Naujai apsvarstantys skaitmeninį sąveiką naudojant generatyvųjį dirbtinį intelektą
Generatyvus dirbtinis intelektas (DI) yra pirmaujantis technologijų inovacijų frontas, perdarantys tai, ką laikome įmanoma ir transformuojantys mūsų sąveiką su skaitmeniniu pasauliu. Didieji kalbos modeliai (DKM), pvz., GPT, įsigilindami į kasdienybę, kyla rūpestis dėl energijos, kuri reikalinga palaikyti tokius pažangius sprendimus, skatinant esminius debatus dėl aplinkosaugos tvarumo.
Didieji kalbos modeliai ir jų ekologinis pėdsakas
Imantis pavyzdžiu GPT-4 iš OpenAI, jo treniravimui reikalinga energija, lygi apytikriai 1,300 JAV namų ūkių metiniams poreikiams. Ši pradinė treniravimo faza nustato parametrus ateities naudojimui. Nors viena GPT-4 naudojimo atvejo sunaudoja daugiau energijos nei Google paieška, esminis energetinis iššūkis išplito ne tik iki informacijos paieškos, bet ir iki reiklesnių taikymų. Tačiau daugeliu atveju DKM gali kompensuoti esamą energijos sunaudojimą, taigi teoriškai mažinant poreikį papildomai energijos gamybai.
Mažų kalbos modelių (MKM) iškilimas
Su GPT-3 plitimu tyrimai perėjo prie DKM optimizavimo, siekdamiesi sumažinti jų dydį, išsaugant gebėjimus. Meta Llama, išleista 2023 m. vasarį, pasiekė palyginamą rezultatyvumą su OpenAI, turėdama ženkliai mažesnę struktūrą. Naudojant vos 70 mlrd. parametrų, Llama 2 reikalauja mažiau energijos netgi lyginant su Google paieška, ir rodo, kad tam tikrais atvejais pasirinkimas kompaktiškiems modeliams nereiškia aukštos kokybės aukojimo.
Kelias link mažesnių, efektyvesnių modelių
Meta atviri modeliai ir OpenAI nuolatinių pastangų padeda grįžti link mažesnių modelių, kaip pvz., „Microsoft“ Orca, kuris veikia su skaičiavimo poreikiais panašiais į naujausius žaidimų konsolius, tuo naudojant vos 7 mlrd. parametrų. Šie modeliai su mažesniais energijos poreikiais netrukus galėtų veikti mobiliuose įrenginiuose, pagerindami privatumą, naudojimą teritorijose su ribotu ryšiu ir suteikiantis lygų prieigą prie pažangios DI technologijos.
Lyderiaujantys lustų kūrėjai, tokie kaip „Qualcomm“ ir „ARM“, numato integruoti MKM į mobiliuosius įrenginius. Apple dabartinis „Neural Engine“ naudojimas rodo, kad jie siekia įtraukti generatyvųjį DI į savo produktus ateinančiais metais. Sis perėjimas link šių kompaktiškų, energijos efektyvių DI modelių yra reikšmingas technologinis lūžis ir esminis žingsnis link tvarumo. Sumažindami energijos poreikį modelių treniravimui ir veikimui, galime prisitaikyti prie generatyvaus DI naudos, užtikrindami planetos gerovę.
Efektyvūs DI modeliai ir ilgalaikis tvaraus skaičiavimo paieška
Energijos efektyvumas DI yra esminis siekiant mažinti technologijų aplinkosaugos įtaką. DI plėtra lėmė modelių kūrimą, kurie reikalauja mažesnio skaičiavimo resursų, palaikant stiprų našumą. Tai ypač svarbu atsižvelgiant į tai, kad duomenų centrai, kurie dažnai palengvina DI skaičiavimus, sudaro apie 1% visame pasaulyje suvartojamos elektros energijos.
Svarbios klausimai ir atsakymai
Kodėl energingumas yra svarbus DI?
Energingumas yra būtinas, siekiant sumažinti DI naudojimo aplinkos poveikį, kadangi treniravimas ir veikimas DI modeliais gali reikalauti didelių elektros energijos kiekių. Efektyvūs modeliai padeda sumažinti anglies pėdsaką ir padaro DI prieinamesnį energijos ribotuose regionuose.
Kokių pažangų DI buvo padaryta, siekiant pagerinti energijos efektyvumą?
Pažangos apima mažų kalbos modelių kūrimą, algoritmų optimizavimus, kurie padaro DI skaičiavimus lengvesnius, ir aparatinės įrangos inovacijas, skirtas DI, pvz., specializuotiems procesoriams.
Kokios yra energiją taupančių DI modelių kūrimo iššūkiai?
Iššūkiai apima geriausių rezultatų išlaikymą didesniuose modeliuose mažesniuose karkasuose, užtikrinant, kad sumažėjęs dydis nesąlygoja paslinktą ar mažiau patikimų rezultatų, ir galimus didelius išlaidų, susijusių su efektyviomis energijos technologijomis, kaštus.
Svarbūs iššūkiai ir kontroversijos
Pagrindinis iššūkis yra išlaikyti pusiausvyrą tarp modelio veiksmingumo ir energetinio efektyvumo. Didieji modeliai, su daugiau parametrų, paprastai veikia geriau, bet didesniais energetiniais kaštais. Taip pat yra kontroversija dėl galimų kompromisų, kur mažesni modeliai gali neturėti to paties lygio tikslumo ar gebėjimų kaip didesni.
Aplinkosaugos debatai koncentruojasi ties anglies išskyrimais dėl energetikai reikalaujančių DI modelių treniravimo. Kritikai kelia klausimą, ar DI pažangos pranašumai pateisina jų aplinkos poveikį. Priešingai, rėmėjai nurodo DI potencialą optimizuoti kitas sritis, siekiant geriau energijos efektyvumo, pvz., klimatologijos modeliavimą ir energijos platinimą.
Privalumai ir trūkumai
Privalumai:
1. Mažesnis anglies pėdsakas: Energiškai efektyvesni modeliai prisideda prie mažesnių anglies išskyrimų.
2. Prieinamumas ir įtraukimas: Energią taupantys modeliai gali veikti regionuose su ribota energijos infrastruktūra, palaikydami pasaulinį prieinamumą.
3. Įmonių ir vartotojų išlaidų taupymas: Mažesni energijos poreikiai verčia sutaupyti įmonėms ir vartotojams.
Trūkumai:
1. Galimybė prarasti kompleksiškumą: Mažesni modeliai gali prarasti kai kuriuos didesnių modelių gebėjimus.
2. Resursų intensyvumas modelių kūrimui: Efektyvesniems DI tyrimams ir plėtrai lems didelius išteklius.
3. Technologiniai apribojimai: Esama technologija gali riboti energiją taupančių modelių potencialą, reikalingus tolesniems panašumo didinimui.
Susijusi su sparčiai augančia AI etikos sritimi, kuri susijusi su atsakingu AI technologijų naudojimu ir plėtra. Etinis DI vystymas turi atsižvelgti į aplinkosauginį tvarumą, išskirdamas jį iš socialinių poveikių.
Daugiau informacijos apie DI ir jo aplinkosauginį poveikį rasite pagrindiniuose kai kurių pirmaujančių veikėjų ir tyrimų institucijų šioje srityje interneto svetainėse:
– OpenAI
– Meta AI
– Google AI
– Microsoft Research
– DeepMind
Šios organizacijos dažnai teikia įžvalgas ir naujienas apie savo pastangas kurti tvarius AI sistemas. Atsiminkite, kad svarbu visada užtikrinti, kad nuorodos vestų į patikimus bei patikimas šaltinius, prieš pasidalindami jomis.
The source of the article is from the blog mivalle.net.ar