افراد تاثیرگذار در هوش مصنوعی معتقدند که این فناوری قرار است دنیا را به جای بهتری تبدیل کند، باعث مصرف کارآمد منابع شود، مشکلات اجتماعی پیچیده‌ای مانند انتقال انرژی را حل و یک سیستم انرژی پایدارتر را ایجاد کند. با این حال، یک واقعیت مهم وجود دارد که اغلب نادیده گرفته می‌شود و آن انتشار مقدار قابل توجهی CO2 هنگام استفاده از مدل‌ها و ابزارهای هوش مصنوعی است. سیستم‌های هوش مصنوعی اغلب به منابع اجتماعی و زیست محیطی متکی هستند و شرکت‌های بزرگ دنیا به خوبی این را می‌دانند. به همین دلیل اخیرا مفهوم «هوش مصنوعی پایدار» توسط برندهای بزرگ تکرار می‌شود و همواره سعی می‌کنند تا این مفهوم را تبلیغ کنند و در راستای توسعه آن قدم بردارند. اما منظور از هوش مصنوعی پایدار چیست؟ در این مطلب از بلاگ آسا قرار است به این سوال و مسائل پیرامون آن پاسخ دهیم.
هوش مصنوعی پایدار به چه معناست؟
هوش مصنوعی پایدار (Sustainable AI)، روشی برای توسعه مدل‌هایی از هوش مصنوعی است که بر کاهش اثرات زیست‌محیطی و بهبود پایداری بلندمدت آن تمرکز دارد. این فرایند شامل استراتژی‌ها، اصول و چارچوب‌هایی است که به دنبال کاهش مصرف انرژی و انتشار کربن در طول چرخه عمر یک مدل هوش مصنوعی هستند. هوش مصنوعی پایدار با نام هوش مصنوعی سبز یا هوش مصنوعی سازگار با محیط زیست هم شناخته می‌شود. نکته مهمی که باید به آن توجه داشت این است که هوش مصنوعی پایدار فقط به محیط زیست نمی‌پردازد، بلکه در راستای به حداقل رساندن اثرات منفی هوش مصنوعی در تمام ابعاد انسانی و اجتماعی قدم برمی‌دارد.
در بخش زیست محیطی، DeepMind گوگل یک نمونه ایده‌آل از پایداری هوش مصنوعی است که از قدرت هوش مصنوعی برای بهینه‌سازی سیستم‌های خنک کننده در مراکز داده خود استفاده می‌کند و در نتیجه مصرف انرژی را تا ۴۰ درصد کاهش می‌دهد. مایکروسافت هم استفاده پایدار از هوش مصنوعی را برای به صفر رساندن (و حتی منفی کردن) کربن تولیدی تا پایان سال ۲۰۳۰ انجام می‌دهد و علاوه بر این، پروژه «زمین مبتنی بر هوش مصنوعی» آن بر تامین منابع و پشتیبانی از سازمان‌هایی که روی پایداری محیطی کار می‌کنند تمرکز دارد. یک مثال دیگر از پیشروهای هوش مصنوعی پایدار، IKEA است که از هوش مصنوعی برای ساده‌سازی عملیات زنجیره تامین و کاهش ضایعات استفاده می‌کند.
هوش مصنوعی چطور می‌تواند محیط زیست را آلوده کند؟
بهره‌برداری از فناوری هوش مصنوعی، به منابع زیاد مثل سخت‌افزار‌های خاص، باتری‌ها و ریزپردازنده‌ها نیاز دارد. شرایطی که معدنچیان برای به دست آوردن این مواد معدنی باید در آن کار کنند، وحشتناک است و به همین دلیل از آن با نام «مواد معدنی خون‌آلود» یاد می‌شود. زباله‌های الکترونیکی را هم نباید فراموش کرد، مقدار این زباله‌ها در حال حاضر به حدی رسیده که به یک معضل جدی تبدیل شده است.
درست است که فناوری هوش مصنوعی توان محاسباتی زیاد دارد، اما انرژی زیادی هم مصرف می‌کند. هنگامی که سرورهای مربوطه در حال کار هستند، انرژی الکتریکی به گرما تبدیل می‌شود و برای جلوگیری از داغ شدن بیش از حد سرورها، باید خنک شود. خود این فرایند خنک‌سازی به میزان زیادی از آب و انرژی نیاز دارد که حتی گرمای‌بیشتری را به محیط بیرون از سرورها منتقل می‌کند.
آموزش یک مدل زبان بزرگ مانند GPT-3 و LaMDA می‌تواند به راحتی میلیون‌ها لیتر آب شیرین را برای خنک کردن سرورهای هوش مصنوعی تبخیر کند. این در حالی است که آب به دلیل رشد سریع جمعیت و زیرساخت‌های قدیمی در مناطق مستعد خشکسالی به طور فزاینده‌ای کمیاب می‌شود. به عنوان مثال، مصرف مستقیم آب گوگل بین سال های ۲۰۲۱ تا ۲۰۲۲، ۲۰درصد افزایش یافته و مایکروسافت هم در مدت مشابه، شاهد افزایش ۳۴درصدی مصرف مستقیم آب خود بود. برای اینکه بهتر این موضوع را درک کنید، بد نیست بدانید که ChatGPT به حدود ۵۰۰ میلی‌لیتر آب برای یک مکالمه ساده شامل ۲۰ تا ۵۰ پرسش و پاسخ نیاز دارد. از آنجایی که ربات چت بیش از ۱۰۰ میلیون کاربر فعال دارد که هر یک از آن‌ها در چندین مکالمه شرکت می‌کنند، مصرف آب ChatGPT نگران‌کننده است.
اما چطور می‌توان به هوش مصنوعی پایدار دست یافت؟ برای پاسخ به این سوال با ما همراه باشید.
چطور می‌توان به هوش مصنوعی پایدار دست یافت؟
دستیابی به Sustainable AI نیازمند یک رویکرد جامع و همکاری مستقیم فناوری، سیاست‌گذاری، اخلاق و مدیریت منابع است. صدها روش برای توسعه مفهوم هوش مصنوعی پایدار وجود دارد؛ با این وجود، موارد زیر می‌تواند یک دید کلی به شما بدهد.
از فرایندها و معماری‌های کارآمدتر استفاده کنید
آیا لازم است مدلی که قرار است برای ایجاد تصاویر استفاده شود، بتواند برای ما کد بنویسد؟ قطعا خیر! این رویکرد را می‌توانید در مدل‌هایی مانند میدجرنی و Dall-E ببینید که فقط برای اهداف مشخصی آموزش دیده‌اند نه همه‌کاره بودن! توسعه مدل‌ها و سیستم‌های هوش مصنوعی با معماری‌هایی که برای انجام وظایف خاص بهینه‌سازی شده‌اند، می‌تواند به کاهش مصرف منابع و انرژی کمک کند.
علاوه بر این، استفاده از معماری‌هایی با بهره‌وری بالا مانند شبکه‌های عصبی سبک (Lightweight Neural Networks) یا معماری‌های محاسباتی مبتنی بر تراشه‌های تخصصی (مانند TPUها و NPUها) می‌تواند تاثیر فوق‌العاده‌ای در افزایش بهره‌وری داشته باشد. در نهایت، استفاده از روش‌هایی مانند فشرده‌سازی مدل، کاهش پیچیدگی الگوریتمی و بهبود روش‌های جستجو می‌تواند کارایی را افزایش دهد و با کاهش مصرف منابع پردازشی و حافظه، نتایج مشابه یا حتی بهتری ارائه دهد.
از داده‌های کمتری استفاده کنید
کاهش اندازه مجموعه داده مورد استفاده برای آموزش یک مدل، یکی از موثرترین راه‌ها برای به حداقل رساندن مصرف انرژی و انتشار کربن در هوش مصنوعی است. پروفسور آماندا استنت، مدیر موسسه هوش مصنوعی دیویس کالج کولبی، می‌گوید: «شما می‌توانید اندازه بسیاری از مدل‌های هوش مصنوعی را به طرز محسوسی کاهش دهید و تنها دو تا سه درصد از دقت خود را از دست بدهید». این تکنیک‌ها به خوبی شناخته شده‌اند، اما آن‌طور که باید استفاده نمی‌شوند، زیرا مردم عاشق تبلیغات با اعداد بزرگ هستند».
تکنیک‌های زیادی وجود دارند که به کاهش حجم داده‌های مورد نیاز برای آموزش یک مدل کمک می‌کنند. یادگیری انتقالی (Transfer Learning) یکی از همین تکنیک‌هاست که در آن از مدل‌های از پیش‌آموزش‌یافته برای تعریف وظایف جدید و توسعه یک مدل پیشرفته‌تر استفاده می‌شود. تکنیک‌های داده‌افزایی (Data Augmentation)، یادگیری فشرده (Compressed Learning) و یادگیری کم‌نمونه (Few-shot Learning) از دیگر تکنیک‌های موثر در کاهش حجم اطلاعات مورد نیاز برای توسعه یک مدل هوش مصنوعی هستند.
از انرژی‌های تجدیدپذیر استفاده کنید
میزبانی هوش مصنوعی در مراکزی که از انرژی تجدیدپذیر استفاده می‌کند، مسیری ساده و کاملا واضح است. به عنوان مثال، سرورهای سرویس ترجمه آنلاین Deepl در چهار مکان مختلف، میزبان هوش مصنوعی این شرکت هستند: دو تا از آن‌ها در ایسلند، یکی در سوئد و دیگری در فنلاند. مرکز داده ایسلندی به طور کامل از انرژی زمین گرمایی و برق آبی تجدیدپذیر استفاده می‌کند. از طرفی آب و هوای سرد این کشور، باعث کاهش ۴۰درصدی انرژی مورد نیاز برای خنک کردن سرورها شده است. به طور کلی، تلفیق انرژی‌های تجدیدپذیر با استراتژی‌های بهینه‌سازی مصرف داده و بهینه‌سازی فرایندها در سیستم‌های هوش مصنوعی، می‌تواند تاثیرات مثبت قابل توجهی بر پایداری زیست‌محیطی داشته باشد.
از هوش مصنوعی استفاده نکنید!
این مورد شاید کمی عجیب به نظر برسد، اما کمی در مورد آن فکر کنید. آیا واقعا سازمان شما، کسب‌وکار شما و یا اهداف خاص خود شما به هوش مصنوعی نیاز دارد؟ یا شاید هم ابزارهای سادهتر و بهینه‌تری هم وجود دارند که می‌توانند نیاز شما را به خوبی برطرف کنند. بی‌راه نیست اگر بگوییم درصد زیادی از هیاهوی مرتبط با AI از هیجانات و تبلیغات نشات می‌گیرند و زمانی که این دو کنار بروند، می‌بینید که شاید اصلا به یک ابزار هوش مصنوعی نیازی ندارید.
همانطور که در اکثر مواقع دوربین‌های چندصد مگاپیکسلی تبلیغ شده در گوشی‌های هوشمند را نیاز ندارید. بنابراین، در بسیاری از مواقع، استفاده از AI ممکن است بهینه یا حتی ضروری نباشد. ارزیابی دقیق نیازها و اهداف پروژه می‌تواند به شناسایی مواردی کمک کند که در آن‌ها روش‌های سنتی یا راهکارهای سادهتر می‌توانند به همان اندازه موثر باشند. این ارزیابی به جلوگیری از مصرف بیهوده منابع و انرژی کمک می‌کند.
علاوه بر محیط زیست، به ابعاد انسانی و اجتماعی توجه کنید
همانطور که در اوایل مطلب گفتیم، هوش مصنوعی پایدار فقط در مورد محیط زیست نیست، بلکه همه ابعاد زندگی و حیات را تحت تاثیر قرار می‌دهد. کافیست جنجال‌هایی که این فناوری نوظهور در حوزه‌های خبری، اخلاقی، اطلاعاتی و به طور کلی انسانی و اجتماعی ایجاد کرد را به یاد بیاورید. دنیا اهمیت این موضوع را درک کرده و حالا به دنبال تبلیغ و ترویج دیدگاهی با تمرکز بر محیط، اجتماع و حاکمیت است. در ادامه، این دیدگاه در مورد هوش مصنوعی پایدار را بیشتر بررسی می‌کنیم.
دیدگاه ESG در مورد هوش مصنوعی پایدار
دیدگاه ESG (Environmental, Social, and Governance) یا محیطی، اجتماعی و حاکمیتی به این نکته اشاره دارد که توسعه و استفاده از هوش مصنوعی باید به گونه‌ای باشد که با معیارهای پایداری در این سه زمینه هماهنگی داشته باشد. به این ترتیب، شرکت‌ها و سازمان‌هایی که از هوش مصنوعی استفاده می‌کنند، باید به جنبه‌های زیر توجه کنند:
۱. محیطی (Environmental)
هوش مصنوعی پایدار بر به حداقل رساندن اثرات منفی زیست محیطی مرتبط با فناوری‌های هوش مصنوعی تمرکز دارد. این شامل کاهش مصرف انرژی سیستم‌های هوش مصنوعی، استفاده از مواد پایدار در قطعات سخت‌افزاری و به حداقل رساندن زباله‌های الکترونیکی است. علاوه بر این، استفاده از مراکز داده با کارایی بالا برای آموزش مدل‌های هوش مصنوعی و بهره‌گیری از انرژی‌های تجدیدپذیر می‌تواند به کاهش تاثیرات زیست‌محیطی کمک کند..
۲. اجتماعی (Social)
در بعد اجتماعی ESG، هوش مصنوعی پایدار شامل اطمینان از توسعه و به‌کارگیری فناوری‌های هوش مصنوعی به روش‌هایی است که به حقوق بشر احترام می‌گذارد، عدالت و فراگیری را ترویج می‌کند، از حریم خصوصی کاربران محافظت می‌کند، به جامعه کمک می‌کند، از نتایج تبعیض‌آمیز اجتناب می‌کند و هوش مصنوعی را برای منافع اجتماعی توسعه می‌دهد.
یکی از مسائل نگران‌کننده که نیاز به توجه دارد، نیاز به محدود کردن استفاده از هوش مصنوعی در تولید انواع خاصی از تصاویر است. نیویورک تایمز گزارش داده است که از زمان راه‌اندازی OpenAI، افزایش قابل توجهی در ایجاد تصاویر واقعی با برهنگی کودکان مشاهده شده است. این وضعیت یکی از نگران‌کننده‌ترین سناریوها را برای یادگیری ماشین نشان می‌دهد و ضرورت افزایش مقررات و آگاهی، به‌ویژه در مورد جنبه‌های اجتماعی هوش مصنوعی را برجسته می‌کند.
۳. حاکمیت (Governance)
سیستم‌های هوش مصنوعی می‌توانند به سرعت و به‌طور گسترده اخبار جعلی را تولید کنند و پیامدهای جدی مانند انتشار اطلاعات نادرست، تضعیف اعتماد، تاثیرگذاری بر تصمیم‌گیری، آسیب رساندن به شهرت افراد و ایجاد ناآرامی‌های اجتماعی به همراه داشته باشند. پرداختن به این موضوع به اقدامات فوری نیاز دارد و اینجاست که فلسفه حاکمیت در هوش مصنوعی پایدار به شفافیت در فرایندهای تصمیم‌گیری هوش مصنوعی، پایبندی به مقررات حفظ حریم خصوصی و سیاست‌های واضح برای توسعه و استقرار هوش مصنوعی می‌پردازد. به عبارت سادهتر، این فلسفه تضمین می‌کند که هوش مصنوعی به طور مسئولانه و اخلاقی در سازمان‌ها و دولت‌ها استفاده می‌شود.
به طور خلاصه، دیدگاه ESG در هوش مصنوعی پایدار به این معناست که شرکت‌ها باید در تمامی مراحل توسعه، پیاده‌سازی و استفاده از هوش مصنوعی به تاثیرات زیست‌محیطی، اجتماعی و حاکمیتی آن توجه کنند و اقدامات لازم را برای کاهش اثرات منفی و افزایش تاثیرات مثبت انجام دهند.
مزایای هوش مصنوعی پایدار چیست؟
هوش مصنوعی پایدار باعث کاهش زباله‌های الکترونیکی، کاهش مصرف انرژی و منابع، کاهش آلودگی و کاهش معضل‌های انسانی و اجتماعی ناشی از این فناوری می‌شود که همه این‌ها را پیش‌تر گفتیم. با این وجود، مهم‌ترین مزیت هوش مصنوعی پایدار، توسعه هوش مصنوعی در جهت پایداری است! احتمالا گیج شدید اما هوش مصنوعی پایدار (Sustainable AI) و هوش مصنوعی برای پایداری (AI for Sustainability) دو مفهوم متفاوت هستند که همدیگر را تکمیل می‌کنند.
همانطور که حالا می‌دانید، Sustainable AI در درجه اول بر بهره‌وری انرژی، پایداری داده‌ها و شفافیت در توسعه و عملکرد مسئولانه فناوری‌های هوش مصنوعی متمرکز است و هدف آن به حداقل رساندن تاثیر سیستم‌های هوش مصنوعی بر محیط زیست و جامعه است.
در سمت مقابل، هوش مصنوعی برای پایداری بر استفاده از هوش مصنوعی به عنوان ابزاری برای رسیدگی به چالش‌های اجتماعی و محیطی تمرکز دارد. هوش مصنوعی برای پایداری به دنبال استفاده از فناوری‌های هوش مصنوعی برای حل مسائلی مانند تغییرات آب و هوا، حفاظت و پایش محیط زیست، مدیریت منابع، بازیافت و مدیریت زباله، کنترل فقر، کاهش بیکاری، توسعه بهداشت و … است.
زمانی که یک هوش مصنوعی پایدار توسعه یابد، می‌توان از آن برای ایجاد پایداری در تمام حوزه‌ها و صنایع استفاده کرد.
چالش‌های ایجاد هوش مصنوعی پایدار چیست؟
در حالی که مزایای پایداری در هوش مصنوعی بسیار زیاد است، دستیابی به آن کار آسانی نیست. کیفیت داده‌های مورد استفاده برای آموزش مدل‌های هوش مصنوعی تاثیر قابل توجهی بر اثربخشی آن دارد. اگر داده‌ها مغرضانه یا ناقص باشد، منجر به نتایج تبعیض‌آمیز و مانع از عملکردهای پایدار هوش مصنوعی می‌شود. از طرفی اگر بخواهیم حجم داده‌ها را برای افزایش صحت اطلاعات زیاد کنیم به مقدار قابل توجهی از توان محاسباتی نیاز خواهیم داشت، که این منجر به مصرف انرژی زیادی خواهد شد. مسئله بازیافت سخت‌افزار یکی دیگر از چالش‌های پیش‌روی هوش مصنوعی پایدار است. در نهایت، عدم آگاهی چالشی است که تمام تکنولوژی‌های نوظهور با آن مواجه هستند و هوش مصنوعی نیز از این قائده مستثنی نیست. اگرچه هوش مصنوعی پایدار مورد توجه قرار گرفته است، اما کسب‌و‌‌کارها و توسعه‌دهندگان هنوز در تلاش برای درک اهمیت و فرایند اجرای آن هستند.
پایداری هوش مصنوعی فراتر از یک چک لیست است!
به انتهای مطلب رسیدیم و سعی کردیم که کمی عمیق‌تر به مفهوم هوش مصنوعی پایدار نگاه کنیم. هر چقدر که به سمت جلو حرکت می‌کنیم، قدرت هوش مصنوعی و میزان استفاده از آن در حوزه‌ها و صنایع مختلف بیشتر می‌شود. بنابراین مهم است که در تمام مراحل توسعه و استفاده از یک مدل هوش مصنوعی به این مفهوم توجه شود تا تاثیرات منفی آن بر محیط زیست و جامعه به حداقل برسد. به خاطر داشته باشید که یک Sustainable AI می‌تواند به پایداری در سایر زمینه‌ها نیز منجر شود.
دیدگاهتان را بنویسید