Το MIT News συζητάει τον περιβαλλοντικό αντίκτυπο της γενετικής τεχνητής νοημοσύνης σε μια σειρά δύο άρθρων. Αυτό το άρθρο εξετάζει την υψηλή κατανάλωση πόρων της τεχνολογίας, ενώ το επόμενο θα επικεντρωθεί σε στρατηγικές για τη μείωση του αποτυπώματος άνθρακα της. Η γενετική τεχνητή νοημοσύνη υπόσχεται διάφορα οφέλη, όπως η ενίσχυση της παραγωγικότητας και η προώθηση της έρευνας, αλλά η ταχεία ανάπτυξή της προκαλεί σημαντικές περιβαλλοντικές ανησυχίες που είναι δύσκολο να ποσοτικοποιηθούν ή να μετριαστούν. Η εκπαίδευση μοντέλων με δισεκατομμύρια παραμέτρους, όπως το GPT-4 της OpenAI, απαιτεί κολοσσιαία υπολογιστική ισχύ, με αποτέλεσμα τη μεγάλη κατανάλωση ηλεκτρικής ενέργειας και την αύξηση των εκπομπών άνθρακα. Εκτός από την ηλεκτρική ενέργεια, σημαντικοί υδάτινοι πόροι είναι απαραίτητοι για την ψύξη του υλικού εκπαίδευσης και ανάπτυξης, γεγονός που μπορεί να πιέσει τις τοπικές υδάτινες προμήθειες και να διαταράξει τα οικοσυστήματα. Η αύξηση των εφαρμογών γενετικής τεχνητής νοημοσύνης εντείνει επίσης τη ζήτηση για προηγμένο υπολογιστικό υλικό, προσθέτοντας περαιτέρω περιβαλλοντικά βάρη από την παραγωγή και τη μεταφορά του. Η Έλσα Α. Ολιβέτι, καθηγήτρια στο MIT, σημειώνει ότι ο περιβαλλοντικός αντίκτυπος εκτείνεται πέρα από τη χρήση ηλεκτρικής ενέργειας σε ευρύτερες συστημικές συνέπειες. Τα κέντρα δεδομένων, που είναι κρίσιμα για τη φιλοξενία μοντέλων γενετικής τεχνητής νοημοσύνης, συμβάλλουν σημαντικά σε περιβαλλοντικά ζητήματα. Αυτά τα κέντρα απαιτούν τεράστια ποσότητα ενέργειας για τη λειτουργία τους.

Για παράδειγμα, ένα μόνο κέντρο δεδομένων μπορεί να φιλοξενήσει περίπου 50. 000 διακομιστές, και η αυξανόμενη ζήτηση για κέντρα δεδομένων έχει οδηγήσει σε ταχεία κατασκευή, μακριά από βιώσιμες πρακτικές. Προβλέψεις υποδεικνύουν ότι μέχρι το 2026, η κατανάλωση ηλεκτρικής ενέργειας στα παγκόσμια κέντρα δεδομένων θα μπορούσε να φτάσει τα 1. 050 τεραβάτ. Η εκπαίδευση μεγάλων μοντέλων τεχνητής νοημοσύνης, όπως το GPT-3, έχει σοβαρές ενεργειακές απαιτήσεις, με μελέτες να εκτιμούν μεγάλη χρήση ηλεκτρικής ενέργειας και σημαντικές εκπομπές άνθρακα. Επιπλέον, οι ενεργειακές απαιτήσεις δεν παραμένουν μόνο κατά την εκπαίδευση αλλά και κατά τη χρήση σε πραγματικό χρόνο, όπως αποδεικνύεται από το γεγονός ότι κάθε αλληλεπίδραση με τη γενετική τεχνητή νοημοσύνη καταναλώνει πολύ περισσότερη ηλεκτρική ενέργεια από τις παραδοσιακές διαδικτυακές αναζητήσεις. Οι τρέχουσες τάσεις υποδεικνύουν ότι τα μελλοντικά μοντέλα γενετικής τεχνητής νοημοσύνης θα απαιτούν ακόμη περισσότερη ενέργεια, με μικρότερες διάρκειες ζωής να οδηγούν σε συχνές νέες εκδόσεις μοντέλων. Αυτός ο κύκλος σπαταλά την ενέργεια που δαπανήθηκε για τις προηγούμενες εκδόσεις. Η κατανάλωση νερού από τα κέντρα δεδομένων θέτει επίσης σημαντικές περιβαλλοντικές προκλήσεις, καθώς απαιτείται σημαντική ποσότητα ψυχρού νερού, επηρεάζοντας τη βιοποικιλότητα στην περιοχή. Τα περιβαλλοντικά κόστη που σχετίζονται με την παραγωγή του υπολογιστικού υλικού—από GPUs έως CPUs—είναι σημαντικά λόγω πολύπλοκων διαδικασιών κατασκευής και μεθόδων εξόρυξης πόρων. Παρά την μη βιώσιμη κατεύθυνση, οι συγγραφείς προτείνουν ότι η υπεύθυνη ανάπτυξη της γενετικής τεχνητής νοημοσύνης απαιτεί μια πλήρη αξιολόγηση των περιβαλλοντικών και κοινωνικών της επιπτώσεων παράλληλα με τα ενδεχόμενα οφέλη της. Η Ολιβέτι τονίζει την ανάγκη για μια συγκείμενη κατανόηση ώστε να μετρηθούν και να κατανοηθούν αυτές οι εξελισσόμενες συμβιβασμοί.