Η τεχνητή νοημοσύνη (ΤΝ) έχει γίνει αναπόσπαστο μέρος της ζωής μας, ενισχύοντας τα πάντα από chatbots έως γλωσσικά μοντέλα. Ωστόσο, ο πραγματικός ενεργειακός κατανάλωσης της ΤΝ παραμένει ένα μυστήριο. Ενώ υπάρχουν εκτιμήσεις, αυτές παρέχουν μόνο μια εικόνα για τη συνολική ενεργειακή χρήση της ΤΝ λόγω της υψηλής μεταβλητότητας των μοντέλων μηχανικής μάθησης. Αυτή η έλλειψη διαφάνειας από εταιρείες όπως η Meta, η Microsoft και η OpenAI δυσχεραίνει ακόμη περισσότερο τον υπολογισμό.
Ένας γνωστός παράγοντας είναι ο έντονος αντίθετος με εκπαίδευση των μοντέλων ΤΝ και την εφαρμογή τους για ευρεία χρήση. Η εκπαίδευση αυτών των μοντέλων απαιτεί τεράστιες ποσότητες ενέργειας και μπορεί να καταναλώνει τεράστιες ποσότητες ηλεκτρισμού. Για παράδειγμα, η εκπαίδευση μεγάλων γλωσσικών μοντέλων όπως το GPT-3 εκτιμάται ότι χρησιμοποιεί σχεδόν 1.300 μεγαβάτωρες (MWh) ηλεκτρικής ενέργειας, ισοδύναμο με την ετήσια κατανάλωση 130 σπιτιών στις ΗΠΑ. Συγκριτικά, την ροή ενός ωρας Netflix απαιτεί μόνο 0,8 kWh ηλεκτρικό ρεύμα.
Παρόλα αυτά, παραμένει δύσκολο να εκτιμήσουμε τα ενεργειακά κόστη των σημερινών προηγμένων συστημάτων ΤΝ. Από τη μία πλευρά, τα μοντέλα ΤΝ έχουν αυξηθεί σε μέγεθος, πιθανώς αυξάνοντας την ενεργειακή κατανάλωση. Από την άλλη πλευρά, οι εταιρείες μπορεί να υιοθετούν ενεργειακά αποδοτικές μεθόδους, αντισταθμίζοντας την αύξηση των ενεργειακών κόστων.
Η μετάβαση προς το απόρρητο στην βιομηχανία της ΤΝ έχει περαιτέρω δυσχεράνει τις ακριβείς εκτιμήσεις. Οι εταιρείες έχουν γίνει πιο σιωπηλές σχετικά με τις διαδικασίες εκπαίδευσής τους και τις τεχνικές ηλεκτρονικής. Ως αποτέλεσμα, είναι δύσκολο να προσδιοριστεί η χρήση ενέργειας των πιο πρόσφατων μοντέλων ΤΝ, όπως τα ChatGPT και GPT-4. Αυτό το πέπλο απόρρητο δεν προκύπτει μόνο από τον ανταγωνισμό, αλλά επίσης λειτουργεί ως αμύνη για πιθανές κριτικές για ανούσια χρήση ενέργειας, συχνά συγκρίνοντας με τον σπατάλη cryptocurrent.
Αν και η εκπαίδευση των μοντέλων ΤΝ είναι ένα σημαντικό μέρος της εξίσωσης της ενεργειακής κατανάλωσης, το στάδιο της απόδοσης είναι εξίσου σημαντικό. Η απόδοση αναφέρεται στη διαδικασία χρήσης του εκπαιδευμένου μοντέλου για τη δημιουργία εξόδου. Πρόσφατες έρευνες έχουν εκτιμήσει τη χρήση ενέργειας κατά τη διάρκεια της απόδοσης για διάφορα μοντέλα ΤΝ. Τα αποτελέσματα έδειξαν ότι οι περισσότερες εργασίες καταναλώνουν σχετικά μικρές ποσότητες ενέργειας, παρόμοιες με την παρακολούθηση μερικών δευτερολέπτων ή λεπτών Netflix. Ωστόσο, τα μοντέλα παραγωγής εικόνων απαιτούν σημαντικά περισσότερη ενέργεια, κάποιες φορές σχεδόν το ίδιο με τη φόρτιση ενός smartphone.
Παρόλο που αυτές οι ευρήματα παρέχουν σχετικά δεδομένα, δεν παρέχουν απόλυτους αριθμούς. Η μελέτη υπογραμμίζει ότι η δημιουργία εξόδου απαιτεί περισσότερη ενέργεια από την ταξινόμηση της εισόδου και ότι η παραγωγή εικόνων καταναλώνει περισσότερη ενέργεια από τη δημιουργία κειμένου. Είναι προφανές ότι τα ενεργειακά κόστη που σχετίζονται με την ΤΝ είναι ακόμα άγνωστα και υψηλά εξαρτημένα.
Καθώς η επανάσταση της ΤΝ συνεχίζεται, είναι ζωτικό να αναγνωρίσουμε τα κρυφά ενεργειακά κόστη και να αναπτύξουμε μεθοδολογίες για την καταμέτρηση και τη βελτίωση της ενεργειακής απόδοσης. Η κατανόηση των πραγματικών ενεργειακών επιπτώσεων της ΤΝ θα μας καθοδηγήσει προς βιώσιμες τεχνολογικές προόδους, με ελάχιστες
The source of the article is from the blog portaldoriograndense.com