הבינה המלאכותית יכולה לסייע לחברה לצרוך פחות אנרגיה, לצמצם בזבוזים ולהפחית את העומס על העבודה הידנית בדיווחי ESG. אך מי שמפתח מוצרי בינה מלאכותית מכיר גם את הצד השני של המטבע: כל מודל פועל על תשתיות הצורכות אנרגיה רבה, לכל קריאת API יש עלות חישובית, והביקוש לכוח מחשוב לא מראה סימני האטה.
לכן אין להתייחס לקיימות בתחום הבינה המלאכותית כאל סיסמה או כאל אשמה שיש לכפר עליה. יש לטפל בה כבעיה תפעולית. באיטליה התגבש הדיון סביב שני רעיונות מובהקים: "קיימות של בינה מלאכותית" (sustainability of AI) ו "בינה מלאכותית למען קיימות" (AI for sustainability). הרעיון הראשון נוגע לטביעת הרגל הסביבתית של הבינה המלאכותית עצמה. הרעיון השני נוגע לשימוש בבינה מלאכותית לשיפור תהליכים, צריכת משאבים וניהול סביבתי. באותו הקשר, מרכיב הדיווח ה-ESG הנתמך על ידי בינה מלאכותית "כמעט שילש את עצמו בשנה האחרונה", על פי ניתוח זה בנושא הקיימות של הבינה המלאכותית וניהול ESG.
כמייסד חברת בינה מלאכותית, אני סבור כי הן הפאניקה האוטומטית והן האופטימיות הטכנולוגית העצלה הן חסרות תועלת. העניין אינו להחליט אם הבינה המלאכותית היא "טובה" או "רעה" לסביבה. העניין הוא להבין היכן היא צורכת משאבים, מתי היא יוצרת ערך אמיתי, ואילו בחירות קונקרטיות מצמצמות את ההשפעה מבלי לפגוע בתועלת.
השיח בנושא קיימות ובינה מלאכותית התבגר. סוף סוף. לא משום שהבעיה נפתרה, אלא משום שכבר אי אפשר לצמצם אותה לקלישאה.
מצד אחד, הבינה המלאכותית מסייעת לחברות ולמתקנים לנצל את האנרגיה בצורה יעילה יותר, לצמצם את הבזבוז ולהפוך את הדיווח בתחום ה-ESG למסודר יותר. מצד שני, המערכות עצמן דורשות כוח מחשוב, מרכזי נתונים, קירור, רשתות ורכיבי חומרה, שיש להם מחיר סביבתי ממשי. אם מתבוננים רק באחד משני הצדדים, מקבלים החלטה שגויה.
שתי הקטגוריות שבהן אני משתמש בתדירות הגבוהה ביותר הן אלה שהפכו בינתיים לנפוצות גם בהקשר האיטלקי:
ההבדל אינו תיאורטי. הוא מאלץ אותך לשאול שתי שאלות שונות. הראשונה היא: כמה שוקל מערך ה-AI שלי? השנייה היא: האם משקל זה מביא תועלת סביבתית או תפעולית מוחשית מספיק כדי להצדיק אותו?
השאלה הנכונה אינה "להשתמש בבינה מלאכותית או לא". השאלה הנכונה היא "האם באמת נדרשת כמות כזו של כוח חישובי למשימה הזו?".
הטעות שאני רואה לעתים קרובות ביותר אינה טכנולוגית. היא קשורה לקבלת החלטות. חברות רבות מאמצות את הבינה המלאכותית כאילו יש להשתמש בכל העוצמה הזמינה בכל עת. בפועל, הן בוחרות במודל הגדול ביותר, בתהליך העבודה המורכב ביותר ובאוטומציה הנרחבת ביותר, גם כאשר הבעיה הייתה פשוטה בהרבה.
למעשה, אסטרטגיה בת-קיימא מבוססת על עיקרון פחות מרשים: מידתיות. אם ניתן לבצע משימה בצורה טובה עם פחות חישובים, פחות העברת נתונים ופחות מורכבות, זו אינה ויתור. זו בחירה טובה יותר.
החלק המועיל ביותר בדיון מתחיל כאשר מפסיקים לדבר באופן מופשט. ההשפעה הסביבתית של הבינה המלאכותית אינה עניין של דעה. זהו נושא תשתיתי שהנתונים לגביו כבר ברורים דיים כדי לחייב זהירות.
מקור איטלקי המסתמך על נתונים בינלאומיים מדווח כי מחקר שנערך בשנת 2019 באוניברסיטת מסצ'וסטס העריך כי אימון של מודל בינה מלאכותית בודד עלול לייצר למעלה מ-284 טונות של CO₂, המקבילות לפליטות של חמש מכוניות לאורך מחזור החיים כולו. אותו מקור מדווח כי פיתוח ChatGPT-3 צרך כ-1,287 מגה-וואט-שעה של חשמל, המקביל לצריכה השנתית של כ-120–130 משקי בית אמריקאיים ממוצעים, ומצטט גם תחזית של Goldman Sachs Research לפיה הביקוש לחשמל במרכזי הנתונים עלול לעלות ב-160%, עם עלייה של כ-200 TWh בשנה בין 2023 ל-2030, בעוד שעד 2028 הצריכה הקשורה לבינה מלאכותית עשויה להגיע ל-19% מצריכת האנרגיה הכוללת של מרכזי הנתונים. כל הנתונים הללו מופיעים בניתוח איטלקי זה על העלות הסביבתית של הבינה המלאכותית.
העניין הוא לא להשתמש במספרים האלה כדי לעורר פאניקה תקשורתית. העניין הוא להבין את סדר הגודל. אם אתם מפתחים או מאמצים בינה מלאכותית, אתם תורמים לעלייה בביקוש לאנרגיה שמשפיעה על תשתיות שלמות, ולא רק על תקציב הענן שלכם.
כלל אצבע: כשאתם מעריכים פרויקט בינה מלאכותית, אל תסתכלו רק על העלות לטוקן או לקריאת API. הבעיה האמיתית נמצאת לרוב בשלב מוקדם יותר, בתשתית שמאפשרת את הקריאה הזו.
רבים סבורים שהמחיר הסביבתי של הבינה המלאכותית נובע כמעט אך ורק מתהליך האימון. זוהי הפשטה נוחה, אך שגויה. הצריכה מתפרשת על פני מספר רמות:
| רְכִיב | למה זה חשוב |
|---|---|
| אימון | זה דורש נפח חישובים גדול ומרוכז |
| הסקת מסקנות | כל בקשה של משתמש יוצרת עבודה חוזרת לאורך זמן |
| מרכז נתונים | אספקת חשמל, יתירות וניהול רציף של התשתית |
| קירור | יש לפזר את החום הנוצר על ידי המערכות בצורה יעילה |
| רשתות והעברת נתונים | העברת נתונים בין מערכות, אזורים ושירותים כרוכה בעלות אנרגטית |
זה משנה את האופן שבו יש להתייחס לקיימות בתחום הבינה המלאכותית. לא די בשאלה "כמה אנרגיה צורך המודל". עליך לשאול גם היכן הוא פועל, כמה תעבורה הוא מייצר, כמה פעמים הוא מקבל שאילתות והאם הארכיטקטורה תוכננה כדי לצמצם בזבוז.
לכן, יש טעם לבחון גם את המקרים שבהם נעשה שימוש ב-AI כדי לשפר את התשתית עצמה. דוגמה טובה לכך היאייעול צריכת האנרגיה במרכזי הנתונים באמצעות AI, הממחישה היטב נקודה פשוטה: הבעיה אינה רק במודל, אלא בכל הסביבה הטכנית התומכת בו.
אם מתמקדים רק בעלויות, מפספסים חצי מהתמונה. הבינה המלאכותית יכולה גם להוות מנוף משמעותי לשיפור הקיימות הארגונית. לא במובן הרטורי, אלא בתהליכים קונקרטיים ביותר.
בהקשר האיטלקי, כאשר מיישמים את הבינה המלאכותית במערכות לניהול אנרגיה, היא יכולה להפחית את צריכת האנרגיה התפעולית במפעלים תעשייתיים ובחברות קטנות ובינוניות, באמצעות חיזוי שיאי הביקוש וויסות בזמן אמת של עומסים כגון מערכות מיזוג אוויר ותאורה. לדבר זה יש השפעה ישירה על פליטות Scope 2, והוא מסייע לייעל את השימוש במקורות אנרגיה מתחדשים בעלי אופי לסירוגין, כפי שתואר במאמר מעמיק זה על מערכות לניהול אנרגיה המבוססות על בינה מלאכותית.
זהו סוג האפליקציה שאני רואה כבעלת הצדקה גם מבחינה סביבתית. לא משום שהיא חינמית, אלא משום שהיא משתמשת בחישובים כדי למנוע בזבוז פיזי מתמשך. במתקן שבו הביקוש משתנה, ויסות האוורור, המיזוג או התאורה בזמן אמת עשוי להיות בעל ערך רב יותר מאלף שקופיות על המעבר לירוק.
שלושת התחומים שבהם הבינה המלאכותית נוטה להיות מועילה באמת הם:
עבור חברה קטנה ובינונית, היתרון לא נובע לרוב ממודל מרשים. הוא נובע ממערכת שמנעה כפילויות בעבודה: ייצוא ידני, גיליונות אקסל מרובים, קבצים מצורפים שנשלחים שוב ושוב, התאמות שמבוצעות על ידי אנשים שונים על אותם נתונים. כל אלה גוזלים זמן, משאבים, רוחב פס ותשומת לב.
תהליך שנעשה חמש פעמים על ידי אנשים שונים אינו יעיל גם מבחינה סביבתית, ולא רק מבחינה ארגונית.
כאשר הבינה המלאכותית מרכזת את הנתונים, ממכנת תהליכים חוזרים ונשנים ומאפשרת שימוש חוזר בניתוחים, הערך הסביבתי אינו טמון במסקנה בודדת. הוא טמון בחיסול הכפילויות.
למי שעוסק בדיווח, דוגמה הקרובה לנושא זה היא ELECTE לדיווח ESG, המסייעת להבין כיצד האוטומציה יכולה לצמצם את השלבים הידניים ואת פיזור המידע מבלי להפוך כל פעילות לפרויקט IT מורכב.
ההיבט המעודד הוא שהתעשייה לא עומדת במקום. הבינה המלאכותית אמנם יוצרת את הבעיה, אך היא גם מובילה חידושים שמטרתם לצמצם את עלויות האנרגיה הכרוכות בה. עם זאת, יש להיות כנים: אין פתרון אחד ויחיד.
כיוון מבטיח הוא זה המתמקד בחיבוריות וביעילות התשתית. כאשר מערכות המחשוב ממתינות לנתונים, הכוח המותקן אינו מנוצל כראוי. זו אחת הסיבות שבגללן אין להתייחס לחומרה מהדור החדש רק מנקודת מבט של ביצועים, אלא גם מנקודת מבט של יעילות.
בדיון הטכנולוגי מועלות הצעות העוסקות בחיבורים פוטוניים, שיפור העברת הנתונים והפחתת אובדן האנרגיה. מבחינה מעשית, עבור מי שרוכש שירותי ענן ולא שבבים, העניין הוא אחר: לבחור מערכי תוכנה שמבצעים יותר עבודה מועילה עם פחות זמני המתנה, פחות תעבורה ופחות עומס.
היגיון זה חל גם מחוץ לתחום הבינה המלאכותית במובן הצר של המילה. מי שרוצה להתייחס באופן כללי יותר למודלים ייצוריים הפחות בזבזניים, יכול למצוא רעיונות מועילים בשיטות אלה של כלכלה בת-קיימא, במיוחד כדי לקשר בין יעילות דיגיטלית להפחתת בזבוז חומרים בתהליכים.
מבחינת התוכנה, האמצעים המעניינים ביותר הם לרוב פחות נוצצים ויותר מיידיים:
לפי ניסיוני, זו הייתה הבחירה שהשפיעה ביותר. השינוי היעיל ביותר לא היה הטמעת טכנולוגיה עתידנית, אלא הפסקת השימוש במודל החזק ביותר לכל דבר. סיווג, עיצוב, זיהוי תבניות מוכרות ופעולות תמיכה רבות אינן תמיד מצריכות מודל מתקדם. הן מצריכות משמעת ארכיטקטונית.
אם התוצאה עבור המשתמש נשארת זהה, הפחתת כמות החישובים אינה פשרה. זוהי תכנון טוב יותר.
לכן אני מדבר לעתים קרובות על "המודל הנכון למשימה הנכונה". בפועל, זה אומר ליצור שכבת ניתוב שמקצה כל פעולה לרמת ההספק הנדרשת. זו בחירה הקשורה לעלות, אך גם לקיימות.
מי שרוצה להעמיק את הידע שלו על הקשר בין פתרונות טכניים להשפעה סביבתית, מוזמן לקרוא גם את המאמר של ELECTE בנושא בינה מלאכותית והסביבה, המרכז מקרים שונים וכיווני פיתוח מבלי להציגם כפתרונות פלא.
הטיעון החשוב ביותר הוא גם המטריד ביותר: הפיכת הבינה המלאכותית ליעילה יותר אינה מבטיחה באופן אוטומטי ירידה בצריכה הכוללת. נהפוך הוא, לעתים קורה דווקא ההפך.
כאשר החישובים הופכים לזולים יותר, נגישים יותר ומהירים יותר, חברות נוטות להשתמש בהם יותר. יותר אוטומציות, יותר בקשות, יותר אינטגרציות, יותר תהליכים שנוצרים "כי זה עולה מעט". זהו לב ליבו של פרדוקס היעילות.
לכן, קיימות בתחום הבינה המלאכותית אינה יכולה להיות רק עניין של שבבים משופרים או מודלים קומפקטיים יותר. עליה להפוך לקריטריון בעל עדיפות. יש לשאול כמה שאלות לפני כל יישום:
אחת החסרים הבולטים ביותר בדיון האיטלקי היא דווקא זו: היעדר מדדים סטנדרטיים וגישה הוליסטית למדידת טביעת הרגל של הבינה המלאכותית לאורך מחזור החיים, נושא שהודגש בפרספקטיבה המערכתית הזו בנושא הקיימות של הבינה המלאכותית.
הבעיה, אם כן, אינה לבלום את החדשנות. היא להפסיק להתייחס לחישוב כאל משאב חינמי ובלתי נדלה. כל ארגון צריך להתייחס אליו כפי שהוא מתייחס לתקציב או לזמן של העובדים: כמשהו שיש להקצות אותו למקומות שבהם הוא באמת מייצר ערך.
עבור חברה קטנה ובינונית, אין טעם רב לדבר על קיימות ללא תוכנית פעולה. כדאי להתחיל מארבע החלטות שניתן לקבל כבר עכשיו, גם ללא מדידה מדויקת של טביעת הרגל הסביבתית.
מקור איטלקי מציין כי דיונים רבים בנושא הקיימות של הבינה המלאכותית מתעלמים משיקולי העלות-תועלת, בעוד שמרכזי הנתונים כבר צורכים כ-3% מהאנרגיה העולמית. השאלה שלא זוכה לתשומת לב מספקת היא: מתי כדאי להשתמש במודל קטן יותר או בתהליך מסורתי כדי למנוע עלייה בלתי בת-קיימא בצריכה ובעלויות? הנקודה מסוכמת היטב במאמר זה על שיקולי הסביבה הקשורים לבינה המלאכותית.
בחר את הדגם המתאים להיקף הבעיה
זהו המנוף שמציע את היחס הטוב ביותר בין פשטות להשפעה. אל תשתמש במודל החזק ביותר כברירת מחדל. השתמש בו רק במקרים שבהם הוא באמת עושה את ההבדל. עבור פעולות יומיומיות רבות, מספיקים מודלים קלים יותר או מערכות לא-גנראטיביות.
יש לבחון את ספק שירותי הענן גם מבחינת צריכת האנרגיה שלו
אל תסתכל רק על המחיר, זמן ההשהיה ותאימות לתקנות. בדוק גם את השקיפות בנוגע למרכזי הנתונים, תמהיל האנרגיה האזורי והגישה ליעילות תפעולית. למיקום הגיאוגרפי יש חשיבות. עומס עבודה אינו משאיר את אותה טביעת רגל בכל אזור.
צמצם את הכפילויות בתהליכי העבודה
אם אותו נתון מיוצא, מועתק, מעוצב מחדש ונשלח שוב ושוב, אתה מבזבז משאבים עוד לפני שמדברים על בינה מלאכותית. פלטפורמה כמו ELECTE, פלטפורמת ניתוח נתונים המונעת על ידי בינה מלאכותית המיועדת לעסקים קטנים ובינוניים, יכולה לשמש לריכוז נתונים, אוטומציה של דוחות והפחתת ניתוחים כפולים. היתרון, בהקשר זה, אינו "לעשות יותר בינה מלאכותית". אלא לעשות פחות עבודה מיותרת.
מדוד גם אם לא בצורה מושלמת
לא לכל החברות יש כלים למדידת קוט"ש או CO₂ לכל פעולה. זה בסדר. התחל עם מדדים תפעוליים שכבר נמצאים בהישג יד.
בהיעדר תקן תעשייתי מבוסס באמת, הייתי מתחיל מטבלה פשוטה:
| מדד תפעולי | מה זה אומר לך? |
|---|---|
| קריאות API עבור משימה שהושלמה | אם אתה משקיע יותר מדי מאמץ כדי להשיג תוצאה |
| גודל ממוצע של התבנית לכל פעולה | אם אתה מגזים בהיקף המשימות |
| נפח הנתונים שהועברו בכל הפעלה | אם תהליך העבודה שלך יוצר תנועה שניתן למנוע |
| ניתוחים שהופקו אך לא נעשה בהם שימוש | אם אתה מבצע אוטומציה של פלט שאף אחד לא קורא |
למדוד לא נכון אך באופן עקבי עדיף מאשר לא למדוד כלל.
אם לאחר שלושה חודשים אתה מבחין כי מספר הקריאות לכל משימה יורד, שהמודלים הגדולים מופעלים בתדירות נמוכה יותר וכי העברת הנתונים מצומצמת יותר, עדיין אין לך חשבונאות פחמן מושלמת. עם זאת, יש לך משהו שימושי מאוד: משמעת של יעילות שמפחיתה בזבוז מחשובי, עלויות וכנראה גם את ההשפעה הסביבתית.
הקיימות של הבינה המלאכותית אינה נפתרת באמצעות סיסמה. וגם לא באמצעות דחייה אידיאולוגית של הבינה המלאכותית. היא נבנית באמצעות החלטות טכניות וניהוליות טובות יותר.
מי שמשתמש ב-AI כיום חייב לשקלל שתי אמיתות. הראשונה: העלות הסביבתית קיימת, הולכת וגדלה ואין להמעיט בחשיבותה. השנייה: ה-AI יכולה להניב יתרונות מוחשיים כאשר היא מצמצמת בזבוז, משפרת את השימוש באנרגיה ומחליפה תהליכים חוזרים על עצמם ובלתי מסודרים במערכות חכמות יותר. איכות הבחירה טמונה ביחס שבין שני היבטים אלה.
עבור חברות אירופיות קיימת גם רמת אחריות שנייה. לא די בעמידה בדרישות התאימות. יש להבין כיצד הטכנולוגיה, התשתית, הממשל התאגידי והקניין הרוחני משולבים זה בזה. בנוגע לנקודה האחרונה, למי שמעוניין להעמיק את הידע בנוגע למסגרת המשפטית הנלווית לאימוץ הבינה המלאכותית, אני מפנה למדריך זה בנושא פטנטים בתחום הבינה המלאכותית, שימושי להבנת הקיימות הטכנולוגית גם כבחירה אסטרטגית לטווח ארוך.
הכיוון הנכון אינו להשתמש פחות ב-AI באופן מוחלט. הכיוון הנכון הוא להשתמש ב-AI הנכון, במקום הנכון, ברמת העוצמה הנכונה.
אם ברצונך לאמץ את הבינה המלאכותית (AI) בצורה יעילה ומודעת יותר, תוכל לבדוק כיצד פועלת ELECTE. הפלטפורמה מסייעת לעסקים קטנים ובינוניים (SME) לרכז את הנתונים, להפוך את הדוחות לאוטומטיים ולצמצם את העבודה האנליטית המיותרת, תוך אימוץ גישה פרקטית לבחירת המודל וליעילות תפעולית.
.svg)
.svg)
.svg)
