Sztuczna inteligencja a klimat. Wróg, ale też przyjaciel

Autor: Mirosław Ciesielski, wykładowca akademicki, opisuje rynki finansowe, zmiany na rynku fintechów i startupów, Obserwator Finansowy

Każda cyfrowa technologia wiąże się z konsumpcją energii, a więc jeśli nie pochodzi ona ze źródeł odnawialnych generuje środowiskowy ślad węglowy. Agenda ONZ ds. Rozwoju (UNDAP) szacuje, że technologie cyfrowe mogą także znacząco przyspieszyć transformację energetyczną poprzez zmniejszenie emisji gazów cieplarnianych nawet o 15 proc. Z kolei poprawa efektywności energetycznej umożliwi 40 proc. redukcji niezbędnych do utrzymania celu wzrostu temperatury globu o 1,5°C do połowy XXI w. Połączenie technologii cyfrowych z energią odnawialną może zapewnić także rozwój znacznie mniej emisyjnego rolnictwa i uprawy odporniejsze na zmiany klimatu. To szczególnie istotne dla krajów słabo rozwiniętych.

Najbardziej inwazyjną dla środowiska technologią cyfrową okazuje się blockchain wykorzystywany do kopania bitcoinów. Według pochodzącego z 2022 r. badania opublikowanego w czasopiśmie Scientific Reports, szkody środowiskowe i społeczne, jakie ta kryptowaluta wyrządza światu, są porównywalne z tak wysoko emisyjnymi gałęziami przemysłu jak produkcja wołowiny i spalanie ropy naftowej. Badanie wykazało, że każdy dolar wartości rynkowej bitcoina generował średnio 35 centów globalnych szkód klimatycznych w latach 2016–2021. Dla porównania benzyna wygenerowała 41 centów, a produkcja wołowiny była odpowiedzialna za szkody w wysokości 33 centów. Co więcej, straty klimatyczne spowodowane przez bitcoina były 8,75 razy większe niż w przypadku wydobywania złota. Zakładając społeczny koszt emisji dwutlenku węgla w wysokości 100 dol. za tonę, czyli podobny do kosztu obecnych uprawnień do emisji w UE, naukowcy odkryli, że szkody klimatyczne wynoszą średnio 3088 dol. na każdego wydobytego bitcoina. Stąd w latach 2016–2021 całkowite szkody klimatyczne spowodowane przez tę kryptowalutę na całym świecie miały wynieść 12 mld dol. Z kalkulacji organizacji ekologicznych Earthjustice i Sierra Club wynika, że emisja w USA wyniosła 27,4 mln ton CO₂ rocznie, czyli trzy razy więcej niż zanieczyszczenia generowane przez największą elektrownię węglową w kraju w 2021 r. Inne kryptowaluty są znacznie mniej toksyczne środowiskowo.

Więcej o sztucznej inteligencji przeczytasz na Bizblog.pl:

Rozpowszechnienie sztucznej inteligencji, w tym generatywnej (GAI), która ma już blisko 200 mln użytkowników, musi także rodzić pytanie o jej emisyjność. Emisje powstają już w trakcie trenowania modeli językowych. W jednym z najwcześniejszych badań dotyczących tej technologii w 2019 r. oszacowano ślad węglowy szkolenia w zakresie dużego modelu językowego (LLM), jakim był GPT-2, na około 300 ton emisji CO₂, co odpowiada 125 lotom w obie strony między Nowym Jorkiem a Pekinem. Od tego czasu modele stały się wykładniczo większe, a zatem ich ślad węglowy powinien być jeszcze większy. Obecne modele sztucznej inteligencji GPT-3 i Gopher, rozwinięty przez firmę DeepMind, oparty na 280 mld parametrów i wyspecjalizowany w naukach humanistycznych, zużywają znacznie ponad tysiąc megawatogodzin energii na samo szkolenie. A jedna MWh generuje około 0,8 tony CO₂. Z wyliczeń portalu Carbon Credits wynika, że szkolenie modelu LLM przekłada się na emisje przynajmniej pięciu samochodów osobowych w całym cyklu ich życia. Międzynarodowa Agencja Energetyczna podaje natomiast, że trening pojedynczego modelu SI konsumuje więcej energii elektrycznej niż 100 domów w USA zużywa w ciągu całego roku!

Brakuje dokładnych informacji na temat emisji CO₂ pojedynczego promptu (zapytania) do GAI. Dla przykładu obliczenia Carnegie Mellon University ujawniły, że wygenerowanie 1000 zdjęć za pomocą zaawansowanego modelu sztucznej inteligencji odpowiada śladowi węglowemu jazdy średniej klasy samochodem na dystansie 7,1 km. Szacunki branży SI pokazują natomiast, że emisje z pojedynczego promptu są od 4 do 5 razy większe niż ślad węglowy z zapytania w wyszukiwarce, a jedno wyszukiwanie w Google powoduje emisję około 0,2 g CO₂. ChatGPT zanotował w styczniu 1,7 mld odwiedzin, czyli mogło się to przełożyć na emisje o wielkości 1,7 tys. ton dwutlenku węgla. Badanie przeprowadzone przez Google wykazało jednak, że zastosowanie wydajniejszej architektury modelu SI, bardziej ekologicznego i opartego na zielonej energii centrum danych może zmniejszyć ślad węglowy tej technologii od 100 do nawet 1000 razy.

Mimo to emisje będą wyzwaniem, bo wielkość modeli sztucznej inteligencji szybko rośnie, podwajając się w ciągu ostatnich kilku lat średnio co 3,4 miesiąca. Sam Google w 2021 r. zużywał do 15 proc. swojej konsumpcji energii na zastosowania SI, z uwagi na jej postęp teraz udział ten może być znacznie większy. Jak podaje firma konsultingowa Gartner obecnie centra danych, w których trenowane modele SI konsumują już 2 proc. energii zużywanej w USA, mogą być od 10 do 50 razy bardziej energochłonne niż tradycyjne budynki biurowe.

Emisje to jednak nie jedyny negatywny ślad ekologiczny pozostawiany przez sztuczną inteligencję. Naukowcy z Uniwersytetu Kalifornijskiego w Riverside ujawnili znaczny ślad wodny modeli SI, takich jak ChatGPT-3 i 4. Z badania wynika, że Microsoft zużył około 700 tys. litrów słodkiej wody podczas szkolenia GPT-3 w swoich centrach danych – to jest ilość wody równoważna produkcji 370 samochodów BMW lub 320 pojazdów Tesli. Dzieje się tak przede wszystkim w wyniku procesu szkoleniowego, podczas którego zużywane są duże ilości energii i następnie przekształcane w ciepło, co wymaga utrzymania temperatury pod kontrolą oraz chłodzenia maszyn. Co więcej, model zużywa również znaczną ilość wody w procesie wnioskowania, który ma miejsce, gdy ChatGPT jest używany do takich zadań, jak odpowiadanie na pytania lub generowanie tekstu. W przypadku prostej rozmowy składającej się z 20–50 pytań zużyta woda odpowiada butelce o pojemności 0,5 litra, co biorąc pod uwagę setki milionów użytkowników oznacza, że całkowity ślad wodny jest znaczny.

Najprostszym sposobem redukcji śladu węglowego przy trenowaniu i użytkowaniu sztucznej inteligencji jest korzystanie z odnawialnych źródeł energii. Przeprowadzone doświadczenia wskazują, że przy szkoleniu sieci neuronowych, można zmniejszyć emisję od 30 do 40 razy w porównaniu z energią pozyskiwaną z paliw kopalnych. Firmy technologiczne mogą więc korzystać z centrów danych opartych na energii słonecznej (służyć temu może zawarcie umów zakupu czystej energii, czyli tzw. PPA), które redukują lub kompensują emisję gazów cieplarnianych. Do innych możliwości redukcji śladu węglowego należą także:

Zasadne byłoby także zbadanie wpływu rozwijanej sztucznej inteligencji na środowisko i optymalizowanie zużycia energii jeszcze przed rozpoczęciem trenowania jej modeli. Do zmniejszenia konsumpcji energii w trakcie korzystania z LLM powinni przyczynić się też sami użytkownicy SI, którzy mogą ją użytkować w sposób bardziej zrównoważony, czyli na przykład w godzinach, kiedy popyt na energię jest mniejszy lub będzie ona pochodziła ze źródeł odnawialnych. Użytecznym w tym kontekście byłoby opracowanie zielonego kodeksu pracy ze sztuczną inteligencją.

Rozpowszechnienie sztucznej inteligencji coraz bardziej sprawia, że znajduje ona wiele zastosowań związanych z oszczędzaniem energii. Wykorzystywana już jest do zarządzania energią w budynkach – analizą danych z systemów ogrzewania, wentylacji i klimatyzacji, co służy identyfikacji wzorców konsumpcji i poprawie efektywności energetycznej budynków, a więc oszczędności energii oraz zmniejszeniu emisji. Sztuczna inteligencja może też pomóc w zarządzaniu inteligentnymi sieciami (smart grids), czyli sieciami dostaw energii elektrycznej wykorzystującymi technologię komunikacji cyfrowej do wykrywania lokalnych zmian w użytkowaniu i reagowania na nie.

Algorytmy sztucznej inteligencji mogą zatem przewidywać wzorce zużycia na podstawie danych historycznych i danych pochodzących z czasu rzeczywistego, co przedsiębiorstwom użyteczności publicznej daje możliwości efektywniejszej oraz oszczędniejszej alokacji zasobów. To istotne, bo rosnąca liczba urządzeń podłączonych do sieci, od stacji ładowania pojazdów elektrycznych (EV) po instalacje fotowoltaiczne w budynkach mieszkalnych, sprawia, że przepływy energii stały się mniej przewidywalne. Jednocześnie pogłębiają się powiązania pomiędzy systemem elektroenergetycznym a sektorem transportu, przemysłu i budownictwa. Nowe urządzenia do monitorowania przepływów mocy w sieci przekazują operatorom o ponad rząd wielkości więcej danych niż technologie, które zastępują. W ten sposób, korzystając z modeli pogodowych i informacji o lokalizacji turbin, można prognozować moc elektrowni wiatrowych. To z kolei pomaga zarządzać bilansem mocy w systemie energetycznym, a szacuje się, że sama globalna liczba turbin wiatrowych generuje ponad 400 mld punktów danych rocznie. Z informacji prezentowanych przez Międzynarodową Agencję Energetyczną wynika, że sztuczna inteligencja ma już ponad 50 różnych zastosowań w systemie energetycznym, a wartość rynku technologii SI w tym sektorze może sięgać nawet 13 mld dol.

Rola sztucznej inteligencji rośnie też w naukach związanych z ochroną klimatu w następstwie rosnącej liczby dostępnych danych. Modele językowe są w stanie przetwarzać i analizować ogromne ilości danych, umożliwiając badaczom identyfikację wzorców i spostrzeżeń, które w inny sposób byłyby trudne lub niemożliwe do wykrycia. Jest to szczególnie przydatne w takich dziedzinach, jak klimatologia, ekologia oraz nauki o Ziemi, gdzie zbiory danych mogą być niezwykle duże i złożone. Jedną z kluczowych zalet stosowania modeli LLM w badaniach środowiskowych jest ich zdolność do rozumienia i przetwarzania języka naturalnego. Umożliwia to badaczom analizowanie danych z takich źródeł, jak artykuły naukowe, prasowe i posty w mediach społecznościowych, co może zapewnić cenny wgląd w społeczną percepcję wielu zjawisk oraz wpływać na prośrodowiskowe decyzje polityczne.

Olbrzymie możliwości stwarza również szybkie przetwarzanie danych satelitarnych, które dostarczają informacji o użytkowaniu gruntów, roślinności, wzorcach pogodowych i nie tylko. Ponadto ChatGPT można również wykorzystywać do analizy danych z innych urządzeń teledetekcyjnych, takich jak drony, balony pogodowe i czujniki naziemne, które mogą dostarczyć bardziej szczegółowych informacji na temat konkretnego obszaru. Może to być przydatne do monitorowania dzikiej przyrody i różnorodności biologicznej, śledzenia rozprzestrzeniania się gatunków inwazyjnych lub identyfikowania obszarów zagrożonych osunięciami ziemi lub erozją gleby.

Być może już niebawem będzie więc można mówić o pozytywnym bilansie energetycznym i ekologicznym sztucznej inteligencji.