Штучний інтелект може допомогти компанії зменшити споживання енергії, скоротити витрати та зробити складання звітності ESG менш ручним процесом. Але ті, хто розробляє продукти на основі ШІ, знають і іншу сторону медалі: кожна модель працює на енергоємній інфраструктурі, кожен виклик API має обчислювальну вартість, а попит на обчислювальні потужності не зменшується.
Саме тому питання сталого розвитку штучного інтелекту не слід розглядати ані як гасло, ані як провину, за яку треба спокутувати. До нього слід підходити як до оперативної проблеми. В Італії дискусія на сьогодні сформувалася навколо двох чітких ідей: «сталість ШІ» (sustainability of AI ) та «ШІ для сталого розвитку» (AI for sustainability). Перша стосується впливу самого ШІ. Друга — використання ШІ для вдосконалення процесів, споживання та екологічного управління. У цьому ж контексті, згідно з цим аналізом щодо сталого розвитку штучного інтелекту та управління ESG, обсяг звітності за стандартами ESG, що підтримується ШІ, «майже потроївся за останній рік».
Як засновник компанії, що займається штучним інтелектом, я вважаю безплідними як автоматичну паніку, так і лінивий технооптимізм. Справа не в тому, щоб вирішувати, чи є штучний інтелект «хорошим» чи «поганим» для навколишнього середовища. Справа в тому, щоб зрозуміти , де він споживає ресурси, коли створює реальну цінність і які конкретні рішення дозволяють зменшити вплив на навколишнє середовище, не знищуючи при цьому його корисність.
Дискусія щодо сталого розвитку штучного інтелекту набула більш зрілого характеру. Нарешті. Не тому, що проблема вирішилася, а тому, що її вже неможливо звести до одного штампу.
З одного боку, штучний інтелект допомагає компаніям і підприємствам ефективніше використовувати енергію, зменшувати втрати та впорядковувати звітність за критеріями ESG. З іншого боку, самі ці системи потребують обчислювальної потужності, центрів обробки даних, систем охолодження, мереж та апаратного забезпечення, що має реальні екологічні витрати. Якщо брати до уваги лише один із цих двох аспектів, можна прийняти неправильне рішення.
Дві категорії, якими я користуюся найчастіше, — це ті, що вже набули поширення й в італійському контексті:
Ця різниця не є суто теоретичною. Вона змушує поставити два різних запитання. Перше: скільки важить мій стек штучного інтелекту? Друге: чи приносить ця вага достатньо конкретну екологічну або операційну вигоду, щоб її виправдати?
Правильне запитання не в тому, «використовувати чи не використовувати ШІ». Правильне запитання полягає в тому: «Чи справді для цього завдання потрібна така обчислювальна потужність?».
Помилка, яку я бачу найчастіше, не є технологічною. Вона пов’язана з прийняттям рішень. Багато компаній впроваджують штучний інтелект так, ніби всю доступну потужність потрібно використовувати постійно. На практиці вони обирають найбільшу модель, найскладніший робочий процес і найширшу автоматизацію навіть тоді, коли проблема була набагато простішою.
Насправді стратегія сталого розвитку ґрунтується на менш ефектному принципі: пропорційності. Якщо завдання можна успішно виконати, використовуючи менше обчислювальних ресурсів, менше передачі даних і меншу складність, це не є відмовою від чогось. Це кращий вибір.
Найкорисніша частина дискусії починається тоді, коли перестають говорити абстрактно. Вплив штучного інтелекту на навколишнє середовище — це не просто думка. Це інфраструктурна проблема, цифри щодо якої вже досить чіткі, щоб спонукати до обережності.
Італійське джерело, яке посилається на міжнародні дані, повідомляє, що згідно з оцінками дослідження Массачусетського університету 2019 року, навчання однієї моделі штучного інтелекту може призвести до викидів понад 284 тонн CO₂, що еквівалентно викидам п’яти автомобілів протягом усього життєвого циклу. Те саме джерело повідомляє, що розробка ChatGPT-3, ймовірно, потребувала близько 1 287 МВт·год електроенергії, що дорівнює річному споживанню приблизно 120–130 середніх американських домогосподарств, а також посилається на прогноз Goldman Sachs Research, згідно з яким попит на електроенергію в центрах обробки даних може зрости на 160 %, що становитиме близько 200 ТВт·год на рік у період з 2023 по 2030 рік, а до 2028 року споживання, пов’язане зі штучним інтелектом, може сягнути 19 % від загальної енергетичної потреби центрів обробки даних. Усі ці дані наведено в цьому італійському аналізі екологічних витрат штучного інтелекту.
Справа не в тому, щоб використовувати ці цифри для створення паніки в ЗМІ. Справа в тому, щоб зрозуміти масштаб. Якщо ви розробляєте або впроваджуєте штучний інтелект, ви сприяєте зростанню енергетичного попиту, що стосується цілих інфраструктур, а не лише вашого бюджету на хмарні послуги.
Практична порада: оцінюючи проєкт у сфері штучного інтелекту, не обмежуйтеся лише вартістю за токен або за виклик API. Справжня проблема часто криється на попередньому етапі — в інфраструктурі, яка робить цей виклик можливим.
Багато хто вважає, що екологічні витрати, пов’язані зі штучним інтелектом, майже повністю припадають на навчання. Це зручне, але помилкове спрощення. Споживання розподіляється на кілька рівнів:
| Компонент | Чому це важливо |
|---|---|
| Тренування | Вимагає значних обсягів інтенсивних обчислень |
| Висновок | Кожен запит користувача призводить до роботи, що повторюється з часом |
| Центр обробки даних | Електроживлення, резервування та безперервне управління інфраструктурою |
| Охолодження | Тепло, що виділяється системами, має ефективно відводитися |
| Мережі та передача даних | Перенесення даних між системами, регіонами та службами пов’язане з енерговитратами |
Це змінює підхід до питання екологічності штучного інтелекту. Недостатньо просто запитати себе: «Скільки енергії споживає модель?». Треба також з’ясувати, де вона працює, скільки трафіку генерує, скільки разів до неї звертаються та чи розроблена її архітектура з урахуванням мінімізації втрат.
Тому доцільно також розглянути випадки, коли ШІ використовується для вдосконалення власної інфраструктури. Показовим прикладом єоптимізація енергоспоживання центрів обробки даних за допомогою ШІ, що наочно ілюструє просту річ: проблема полягає не лише в самій моделі, а й у всьому технічному середовищі, яке її підтримує.
Якщо зосередитися лише на витратах, то половина картини залишається поза увагою. Штучний інтелект також може стати потужним важелем для підвищення екологічної стійкості підприємства. І це не просто риторика, а цілком конкретні процеси.
В італійському контексті, у поєднанні з системами управління енергоспоживанням, штучний інтелект може зменшити операційні витрати енергії на промислових об’єктах та в малих і середніх підприємствах, прогнозуючи піки попиту та регулюючи в режимі реального часу навантаження, такі як системи опалення, вентиляції та кондиціонування (HVAC) та освітлення. Це безпосередньо впливає на викиди категорії Scope 2 та сприяє оптимізації використання нестабільних відновлюваних джерел енергії, як описано в цьому аналітичному матеріалі про системи управління енергоспоживанням із застосуванням штучного інтелекту.
Ось саме такий тип додатка я вважаю виправданим навіть з екологічної точки зору. Не тому, що він безкоштовний, а тому, що використовує обчислення для усунення постійних фізичних втрат. У системі зі змінним попитом регулювання вентиляції, кондиціонування або освітлення в режимі реального часу може важити більше, ніж тисяча слайдів про «зелений» перехід.
Ось три сфери, в яких штучний інтелект, як правило, виявляється справді корисним:
Для малого та середнього бізнесу вигода часто не полягає у вражаючій бізнес-моделі. Вона полягає у системі, яка дозволяє уникнути дублювання роботи: ручне експортування даних, численні таблиці Excel, багаторазове надсилання вкладень, узгодження одних і тих самих даних різними особами. Все це забирає час, ресурси обладнання, пропускну здатність мережі та увагу.
Процес, який п’ять разів повторюють різні люди, є неефективним не лише з організаційної точки зору, а й з екологічної.
Коли штучний інтелект централізує дані, автоматизує повторювані операції та забезпечує можливість повторного використання аналізів, екологічна цінність полягає не в окремому висновку. Вона полягає в усуненні надмірності.
Для тих, хто займається складанням звітності, прикладом, близьким до цієї проблеми, є система ELECTE для звітності за стандартами ESG, яка допомагає зрозуміти, як автоматизація може скоротити кількість ручних операцій та запобігти розсіюванню інформації, не перетворюючи при цьому кожну діяльність на складний ІТ-проект.
Обнадійливим є те, що галузь не стоїть на місці. Штучний інтелект не тільки створює проблему, але й стимулює інновації, спрямовані на зниження енерговитрат. Однак слід бути чесними: єдиного рішення не існує.
Один із перспективних напрямків — це той, що зосереджується на взаємозв’язаності та ефективності інфраструктури. Коли обчислювальні системи очікують на дані, встановлена потужність використовується неефективно. Це одна з причин, чому апаратне забезпечення нового покоління слід розглядати не лише з точки зору продуктивності, а й з точки зору ефективності.
У технологічних дискусіях обговорюються пропозиції, спрямовані на розвиток фотонних з’єднань, покращення передачі даних та зменшення втрат енергії. Для тих, хто купує хмарні послуги, а не мікросхеми, практичне питання полягає в іншому: вибрати стеки, які виконують більше корисної роботи з меншими затримками, меншим трафіком та меншими накладними витратами.
Ця логіка застосовується також і поза межами штучного інтелекту у вузькому розумінні. Ті, хто бажає більш загально обміркувати моделі виробництва з меншими втратами, можуть знайти корисні ідеї в цих практиках сталого розвитку, насамперед для поєднання цифрової ефективності та скорочення матеріальних втрат у виробничих процесах.
Що стосується програмного забезпечення, найцікавіші інструменти часто виявляються не такими ефектними, але зате більш практичними:
З мого досвіду, саме це рішення мало найбільший вплив. Найефективнішою зміною стало не впровадження футуристичної технології, а відмова від використання найпотужнішої моделі для всього. Класифікація, форматування, виявлення відомих шаблонів та багато допоміжних операцій не завжди вимагають використання передової моделі. Вони вимагають архітектурної дисципліни.
Якщо результат для користувача залишається таким самим, зменшення обсягу обчислень не є компромісом. Це кращий підхід до проектування.
Саме тому я часто говорю про «правильну модель для правильного завдання». На практиці це означає створення рівня маршрутизації, який розподіляє кожну операцію на рівень потужності, що відповідає її потребам. Це вибір, зумовлений не лише вартістю, а й стійкістю.
Ті, хто бажає глибше ознайомитися з взаємозв’язком між технічними рішеннями та впливом на довкілля, можуть також прочитати статтю ELECTE про штучний інтелект та довкілля, в якій зібрано різні приклади та напрямки розвитку, що не подаються як «чудодійні засоби».
Найважливіший заперечення є водночас і найнезручнішим: підвищення ефективності штучного інтелекту не гарантує автоматичного зниження загального споживання. Навпаки, іноді трапляється навпаки.
Коли обчислення стають дешевшими, доступнішими та швидшими, компанії, як правило, використовують їх частіше. Більше автоматизації, більше запитів, більше інтеграцій, більше процесів, що створюються «адже це коштує недорого». У цьому й полягає суть парадоксу ефективності.
Саме тому сталий розвиток у сфері штучного інтелекту не може зводитися лише до створення кращих мікросхем чи більш компактних моделей. Він має стати пріоритетним критерієм. Перед кожним впровадженням слід поставити собі такі питання:
Однією з найочевидніших прогалин в італійській дискусії є саме це: відсутність стандартизованих показників та цілісного підходу до оцінки екологічного сліду ШІ протягом усього життєвого циклу — ця тема підкреслюється в даному системному огляді сталого розвитку штучного інтелекту.
Отже, проблема полягає не в тому, щоб гальмувати інновації. А в тому, щоб перестати розглядати обчислювальні ресурси як безкоштовні й невичерпні. Кожна організація повинна ставитися до них так само, як до бюджету чи робочого часу співробітників: як до чогось, що слід розподіляти там, де це дійсно створює цінність.
Для малого та середнього підприємства розмови про сталий розвиток без оперативного плану не мають великого сенсу. Варто почати з чотирьох рішень, які можна прийняти одразу, навіть без точного вимірювання екологічного сліду.
Одне італійське джерело зазначає, що в багатьох дискусіях щодо екологічної стійкості ШІ ігнорується компроміс між витратами та вигодами, тоді як центри обробки даних уже споживають близько 3 % світової енергії. Питання, якому не приділяють належної уваги, полягає в тому: коли доцільніше використовувати меншу модель або традиційний процес, щоб уникнути неприйнятного зростання споживання енергії та витрат? Ця думка добре викладена в цій статті про екологічний компроміс ШІ.
Оберіть модель, що відповідає масштабу проблеми
Це той важіль, який забезпечує найкраще співвідношення простоти та ефективності. Не використовуйте найпотужнішу модель за замовчуванням. Застосовуйте її лише там, де це дійсно має значення. Для багатьох повсякденних завдань цілком достатньо більш легких моделей або негенеративних систем.
Оцініть хмарного провайдера також з точки зору енергоефективності
Не звертайте увагу лише на ціну, затримку та відповідність вимогам. Зверніть увагу також на прозорість щодо центрів обробки даних, регіональний енергетичний баланс та підхід до операційної ефективності. Географічне розташування має значення. Робоче навантаження не залишає однаковий екологічний слід у кожному регіоні.
Усуньте надмірність у робочих процесах
Якщо одні й ті самі дані експортуються, копіюються, переформатуються та надсилаються знову кілька разів, ви марнуєте ресурси ще до того, як заговорити про ШІ. Таку платформу , як ELECTE — платформу для аналізу даних на базі штучного інтелекту, призначену для малих та середніх підприємств, — можна використовувати для централізації даних, автоматизації звітності та скорочення дублювання аналізів. У цьому контексті перевага полягає не в тому, щоб «більше використовувати ШІ», а в тому, щоб зменшити обсяг зайвої роботи.
Вимірюй, навіть якщо це неідеально
Не всі компанії мають інструменти для вимірювання кВт·год або викидів CO₂ за кожним окремим випадком. Нічого страшного. Почніть з операційних показників, які вже є у вашому розпорядженні.
За відсутності справді усталеного галузевого стандарту я б почав із простої таблиці:
| Операційні показники | Що тобі каже |
|---|---|
| Виклик API після завершення завдання | Якщо ти докладаєш занадто багато зусиль, щоб отримати результат |
| Середній розмір моделі для кожної операції | Якщо ти переоцінюєш обсяг завдань |
| Обсяг переданих даних за сеанс | Якщо ваш робочий процес генерує трафік, якого можна уникнути |
| Проаналізовані, але невикористані дані | Якщо ти автоматизуєш виведення даних, які ніхто не читає |
Неправильні, але послідовні вимірювання кращі, ніж їхня повна відсутність.
Якщо через три місяці ви помітите, що кількість викликів на одне завдання зменшується, великі моделі запускаються рідше, а обсяг передачі даних є меншим, це означає, що ви ще не досягли ідеального обліку викидів вуглецю. Проте у вас є щось дуже корисне: система підвищення ефективності, яка зменшує обчислювальні витрати, знижує витрати та, ймовірно, також зменшує вплив на довкілля.
Питання сталого розвитку штучного інтелекту не вирішується за допомогою гасла. І навіть не за допомогою ідеологічного неприйняття ШІ. Воно вирішується завдяки кращим технічним та управлінським рішенням.
Тим, хто сьогодні використовує ШІ, слід враховувати дві істини. Перша: екологічні витрати існують, зростають і їх не слід применшувати. Друга: ШІ може приносити конкретну користь, коли зменшує марнотратство, покращує використання енергії та замінює повторювані й хаотичні процеси на більш інтелектуальні системи. Якість вибору полягає у співвідношенні цих двох аспектів.
Для європейських компаній існує також другий рівень відповідальності. Недостатньо просто дотримуватися вимог. Потрібно зрозуміти, як взаємопов’язані технології, інфраструктура, управління та інтелектуальна власність. Щодо останнього пункту, тим, хто бажає глибше ознайомитися з правовими рамками, що супроводжують впровадження штучного інтелекту, рекомендую цей посібник з патентів у сфері штучного інтелекту, який допоможе розглядати технологічну стійкість також як довгостроковий стратегічний вибір.
Правильний підхід полягає не в тому, щоб взагалі менше використовувати ШІ. А в тому, щоб використовувати правильний ШІ, у правильному місці та з правильним рівнем потужності.
Якщо ви хочете впровадити штучний інтелект більш ефективно та обґрунтовано, ознайомтеся з принципом роботи ELECTE. Ця платформа допомагає малим та середнім підприємствам централізувати дані, автоматизувати звітність та скоротити надлишкову аналітичну роботу, застосовуючи прагматичний підхід до вибору моделі та забезпечення операційної ефективності.
.svg)
.svg)
.svg)
