ຄຳຕອບສັ້ນໆ: AI ສົ່ງຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມສ່ວນໃຫຍ່ແມ່ນຜ່ານການໃຊ້ໄຟຟ້າໃນສູນຂໍ້ມູນ (ທັງການຝຶກອົບຮົມ ແລະ ການອະນຸມານປະຈຳວັນ), ຄຽງຄູ່ກັບນ້ຳສຳລັບເຮັດຄວາມເຢັນ, ບວກກັບຜົນກະທົບຕົວຈິງຂອງການຜະລິດຮາດແວ ແລະ ຂີ້ເຫຍື້ອອີເລັກໂທຣນິກ. ຖ້າການນຳໃຊ້ມີຂະໜາດໃຫຍ່ເຖິງຫຼາຍພັນລ້ານຄຳຖາມ, ການອະນຸມານສາມາດມີນ້ຳໜັກຫຼາຍກວ່າການຝຶກອົບຮົມ; ຖ້າຕາຂ່າຍໄຟຟ້າສະອາດກວ່າ ແລະ ລະບົບມີປະສິດທິພາບ, ຜົນກະທົບຈະຫຼຸດລົງ ໃນຂະນະທີ່ຜົນປະໂຫຍດສາມາດເພີ່ມຂຶ້ນ.
ບົດຮຽນຫຼັກ:
ໄຟຟ້າ : ຕິດຕາມການນຳໃຊ້ຄອມພິວເຕີ; ການປ່ອຍອາຍພິດຫຼຸດລົງເມື່ອປະລິມານວຽກເຮັດວຽກຢູ່ໃນຕາຂ່າຍໄຟຟ້າທີ່ສະອາດກວ່າ.
ນ້ຳ : ທາງເລືອກການເຮັດຄວາມເຢັນປ່ຽນຜົນກະທົບ; ວິທີການທີ່ໃຊ້ນ້ຳເປັນພື້ນຖານມີຄວາມສຳຄັນຫຼາຍທີ່ສຸດໃນພາກພື້ນທີ່ຂາດແຄນ.
ຮາດແວ : ຊິບ ແລະ ເຊີບເວີມີຜົນກະທົບຢ່າງຫຼວງຫຼາຍ; ຍືດອາຍຸການໃຊ້ງານ ແລະ ໃຫ້ຄວາມສຳຄັນກັບການປັບປຸງໃໝ່.
ການຟື້ນຕົວ : ປະສິດທິພາບສາມາດເພີ່ມຄວາມຕ້ອງການທັງໝົດ; ວັດແທກຜົນໄດ້ຮັບ, ບໍ່ພຽງແຕ່ຜົນປະໂຫຍດຕໍ່ໜ້າວຽກເທົ່ານັ້ນ.
ກົນໄກການດຳເນີນງານ : ຮູບແບບຂະໜາດທີ່ຖືກຕ້ອງ, ເພີ່ມປະສິດທິພາບການອະນຸມານ, ແລະ ລາຍງານຕົວຊີ້ວັດຕໍ່ການຮ້ອງຂໍຢ່າງໂປ່ງໃສ.
ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:
🔗 AI ບໍ່ດີຕໍ່ສິ່ງແວດລ້ອມບໍ?
ສຳຫຼວດຮອຍຕີນກາກບອນຂອງ AI, ການໃຊ້ໄຟຟ້າ ແລະ ຄວາມຕ້ອງການສູນຂໍ້ມູນ.
🔗 ເປັນຫຍັງ AI ຈຶ່ງບໍ່ດີຕໍ່ສັງຄົມ?
ໃຫ້ພິຈາລະນາເຖິງອະຄະຕິ, ການລົບກວນວຽກງານ, ຂໍ້ມູນທີ່ບໍ່ຖືກຕ້ອງ, ແລະ ຄວາມບໍ່ສະເໝີພາບທາງສັງຄົມທີ່ກວ້າງຂວາງ.
🔗 ເປັນຫຍັງ AI ຈຶ່ງບໍ່ດີ? ດ້ານມືດຂອງ AI
ເຂົ້າໃຈຄວາມສ່ຽງຕ່າງໆເຊັ່ນ: ການເຝົ້າລະວັງ, ການຫຼອກລວງ, ແລະ ການສູນເສຍການຄວບຄຸມຂອງມະນຸດ.
🔗 AI ໄດ້ໄປໄກເກີນໄປແລ້ວບໍ?
ການໂຕ້ວາທີກ່ຽວກັບຈັນຍາບັນ, ລະບຽບການ, ແລະບ່ອນທີ່ນະວັດຕະກໍາຄວນຂີດເສັ້ນ.
ວິທີທີ່ AI ສົ່ງຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມ: ພາບລວມສັ້ນໆ ⚡🌱
ຖ້າທ່ານຈື່ໄດ້ພຽງແຕ່ສອງສາມຈຸດ, ໃຫ້ເຮັດໃຫ້ມັນເປັນດັ່ງຕໍ່ໄປນີ້:
-
AI ໃຊ້ພະລັງງານ - ສ່ວນຫຼາຍແມ່ນຢູ່ໃນສູນຂໍ້ມູນທີ່ໃຊ້ GPU/CPU ສຳລັບການຝຶກອົບຮົມ ແລະ ສຳລັບ “ການອະນຸມານ” ປະຈຳວັນ (ໂດຍໃຊ້ຮູບແບບ). IEA: ພະລັງງານ ແລະ AI
-
ພະລັງງານສາມາດໝາຍເຖິງການປ່ອຍອາຍພິດ - ຂຶ້ນກັບການປະສົມຕາຂ່າຍໄຟຟ້າໃນທ້ອງຖິ່ນ ແລະ ສັນຍາພະລັງງານ. IEA: ພະລັງງານ ແລະ AI
-
AI ສາມາດໃຊ້ນ້ຳໃນປະລິມານທີ່ໜ້າປະຫຼາດໃຈ - ສ່ວນໃຫຍ່ແມ່ນສຳລັບການເຮັດໃຫ້ເຢັນໃນການຕັ້ງຄ່າສູນຂໍ້ມູນບາງແຫ່ງ. Li et al. (2023): ເຮັດໃຫ້ AI “ຫິວນ້ຳ” ໜ້ອຍລົງ (PDF) US DOE FEMP: ໂອກາດປະສິດທິພາບນ້ຳເຮັດຄວາມເຢັນສຳລັບສູນຂໍ້ມູນລະດັບລັດຖະບານກາງ
-
AI ແມ່ນຂຶ້ນກັບສິ່ງຂອງທາງກາຍະພາບ - ຊິບ, ເຊີບເວີ, ອຸປະກອນເຄືອຂ່າຍ, ແບັດເຕີຣີ, ອາຄານ ... ຊຶ່ງໝາຍເຖິງການຂຸດຄົ້ນບໍ່ແຮ່, ການຜະລິດ, ການຂົນສົ່ງ, ແລະໃນທີ່ສຸດກໍ່ແມ່ນຂີ້ເຫຍື້ອອີເລັກໂທຣນິກ. US EPA: ອຸດສາຫະກຳເຄິ່ງຕົວນຳ ITU: ຕິດຕາມກວດກາຂີ້ເຫຍື້ອອີເລັກໂທຣນິກທົ່ວໂລກ 2024
-
AI ສາມາດຫຼຸດຜ່ອນຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມໃນບ່ອນອື່ນ - ໂດຍການເພີ່ມປະສິດທິພາບດ້ານການຂົນສົ່ງ, ການກວດຫາການຮົ່ວໄຫຼ, ປັບປຸງປະສິດທິພາບ, ເລັ່ງການຄົ້ນຄວ້າ, ແລະ ເຮັດໃຫ້ລະບົບມີສິ່ງເສດເຫຼືອໜ້ອຍລົງ. IEA: AI ສຳລັບການເພີ່ມປະສິດທິພາບພະລັງງານ ແລະ ນະວັດຕະກຳ
ແລະຫຼັງຈາກນັ້ນກໍ່ມີສ່ວນທີ່ຄົນລືມ: ຂະໜາດ . ຄຳຖາມ AI ໜຶ່ງອາດຈະມີຂະໜາດນ້ອຍ, ແຕ່ຫຼາຍພັນລ້ານຄຳຖາມຂອງພວກມັນແມ່ນສັດທີ່ແຕກຕ່າງກັນໂດຍສິ້ນເຊີງ... ຄືກັບກ້ອນຫິມະນ້ອຍໆທີ່ກາຍເປັນຫິມະຖະຫຼົ່ມຂະໜາດເທົ່າກັບໂຊຟາ. (ຄຳປຽບທຽບນັ້ນຜິດພາດເລັກນ້ອຍ, ແຕ່ເຈົ້າເຂົ້າໃຈແລ້ວ.) IEA: ພະລັງງານ ແລະ AI
ຮອຍຕີນສິ່ງແວດລ້ອມຂອງ AI ບໍ່ແມ່ນສິ່ງດຽວ - ມັນເປັນການຊ້ອນກັນ 🧱🌎
ເມື່ອຄົນໂຕ້ຖຽງກ່ຽວກັບ AI ແລະ ຄວາມຍືນຍົງ, ພວກເຂົາມັກຈະເວົ້າເກີນຈິງເພາະວ່າພວກເຂົາຊີ້ໄປໃນຊັ້ນທີ່ແຕກຕ່າງກັນ:
1) ຄິດໄລ່ໄຟຟ້າ
-
ການຝຶກອົບຮົມຮູບແບບໃຫຍ່ສາມາດຮຽກຮ້ອງໃຫ້ມີກຸ່ມໃຫຍ່ທີ່ເຮັດວຽກໜັກເປັນເວລາດົນນານ. IEA: ພະລັງງານ ແລະ AI
-
ການອະນຸມານ (ການນຳໃຊ້ປະຈຳວັນ) ສາມາດກາຍເປັນຮອຍຕີນທີ່ໃຫຍ່ກວ່າໃນໄລຍະເວລາ ເພາະມັນເກີດຂຶ້ນຢູ່ຕະຫຼອດເວລາ ແລະ ຢູ່ທຸກບ່ອນ. IEA: ພະລັງງານ ແລະ AI
2) ຄ່າໃຊ້ຈ່າຍຂອງສູນຂໍ້ມູນ
-
ການສູນເສຍລະບົບເຮັດຄວາມເຢັນ, ການແຈກຈ່າຍພະລັງງານ, ລະບົບສຳຮອງ, ອຸປະກອນເຄືອຂ່າຍ. LBNL (2024): ບົດລາຍງານການນຳໃຊ້ພະລັງງານສູນຂໍ້ມູນຂອງສະຫະລັດ (PDF)
-
ການຄິດໄລ່ດຽວກັນສາມາດມີຜົນກະທົບໃນພື້ນທີ່ທີ່ແຕກຕ່າງກັນຂຶ້ນກັບປະສິດທິພາບ. ຕາຂ່າຍສີຂຽວ: PUE—ການກວດສອບທີ່ຄົບຖ້ວນຂອງຕົວຊີ້ວັດ
3) ນໍ້າ ແລະ ຄວາມຮ້ອນ
-
ສະຖານທີ່ຫຼາຍແຫ່ງໃຊ້ນ້ຳໂດຍກົງ ຫຼື ໂດຍທາງອ້ອມເພື່ອຈັດການຄວາມຮ້ອນ. US DOE FEMP: ໂອກາດປະສິດທິພາບນ້ຳເຢັນສຳລັບສູນຂໍ້ມູນລັດຖະບານກາງ Li et al. (2023): ເຮັດໃຫ້ AI “ຫິວນ້ຳ” ໜ້ອຍລົງ (PDF)
-
ຄວາມຮ້ອນທີ່ເສຍໄປສາມາດນຳມາໃຊ້ຄືນໄດ້, ຫຼືມັນສາມາດ... ປ່ອຍໄວ້ເປັນອາກາດຮ້ອນ. (ບໍ່ເໝາະສົມ.)
4) ລະບົບຕ່ອງໂສ້ການສະໜອງຮາດແວ
-
ການຂຸດຄົ້ນ ແລະ ການກັ່ນຕອງວັດສະດຸ.
-
ການຜະລິດຊິບ ແລະ ເຊີບເວີ (ໃຊ້ພະລັງງານຫຼາຍ). US EPA: imec ອຸດສາຫະກຳເຄິ່ງຕົວນຳ: ການຫຼຸດຜ່ອນຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມໃນການຜະລິດຊິບ
-
ການຂົນສົ່ງ, ການຫຸ້ມຫໍ່, ການຍົກລະດັບ, ການທົດແທນ.
5) ຜົນກະທົບດ້ານພຶດຕິກຳ ແລະ ການຟື້ນຕົວ
-
ປັນຍາປະດິດເຮັດໃຫ້ວຽກງານມີລາຄາຖືກກວ່າ ແລະ ງ່າຍຂຶ້ນ, ດັ່ງນັ້ນຜູ້ຄົນຈຶ່ງເຮັດວຽກເຫຼົ່ານັ້ນໄດ້ຫຼາຍຂຶ້ນ. OECD (2012): ຜົນປະໂຫຍດຫຼາຍຢ່າງຂອງການປັບປຸງປະສິດທິພາບພະລັງງານ (PDF)
-
ປະສິດທິພາບທີ່ເພີ່ມຂຶ້ນສາມາດຖືກກິນໄປໄດ້ໂດຍຄວາມຕ້ອງການທີ່ເພີ່ມຂຶ້ນ. ນີ້ແມ່ນສ່ວນທີ່ເຮັດໃຫ້ຂ້ອຍຖອນຫາຍໃຈໜ້ອຍໜຶ່ງ. OECD (2012): ຜົນປະໂຫຍດຫຼາຍຢ່າງຂອງການປັບປຸງປະສິດທິພາບພະລັງງານ (PDF)
ສະນັ້ນ, ເມື່ອມີຄົນຖາມວ່າ AI ສົ່ງຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມແນວໃດ, ຄຳຕອບທີ່ຊັດເຈນຄື: ມັນຂຶ້ນກັບວ່າເຈົ້າກຳລັງວັດແທກຊັ້ນໃດ, ແລະ “AI” ໝາຍຄວາມວ່າແນວໃດໃນສະຖານະການນັ້ນ.
ການຝຶກອົບຮົມ vs ການອະນຸມານ: ຄວາມແຕກຕ່າງທີ່ປ່ຽນແປງທຸກຢ່າງ 🧠⚙️
ຜູ້ຄົນມັກເວົ້າກ່ຽວກັບການຝຶກອົບຮົມເພາະມັນຟັງແລ້ວໜ້າຕື່ນເຕັ້ນ - “ຮູບແບບໜຶ່ງໃຊ້ພະລັງງານ X.” ແຕ່ການອະນຸມານແມ່ນຍັກໃຫຍ່ທີ່ງຽບສະຫງົບ. IEA: ພະລັງງານ ແລະ AI
ການຝຶກຊ້ອມ (ການກໍ່ສ້າງໃຫຍ່)
ການຝຶກອົບຮົມກໍຄືກັບການກໍ່ສ້າງໂຮງງານ. ທ່ານຕ້ອງຈ່າຍຄ່າໃຊ້ຈ່າຍລ່ວງໜ້າ: ການຄຳນວນທີ່ໜັກໜ່ວງ, ເວລາເຮັດວຽກທີ່ຍາວນານ, ການລອງຜິດລອງຖືກຫຼາຍໆຄັ້ງ (ແລະແມ່ນແລ້ວ, ມີຫຼາຍຄັ້ງທີ່ “oops ທີ່ບໍ່ໄດ້ຜົນ, ລອງອີກຄັ້ງ”). ການຝຶກອົບຮົມສາມາດເພີ່ມປະສິດທິພາບໄດ້, ແຕ່ມັນຍັງສາມາດມີຄວາມສຳຄັນໄດ້. IEA: ພະລັງງານ ແລະ AI
ການອະນຸມານ (ການນຳໃຊ້ປະຈຳວັນ)
ການອະນຸມານແມ່ນຄືກັບໂຮງງານທີ່ດຳເນີນງານທຸກໆມື້, ສຳລັບທຸກຄົນ, ໃນຂອບເຂດ:
-
Chatbots ຕອບຄຳຖາມ
-
ການສ້າງຮູບພາບ
-
ການຈັດອັນດັບການຄົ້ນຫາ
-
ຄຳແນະນຳ
-
ການປ່ຽນສຽງເປັນຂໍ້ຄວາມ
-
ການກວດສອບການສໍ້ໂກງ
-
ຜູ້ຮ່ວມບິນໃນເອກະສານ ແລະ ເຄື່ອງມືລະຫັດ
ເຖິງແມ່ນວ່າແຕ່ລະຄຳຮ້ອງຂໍຈະມີຂະໜາດນ້ອຍ, ແຕ່ປະລິມານການນຳໃຊ້ສາມາດເຮັດໃຫ້ການຝຶກອົບຮົມຫຼຸດລົງ. ມັນເປັນສະຖານະການແບບຄລາສສິກ “ຫຼອດດຽວບໍ່ແມ່ນຫຍັງ, ຫຼອດລ້ານຫຼອດເປັນບັນຫາ”. IEA: ພະລັງງານ ແລະ AI
ໝາຍເຫດເລັກນ້ອຍ - ບາງໜ້າວຽກ AI ແມ່ນໜັກກວ່າໜ້າວຽກອື່ນໆຫຼາຍ. ການສ້າງຮູບພາບ ຫຼື ວິດີໂອຍາວໆມັກຈະໃຊ້ພະລັງງານຫຼາຍກວ່າການຈັດປະເພດຂໍ້ຄວາມສັ້ນໆ. ສະນັ້ນການລວມ “AI” ເຂົ້າກັນໃນຖັງດຽວແມ່ນຄ້າຍຄືກັບການປຽບທຽບລົດຖີບກັບເຮືອບັນທຸກສິນຄ້າ ແລະ ເອີ້ນທັງສອງຢ່າງວ່າ “ການຂົນສົ່ງ.” IEA: ພະລັງງານ ແລະ AI
ສູນຂໍ້ມູນ: ພະລັງງານ, ຄວາມເຢັນ, ແລະເລື່ອງລາວນ້ຳທີ່ງຽບສະຫງົບ 💧🏢
ສູນຂໍ້ມູນບໍ່ແມ່ນສິ່ງໃໝ່, ແຕ່ AI ປ່ຽນຄວາມເຂັ້ມ. ເຄື່ອງເລັ່ງປະສິດທິພາບສູງສາມາດດຶງພະລັງງານໄດ້ຫຼາຍໃນພື້ນທີ່ແຄບ, ເຊິ່ງກາຍເປັນຄວາມຮ້ອນ, ເຊິ່ງຕ້ອງໄດ້ຮັບການຄຸ້ມຄອງ. LBNL (2024): ບົດລາຍງານການນຳໃຊ້ພະລັງງານສູນຂໍ້ມູນຂອງສະຫະລັດ (PDF) IEA: ພະລັງງານ ແລະ AI
ພື້ນຖານການເຮັດຄວາມເຢັນ (ງ່າຍດາຍ, ແຕ່ໃຊ້ໄດ້ຈິງ)
-
ການລະບາຍຄວາມຮ້ອນດ້ວຍອາກາດ : ພັດລົມ, ອາກາດເຢັນ, ການອອກແບບທາງຍ່າງຮ້ອນ/ທາງຍ່າງເຢັນ. ກະຊວງສຶກສາທິການສະຫະລັດ FEMP: ປະສິດທິພາບພະລັງງານໃນສູນຂໍ້ມູນ
-
ການເຮັດຄວາມເຢັນດ້ວຍນ້ຳ : ມີປະສິດທິພາບຫຼາຍກວ່າໃນການຕັ້ງຄ່າທີ່ໜາແໜ້ນ, ແຕ່ສາມາດກ່ຽວຂ້ອງກັບໂຄງສ້າງພື້ນຖານທີ່ແຕກຕ່າງກັນ. ASHRAE (TC 9.9): ການເກີດຂຶ້ນ ແລະ ການຂະຫຍາຍການເຮັດຄວາມເຢັນດ້ວຍນ້ຳໃນສູນຂໍ້ມູນຫຼັກ (PDF)
-
ການເຮັດຄວາມເຢັນແບບລະເຫີຍ : ສາມາດຫຼຸດຜ່ອນການໃຊ້ໄຟຟ້າໃນບາງສະພາບອາກາດ ແຕ່ມັກຈະເພີ່ມການໃຊ້ນ້ຳ. US DOE FEMP: ໂອກາດປະສິດທິພາບນ້ຳເຮັດຄວາມເຢັນສຳລັບສູນຂໍ້ມູນລັດຖະບານກາງ
ນັ້ນແມ່ນການແລກປ່ຽນ: ບາງຄັ້ງທ່ານສາມາດຫຼຸດຜ່ອນການໃຊ້ໄຟຟ້າໄດ້ໂດຍການອີງໃສ່ລະບົບເຮັດຄວາມເຢັນທີ່ໃຊ້ນ້ຳເປັນພື້ນຖານ. ອີງຕາມການຂາດແຄນນ້ຳໃນທ້ອງຖິ່ນ, ນັ້ນອາດຈະດີ... ຫຼື ມັນອາດເປັນບັນຫາທີ່ແທ້ຈິງ. Li et al. (2023): ເຮັດໃຫ້ AI “ຫິວນ້ຳ” ໜ້ອຍລົງ (PDF)
ນອກຈາກນັ້ນ, ຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມແມ່ນຂຶ້ນກັບ:
-
ບ່ອນທີ່ສູນຂໍ້ມູນຕັ້ງຢູ່ (ການປ່ອຍອາຍພິດຕາຂ່າຍໄຟຟ້າແຕກຕ່າງກັນ) API ຄວາມເຂັ້ມຂອງຄາບອນ (GB) IEA: ພະລັງງານ ແລະ AI
-
ມັນເຮັດວຽກໄດ້ຢ່າງມີປະສິດທິພາບແນວໃດ (ການນຳໃຊ້ມີຄວາມສຳຄັນຫຼາຍ) ຕາຂ່າຍສີຂຽວ: PUE—ການກວດສອບຕົວຊີ້ວັດຢ່າງຄົບຖ້ວນ
-
ບໍ່ວ່າຈະໃຊ້ຄວາມຮ້ອນເສດເຫຼືອຄືນມາໃຊ້ໃໝ່ຫຼືບໍ່
-
ທາງເລືອກການຈັດຊື້ພະລັງງານ (ພະລັງງານທົດແທນ, ສັນຍາໄລຍະຍາວ, ແລະອື່ນໆ)
ເວົ້າຢ່າງກົງໄປກົງມາ: ການສົນທະນາສາທາລະນະມັກຈະປະຕິບັດຕໍ່ “ສູນຂໍ້ມູນ” ຄືກັບກ່ອງດຳ. ມັນບໍ່ແມ່ນສິ່ງຊົ່ວຮ້າຍ, ມັນບໍ່ແມ່ນສິ່ງມະຫັດສະຈັນ. ມັນແມ່ນພື້ນຖານໂຄງລ່າງ. ມັນມີພຶດຕິກຳຄືກັບພື້ນຖານໂຄງລ່າງ.
ຊິບ ແລະ ຮາດແວ: ສ່ວນທີ່ຄົນເຮົາຂ້າມໄປ ເພາະມັນບໍ່ເຊັກຊີ່ປານໃດ 🪨🔧
AI ອາໄສຢູ່ກັບຮາດແວ. ຮາດແວມີວົງຈອນຊີວິດ, ແລະຜົນກະທົບຂອງວົງຈອນຊີວິດສາມາດໃຫຍ່ຫຼວງ. US EPA: ອຸດສາຫະກຳເຄິ່ງຕົວນຳ ITU: ຕິດຕາມກວດກາສິ່ງເສດເຫຼືອອີເລັກໂທຣນິກທົ່ວໂລກ 2024
ບ່ອນທີ່ຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມສະແດງອອກ
-
ການສະກັດເອົາວັດສະດຸ : ການຂຸດຄົ້ນ ແລະ ການກັ່ນໂລຫະ ແລະ ວັດສະດຸທີ່ຫາຍາກ.
-
ການຜະລິດ : ການຜະລິດເຄິ່ງຕົວນຳມີຄວາມສັບສົນ ແລະ ໃຊ້ພະລັງງານຫຼາຍ. US EPA: imec ອຸດສາຫະກຳເຄິ່ງຕົວນຳ: ການຫຼຸດຜ່ອນຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມໃນການຜະລິດຊິບ
-
ການຂົນສົ່ງ : ລະບົບຕ່ອງໂສ້ການສະໜອງທົ່ວໂລກເຄື່ອນຍ້າຍຊິ້ນສ່ວນຕ່າງໆໄປທົ່ວທຸກແຫ່ງ.
-
ວົງຈອນການທົດແທນສັ້ນ : ການຍົກລະດັບຢ່າງໄວວາສາມາດເພີ່ມຂີ້ເຫຍື້ອອີເລັກໂທຣນິກ ແລະ ການປ່ອຍອາຍພິດພາຍໃນ. ITU: ຕິດຕາມກວດກາຂີ້ເຫຍື້ອອີເລັກໂທຣນິກທົ່ວໂລກ 2024
ຂີ້ເຫຍື້ອອີເລັກໂທຣນິກ ແລະ ເຊີບເວີ “ດີເລີດ”
ອັນຕະລາຍຕໍ່ສິ່ງແວດລ້ອມຫຼາຍຢ່າງບໍ່ໄດ້ມາຈາກອຸປະກອນດຽວທີ່ມີຢູ່ - ມັນມາຈາກການປ່ຽນແທນມັນກ່ອນໄວອັນຄວນ ເພາະມັນບໍ່ມີປະສິດທິພາບດ້ານຕົ້ນທຶນອີກຕໍ່ໄປ. AI ເລັ່ງສິ່ງນີ້ໃຫ້ໄວຂຶ້ນ ເພາະວ່າການກ້າວກະໂດດດ້ານປະສິດທິພາບສາມາດມີຂະໜາດໃຫຍ່. ການລໍ້ລວງໃຫ້ປັບປຸງຮາດແວໃໝ່ແມ່ນເລື່ອງຈິງ. ITU: ຕິດຕາມກວດກາສິ່ງເສດເຫຼືອອີເລັກໂທຣນິກທົ່ວໂລກ 2024
ຈຸດທີ່ໃຊ້ໄດ້ຈິງ: ການຍືດອາຍຸການໃຊ້ງານຂອງຮາດແວ, ການປັບປຸງການນຳໃຊ້, ແລະ ການປັບປຸງໃໝ່ສາມາດມີຄວາມສຳຄັນເທົ່າກັບການປັບແຕ່ງຮູບແບບທີ່ທັນສະໄໝ. ບາງຄັ້ງ GPU ທີ່ເປັນມິດກັບສິ່ງແວດລ້ອມທີ່ສຸດແມ່ນ GPU ທີ່ເຈົ້າບໍ່ຊື້. (ນັ້ນຟັງຄືເປັນຄຳຂວັນ, ແຕ່ມັນກໍ່ເປັນ... ຄືກັບຄວາມຈິງ.)
ປັນຍາປະດິດສົ່ງຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມແນວໃດ: ວົງວຽນພຶດຕິກຳ “ຄົນລືມເລື່ອງນີ້” 🔁😬
ນີ້ແມ່ນສ່ວນທີ່ໜ້າອາຍທາງສັງຄົມ: AI ເຮັດໃຫ້ສິ່ງຕ່າງໆງ່າຍຂຶ້ນ, ດັ່ງນັ້ນຜູ້ຄົນຈຶ່ງເຮັດສິ່ງຕ່າງໆຫຼາຍຂຶ້ນ. ນັ້ນອາດຈະເປັນສິ່ງທີ່ດີເລີດ - ຜະລິດຕະພາບຫຼາຍຂຶ້ນ, ຄວາມຄິດສ້າງສັນຫຼາຍຂຶ້ນ, ການເຂົ້າເຖິງຫຼາຍຂຶ້ນ. ແຕ່ມັນຍັງສາມາດໝາຍເຖິງການໃຊ້ຊັບພະຍາກອນໂດຍລວມຫຼາຍຂຶ້ນ. OECD (2012): ຜົນປະໂຫຍດຫຼາຍຢ່າງຂອງການປັບປຸງປະສິດທິພາບພະລັງງານ (PDF)
ຕົວຢ່າງ:
-
ຖ້າ AI ເຮັດໃຫ້ການສ້າງວິດີໂອມີລາຄາຖືກ, ຜູ້ຄົນຈະສ້າງວິດີໂອຫຼາຍຂຶ້ນ.
-
ຖ້າ AI ເຮັດໃຫ້ການໂຄສະນາມີປະສິດທິພາບຫຼາຍຂຶ້ນ, ໂຄສະນາຈະຖືກໃຫ້ບໍລິການຫຼາຍຂຶ້ນ, ແລະ ການມີສ່ວນຮ່ວມກໍ່ຫຼາຍຂຶ້ນ.
-
ຖ້າ AI ເຮັດໃຫ້ການຂົນສົ່ງສິນຄ້າມີປະສິດທິພາບຫຼາຍຂຶ້ນ, ການຄ້າອີເລັກໂທຣນິກສາມາດຂະຫຍາຍໄດ້ຍາກຂຶ້ນ.
ນີ້ບໍ່ແມ່ນເຫດຜົນທີ່ຈະຕົກໃຈ. ມັນເປັນເຫດຜົນທີ່ຈະວັດແທກຜົນໄດ້ຮັບ, ບໍ່ແມ່ນພຽງແຕ່ປະສິດທິພາບເທົ່ານັ້ນ.
ຄຳປຽບທຽບທີ່ບໍ່ສົມບູນແບບແຕ່ມ່ວນ: ປະສິດທິພາບຂອງ AI ແມ່ນຄືກັບການໃຫ້ຕູ້ເຢັນໃຫຍ່ກວ່າແກ່ໄວລຸ້ນ - ແມ່ນແລ້ວ, ການເກັບຮັກສາອາຫານຈະດີຂຶ້ນ, ແຕ່ບາງຢ່າງຕູ້ເຢັນກໍ່ຫວ່າງອີກໃນມື້ດຽວ. ບໍ່ແມ່ນຄຳປຽບທຽບທີ່ສົມບູນແບບ, ແຕ່... ເຈົ້າເຄີຍເຫັນມັນເກີດຂຶ້ນແລ້ວ 😅
ຂໍ້ດີ: AI ສາມາດຊ່ວຍເຫຼືອສິ່ງແວດລ້ອມໄດ້ຢ່າງແທ້ຈິງ (ເມື່ອມີຈຸດປະສົງທີ່ຖືກຕ້ອງ) 🌿✨
ບັດນີ້ສຳລັບສ່ວນທີ່ຖືກປະເມີນຄ່າຕໍ່າເກີນໄປ: AI ສາມາດຫຼຸດຜ່ອນການປ່ອຍອາຍພິດ ແລະ ສິ່ງເສດເຫຼືອໃນລະບົບທີ່ມີຢູ່ແລ້ວ ເຊິ່ງ... ເວົ້າແທ້ໆ, ບໍ່ສະຫງ່າງາມ. IEA: AI ສຳລັບການເພີ່ມປະສິດທິພາບພະລັງງານ ແລະ ນະວັດຕະກຳ
ຂົງເຂດທີ່ AI ສາມາດຊ່ວຍໄດ້
-
ຕາຂ່າຍໄຟຟ້າພະລັງງານ : ການຄາດຄະເນການໂຫຼດ, ການຕອບສະໜອງຄວາມຕ້ອງການ, ການລວມເອົາພະລັງງານທົດແທນທີ່ປ່ຽນແປງໄດ້. IEA: AI ສຳລັບການເພີ່ມປະສິດທິພາບພະລັງງານ ແລະ ນະວັດຕະກຳ
-
ອາຄານ : ການຄວບຄຸມ HVAC ທີ່ສະຫຼາດກວ່າ, ການບຳລຸງຮັກສາແບບຄາດເດົາ, ການໃຊ້ພະລັງງານໂດຍອີງໃສ່ການຢູ່ອາໄສ. IEA: ການປ່ຽນເປັນດິຈິຕອລ
-
ການຂົນສົ່ງ : ການເພີ່ມປະສິດທິພາບເສັ້ນທາງ, ການຄຸ້ມຄອງກອງຍານພາຫະນະ, ການຫຼຸດຜ່ອນໄມລ໌ຫວ່າງເປົ່າ. IEA: AI ສຳລັບການເພີ່ມປະສິດທິພາບພະລັງງານ ແລະ ນະວັດຕະກຳ
-
ການຜະລິດ : ການກວດຫາຂໍ້ບົກພ່ອງ, ການປັບແຕ່ງຂະບວນການ, ການຫຼຸດຜ່ອນເສດເຫຼືອ.
-
ການກະສິກຳ : ການຊົນລະປະທານແບບແມ່ນຍຳ, ການກວດຈັບສັດຕູພືດ, ການເພີ່ມປະສິດທິພາບຂອງປຸ໋ຍ.
-
ການຕິດຕາມກວດກາສິ່ງແວດລ້ອມ : ການກວດຫາການຮົ່ວໄຫຼຂອງມີເທນ, ການຕິດຕາມສັນຍານການຕັດໄມ້ທຳລາຍປ່າ, ການສ້າງແຜນທີ່ຮູບແບບຄວາມຫຼາກຫຼາຍທາງຊີວະພາບ. UNEP: ວິທີການເຮັດວຽກຂອງ MARS ການເຝົ້າລະວັງປ່າໄມ້ໂລກ: ການແຈ້ງເຕືອນການຕັດໄມ້ທຳລາຍປ່າ GLAD ສະຖາບັນ Alan Turing: AI ແລະລະບົບອັດຕະໂນມັດສຳລັບການປະເມີນຄວາມຫຼາກຫຼາຍທາງຊີວະພາບ
-
ເສດຖະກິດໝູນວຽນ : ການຈັດຮຽງ ແລະ ການລະບຸທີ່ດີກວ່າໃນກະແສການຣີໄຊເຄີນ.
ຄວາມແຕກຕ່າງທີ່ສຳຄັນ: ການ “ຊ່ວຍເຫຼືອ” AI ບໍ່ໄດ້ຊົດເຊີຍຮອຍຕີນຂອງ AI ໂດຍອັດຕະໂນມັດ. ມັນຂຶ້ນກັບວ່າ AI ຖືກນຳໃຊ້, ນຳໃຊ້ຕົວຈິງຫຼືບໍ່, ແລະວ່າມັນນຳໄປສູ່ການຫຼຸດຜ່ອນຕົວຈິງຫຼາຍກວ່າພຽງແຕ່ແຜງຄວບຄຸມທີ່ດີກວ່າ. ແຕ່ແມ່ນແລ້ວ, ທ່າແຮງແມ່ນມີຢູ່ຈິງ. IEA: AI ສຳລັບການເພີ່ມປະສິດທິພາບພະລັງງານ ແລະ ນະວັດຕະກຳ
ສິ່ງໃດທີ່ເຮັດໃຫ້ AI ຮຸ່ນທີ່ດີ ແລະ ເປັນມິດກັບສິ່ງແວດລ້ອມ? ✅🌍
ນີ້ແມ່ນພາກສ່ວນ “ໂອເຄ ພວກເຮົາຄວນເຮັດແນວໃດ”. ການຕັ້ງຄ່າ AI ທີ່ດີ ແລະ ມີຄວາມຮັບຜິດຊອບຕໍ່ສິ່ງແວດລ້ອມມັກຈະມີ:
-
ມູນຄ່າກໍລະນີການນຳໃຊ້ທີ່ຊັດເຈນ : ຖ້າຮູບແບບບໍ່ປ່ຽນແປງການຕັດສິນໃຈ ຫຼື ຜົນໄດ້ຮັບ, ມັນພຽງແຕ່ເປັນການຄຳນວນທີ່ທັນສະໄໝເທົ່ານັ້ນ.
-
ການວັດແທກທີ່ຝັງຢູ່ໃນ : ພະລັງງານ, ການປະເມີນຄາບອນ, ການນໍາໃຊ້, ແລະ ຕົວຊີ້ວັດປະສິດທິພາບທີ່ຕິດຕາມຄືກັບ KPI ອື່ນໆ. CodeCarbon: ວິທີການ
-
ຮູບແບບຂະໜາດທີ່ເໝາະສົມ : ໃຊ້ຮູບແບບຂະໜາດນ້ອຍກວ່າເມື່ອຮູບແບບຂະໜາດນ້ອຍກວ່າເຮັດວຽກໄດ້. ມັນບໍ່ແມ່ນຄວາມລົ້ມເຫຼວທາງດ້ານສິນທຳທີ່ຈະມີປະສິດທິພາບ.
-
ການອອກແບບການອະນຸມານທີ່ມີປະສິດທິພາບ : ການເກັບຂໍ້ມູນໄວ້ໃນແຄດ, ການແບ່ງກຸ່ມ, ການວັດແທກປະລິມານ, ການດຶງຂໍ້ມູນຄືນ, ແລະຮູບແບບການກະຕຸ້ນທີ່ດີ. Gholami et al. (2021): ການສຳຫຼວດວິທີການວັດແທກປະລິມານ (PDF) Lewis et al. (2020): ການສ້າງແບບເຕີມເຕີມດ້ວຍການດຶງຂໍ້ມູນຄືນ
-
ການຮັບຮູ້ຮາດແວ ແລະ ສະຖານທີ່ : ດຳເນີນວຽກງານບ່ອນທີ່ຕາຂ່າຍໄຟຟ້າສະອາດກວ່າ ແລະ ພື້ນຖານໂຄງລ່າງມີປະສິດທິພາບ (ເມື່ອເປັນໄປໄດ້). Carbon Intensity API (GB)
-
ອາຍຸການໃຊ້ງານຮາດແວທີ່ຍາວນານກວ່າ : ເພີ່ມການນຳໃຊ້, ການນຳໃຊ້ຄືນໃໝ່ ແລະ ການປັບປຸງໃໝ່ໃຫ້ສູງສຸດ. ITU: ຕິດຕາມກວດກາສິ່ງເສດເຫຼືອອີເລັກໂທຣນິກທົ່ວໂລກ 2024
-
ການລາຍງານແບບຊື່ຕົງ : ຫຼີກລ່ຽງພາສາທີ່ຫຼອກລວງສິ່ງແວດລ້ອມ ແລະ ການກ່າວອ້າງທີ່ບໍ່ຈະແຈ້ງເຊັ່ນ “AI ທີ່ເປັນມິດກັບສິ່ງແວດລ້ອມ” ໂດຍບໍ່ມີຕົວເລກ.
ຖ້າທ່ານຍັງຕິດຕາມວ່າ AI ສົ່ງຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມແນວໃດ, ນີ້ແມ່ນຈຸດທີ່ຄຳຕອບຢຸດເປັນປັດຊະຍາ ແລະ ກາຍເປັນການໃຊ້ງານໄດ້: ມັນສົ່ງຜົນກະທົບຕໍ່ມັນໂດຍອີງໃສ່ທາງເລືອກຂອງທ່ານ.
ຕາຕະລາງປຽບທຽບ: ເຄື່ອງມື ແລະ ວິທີການທີ່ຊ່ວຍຫຼຸດຜ່ອນຜົນກະທົບໄດ້ແທ້ໆ 🧰⚡
ຂ້າງລຸ່ມນີ້ແມ່ນຕາຕະລາງທີ່ວ່ອງໄວ ແລະ ໃຊ້ໄດ້ຈິງ. ມັນບໍ່ສົມບູນແບບ, ແລະ ແມ່ນແລ້ວ, ມີບາງຊ່ອງທີ່ມີຄວາມຄິດເຫັນທີ່ແຕກຕ່າງເລັກນ້ອຍ... ເພາະວ່ານັ້ນແມ່ນວິທີການເລືອກເຄື່ອງມືທີ່ແທ້ຈິງເຮັດວຽກ.
| ເຄື່ອງມື / ວິທີການ | ຜູ້ຊົມ | ລາຄາ | ເປັນຫຍັງມັນຈຶ່ງໃຊ້ໄດ້ | |
|---|---|---|---|---|
| ຫ້ອງສະໝຸດຕິດຕາມກາກບອນ/ພະລັງງານ (ຕົວປະເມີນເວລາແລ່ນ) | ທີມ ML | ແບບອິດສະຫຼະ | ໃຫ້ການເບິ່ງເຫັນໄດ້ຊັດເຈນ - ເຊິ່ງເປັນເຄິ່ງໜຶ່ງຂອງການຕໍ່ສູ້, ເຖິງແມ່ນວ່າການຄາດຄະເນຈະບໍ່ຊັດເຈນປານໃດກໍຕາມ… | ລະຫັດຄາບອນ |
| ການຕິດຕາມພະລັງງານຮາດແວ (ການວັດແທກ GPU/CPU) | ອິນຟາເຣດ + ML | ຟຣີ | ວັດແທກການບໍລິໂພກຕົວຈິງ; ດີສຳລັບການປຽບທຽບການແລ່ນ (ບໍ່ໂດດເດັ່ນແຕ່ດີເລີດ) | |
| ການກັ່ນແບບຈຳລອງ | ວິສະວະກອນ ML | ຟຣີ (ເສຍເວລາ 😵) | ຮູບແບບນັກຮຽນຂະໜາດນ້ອຍມັກຈະກົງກັບປະສິດທິພາບທີ່ມີຄ່າໃຊ້ຈ່າຍໃນການອະນຸມານທີ່ໜ້ອຍກວ່າຫຼາຍ | Hinton ແລະ ຄະນະ (2015): ການກັ່ນກອງຄວາມຮູ້ໃນເຄືອຂ່າຍປະສາດ |
| ການວັດແທກປະລິມານ (ການອະນຸມານຄວາມແມ່ນຍຳຕ່ຳ) | ML + ຜະລິດຕະພັນ | ຟຣີ | ຫຼຸດຄວາມໜ່ວງເວລາ ແລະ ການໃຊ້ພະລັງງານ; ບາງຄັ້ງກໍ່ມີການແລກປ່ຽນຄຸນນະພາບເລັກນ້ອຍ, ບາງຄັ້ງກໍ່ບໍ່ມີເລີຍ | Gholami ແລະ ຄະນະ (2021): ການສຳຫຼວດວິທີການວັດແທກປະລິມານ (PDF) |
| ການຈັດເກັບຂໍ້ມູນຊົ່ວຄາວ + ການອະນຸມານແບບກຸ່ມ | ຜະລິດຕະພັນ + ແພລດຟອມ | ຟຣີ | ຫຼຸດຜ່ອນການຄຳນວນທີ່ຊໍ້າຊ້ອນ; ໂດຍສະເພາະຢ່າງຍິ່ງມີປະໂຫຍດສຳລັບການກະຕຸ້ນເຕືອນທີ່ຊ້ຳໆ ຫຼື ການຮ້ອງຂໍທີ່ຄ້າຍຄືກັນ | |
| ການສ້າງແບບເຕີມຄືນ (RAG) | ທີມງານ App | ປະສົມ | ຫຼຸດພາລະ "ຄວາມຈຳ" ໃຫ້ກັບການດຶງຂໍ້ມູນຄືນ; ສາມາດຫຼຸດຜ່ອນຄວາມຕ້ອງການສຳລັບໜ້າຕ່າງສະພາບການຂະໜາດໃຫຍ່ | Lewis ແລະ ຄະນະ (2020): ລຸ້ນທີ່ດຶງຂໍ້ມູນຄືນມາໃໝ່ |
| ການກຳນົດເວລາວຽກງານຕາມຄວາມເຂັ້ມຂຸ້ນຂອງຄາບອນ | ພື້ນຖານໂຄງລ່າງ/ການປະຕິບັດງານ | ປະສົມ | ປ່ຽນວຽກທີ່ມີຄວາມຍືດຫຍຸ່ນໄປສູ່ປ່ອງຢ້ຽມໄຟຟ້າທີ່ສະອາດກວ່າ - ຕ້ອງການການປະສານງານເຖິງແມ່ນວ່າ | API ຄວາມເຂັ້ມຂອງຄາບອນ (GB) |
| ການສຸມໃສ່ປະສິດທິພາບຂອງສູນຂໍ້ມູນ (ການນຳໃຊ້, ການລວມສູນ) | ຜູ້ນຳດ້ານໄອທີ | ຈ່າຍແລ້ວ (ໂດຍປົກກະຕິ) | ຄັນຍົກທີ່ມີສະເໜ່ໜ້ອຍທີ່ສຸດ, ແຕ່ມັກຈະເປັນຄັນຍົກທີ່ໃຫຍ່ທີ່ສຸດ - ຢຸດການໃຊ້ງານລະບົບເຄິ່ງຫວ່າງ | ຕາຂ່າຍໄຟຟ້າສີຂຽວ: PUE |
| ໂຄງການນຳໃຊ້ຄວາມຮ້ອນຄືນໃໝ່ | ສິ່ງອຳນວຍຄວາມສະດວກ | ມັນຂຶ້ນກັບ | ປ່ຽນຄວາມຮ້ອນທີ່ເຫຼືອໃຫ້ກາຍເປັນມູນຄ່າ; ບໍ່ແມ່ນວ່າຈະເປັນໄປໄດ້ສະເໝີໄປ, ແຕ່ເມື່ອມັນເປັນໄປໄດ້, ມັນກໍ່ສວຍງາມພໍສົມຄວນ | |
| "ພວກເຮົາຕ້ອງການ AI ຢູ່ທີ່ນີ້ບໍ?" ກວດສອບ | ທຸກໆຄົນ | ຟຣີ | ປ້ອງກັນການຄິດໄລ່ທີ່ບໍ່ມີຈຸດໝາຍ. ການເພີ່ມປະສິດທິພາບທີ່ມີປະສິດທິພາບທີ່ສຸດແມ່ນການເວົ້າວ່າບໍ່ (ບາງຄັ້ງ) |
ສັງເກດເຫັນສິ່ງທີ່ຂາດຫາຍໄປບໍ? “ຊື້ສະຕິກເກີສີຂຽວວິເສດ.” ອັນນັ້ນບໍ່ມີຢູ່ຈິງ 😬
ຄູ່ມືການປະຕິບັດຕົວຈິງ: ການຫຼຸດຜ່ອນຜົນກະທົບຂອງ AI ໂດຍບໍ່ທຳລາຍຜະລິດຕະພັນ 🛠️🌱
ຖ້າທ່ານກຳລັງສ້າງ ຫຼື ຊື້ລະບົບ AI, ນີ້ແມ່ນລຳດັບທີ່ເປັນຈິງທີ່ເຮັດວຽກໄດ້ໃນການປະຕິບັດ:
ຂັ້ນຕອນທີ 1: ເລີ່ມຕົ້ນດ້ວຍການວັດແທກ
-
ຕິດຕາມການໃຊ້ພະລັງງານ ຫຼື ປະເມີນມັນຢ່າງສະໝໍ່າສະເໝີ. CodeCarbon: ວິທີການ
-
ວັດແທກຕໍ່ການແລ່ນຝຶກອົບຮົມ ແລະ ຕໍ່ການຮ້ອງຂໍການອະນຸມານ.
-
ຕິດຕາມກວດກາການນຳໃຊ້ - ຊັບພະຍາກອນທີ່ບໍ່ມີປະໂຫຍດມີວິທີການຊ່ອນຢູ່ໃນສາຍຕາທີ່ເຫັນໄດ້ຊັດເຈນ. ຕາຂ່າຍສີຂຽວ: PUE
ຂັ້ນຕອນທີ 2: ປັບຂະໜາດຮູບແບບໃຫ້ເໝາະສົມກັບວຽກງານ
-
ໃຊ້ຮູບແບບຂະໜາດນ້ອຍກວ່າສຳລັບການຈັດປະເພດ, ການສະກັດ, ການກຳນົດເສັ້ນທາງ.
-
ບັນທຶກຮູບແບບໜັກໄວ້ສຳລັບກະເປົ໋າແຂງ.
-
ພິຈາລະນາ “ຮູບແບບການຕົກແຕ່ງແບບຈຳລອງ”: ຮູບແບບຂະໜາດນ້ອຍກ່ອນ, ຮູບແບບທີ່ໃຫຍ່ກວ່າເທົ່ານັ້ນຖ້າຈຳເປັນ.
ຂັ້ນຕອນທີ 3: ເພີ່ມປະສິດທິພາບການອະນຸມານ (ນີ້ແມ່ນບ່ອນທີ່ຂະໜາດກັດ)
-
ໄວ້ໃນຄວາມຊົງຈຳ : ເກັບຮັກສາຄຳຕອບສຳລັບການສອບຖາມຊ້ຳໆ (ດ້ວຍການຄວບຄຸມຄວາມເປັນສ່ວນຕົວຢ່າງລະມັດລະວັງ).
-
ການແບ່ງ ກຸ່ມ: ການຮ້ອງຂໍເປັນກຸ່ມເພື່ອປັບປຸງປະສິດທິພາບຂອງຮາດແວ.
-
ຜົນຜະລິດທີ່ສັ້ນກວ່າ : ຜົນຜະລິດທີ່ຍາວກວ່າມີລາຄາແພງກວ່າ - ບາງຄັ້ງເຈົ້າກໍ່ບໍ່ຕ້ອງການບົດຂຽນ.
-
ລະບຽບວິໄນຂອງການກະຕຸ້ນ : ການກະຕຸ້ນທີ່ບໍ່ເປັນລະບຽບສ້າງເສັ້ນທາງການຄຳນວນທີ່ຍາວກວ່າ... ແລະແມ່ນແລ້ວ, ໂທເຄັນຫຼາຍຂຶ້ນ.
ຂັ້ນຕອນທີ 4: ປັບປຸງສຸຂະອະນາໄມຂໍ້ມູນ
ອັນນີ້ຟັງແລ້ວບໍ່ກ່ຽວຂ້ອງກັນ, ແຕ່ມັນບໍ່ແມ່ນ:
-
ຊຸດຂໍ້ມູນທີ່ສະອາດກວ່າສາມາດຫຼຸດຜ່ອນການຝຶກອົບຮົມຄືນໃໝ່ໄດ້.
-
ສຽງລົບກວນໜ້ອຍລົງໝາຍເຖິງການທົດລອງໜ້ອຍລົງ ແລະ ການແລ່ນທີ່ເສຍເວລາໜ້ອຍລົງ.
ຂັ້ນຕອນທີ 5: ປະຕິບັດຕໍ່ຮາດແວຄືກັບຊັບສິນ, ບໍ່ແມ່ນສິ່ງຂອງທີ່ໃຊ້ແລ້ວຖິ້ມ
-
ຂະຫຍາຍຮອບວຽນການໂຫຼດຄືນໃໝ່ຖ້າເປັນໄປໄດ້. ITU: ຕິດຕາມກວດກາສິ່ງເສດເຫຼືອອີເລັກໂທຣນິກທົ່ວໂລກ 2024
-
ນຳໃຊ້ຮາດແວເກົ່າຄືນໃໝ່ເພື່ອໃຫ້ວຽກງານເບົາບາງລົງ.
-
ຫຼີກລ່ຽງການຈັດສັນແບບ “ສູງສຸດສະເໝີ”.
ຂັ້ນຕອນທີ 6: ເລືອກການນຳໃຊ້ຢ່າງສະຫຼາດ
-
ດຳເນີນວຽກງານທີ່ມີຄວາມຍືດຫຍຸ່ນໃນບ່ອນທີ່ພະລັງງານສະອາດກວ່າຖ້າທ່ານສາມາດເຮັດໄດ້. Carbon Intensity API (GB)
-
ຫຼຸດຜ່ອນການຊ້ຳຊ້ອນທີ່ບໍ່ຈຳເປັນ.
-
ຮັກສາເປົ້າໝາຍຄວາມໜ่วงເວລາໃຫ້ເປັນໄປໄດ້ຈິງ (ຄວາມໜ່ວງເວລາຕໍ່າຫຼາຍສາມາດບັງຄັບໃຫ້ຕັ້ງຄ່າໃຫ້ເປີດໃຊ້ງານຕະຫຼອດເວລາທີ່ບໍ່ມີປະສິດທິພາບ).
ແລະແມ່ນແລ້ວ... ບາງຄັ້ງຂັ້ນຕອນທີ່ດີທີ່ສຸດແມ່ນພຽງແຕ່: ຢ່າເປີດໃຊ້ຮູບແບບທີ່ໃຫຍ່ທີ່ສຸດໂດຍອັດຕະໂນມັດສຳລັບທຸກໆການກະທຳຂອງຜູ້ໃຊ້. ນິໄສນັ້ນແມ່ນທຽບເທົ່າກັບສິ່ງແວດລ້ອມຄືກັບການເປີດໄຟທຸກໆດວງໄວ້ ເພາະວ່າການຍ່າງໄປຫາສະວິດແມ່ນໜ້າລຳຄານ.
ຄວາມເຊື່ອຜິດໆທົ່ວໄປ (ແລະສິ່ງທີ່ໃກ້ຄຽງກັບຄວາມຈິງຫຼາຍກວ່າ) 🧠🧯
ຄວາມເຂົ້າໃຈຜິດ: “AI ຮ້າຍແຮງກວ່າຊອບແວແບບດັ້ງເດີມສະເໝີ”
ຄວາມຈິງ: AI ສາມາດຄິດໄລ່ໄດ້ຫຼາຍກວ່າເກົ່າ, ແຕ່ມັນຍັງສາມາດທົດແທນຂະບວນການດ້ວຍຕົນເອງທີ່ບໍ່ມີປະສິດທິພາບ, ຫຼຸດຜ່ອນສິ່ງເສດເຫຼືອ, ແລະ ເພີ່ມປະສິດທິພາບຂອງລະບົບຕ່າງໆ. ມັນຂຶ້ນກັບສະຖານະການ. IEA: AI ສຳລັບການເພີ່ມປະສິດທິພາບພະລັງງານ ແລະ ນະວັດຕະກຳ
ຄວາມເຂົ້າໃຈຜິດ: “ການຝຶກອົບຮົມແມ່ນບັນຫາດຽວ”
ຄວາມຈິງ: ການອະນຸມານໃນຂອບເຂດສາມາດຄອບງຳໄດ້ຕະຫຼອດເວລາ. ຖ້າຜະລິດຕະພັນຂອງທ່ານລະເບີດໃນການນຳໃຊ້, ນີ້ຈະກາຍເປັນເລື່ອງຫຼັກ. IEA: ພະລັງງານ ແລະ AI
ຄວາມລຶກລັບ: “ພະລັງງານທົດແທນແກ້ໄຂບັນຫາໄດ້ທັນທີ”
ຄວາມຈິງ: ໄຟຟ້າທີ່ສະອາດກວ່າຊ່ວຍໄດ້ຫຼາຍ, ແຕ່ບໍ່ໄດ້ລົບລ້າງຮອຍຕີນຂອງຮາດແວ, ການໃຊ້ນ້ຳ, ຫຼື ຜົນກະທົບຈາກການຟື້ນຕົວ. ຍັງຄົງມີຄວາມສຳຄັນຢູ່. IEA: ພະລັງງານ ແລະ AI
ຄວາມລຶກລັບ: “ຖ້າມັນມີປະສິດທິພາບ, ມັນກໍ່ຍືນຍົງ”
ຄວາມຈິງ: ປະສິດທິພາບໂດຍບໍ່ມີການຄວບຄຸມຄວາມຕ້ອງການຍັງສາມາດເພີ່ມຜົນກະທົບທັງໝົດໄດ້. ນັ້ນແມ່ນກັບດັກການຟື້ນຕົວ. OECD (2012): ຜົນປະໂຫຍດຫຼາຍຢ່າງຂອງການປັບປຸງປະສິດທິພາບພະລັງງານ (PDF)
ການປົກຄອງ, ຄວາມໂປ່ງໃສ, ແລະ ການບໍ່ສະແດງລະຄອນກ່ຽວກັບມັນ 🧾🌍
ຖ້າທ່ານເປັນບໍລິສັດ, ນີ້ແມ່ນບ່ອນທີ່ຄວາມໄວ້ວາງໃຈຖືກສ້າງຂຶ້ນ ຫຼື ສູນເສຍໄປ.
-
ລາຍງານຕົວຊີ້ວັດທີ່ມີຄວາມໝາຍ : ຕໍ່ການຮ້ອງຂໍ, ຕໍ່ຜູ້ໃຊ້, ຕໍ່ໜ້າວຽກ - ບໍ່ພຽງແຕ່ເປັນຜົນລວມທີ່ໜ້າຢ້ານກົວເທົ່ານັ້ນ. LBNL (2024): ບົດລາຍງານການນຳໃຊ້ພະລັງງານຂອງສູນຂໍ້ມູນສະຫະລັດອາເມລິກາ (PDF)
-
ຫຼີກລ່ຽງການກ່າວອ້າງທີ່ບໍ່ຈະແຈ້ງ : “AI ສີຂຽວ” ໝາຍຄວາມວ່າບໍ່ມີຫຍັງເລີຍຖ້າບໍ່ມີຕົວເລກ ແລະ ຂອບເຂດ.
-
ພິຈາລະນານ້ຳ ແລະ ຜົນກະທົບໃນທ້ອງຖິ່ນ : ຄາບອນບໍ່ແມ່ນຕົວແປດ້ານສິ່ງແວດລ້ອມພຽງຢ່າງດຽວ. Li et al. (2023): ເຮັດໃຫ້ AI “ຫິວນໍ້າ” ໜ້ອຍລົງ (PDF)
-
ການອອກແບບສຳລັບການຄວບຄຸມ : ການຕອບສະໜອງທີ່ສັ້ນກວ່າຕາມຄ່າເລີ່ມຕົ້ນ, ໂໝດລາຄາຖືກກວ່າ, ການຕັ້ງຄ່າ "eco" ທີ່ເຮັດບາງສິ່ງບາງຢ່າງແທ້ໆ.
-
ຄິດກ່ຽວກັບຄວາມສະເໝີພາບ : ການນຳໃຊ້ຊັບພະຍາກອນຢ່າງຫຼວງຫຼາຍໃນສະຖານທີ່ທີ່ມີນ້ຳຂາດແຄນ ຫຼື ຕາຂ່າຍໄຟຟ້າທີ່ແຕກຫັກງ່າຍມີຜົນສະທ້ອນນອກເໜືອຈາກຕາຕະລາງຂອງທ່ານ. ກົມ ຊັບພະຍາກອນນ້ຳສະຫະລັດ FEMP: ໂອກາດປະສິດທິພາບນ້ຳເຢັນສຳລັບສູນຂໍ້ມູນລັດຖະບານກາງ
ນີ້ແມ່ນສ່ວນທີ່ຜູ້ຄົນມັກມ້ວນຕາ, ແຕ່ມັນກໍ່ມີຄວາມສຳຄັນ. ເທັກໂນໂລຢີທີ່ມີຄວາມຮັບຜິດຊອບບໍ່ພຽງແຕ່ກ່ຽວກັບວິສະວະກຳທີ່ສະຫຼາດເທົ່ານັ້ນ. ມັນຍັງກ່ຽວກັບການບໍ່ທຳທ່າວ່າການແລກປ່ຽນບໍ່ມີຢູ່ຈິງ.
ສະຫຼຸບສະຫຼຸບ: ບົດສະຫຼຸບສັ້ນໆກ່ຽວກັບວິທີທີ່ AI ສົ່ງຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມ 🌎✅
ວິທີທີ່ AI ສົ່ງຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມແມ່ນຂຶ້ນກັບພາລະທີ່ເພີ່ມຂຶ້ນ: ໄຟຟ້າ, ນໍ້າ (ບາງຄັ້ງ), ແລະຄວາມຕ້ອງການຮາດແວ. IEA: ພະລັງງານ ແລະ AI Li et al. (2023): ເຮັດໃຫ້ AI “ຫິວນໍ້າ” ໜ້ອຍລົງ (PDF) ມັນຍັງສະເໜີເຄື່ອງມືທີ່ມີປະສິດທິພາບເພື່ອຫຼຸດຜ່ອນການປ່ອຍອາຍພິດ ແລະ ສິ່ງເສດເຫຼືອໃນຂະແໜງການອື່ນໆ. IEA: AI ສຳລັບການເພີ່ມປະສິດທິພາບພະລັງງານ ແລະ ນະວັດຕະກໍາ ຜົນໄດ້ຮັບສຸດທິແມ່ນຂຶ້ນກັບຂະໜາດ, ຄວາມສະອາດຂອງຕາຂ່າຍໄຟຟ້າ, ການເລືອກປະສິດທິພາບ, ແລະວ່າ AI ກຳລັງແກ້ໄຂບັນຫາທີ່ແທ້ຈິງ ຫຼື ພຽງແຕ່ສ້າງຄວາມແປກໃໝ່ເພື່ອຄວາມແປກໃໝ່. IEA: ພະລັງງານ ແລະ AI
ຖ້າທ່ານຕ້ອງການສິ່ງທີ່ງ່າຍທີ່ສຸດທີ່ໃຊ້ໄດ້ຈິງ:
-
ວັດແທກ.
-
ຂະໜາດທີ່ເໝາະສົມ.
-
ເພີ່ມປະສິດທິພາບການອະນຸມານ.
-
ຍືດອາຍຸການໃຊ້ງານຂອງຮາດແວ.
-
ຈົ່ງເປີດເຜີຍກ່ຽວກັບການແລກປ່ຽນ.
ແລະ ຖ້າທ່ານຮູ້ສຶກວ່າຖືກກົດດັນໜັກ, ນີ້ແມ່ນຄວາມຈິງທີ່ເຮັດໃຫ້ສະຫງົບລົງ: ການຕັດສິນໃຈກ່ຽວກັບການດຳເນີນງານເລັກໆນ້ອຍໆ, ຊ້ຳໆພັນເທື່ອ, ໂດຍປົກກະຕິແລ້ວຈະເອົາຊະນະຖະແຫຼງການຄວາມຍືນຍົງທີ່ໃຫຍ່ອັນໜຶ່ງ. ຄ້າຍຄືກັບການຖູແຂ້ວ. ບໍ່ໜ້າສົນໃຈ, ແຕ່ມັນໄດ້ຜົນ... 😄🪥
ຄຳຖາມທີ່ຖືກຖາມເລື້ອຍໆ
AI ສົ່ງຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມແນວໃດໃນການນຳໃຊ້ປະຈຳວັນ, ບໍ່ພຽງແຕ່ຫ້ອງທົດລອງຄົ້ນຄວ້າຂະໜາດໃຫຍ່ເທົ່ານັ້ນ?
ສ່ວນໃຫຍ່ຂອງ AI ແມ່ນມາຈາກໄຟຟ້າທີ່ສະໜອງພະລັງງານໃຫ້ສູນຂໍ້ມູນທີ່ໃຊ້ງານ GPU ແລະ CPU ໃນລະຫວ່າງການຝຶກອົບຮົມ ແລະ "ການອະນຸມານ" ປະຈຳວັນ. ການຮ້ອງຂໍດຽວອາດຈະຂ້ອນຂ້າງໜ້ອຍ, ແຕ່ໃນຂອບເຂດທີ່ການຮ້ອງຂໍເຫຼົ່ານັ້ນຈະສະສົມໄວ. ຜົນກະທົບຍັງຂຶ້ນກັບສະຖານທີ່ຂອງສູນຂໍ້ມູນ, ຕາຂ່າຍໄຟຟ້າທ້ອງຖິ່ນສະອາດແນວໃດ, ແລະ ໂຄງສ້າງພື້ນຖານມີປະສິດທິພາບແນວໃດ.
ການຝຶກອົບຮົມຮູບແບບ AI ຮ້າຍແຮງຕໍ່ສິ່ງແວດລ້ອມກ່ວາການໃຊ້ມັນບໍ (ການອະນຸມານ)?
ການຝຶກອົບຮົມສາມາດເປັນການຄິດໄລ່ທີ່ໃຫຍ່ຫຼວງ ແລະ ເກີດຂຶ້ນກ່ອນໄວອັນຄວນ, ແຕ່ການອະນຸມານສາມາດກາຍເປັນຮ່ອງຮອຍທີ່ໃຫຍ່ກວ່າໃນໄລຍະເວລາ ເພາະມັນເຮັດວຽກຢ່າງຕໍ່ເນື່ອງ ແລະ ໃນຂອບເຂດທີ່ໃຫຍ່ຫຼວງ. ຖ້າເຄື່ອງມືຖືກໃຊ້ໂດຍຜູ້ຄົນຫຼາຍລ້ານຄົນໃນແຕ່ລະມື້, ການຮ້ອງຂໍທີ່ຊ້ຳໆສາມາດມີນ້ຳໜັກຫຼາຍກວ່າຄ່າໃຊ້ຈ່າຍໃນການຝຶກອົບຮົມຄັ້ງດຽວ. ນັ້ນແມ່ນເຫດຜົນທີ່ວ່າການເພີ່ມປະສິດທິພາບມັກຈະສຸມໃສ່ປະສິດທິພາບຂອງການອະນຸມານ.
ເປັນຫຍັງ AI ຈຶ່ງໃຊ້ນໍ້າ, ແລະມັນເປັນບັນຫາຢູ່ສະເໝີບໍ?
ປັນຍາປະດິດສາມາດໃຊ້ນ້ຳໄດ້ສ່ວນໃຫຍ່ແມ່ນຍ້ອນວ່າສູນຂໍ້ມູນບາງແຫ່ງອາໄສການເຮັດຄວາມເຢັນດ້ວຍນ້ຳ, ຫຼືຍ້ອນວ່ານ້ຳຖືກໃຊ້ໂດຍທາງອ້ອມຜ່ານການຜະລິດໄຟຟ້າ. ໃນບາງສະພາບອາກາດ, ການເຮັດຄວາມເຢັນແບບລະເຫີຍສາມາດຫຼຸດຜ່ອນການໃຊ້ໄຟຟ້າໃນຂະນະທີ່ເພີ່ມການໃຊ້ນ້ຳ, ສ້າງການແລກປ່ຽນທີ່ແທ້ຈິງ. ບໍ່ວ່າມັນ "ບໍ່ດີ" ແມ່ນຂຶ້ນກັບການຂາດແຄນນ້ຳໃນທ້ອງຖິ່ນ, ການອອກແບບການເຮັດຄວາມເຢັນ, ແລະວ່າການໃຊ້ນ້ຳໄດ້ຖືກວັດແທກ ແລະ ຄຸ້ມຄອງຫຼືບໍ່.
ສ່ວນໃດຂອງຮອຍຕີນສິ່ງແວດລ້ອມຂອງ AI ມາຈາກຮາດແວ ແລະ ຂີ້ເຫຍື້ອອີເລັກໂທຣນິກ?
AI ແມ່ນຂຶ້ນກັບຊິບ, ເຊີບເວີ, ອຸປະກອນເຄືອຂ່າຍ, ອາຄານ ແລະ ລະບົບຕ່ອງໂສ້ການສະໜອງ - ຊຶ່ງໝາຍເຖິງການຂຸດຄົ້ນບໍ່ແຮ່, ການຜະລິດ, ການຂົນສົ່ງ, ແລະ ການກຳຈັດໃນທີ່ສຸດ. ການຜະລິດເຄິ່ງຕົວນຳແມ່ນໃຊ້ພະລັງງານຫຼາຍ, ແລະ ວົງຈອນການຍົກລະດັບຢ່າງໄວວາສາມາດເພີ່ມການປ່ອຍອາຍພິດ ແລະ ສິ່ງເສດເຫຼືອອີເລັກໂທຣນິກ. ການຍືດອາຍຸການໃຊ້ງານຂອງຮາດແວ, ການປັບປຸງໃໝ່, ແລະ ການປັບປຸງການນຳໃຊ້ສາມາດຫຼຸດຜ່ອນຜົນກະທົບໄດ້ຢ່າງຫຼວງຫຼາຍ, ບາງຄັ້ງກໍ່ທຽບເທົ່າກັບການປ່ຽນແປງລະດັບຮຸ່ນ.
ການໃຊ້ພະລັງງານທົດແທນສາມາດແກ້ໄຂຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມຂອງ AI ໄດ້ບໍ?
ໄຟຟ້າທີ່ສະອາດກວ່າສາມາດຫຼຸດຜ່ອນການປ່ອຍອາຍພິດຈາກຄອມພິວເຕີໄດ້, ແຕ່ມັນບໍ່ໄດ້ລົບລ້າງຜົນກະທົບອື່ນໆເຊັ່ນ: ການໃຊ້ນໍ້າ, ການຜະລິດຮາດແວ, ແລະ ສິ່ງເສດເຫຼືອອີເລັກໂທຣນິກ. ມັນຍັງບໍ່ໄດ້ແກ້ໄຂ "ຜົນກະທົບທີ່ຟື້ນຕົວ" ໂດຍອັດຕະໂນມັດ, ບ່ອນທີ່ການຄິດໄລ່ທີ່ມີລາຄາຖືກກວ່ານໍາໄປສູ່ການນໍາໃຊ້ຫຼາຍຂຶ້ນໂດຍລວມ. ພະລັງງານທົດແທນແມ່ນຕົວກະຕຸ້ນທີ່ສໍາຄັນ, ແຕ່ພວກມັນເປັນພຽງສ່ວນໜຶ່ງຂອງຜົນກະທົບທາງລົບເທົ່ານັ້ນ.
ຜົນກະທົບທີ່ຟື້ນຕົວແມ່ນຫຍັງ, ແລະເປັນຫຍັງມັນຈຶ່ງມີຄວາມສຳຄັນຕໍ່ AI ແລະ ຄວາມຍືນຍົງ?
ຜົນກະທົບທີ່ກັບຄືນມາແມ່ນເວລາທີ່ປະສິດທິພາບເພີ່ມຂຶ້ນເຮັດໃຫ້ບາງສິ່ງບາງຢ່າງລາຄາຖືກກວ່າ ຫຼື ງ່າຍຂຶ້ນ, ດັ່ງນັ້ນຜູ້ຄົນຈຶ່ງເຮັດມັນຫຼາຍຂຶ້ນ - ບາງຄັ້ງກໍ່ເຮັດໃຫ້ການປະຢັດຫຼຸດລົງ. ດ້ວຍ AI, ການຜະລິດ ຫຼື ການອັດຕະໂນມັດທີ່ມີລາຄາຖືກກວ່າສາມາດເພີ່ມຄວາມຕ້ອງການທັງໝົດສຳລັບເນື້ອຫາ, ການຄຳນວນ ແລະ ການບໍລິການ. ນັ້ນແມ່ນເຫດຜົນທີ່ວ່າການວັດແທກຜົນໄດ້ຮັບໃນການປະຕິບັດມີຄວາມສຳຄັນຫຼາຍກວ່າການສະເຫຼີມສະຫຼອງປະສິດທິພາບຢ່າງໂດດດ່ຽວ.
ມີວິທີໃດແດ່ທີ່ໃຊ້ໄດ້ຈິງເພື່ອຫຼຸດຜ່ອນຜົນກະທົບຂອງ AI ໂດຍບໍ່ທຳລາຍຜະລິດຕະພັນ?
ວິທີການທົ່ວໄປແມ່ນການເລີ່ມຕົ້ນດ້ວຍການວັດແທກ (ການປະເມີນພະລັງງານ ແລະ ຄາບອນ, ການນຳໃຊ້), ຈາກນັ້ນສ້າງແບບຈຳລອງຂະໜາດທີ່ເໝາະສົມກັບໜ້າວຽກ ແລະ ເພີ່ມປະສິດທິພາບການອະນຸມານດ້ວຍການເກັບຂໍ້ມູນ, ການແບ່ງກຸ່ມ, ແລະ ຜົນຜະລິດທີ່ສັ້ນກວ່າ. ເຕັກນິກຕ່າງໆເຊັ່ນ: ການວັດແທກປະລິມານ, ການກັ່ນ, ແລະ ການສ້າງແບບເຕີມຄືນທີ່ສາມາດດຶງຂໍ້ມູນມາໃຊ້ໃໝ່ໄດ້ ສາມາດຫຼຸດຜ່ອນຄວາມຕ້ອງການດ້ານການຄິດໄລ່ໄດ້. ທາງເລືອກດ້ານການດຳເນີນງານ - ເຊັ່ນ: ການກຳນົດເວລາວຽກງານຕາມຄວາມເຂັ້ມຂອງຄາບອນ ແລະ ອາຍຸການໃຊ້ງານຂອງຮາດແວທີ່ຍາວນານ - ມັກຈະສົ່ງຜົນໃຫ້ຜົນໄດ້ຮັບອັນໃຫຍ່ຫຼວງ.
AI ສາມາດຊ່ວຍເຫຼືອສິ່ງແວດລ້ອມໄດ້ແນວໃດແທນທີ່ຈະທຳລາຍມັນ?
ປັນຍາປະດິດ (AI) ສາມາດຫຼຸດຜ່ອນການປ່ອຍອາຍພິດ ແລະ ສິ່ງເສດເຫຼືອເມື່ອນຳໃຊ້ເພື່ອເພີ່ມປະສິດທິພາບຂອງລະບົບຕົວຈິງ: ການຄາດຄະເນຕາຂ່າຍໄຟຟ້າ, ການຕອບສະໜອງຄວາມຕ້ອງການ, ການຄວບຄຸມ HVAC ຂອງອາຄານ, ການສົ່ງເສັ້ນທາງການຂົນສົ່ງ, ການບຳລຸງຮັກສາແບບຄາດຄະເນ, ແລະ ການກວດຫາການຮົ່ວໄຫຼ. ມັນຍັງສາມາດຮອງຮັບການຕິດຕາມກວດກາສິ່ງແວດລ້ອມເຊັ່ນ: ການແຈ້ງເຕືອນການຕັດໄມ້ທຳລາຍປ່າ ແລະ ການກວດຫາມີເທນ. ສິ່ງສຳຄັນແມ່ນວ່າລະບົບຈະປ່ຽນແປງການຕັດສິນໃຈ ແລະ ສ້າງການຫຼຸດຜ່ອນທີ່ວັດແທກໄດ້, ບໍ່ພຽງແຕ່ແຜງຄວບຄຸມທີ່ດີກວ່າ.
ບໍລິສັດຄວນລາຍງານຕົວຊີ້ວັດໃດແດ່ເພື່ອຫຼີກລ່ຽງການຮຽກຮ້ອງ AI ທີ່ “ລົບລ້າງສີຂຽວ”?
ການລາຍງານຕົວຊີ້ວັດຕໍ່ໜ້າວຽກ ຫຼື ຕໍ່ການຮ້ອງຂໍມີຄວາມໝາຍຫຼາຍກວ່າຕົວເລກທັງໝົດທີ່ໃຫຍ່ຫຼວງ, ເພາະມັນສະແດງໃຫ້ເຫັນເຖິງປະສິດທິພາບໃນລະດັບຫົວໜ່ວຍ. ການຕິດຕາມການໃຊ້ພະລັງງານ, ການປະເມີນຄາບອນ, ການນຳໃຊ້, ແລະ - ໃນກໍລະນີທີ່ກ່ຽວຂ້ອງ - ຜົນກະທົບຂອງນ້ຳສ້າງຄວາມຮັບຜິດຊອບທີ່ຊັດເຈນກວ່າ. ສິ່ງສຳຄັນອີກຢ່າງໜຶ່ງ: ກຳນົດຂອບເຂດ (ສິ່ງທີ່ລວມຢູ່) ແລະ ຫຼີກລ່ຽງປ້າຍທີ່ບໍ່ຈະແຈ້ງເຊັ່ນ "AI ທີ່ເປັນມິດກັບສິ່ງແວດລ້ອມ" ໂດຍບໍ່ມີຫຼັກຖານທີ່ມີການວັດແທກປະລິມານ.
ເອກະສານອ້າງອີງ
-
ອົງການພະລັງງານສາກົນ (IEA) - ພະລັງງານ ແລະ ປັນຍາປະດິດ - iea.org
-
ອົງການພະລັງງານສາກົນ (IEA) - AI ສຳລັບການເພີ່ມປະສິດທິພາບ ແລະ ນະວັດຕະກຳພະລັງງານ - iea.org
-
ອົງການພະລັງງານສາກົນ (IEA) - ດິຈິຕອນ - iea.org
-
ຫ້ອງທົດລອງແຫ່ງຊາດ Lawrence Berkeley (LBNL) - ບົດລາຍງານການໃຊ້ພະລັງງານຂອງສູນຂໍ້ມູນສະຫະລັດອາເມລິກາ (2024) (PDF) - lbl.gov
-
Li ແລະ ຄະນະ - ເຮັດໃຫ້ AI “ຫິວນໍ້າ” ໜ້ອຍລົງ (2023) (PDF) - arxiv.org
-
ASHRAE (TC 9.9) - ການເກີດຂຶ້ນ ແລະ ການຂະຫຍາຍຕົວຂອງລະບົບເຮັດຄວາມເຢັນດ້ວຍນ້ຳໃນສູນຂໍ້ມູນຫຼັກ (PDF) - ashrae.org
-
ຕາຂ່າຍສີຂຽວ - ການກວດສອບຕົວຊີ້ວັດທີ່ສົມບູນແບບຂອງ PUE-A - thegreengrid.org
-
ກະຊວງພະລັງງານສະຫະລັດ (DOE) - FEMP - ໂອກາດປະສິດທິພາບນ້ຳເຢັນສຳລັບສູນຂໍ້ມູນລັດຖະບານກາງ - energy.gov
-
ກະຊວງພະລັງງານສະຫະລັດ (DOE) - FEMP - ປະສິດທິພາບພະລັງງານໃນສູນຂໍ້ມູນ - energy.gov
-
ອົງການປົກປ້ອງສິ່ງແວດລ້ອມສະຫະລັດ (EPA) - ອຸດສາຫະກຳເຄິ່ງຕົວນຳ - epa.gov
-
ສະຫະພາບໂທລະຄົມມະນາຄົມສາກົນ (ITU) - ຕິດຕາມກວດກາສິ່ງເສດເຫຼືອອີເລັກໂທຣນິກທົ່ວໂລກ 2024 - itu.int
-
OECD - ຜົນປະໂຫຍດຫຼາຍຢ່າງຂອງການປັບປຸງປະສິດທິພາບພະລັງງານ (2012) (PDF) - oecd.org
-
API ຄວາມເຂັ້ມຂອງຄາບອນ (GB) - carbonintensity.org.uk
-
imec - ການຫຼຸດຜ່ອນຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມໃນການຜະລິດຊິບ - imec-int.com
-
UNEP - MARS ເຮັດວຽກແນວໃດ - unep.org
-
ໜ່ວຍງານເຝົ້າລະວັງປ່າໄມ້ໂລກ - ການແຈ້ງເຕືອນການຕັດໄມ້ທຳລາຍປ່າຢ່າງດີໃຈ - globalforestwatch.org
-
ສະຖາບັນ Alan Turing - AI ແລະລະບົບອັດຕະໂນມັດສຳລັບການປະເມີນຄວາມຫຼາກຫຼາຍທາງຊີວະພາບ ແລະສຸຂະພາບຂອງລະບົບນິເວດ - turing.ac.uk
-
CodeCarbon - ວິທີການ - mlco2.github.io
-
Gholami ແລະ ຄະນະ - ການສຳຫຼວດວິທີການວັດແທກປະລິມານ (2021) (PDF) - arxiv.org
-
Lewis ແລະ ຄະນະ - ລຸ້ນທີ່ດຶງຂໍ້ມູນຄືນມາໄດ້ (2020) - arxiv.org
-
Hinton ແລະ ຄະນະ - ການກັ່ນກອງຄວາມຮູ້ໃນເຄືອຂ່າຍປະສາດ (2015) - arxiv.org
-
CodeCarbon - codecarbon.io