الذكاء الاصطناعي - أو AI - هو رمز الكمبيوتر الذي يسمح للآلة بالقيام بشيء يتطلب عادة دماغًا بشريًا. على TikTok ، على سبيل المثال ، تقوم منظمة العفو الدولية بفرز المنشورات بحيث من المرجح أن تكون المنشورات الأولى التي تراها هي تلك التي تفضلها. يقدم الذكاء الاصطناعي النتائج المفيدة لكل بحث في Google. عندما تطلب من Siri تشغيل أغنية Taylor Swift ، يحول الذكاء الاصطناعي حديثك إلى أمر لبدء أغانيها. ولكن قبل أن يتمكن الذكاء الاصطناعي من القيام بأي من ذلك ، يجب على المطورين تدريبه. وهذا التدريب يلتهم الطاقة. الكثير منه. في الواقع ، قد تصبح شهية هذا التدريب للطاقة مشكلة كبيرة قريبًا ، يقلق الباحثون الآن.
تأتي الطاقة اللازمة لتطوير الذكاء الاصطناعي من الشبكة الكهربائية. وفي معظم أنحاء العالم ، يؤدي إنتاج الكهرباء إلى بث ثاني أكسيد الكربون وغازات الدفيئة الأخرى في الهواء.
لمقارنة كيفية تأثير الأنشطة المختلفة على المناخ ، غالبًا ما يجمع الباحثون تأثيرات جميع غازات الدفيئة في ما يسمونه مكافئات ثاني أكسيد الكربون. في عام 2019 ، قام باحثون في جامعة ماساتشوستس أمهيرست بحساب تأثير تطوير نموذج الذكاء الاصطناعي المسمى Transformer. أصدرت 626000 رطل من مكافئات ثاني أكسيد الكربون. وهذا يساوي الغازات المسببة للاحتباس الحراري التي ستطلقها خمس سيارات أمريكية من وقت تصنيعها إلى وقت التخلص منها.
تستخدم النماذج الأكبر والأكثر تعقيدًا فقط هذا القدر من الطاقة. لكن نماذج الذكاء الاصطناعي تنمو بسرعة أكبر وتتعطش للطاقة. أطلق بعض خبراء الذكاء الاصطناعي ناقوس الخطر بشأن التهديد الذي تشكله خنازير الطاقة هذه.
التعلم العميق
يمكن للمحول تحليل النص ثم ترجمته أو تلخيصه. يستخدم نموذج الذكاء الاصطناعي هذا نوعًا من التعلم الآلي الذي انتشر بشكل كبير جدًا. يُطلق عليه التعلم العميق ، وهو ينتج ذكاءً اصطناعيًا يتفوق في العثور على الأنماط ومطابقتها. لكن أولاً ، يجب أن يمارس النظام ، عملية تعرف باسم التدريب.
للترجمة بين اللغتين الإنجليزية والصينية ، على سبيل المثال ، قد يستخدم نموذج الذكاء الاصطناعي ملايين أو حتى مليارات الكتب والمقالات المترجمة. بهذه الطريقة ، يتعلم الكلمات والعبارات المتطابقة. في وقت لاحق ، عند إعطاء نص جديد ، يمكنه اقتراح ترجمته الخاصة.
بفضل التعلم العميق ، يمكن لأجهزة الكمبيوتر أن تفحص تلالًا من البيانات لاتخاذ قرارات سريعة ومفيدة وذكية. قام المهندسون ببناء ذكاء اصطناعي يمكنه توجيه السيارات ذاتية القيادة أو التعرف على المشاعر في الوجوه البشرية. نماذج أخرى تجد السرطان في الصور الطبية أو تساعد الباحثين على اكتشاف عقاقير جديدة. هذه التكنولوجيا تغير العالم.
ومع ذلك ، فإنه يأتي بتكلفة.
أفضل نماذج التعلم العميق هي عمالقة عالم الذكاء الاصطناعي. يتطلب تدريبهم كميات هائلة من معالجة الكمبيوتر. يتدربون على نوع من أجهزة الكمبيوتر يسمى وحدات معالجة الرسومات (GPUs). إنها نفس الأشياء التي تعمل على تشغيل الرسومات في لعبة فيديو واقعية.
يوضح Lasse F. Wolff Anthony أن الأمر قد يستغرق مئات من وحدات معالجة الرسومات التي تعمل لأسابيع أو شهور لتدريب نموذج ذكاء اصطناعي واحد مرة واحدة. إنه طالب في سويسرا في جامعة ETH Zurich ، التقنية. ويضيف:"كلما طالت مدة تشغيل [GPUs] ، زادت الطاقة التي تستخدمها".
اليوم ، يحدث معظم تطوير الذكاء الاصطناعي في مراكز البيانات. تمثل هذه المباني المليئة بالكمبيوتر حوالي 2 في المائة فقط من استخدام الكهرباء في الولايات المتحدة و 1 في المائة من استخدام الطاقة العالمي. ولا يأخذ تطوير الذكاء الاصطناعي سوى نسبة ضئيلة من عبء العمل في أي مركز بيانات.
يتضمن التعلم الآلي التعلم العميق والشبكات العصبية
لكن تأثير الذكاء الاصطناعي على الطاقة بالفعل "كبير بما يكفي بحيث يستحق التوقف والتفكير فيه" ، كما تقول إميلي إم بيندر. إنها لغوية حسابية. تعمل في جامعة واشنطن في سياتل.
أحد المقاييس الشائعة لحجم نموذج التعلم العميق هو عدد المعلمات (Puh-RAM-ih-turz) التي يحتوي عليها. هذه هي ما يتم تعديله أثناء التدريب. تسمح هذه المعلمات للنموذج بالتعرف على الأنماط. تميل النماذج التي تجد أنماطًا في اللغة ، مثل Transformer ، إلى الحصول على أكثر من غيرها.
يحتوي المحول على 213 مليون معلمة. أحد أكبر نماذج اللغات في العالم لعام 2019 ، GPT-2 ، يحتوي على 1.5 مليار معلمة. يحتوي إصدار 2020 ، GPT-3 ، على 175 مليار معلمة. تتدرب النماذج اللغوية أيضًا على كميات هائلة من البيانات ، مثل جميع الكتب والمقالات وصفحات الويب المكتوبة باللغة الإنجليزية على الإنترنت. وتذكر أن تلك البيانات المتاحة للتدريب تنمو شهرًا بعد شهر وسنة بعد عام.
عادةً ما تجعل النماذج الأكبر والمجموعات الأكبر من بيانات التدريب النموذج أفضل في التعرف على الأنماط. لكن هناك جانب سلبي. مع نمو النماذج ومجموعات البيانات ، فإنها تميل إلى الحاجة إلى المزيد من وحدات معالجة الرسومات أو أوقات تدريب أطول. لذا فهم يلتهمون المزيد من الكهرباء.
دق ناقوس الخطر
كان بندر يراقب هذا الاتجاه بقلق. في النهاية ، اجتمعت مع مجموعة من الخبراء من Google لتقول شيئًا عن ذلك.
كتب هذا الفريق ورقة بحثية في مارس 2021 تجادل بأن النماذج اللغوية للذكاء الاصطناعي أصبحت كبيرة جدًا. بدلاً من إنشاء نماذج أكبر من أي وقت مضى ، تقول الورقة إن على الباحثين أن يسألوا أنفسهم:هل هذا ضروري؟ إذا كان الأمر كذلك ، فهل يمكننا أن نجعله أكثر كفاءة؟
أشارت الورقة أيضًا إلى أن المجموعات الغنية تستفيد أكثر من النماذج اللغوية للذكاء الاصطناعي. في المقابل ، يعاني الأشخاص الذين يعيشون في فقر من معظم الضرر الناجم عن الكوارث المرتبطة بتغير المناخ. يتحدث العديد من هؤلاء الأشخاص لغات أخرى غير الإنجليزية وقد لا توجد نماذج كبيرة للذكاء الاصطناعي تركز على لغاتهم. "هل هذا عدل؟" يسأل بندر.
حتى قبل نشرها ، أثارت الورقة الجديدة لمجموعتها جدلاً.
طلبت Google من موظفيها إزالة أسمائهم منها. أحد هؤلاء الأشخاص ، Timnit Gebru ، شارك في قيادة فريق Google لأخلاقيات الذكاء الاصطناعي. الأخلاق هي دراسة ما هو صواب وما هو خطأ. عندما لم تشطب اسمها ، طردتها Google ، كما ذكرت على Twitter.
في غضون ذلك ، واصلت الشركة عملها على أكبر نموذج لغوي حتى الآن. في كانون الثاني (يناير) 2021 ، أعلنت أن هذا النموذج قد حقق 1.6 تريليون المعلمات.
أصغر حجما وأكثر اخضرارا
تثير الورقة الجديدة التي أعدها فريق بندر وجيبرو "مناقشة مهمة للغاية" ، كما يقول روي شوارتز. إنه عالم كمبيوتر في الجامعة العبرية في القدس ، إسرائيل. التأثير المناخي لتدريب الذكاء الاصطناعي ليس هائلاً. على الأقل ليس بعد. لكنه يضيف:"أرى اتجاهًا مقلقًا". ستنمو الانبعاثات الناتجة عن التدريب واستخدام نماذج الذكاء الاصطناعي بشكل أكبر - وقريبًا ، كما يعتقد.
توافق ساشا لوتشيوني على ذلك. يرى هذا الباحث في MILA ، وهو معهد للذكاء الاصطناعي في مونتريال بكندا ، أن النمو السريع لهذه النماذج "مثير للقلق".
الشرح:ما هو نموذج الكمبيوتر؟
يقول شوارتز إن مطوري الذكاء الاصطناعي عادةً ما يبلغون فقط عن مدى جودة عمل نماذجهم. يتنافسون على دقتهم في إنجاز المهام. يتم تجاهل مقدار الطاقة التي يستخدمونها. يسمي شوارتز هذا Red AI.
في المقابل ، يركز الذكاء الاصطناعي الأخضر على تعزيز كفاءة النموذج ، كما يوضح. وهذا يعني الحصول على نفس النتائج أو نتائج أفضل باستخدام طاقة أو طاقة حاسوبية أقل. ليس عليك بالضرورة تقليص نموذجك للقيام بذلك. نظرًا لأن معالجة الكمبيوتر معقدة ، يمكن للمهندسين إيجاد طرق لاستخدام طاقة حوسبة أقل دون تقليل عدد المعلمات. ويمكن لبعض أنواع أجهزة الكمبيوتر أن توفر هذه الطاقة مع احتساء كهرباء أقل بكثير من غيرها.
في الوقت الحالي ، يشارك عدد قليل من المطورين كفاءة نموذجهم أو بيانات استخدام الطاقة. دعا شوارتز مطوري الذكاء الاصطناعي إلى الكشف عنها.
وهو ليس وحده في طلب هذا. عُقدت ورشة عمل سنوية جديدة لمطوري الذكاء الاصطناعي لأول مرة في عام 2020. وهدفها:تشجيع نماذج لغة AI أبسط وأكثر كفاءة.
تعاون وولف أنتوني مع بنجامين كاندينغ ، الطالب في جامعة كوبنهاغن في الدنمارك ، لإنشاء أداة جديدة واحدة. يساعد مطوري الذكاء الاصطناعي على تقدير التأثيرات البيئية للذكاء الاصطناعي - مثل الطاقة أو استخدام ثاني أكسيد الكربون - قبل تدريبهم. ابتكر Luccioni أداة مختلفة. يتتبع انبعاثات ثاني أكسيد الكربون كنموذج يخضع للتدريب.
هناك طريقة أخرى لجعل النماذج أكثر صداقة للبيئة وهي التحديد الدقيق لمركز البيانات حيث يتدرب النموذج. يقول كاندينغ:"إذا كنت تتدرب في السويد ، فإن معظم الطاقة تأتي من مصادر مستدامة." بذلك يعني الرياح أو الطاقة الشمسية أو حرق الأخشاب. التوقيت مهم أيضًا. في الليل ، يتوفر المزيد من الكهرباء لأن معظم المستخدمين ينامون. بعض المرافق تتقاضى رسومًا أقل لتلك الطاقة خارج أوقات الذروة أيضًا ، أو يمكنها استخدام مصادر أنظف لإنتاجها.
التعلم العميق هو تقنية قوية لا تصدق. ولكنه سيوفر أكبر قدر من الفوائد عند استخدامه بحكمة وإنصاف وفعالية.
