Digitaalse suhtluse ümbermõtestamine genereeriva tehisintellekti abil
Generatiivne tehisintellekt (AI) on tehnoloogiauuenduste esirinnas, muutes seda, mida peame võimalikuks, ja muutes meie suhtluse digitaalse maailmaga. Suurte keelemudelidena (SLM-id) nagu GPT süvenevad igapäevaelu osaks, on tekkinud kasvav mure selliste edusammude toetamiseks vajaliku energia pärast, tekitades olulisi arutelusid keskkonna jätkusuutlikkuse üle.
Suured keelemudelid ja nende keskkonnajalajälg
Võttes näiteks OpenAI GPT-4, nõuab selle koolitus energiat, mis vastab umbes 1 300 USA majapidamise aastasele tarbimisele. See algne koolitusetapp määrab tulevase kasutamise parameetrid. Kuigi üksik GPT-4 kasutamine tarbib palju rohkem energiat kui Google’i otsing, laieneb märkimisväärne energiaväljakutse teabeotsingutest kaugemale nõudlikumatele rakendustele. Siiski võivad paljudel juhtudel LLM-id kompenseerida eelnevat energiakulu, vähendades seega võimalikult täiendava energia tootmise vajadust.
Väikeste keelemudelite (VKM) esilekerkimine
GPT-3 levikuga nihkus uurimistöö LLM-ide optimeerimise poole, eesmärgiga vähendada nende suurust, säilitades samal ajal võimekuse. Meta Llama, mis avaldati 2023. aasta veebruaris, saavutas võrreldava jõudluse OpenAI-ga, kasutades märkimisväärselt väiksemat raamistikku. Vaid 70 miljardi parameetriga nõuab Llama 2 isegi võrreldes Google’i otsinguga vähem energiat ning näitab, et konkreetsetes kontekstides optimaalsemate mudelite valimine ei tähenda kvaliteedi saavutamise ohverdamist.
Teekond väiksemate ja tõhusamate mudelite poole
Meta avatud lähtekoodiga mudelid ja OpenAI pidevad pingutused on sillutanud teed väiksematele mudelitele, nagu Microsofti Orca, mis töötab arvutusnõuetega, mis on sarnased viimaste mängukonsoolide omadega, kasutades vaid 7 miljardit parameetrit. Need mudelid väiksemate energianõudmistega võiksid peagi töötada mobiilseadmetes, parandades privaatsust, kasutatavust piiratud ühenduvusega piirkondades ja võimaldades võrdset juurdepääsu tipptasemel AI-tehnoloogiatele.
Juhtivad kiipide arendajad, nagu Qualcomm ja ARM, ootavad VKM-ide integreerimist mobiilseadmetesse. Apple’i praegune Neural Engine’i kasutamine näitab, et nad töötavad Generatiivse AI integreerimise poole oma toodetesse tulevatel aastatel. Liikumine nende kompaktsete ja energiatõhusate AI mudelite poole on märkimisväärne tehnoloogiline läbimurre ja oluline samm jätkusuutlikkuse suunas. Koolituse ja keelemudelite toimimisega seotud energiavajaduste vähendamisega saame nautida generatiivse AI eeliseid, tagades samal ajal planeedi heaolu.
Tõhusad AI mudelid ja jätkusuutliku arvutamise otsing
Energiatõhusus AI-s on otsustava tähtsusega tehnoloogia keskkonnamõju leevendamiseks. AI arengud on viinud mudelite loomiseni, mis vajavad vähemarvutusressursse, säilitades samal ajal tugeva jõudluse. See on eriti oluline arvestades, et andmekeskused, mis sageli hõlbustavad AI arvutusi, moodustavad hinnanguliselt umbes 1% globaalsest elektrienergia kasutamisest.
Põhiküsimused ja vastused
Miks on energiaefektiivsus AI-s tähtis?
Energiatõhusus on oluline keskkonnamõju vähendamiseks AI koolitamisel ja töötamisel nõuab märkimisväärset elektrienergiat. Efektiivsed mudelid aitavad vähendada süsinikujälgi ja muudavad AI ligipääsetavamaks energiapuudulikes keskkondades.
Milliseid edusamme on AI-s tehtud energiaefektiivsuse parandamiseks?
Edusammud hõlmavad Väiksemate Keelte Mudelite (VKM) arendamist, algoritmilisi optimeerimisi, mis muudavad AI arvutused kergemaks, ja AI jaoks välja töötatud riistvarainnovatsioone, nagu spetsialiseeritud protsessorid.
Millised on energiaefektiivsete AI mudelite loomise väljakutsed?
Väljakutsed hõlmavad suuremate mudelite jõudluse säilitamist väiksemates raamistikes, tagades, et vähenenud suurus ei vii vähemtäpsete või vähem usaldusväärsete tulemusteni, ning uute energiatõhusate tehnoloogiate arendamisega seotud võimalikke kõrgeid kulusid.
Põhiväljakutsed ja vaidlused
Peamine väljakutse on tasakaalu leidmine mudelite jõudluse ja energiaefektiivsuse vahel. Suuremad mudelid, rohkemate parameetritega, üldjuhul jõudlust paremaks, kuid kõrgema energiakuluga. On ka vaidlus võimalike tasakaalustuste kohta, kus väiksemad mudelid võivad mitte säilitada sama täpsust või võimekust kui suuremad mudelid.
Keskkonnaalased vaidlused keskenduvad energiamahukate AI mudelite koolitusest tulenevate süsinikueemissioonidele. Kriitikud küsitlevad, kas AI edusammude eelised õigustavad nende keskkonnamõju. Vastasel juhul viitavad pooldajad AI potentsiaalile muuta teisi sektoreid efektiivsemaks, nagu kliimamudelid ja energiajaotus.
Eelised ja puudused
Eelised:
1. Vähendatud Süsinikujälg: Enegiatõhusamate mudelid aitavad kaasa süsinikueemissioonide vähenemisele.
2. Juurdepääsetavus ja Kaasatus: Enegiatõhusamad mudelid võivad töötada piirkondades, kus on piiratud energiainfrastruktuur, toetades globaalset ligipääsetavust.
3. Kulude Sääst: Väiksemad energianõuded tõlgenduvad ettevõtetele ja kasutjaile säästudeks.
Puudused:
1. Teatava Komplektsuse Kadu: Väiksemad mudelid võivad kaotada mõningaid suuremate kolleegide võimeid.
2. Resursside Intensiivsus Arendamisel: Tõhusama AI uurimine ja arendamine võivad olla iseenesest ressursimahukad.
3. Tehnoloogilised Piirangud: Olemasolev tehnoloogia võib piirata energiatõhusate mudelite potentsiaali, nõudes optimaalse jõudluse saavutamiseks täiendavaid uuendusi.
Sellele järgneb kiiresti kasvav valdkond AI eetikat, mis põhineb vastutustundlikul AI tehnoloogiate kasutamisel ja arendamisel. Eetilise AI arendamine peab lisaks sotsiaalsetele tagajärgedele arvesse võtma ka keskkonnasäästlikkust.
Lisateabe saamiseks AI-st ja selle keskkonnamõjust külastage mõnede oluliste mängijate ja uurimisasutuste peamist domeeni:
– OpenAI
– Meta AI
– Google AI
– Microsoft Research
– DeepMind
Need organisatsioonid pakuvad sageli ülevaateid ja uuendusi oma algatuste kohta jätkusuutlike AI-süsteemide loomisel. Oluline on alati tagada, et lingid viiksid usaldusväärsetele ja usaldusväärsetele allikatele enne nende jagamist.
The source of the article is from the blog windowsvistamagazine.es