Sztuczna inteligencja może pomóc firmie zmniejszyć zużycie energii, ograniczyć marnotrawstwo i zautomatyzować sporządzanie raportów ESG. Jednak twórcy produktów opartych na sztucznej inteligencji znają również drugą stronę medalu: każdy model działa na energochłonnej infrastrukturze, każde wywołanie API wiąże się z kosztami obliczeniowymi, a zapotrzebowanie na moc obliczeniową nie maleje.
Dlatego kwestii zrównoważonego rozwoju sztucznej inteligencji nie należy traktować ani jako hasła, ani jako winy, za którą trzeba odpokutować. Należy ją rozpatrywać jako problem operacyjny. We Włoszech debata skupia się obecnie wokół dwóch konkretnych koncepcji: „zrównoważony rozwój sztucznej inteligencji ” oraz „sztuczna inteligencja na rzecz zrównoważonego rozwoju”. Pierwsza z nich dotyczy wpływu samej sztucznej inteligencji na środowisko. Druga dotyczy wykorzystania sztucznej inteligencji do usprawniania procesów, zmniejszania zużycia zasobów oraz poprawy zarządzania środowiskowego. W tym samym kontekście, zgodnie z analizą dotyczącą zrównoważonego rozwoju sztucznej inteligencji i zarządzania ESG, zakres sprawozdawczości ESG wspieranej przez sztuczną inteligencję „prawie potroił się w ciągu ostatniego roku”.
Jako założyciel firmy zajmującej się sztuczną inteligencją uważam, że zarówno automatyczny alarmizm, jak i bezkrytyczny techno-optymizm są bezcelowe. Nie chodzi o to, by decydować, czy sztuczna inteligencja jest „dobra”, czy „zła” dla środowiska. Chodzi o to, by zrozumieć , gdzie powoduje zużycie zasobów, kiedy tworzy rzeczywistą wartość oraz jakie konkretne wybory pozwalają ograniczyć jej wpływ na środowisko bez utraty użyteczności.
Dyskusja na temat zrównoważonego rozwoju w kontekście sztucznej inteligencji nabrała bardziej dojrzałego charakteru. W końcu. Nie dlatego, że problem został rozwiązany, ale dlatego, że nie da się go już sprowadzić do jednego frazesu.
Z jednej strony sztuczna inteligencja pomaga przedsiębiorstwom i zakładom w lepszym wykorzystaniu energii, ograniczeniu marnotrawstwa oraz usprawnieniu sprawozdawczości ESG. Z drugiej strony same te systemy wymagają mocy obliczeniowej, centrów danych, systemów chłodzenia, sieci i komponentów sprzętowych, które wiążą się z rzeczywistym kosztem dla środowiska. Jeśli weźmie się pod uwagę tylko jedną z tych dwóch stron, podejmie się błędną decyzję.
Dwie kategorie, z których najczęściej korzystam, to te, które są już powszechnie stosowane również we Włoszech:
Różnica ta nie ma charakteru czysto teoretycznego. Zmusza cię do zadania dwóch różnych pytań. Pierwsze brzmi: ile waży mój stos rozwiązań AI? Drugie: czy ta waga przynosi korzyści środowiskowe lub operacyjne na tyle konkretne, by ją uzasadnić?
Właściwe pytanie nie brzmi: „czy stosować sztuczną inteligencję, czy nie?”. Właściwe pytanie brzmi: „czy do wykonania tego zadania naprawdę potrzebna jest taka moc obliczeniowa?”.
Najczęstszy błąd, jaki dostrzegam, nie ma charakteru technicznego. Jest to błąd decyzyjny. Wiele firm wdraża sztuczną inteligencję tak, jakby cała dostępna moc obliczeniowa miała być zawsze w pełni wykorzystywana. W praktyce wybierają największy model, najbardziej złożony przepływ pracy i najszerszy zakres automatyzacji, nawet jeśli problem był znacznie prostszy.
W rzeczywistości strategia zrównoważona opiera się na mniej spektakularnej zasadzie: proporcjonalności. Jeśli dane zadanie można wykonać dobrze przy mniejszym nakładzie obliczeniowym, mniejszym transferze danych i mniejszej złożoności, nie jest to żadna rezygnacja. To po prostu lepszy wybór.
Najbardziej konstruktywna część dyskusji zaczyna się wtedy, gdy przestajemy mówić w sposób abstrakcyjny. Wpływ sztucznej inteligencji na środowisko nie jest kwestią opinii. Jest to zagadnienie infrastrukturalne, a dane liczbowe są już na tyle jasne, że wymagają ostrożności.
Włoskie źródło, powołujące się na dane międzynarodowe, podaje, że w badaniu przeprowadzonym w 2019 roku przez Uniwersytet Massachusetts oszacowano, iż szkolenie pojedynczego modelu sztucznej inteligencji może generować ponad 284 ton CO₂, co odpowiada emisjom pięciu samochodów w całym cyklu życia. To samo źródło podaje, że opracowanie ChatGPT-3 wymagało około 1 287 MWh energii elektrycznej, co odpowiada rocznemu zużyciu około 120–130 przeciętnych amerykańskich gospodarstw domowych, a także powołuje się na prognozę Goldman Sachs Research, zgodnie z którą zapotrzebowanie centrów danych na energię elektryczną może wzrosnąć o 160%, co oznacza wzrost o około 200 TWh rocznie w latach 2023–2030, a do 2028 r. zużycie energii związane ze sztuczną inteligencją może osiągnąć 19% całkowitego zapotrzebowania energetycznego centrów danych. Wszystkie te dane zostały przedstawione w tej włoskiej analizie dotyczącej kosztów środowiskowych sztucznej inteligencji.
Nie chodzi o to, by wykorzystywać te liczby do wywoływania paniki w mediach. Chodzi o to, by zrozumieć skalę zjawiska. Jeśli tworzysz lub wdrażasz rozwiązania oparte na sztucznej inteligencji, przyczyniasz się do wzrostu zapotrzebowania na energię, który dotyczy całych infrastruktur, a nie tylko Twojego budżetu na chmurę.
Praktyczna zasada: oceniając projekt związany ze sztuczną inteligencją, nie skupiaj się wyłącznie na koszcie za token lub za wywołanie API. Prawdziwy problem często leży na wcześniejszym etapie – w infrastrukturze, która umożliwia to wywołanie.
Wiele osób uważa, że wpływ sztucznej inteligencji na środowisko ogranicza się niemal wyłącznie do etapu uczenia. Jest to wygodne uproszczenie, ale błędne. Zużycie rozkłada się na kilka poziomów:
| Element | Dlaczego to ma znaczenie |
|---|---|
| Szkolenie | Wymaga dużej mocy obliczeniowej |
| Wnioskowanie | Każde zgłoszenie użytkownika powoduje powtarzające się z czasem zadania |
| Centrum danych | Zasilanie, nadmiarowość i ciągłe zarządzanie infrastrukturą |
| Chłodzenie | Ciepło wytwarzane przez systemy należy skutecznie odprowadzać |
| Sieci i transmisja danych | Przenoszenie danych między systemami, regionami i usługami wiąże się z zużyciem energii |
To zmienia sposób, w jaki należy podchodzić do kwestii zrównoważonego rozwoju w dziedzinie sztucznej inteligencji. Nie wystarczy zadać sobie pytanie „ile energii zużywa model”. Trzeba również zastanowić się, gdzie jest on uruchamiany, ile ruchu generuje, ile razy jest wywoływany oraz czy jego architektura została zaprojektowana tak, aby ograniczyć marnotrawstwo.
Dlatego warto przyjrzeć się również przypadkom, w których sztuczna inteligencja jest wykorzystywana do ulepszania własnej infrastruktury. Dobrym przykładem jestoptymalizacja energetyczna centrów danych z wykorzystaniem sztucznej inteligencji, która dobrze ilustruje prostą zasadę: problemem nie jest tylko model, ale całe środowisko techniczne, które go wspiera.
Jeśli skupimy się wyłącznie na kosztach, tracimy połowę obrazu. Sztuczna inteligencja może być również poważnym czynnikiem sprzyjającym poprawie zrównoważonego rozwoju przedsiębiorstwa. Nie w sensie retorycznym, ale w ramach bardzo konkretnych procesów.
W kontekście włoskim, w zastosowaniu do systemów zarządzania energią, sztuczna inteligencja może zmniejszyć zużycie energii podczas eksploatacji zakładów przemysłowych i małych oraz średnich przedsiębiorstw poprzez prognozowanie szczytów zapotrzebowania i regulowanie w czasie rzeczywistym obciążeń, takich jak systemy HVAC i oświetlenie. Ma to bezpośredni wpływ na emisje z zakresu Scope 2 i pomaga zoptymalizować wykorzystanie niestabilnych źródeł odnawialnych, jak opisano w niniejszym artykule poświęconym systemom zarządzania energią z wykorzystaniem sztucznej inteligencji.
To właśnie ten rodzaj aplikacji uważam za uzasadniony również z punktu widzenia ochrony środowiska. Nie dlatego, że jest bezpłatna, ale dlatego, że wykorzystuje obliczenia do wyeliminowania ciągłych strat materialnych. W obiekcie o zmiennym zapotrzebowaniu regulowanie wentylacji, klimatyzacji lub oświetlenia w czasie rzeczywistym może mieć większą wartość niż tysiąc slajdów na temat transformacji ekologicznej.
Oto trzy obszary, w których sztuczna inteligencja zazwyczaj okazuje się naprawdę przydatna:
W przypadku małych i średnich przedsiębiorstw korzyść często nie wynika z jakiegoś spektakularnego modelu. Wynika ona z systemu, który pozwala uniknąć powielania pracy. Ręczne eksporty danych, liczne arkusze Excel, wielokrotnie wysyłane załączniki, uzgadnianie tych samych danych przez różne osoby. Wszystko to pochłania czas, zasoby sprzętowe, przepustowość sieci i uwagę.
Proces powtarzany pięć razy przez różne osoby jest nieefektywny nie tylko z punktu widzenia organizacji, ale także z punktu widzenia ochrony środowiska.
Kiedy sztuczna inteligencja centralizuje dane, automatyzuje powtarzalne czynności i umożliwia ponowne wykorzystanie analiz, wartość dla środowiska nie polega na pojedynczym wniosku. Polega ona na wyeliminowaniu nadmiarowości.
Dla osób zajmujących się sprawozdawczością dobrym przykładem związanym z tym problemem jest ELECTE – narzędzie do sprawozdawczości ESG, które pomaga zrozumieć, w jaki sposób automatyzacja może ograniczyć ręczne czynności i rozproszenie informacji, nie zamieniając przy tym każdego zadania w skomplikowany projekt informatyczny.
Pocieszające jest to, że branża nie stoi w miejscu. Sztuczna inteligencja stwarza ten problem, ale jednocześnie napędza innowacje mające na celu zmniejszenie jej zużycia energii. Trzeba jednak szczerze przyznać: nie ma jednego rozwiązania.
Obiecującym kierunkiem jest ten, który stawia na wzajemne połączenia i wydajność infrastruktury. Gdy systemy obliczeniowe oczekują na dane, zainstalowana moc jest niewłaściwie wykorzystywana. Jest to jeden z powodów, dla których sprzęt nowej generacji należy postrzegać nie tylko pod kątem wydajności, ale także efektywności.
W debacie technologicznej pojawiają się propozycje dotyczące połączeń fotonicznych, lepszej transmisji danych i mniejszego rozpraszania energii. Dla tych, którzy kupują usługi w chmurze, a nie chipy, istotna jest jednak inna kwestia: wybór stosów technologicznych, które zapewniają większą wydajność przy mniejszym czasie oczekiwania, mniejszym natężeniu ruchu i mniejszych obciążeniach.
Ta logika ma zastosowanie również poza ścisłą dziedziną sztucznej inteligencji. Osoby pragnące rozważać w szerszym kontekście modele produkcji powodujące mniejsze straty mogą znaleźć przydatne wskazówki w tych praktykach zrównoważonej gospodarki, zwłaszcza jeśli chodzi o powiązanie wydajności cyfrowej z ograniczeniem marnotrawstwa materiałów w procesach.
Jeśli chodzi o oprogramowanie, najciekawsze rozwiązania są często mniej efektowne, ale za to bardziej praktyczne:
Z mojego doświadczenia wynika, że była to decyzja o największym znaczeniu. Najskuteczniejszą zmianą nie było wdrożenie futurystycznej technologii, ale zaprzestanie stosowania najpotężniejszego modelu do wszystkiego. Klasyfikacja, formatowanie, wykrywanie znanych wzorców i wiele operacji pomocniczych nie zawsze wymagają modelu najnowocześniejszego. Wymagają one dyscypliny architektonicznej.
Jeśli wynik dla użytkownika pozostaje taki sam, zmniejszenie nakładu obliczeniowego nie stanowi kompromisu. To po prostu lepsze rozwiązanie projektowe.
Dlatego często mówię o „odpowiednim modelu do odpowiedniego zadania”. W praktyce oznacza to stworzenie warstwy routingu, która przypisuje każdą operację do poziomu mocy, jaki jest niezbędny. Jest to wybór podyktowany kosztami, ale także zrównoważonym rozwojem.
Kto chce zgłębić związek między rozwiązaniami technicznymi a wpływem na środowisko, może również zapoznać się z publikacją ELECTE poświęconą sztucznej inteligencji i środowisku, która przedstawia różne przykłady i kierunki rozwoju, nie przedstawiając ich jednak jako cudownych środków zaradczych.
Najważniejszy argument jest jednocześnie najbardziej niewygodny: zwiększenie wydajności sztucznej inteligencji nie gwarantuje automatycznie zmniejszenia całkowitego zużycia energii. Wręcz przeciwnie, czasami dzieje się odwrotnie.
Gdy obliczenia stają się tańsze, bardziej dostępne i szybsze, firmy mają tendencję do częstszego z nich korzystania. Więcej automatyzacji, więcej zapytań, więcej integracji, więcej procesów tworzonych „bo to przecież niewiele kosztuje”. To sedno paradoksu wydajności.
Dlatego zrównoważony rozwój w dziedzinie sztucznej inteligencji nie może sprowadzać się wyłącznie do kwestii lepszych chipów czy bardziej kompaktowych modeli. Musi stać się priorytetem. Przed każdym wdrożeniem należy zadać sobie kilka pytań:
Jedną z najbardziej widocznych luk w włoskiej debacie jest właśnie to: brak znormalizowanych wskaźników i całościowego podejścia do pomiaru śladu środowiskowego sztucznej inteligencji w całym cyklu życia – kwestia ta została podkreślona w niniejszym systemowym spojrzeniu na zrównoważony rozwój sztucznej inteligencji.
Problem nie polega więc na hamowaniu innowacji. Chodzi o to, by przestać traktować moc obliczeniową jako darmowy i niewyczerpany zasób. Każda organizacja powinna podchodzić do niej tak samo, jak do budżetu czy czasu pracowników: jako coś, co należy przydzielać tam, gdzie naprawdę tworzy wartość.
Dla małego lub średniego przedsiębiorstwa rozmowa o zrównoważonym rozwoju bez planu operacyjnego nie ma większego sensu. Warto zacząć od czterech decyzji, które można podjąć od razu, nawet bez dokładnego pomiaru śladu środowiskowego.
Włoskie źródło zwraca uwagę, że w wielu dyskusjach na temat zrównoważonego rozwoju sztucznej inteligencji pomija się kwestię kompromisu między kosztami a korzyściami, podczas gdy centra danych zużywają już około 3% globalnej energii. Niedoceniane pytanie brzmi: kiedy opłaca się zastosować mniejszy model lub tradycyjny proces, aby uniknąć niezrównoważonego wzrostu zużycia energii i kosztów? Kwestię tę dobrze podsumowuje ten artykuł poświęcony kompromisom środowiskowym związanym ze sztuczną inteligencją.
Wybierz model dostosowany do skali problemu
To jest narzędzie, które zapewnia najlepszy stosunek prostoty do skuteczności. Nie należy domyślnie wybierać najpotężniejszego modelu. Należy go stosować tylko tam, gdzie przynosi rzeczywistą korzyść. Do wielu codziennych zadań wystarczą lżejsze modele lub systemy niegeneratywne.
Oceń dostawcę usług w chmurze również pod kątem zużycia energii
Nie zwracaj uwagi wyłącznie na cenę, opóźnienia i zgodność z przepisami. Zwróć również uwagę na przejrzystość informacji dotyczących centrów danych, regionalnego koszyka energetycznego oraz podejścia do efektywności operacyjnej. Położenie geograficzne ma znaczenie. Obciążenie nie ma takiego samego wpływu na środowisko w każdym regionie.
Ogranicz nadmiarowość w procesach roboczych
Jeśli te same dane są wielokrotnie eksportowane, kopiowane, formatowane na nowo i ponownie wysyłane, marnujesz zasoby, zanim jeszcze zacznie się mówić o sztucznej inteligencji. Platforma taka jak ELECTE – oparta na sztucznej inteligencji platforma do analizy danych dla małych i średnich przedsiębiorstw – może służyć do centralizacji danych, automatyzacji raportów i ograniczenia powtarzających się analiz. W tym kontekście korzyścią nie jest „większe wykorzystanie sztucznej inteligencji”, lecz ograniczenie zbędnej pracy.
Mierzy, choć nie idealnie
Nie wszystkie firmy dysponują narzędziami do pomiaru zużycia energii (kWh) lub emisji CO₂ w odniesieniu do poszczególnych operacji. Nie ma sprawy. Zacznij od wskaźników operacyjnych, które masz już pod ręką.
Wobec braku prawdziwie ugruntowanego standardu branżowego zacząłbym od prostej tabeli:
| Wskaźniki operacyjne | Co ci to mówi? |
|---|---|
| Wywołania API po zakończeniu zadania | Jeśli wkładasz zbyt dużo pracy, by uzyskać wynik |
| Średnia wielkość modelu na operację | Jeśli wyceniasz zadania zbyt wysoko |
| Ilość danych przesłanych w ramach jednej sesji | Jeśli Twój proces generuje ruch, którego można uniknąć |
| Analizy sporządzone, ale niewykorzystane | Jeśli automatyzujesz generowanie treści, których nikt nie czyta |
Lepiej mierzyć niedokładnie, ale konsekwentnie, niż w ogóle nie mierzyć.
Jeśli po trzech miesiącach zauważysz, że liczba wywołań na zadanie spada, duże modele są uruchamiane rzadziej, a transfer danych jest mniejszy, to nie oznacza to jeszcze, że osiągnąłeś idealny system rozliczania emisji dwutlenku węgla. Masz jednak coś bardzo przydatnego: system zwiększający wydajność, który ogranicza marnotrawstwo mocy obliczeniowej, koszty i prawdopodobnie również wpływ na środowisko.
Kwestia zrównoważonego rozwoju sztucznej inteligencji nie da się rozwiązać za pomocą hasła. Nie da się jej też rozwiązać poprzez ideologiczne odrzucenie sztucznej inteligencji. Buduje się ją poprzez lepsze decyzje techniczne i zarządcze.
Każdy, kto dziś korzysta ze sztucznej inteligencji, musi pogodzić dwie prawdy. Po pierwsze: koszty środowiskowe istnieją, rosną i nie należy ich bagatelizować. Po drugie: sztuczna inteligencja może przynosić konkretne korzyści, gdy ogranicza marnotrawstwo, poprawia efektywność energetyczną oraz zastępuje powtarzalne i chaotyczne procesy bardziej inteligentnymi systemami. Jakość wyboru zależy od relacji między tymi dwoma aspektami.
W przypadku europejskich przedsiębiorstw istnieje również drugi poziom odpowiedzialności. Nie wystarczy jedynie przestrzegać przepisów. Trzeba zrozumieć, w jaki sposób technologia, infrastruktura, zarządzanie i własność intelektualna są ze sobą powiązane. Jeśli chodzi o tę ostatnią kwestię, osobom pragnącym zgłębić ramy prawne związane z wdrażaniem sztucznej inteligencji polecam ten przewodnik po patentach dotyczących sztucznej inteligencji, który pomaga postrzegać zrównoważony rozwój technologiczny również jako długoterminowy wybór strategiczny.
Właściwym kierunkiem nie jest ogólne ograniczenie wykorzystania sztucznej inteligencji. Chodzi o to, by stosować odpowiednią sztuczną inteligencję, we właściwym miejscu i z odpowiednim poziomem wydajności.
Jeśli chcesz wdrożyć sztuczną inteligencję w sposób bardziej efektywny i świadomy, zapoznaj się z działaniem platformy ELECTE. Platforma ta pomaga małym i średnim przedsiębiorstwom scentralizować dane, zautomatyzować raportowanie oraz ograniczyć zbędne prace analityczne, oferując pragmatyczne podejście do wyboru modelu i zapewnienia wydajności operacyjnej.
.svg)
.svg)
.svg)
