Эстонии, который в подавляющем большинстве зависит от сланцевой нефти, будет производить в 30 раз больше углерода, чем тот же сеанс в Квебеке, который в основном зависит от гидроэлектроэнергии.