कृत्रिम बुद्धिमत्ता पर्यावरण को कैसे प्रभावित करती है?

कृत्रिम बुद्धिमत्ता पर्यावरण को कैसे प्रभावित करती है?

संक्षिप्त उत्तर: एआई मुख्य रूप से डेटा केंद्रों में बिजली के उपयोग (प्रशिक्षण और दैनिक अनुमान दोनों के लिए), शीतलन के लिए पानी के उपयोग, साथ ही हार्डवेयर निर्माण और ई-कचरे के अंतर्निहित प्रभावों के माध्यम से पर्यावरण को प्रभावित करता है। यदि उपयोग अरबों प्रश्नों तक बढ़ जाता है, तो अनुमान प्रशिक्षण से अधिक हो सकता है; यदि ग्रिड स्वच्छ और सिस्टम कुशल हैं, तो प्रभाव कम हो जाते हैं जबकि लाभ बढ़ सकते हैं।

चाबी छीनना:

बिजली : कंप्यूटिंग उपयोग पर नज़र रखें; स्वच्छ ग्रिड पर कार्यभार चलने पर उत्सर्जन में कमी आती है।

जल : शीतलन के विकल्प प्रभावों को बदलते हैं; जल-आधारित विधियाँ दुर्लभ क्षेत्रों में सबसे अधिक मायने रखती हैं।

हार्डवेयर : चिप्स और सर्वर में पर्याप्त अंतर्निहित प्रभाव होते हैं; इनके जीवनकाल को बढ़ाएं और नवीनीकरण को प्राथमिकता दें।

पुनः उछाल : दक्षता कुल मांग को बढ़ा सकती है; केवल प्रति-कार्य लाभ ही नहीं, बल्कि परिणामों का भी मापन करें।

परिचालन संबंधी उपाय : मॉडल का सही आकार निर्धारित करना, अनुमान को अनुकूलित करना और प्रति-अनुरोध मेट्रिक्स को पारदर्शी रूप से रिपोर्ट करना।

कृत्रिम बुद्धिमत्ता पर्यावरण को कैसे प्रभावित करती है? इन्फोग्राफिक

इस लेख के बाद आप ये लेख भी पढ़ सकते हैं:

🔗 क्या कृत्रिम बुद्धिमत्ता पर्यावरण के लिए हानिकारक है?
एआई के कार्बन फुटप्रिंट, बिजली की खपत और डेटा सेंटर की मांगों का विश्लेषण करें।.

🔗 कृत्रिम बुद्धिमत्ता समाज के लिए हानिकारक क्यों है?
पूर्वाग्रह, रोजगार में व्यवधान, गलत सूचना और बढ़ती सामाजिक असमानता पर गौर करें।.

🔗 कृत्रिम बुद्धिमत्ता बुरी क्यों है? कृत्रिम बुद्धिमत्ता का काला पक्ष
निगरानी, ​​हेरफेर और मानवीय नियंत्रण के नुकसान जैसे जोखिमों को समझें।.

🔗 क्या एआई हद से ज्यादा आगे निकल गया है?
नैतिकता, विनियमन और नवाचार की सीमाएं तय करने के विषय पर बहस।.

कृत्रिम बुद्धिमत्ता पर्यावरण को कैसे प्रभावित करती है: एक संक्षिप्त अवलोकन ⚡🌱

यदि आपको केवल कुछ ही बिंदुओं को याद रखना है, तो इन्हें ही याद रखें:

और फिर वो बात आती है जिसे लोग भूल जाते हैं: पैमाना । एक एआई क्वेरी छोटी हो सकती है, लेकिन अरबों क्वेरीज़ का मामला बिल्कुल अलग है... जैसे एक छोटा सा बर्फ का गोला अचानक सोफे के आकार के हिमस्खलन में बदल जाता है। (यह उपमा थोड़ी अटपटी है, लेकिन आप समझ गए होंगे।) आईईए: ऊर्जा और एआई

कृत्रिम बुद्धिमत्ता का पर्यावरणीय प्रभाव कोई एक चीज नहीं है - यह कई चीजों का समूह है 🧱🌎

जब लोग एआई और स्थिरता के बारे में बहस करते हैं, तो वे अक्सर एक-दूसरे की बात को समझ नहीं पाते क्योंकि वे अलग-अलग पहलुओं पर ध्यान केंद्रित कर रहे होते हैं:

1) विद्युत की गणना करें

  • बड़े मॉडलों को प्रशिक्षित करने के लिए लंबे समय तक लगातार काम करने वाले बड़े क्लस्टरों की आवश्यकता हो सकती है। आईईए: ऊर्जा और एआई

  • अनुमान (रोजमर्रा का उपयोग) समय के साथ बड़ा प्रभाव डाल सकता है क्योंकि यह लगातार, हर जगह होता रहता है। आईईए: ऊर्जा और एआई

2) डेटा सेंटर ओवरहेड

3) पानी और गर्मी

4) हार्डवेयर आपूर्ति श्रृंखला

5) व्यवहार और प्रतिवर्ती प्रभाव

इसलिए जब कोई पूछता है कि एआई पर्यावरण को कैसे प्रभावित करता है, तो सीधा जवाब यह है: यह इस बात पर निर्भर करता है कि आप किस स्तर को माप रहे हैं, और उस स्थिति में "एआई" का क्या अर्थ है।.

प्रशिक्षण बनाम अनुमान: वह अंतर जो सब कुछ बदल देता है 🧠⚙️

लोग ट्रेनिंग के बारे में बात करना पसंद करते हैं क्योंकि यह नाटकीय लगता है - "एक मॉडल ने X ऊर्जा का उपयोग किया।" लेकिन इन्फरेंस एक शांत महाशक्ति है। IEA: ऊर्जा और AI

प्रशिक्षण (बड़ी तैयारी)

प्रशिक्षण एक कारखाने के निर्माण की तरह है। इसमें शुरुआती लागत शामिल होती है: भारी कंप्यूटिंग शक्ति, लंबा रनटाइम, कई बार परीक्षण और त्रुटियाँ (और हाँ, कई बार "अरे, यह काम नहीं किया, फिर से कोशिश करो")। प्रशिक्षण को अनुकूलित किया जा सकता है, लेकिन फिर भी इसमें काफी लागत आ सकती है। IEA: ऊर्जा और AI

निष्कर्ष (दैनिक उपयोग)

अनुमान लगाना एक ऐसे कारखाने की तरह है जो हर दिन, हर किसी के लिए, बड़े पैमाने पर चलता है:

  • चैटबॉट सवालों के जवाब दे रहे हैं

  • छवि निर्माण

  • खोज रैंकिंग

  • सिफारिशों

  • भाषण से पाठ

  • धोखाधड़ी का पता लगाना

  • दस्तावेज़ और कोड टूल में सह-पायलट

भले ही प्रत्येक अनुरोध अपेक्षाकृत छोटा हो, उपयोग की मात्रा प्रशिक्षण को बौना कर सकती है। यह वही पुरानी कहावत है, "एक छोटी सी समस्या कुछ भी नहीं है, लेकिन लाखों छोटी-छोटी समस्याएं एक बड़ी समस्या बन जाती हैं।" आईईए: ऊर्जा और एआई

एक छोटी सी बात - कुछ AI कार्य दूसरों की तुलना में कहीं अधिक जटिल होते हैं। चित्र या लंबे वीडियो बनाना, छोटे पाठों के वर्गीकरण की तुलना में अधिक ऊर्जा खपत करता है। इसलिए "AI" को एक ही श्रेणी में रखना कुछ ऐसा ही है जैसे साइकिल और मालवाहक जहाज की तुलना करके दोनों को "परिवहन" कहना। (IEA: ऊर्जा और AI)

डेटा सेंटर: बिजली, शीतलन और उस शांत जल कहानी 💧🏢

डेटा सेंटर कोई नई चीज़ नहीं हैं, लेकिन AI ने इनकी तीव्रता को बदल दिया है। उच्च-प्रदर्शन वाले एक्सेलरेटर कम जगह में भी बहुत अधिक बिजली की खपत कर सकते हैं, जो गर्मी में परिवर्तित हो जाती है, जिसे नियंत्रित करना आवश्यक है। LBNL (2024): संयुक्त राज्य अमेरिका डेटा सेंटर ऊर्जा उपयोग रिपोर्ट (PDF) IEA: ऊर्जा और AI

शीतलन की बुनियादी बातें (सरलीकृत, लेकिन व्यावहारिक)

यही समझौता है: पानी आधारित शीतलन प्रणाली का उपयोग करके कभी-कभी बिजली की खपत कम की जा सकती है। स्थानीय जल संकट की स्थिति के आधार पर, यह ठीक हो सकता है... या यह एक गंभीर समस्या भी हो सकती है। ली एट अल. (2023): एआई को कम "ज्यादा खपत करने वाला" बनाना (पीडीएफ)

इसके अलावा, पर्यावरणीय प्रभाव काफी हद तक इन बातों पर निर्भर करता है:

स्पष्ट कहें तो, सार्वजनिक चर्चा में अक्सर "डेटा सेंटर" को एक रहस्यमयी वस्तु की तरह माना जाता है। यह न तो बुरा है, न ही जादुई। यह बुनियादी ढांचा है। यह बुनियादी ढांचे की तरह व्यवहार करता है।.

चिप्स और हार्डवेयर: वो हिस्सा जिसे लोग नज़रअंदाज़ कर देते हैं क्योंकि वो कम आकर्षक होता है 🪨🔧

कृत्रिम बुद्धिमत्ता हार्डवेयर पर आधारित होती है। हार्डवेयर का एक जीवनचक्र होता है, और इस जीवनचक्र के प्रभाव व्यापक हो सकते हैं। (अमेरिकी ईपीए: सेमीकंडक्टर उद्योग, आईटीयू: ग्लोबल ई-वेस्ट मॉनिटर 2024)

जहां पर्यावरणीय प्रभाव दिखाई देता है

ई-कचरा और "बिल्कुल ठीक" सर्वर

पर्यावरण को होने वाला अधिकांश नुकसान किसी एक उपकरण के अस्तित्व से नहीं होता, बल्कि उसे समय से पहले बदलने से होता है क्योंकि वह अब लागत-प्रभावी नहीं रह जाता। कृत्रिम बुद्धिमत्ता (AI) इस प्रक्रिया को और तेज़ कर देती है क्योंकि इससे प्रदर्शन में ज़बरदस्त सुधार हो सकता है। हार्डवेयर को अपग्रेड करने का प्रलोभन स्वाभाविक है। ITU: ग्लोबल ई-वेस्ट मॉनिटर 2024

एक व्यावहारिक बात: हार्डवेयर की आयु बढ़ाना, उसके उपयोग को बेहतर बनाना और उसे नवीनीकृत करना किसी भी आधुनिक मॉडल के बदलाव जितना ही महत्वपूर्ण हो सकता है। कभी-कभी सबसे पर्यावरण-अनुकूल जीपीयू वही होता है जिसे आप खरीदते ही नहीं। (यह एक नारा जैसा लगता है, लेकिन यह कुछ हद तक सच भी है।)

कृत्रिम बुद्धिमत्ता पर्यावरण को कैसे प्रभावित करती है: “लोग इसे भूल जाते हैं” वाला व्यवहार चक्र 🔁😬

अब आता है इसका सामाजिक पहलू: कृत्रिम बुद्धिमत्ता चीजों को आसान बनाती है, जिससे लोग अधिक काम करते हैं। यह बहुत अच्छा हो सकता है - अधिक उत्पादकता, अधिक रचनात्मकता, अधिक पहुंच। लेकिन इसका अर्थ यह भी हो सकता है कि संसाधनों का समग्र उपयोग भी अधिक हो। OECD (2012): ऊर्जा दक्षता सुधारों के अनेक लाभ (PDF)

उदाहरण:

  • अगर एआई वीडियो जनरेशन को सस्ता बना देता है, तो लोग अधिक वीडियो बनाते हैं।.

  • अगर एआई विज्ञापन को अधिक प्रभावी बनाता है, तो अधिक विज्ञापन दिखाए जाते हैं, और अधिक जुड़ाव चक्र चलते हैं।.

  • अगर एआई शिपिंग लॉजिस्टिक्स को अधिक कुशल बना देता है, तो ई-कॉमर्स और भी तेजी से बढ़ सकता है।.

यह घबराने की बात नहीं है। यह सिर्फ दक्षता का आकलन करने का नहीं, बल्कि परिणामों का आकलन करने का कारण है।.

एक अपूर्ण लेकिन मजेदार उपमा: एआई की दक्षता एक किशोर को बड़ा फ्रिज देने जैसी है - हाँ, खाने का सामान रखने की क्षमता बढ़ जाती है, लेकिन पता नहीं कैसे एक दिन में ही फ्रिज फिर से खाली हो जाता है। यह एकदम सटीक उपमा नहीं है, लेकिन... ऐसा होते हुए आपने देखा ही होगा 😅

सकारात्मक पहलू: एआई (सही दिशा में इस्तेमाल किए जाने पर) वास्तव में पर्यावरण की मदद कर सकता है 🌿✨

अब उस पहलू की बात करते हैं जिसे अक्सर कम आंका जाता है: एआई मौजूदा प्रणालियों में उत्सर्जन और अपशिष्ट को कम कर सकता है जो… सच कहें तो, भद्दी हैं। आईईए: ऊर्जा अनुकूलन और नवाचार के लिए एआई

वे क्षेत्र जहां एआई मदद कर सकता है

महत्वपूर्ण बात: एआई द्वारा "मदद" करने से एआई के पर्यावरणीय प्रभाव की भरपाई स्वतः नहीं हो जाती। यह इस बात पर निर्भर करता है कि एआई वास्तव में तैनात किया गया है, वास्तव में उपयोग किया गया है, और क्या इससे केवल बेहतर डैशबोर्ड बनाने के बजाय वास्तविक कमी आती है। लेकिन हां, इसकी क्षमता वास्तविक है। आईईए: ऊर्जा अनुकूलन और नवाचार के लिए एआई

पर्यावरण के अनुकूल एआई का अच्छा संस्करण कैसा होना चाहिए? ✅🌍

यह "ठीक है, तो अब हमें क्या करना चाहिए" वाला भाग है। एक अच्छे पर्यावरण के अनुकूल एआई सेटअप में आमतौर पर निम्नलिखित विशेषताएं होती हैं:

  • स्पष्ट उपयोग-मामला मूल्य : यदि मॉडल निर्णयों या परिणामों को नहीं बदलता है, तो यह केवल एक आकर्षक कंप्यूटिंग प्रक्रिया है।

  • मापन प्रक्रिया अंतर्निहित है : ऊर्जा, कार्बन अनुमान, उपयोग और दक्षता मेट्रिक्स को अन्य सभी प्रमुख प्रदर्शन संकेतकों (KPI) की तरह ही ट्रैक किया जाता है। कोडकार्बन: कार्यप्रणाली

  • उपयुक्त आकार के मॉडल : जब छोटे मॉडल कारगर हों, तो उनका उपयोग करें। कुशल होना कोई नैतिक विफलता नहीं है।

  • कुशल अनुमान डिजाइन : कैशिंग, बैचिंग, क्वांटाइजेशन, पुनर्प्राप्ति और अच्छे प्रॉम्प्टिंग पैटर्न। घोलामी एट अल. (2021): क्वांटाइजेशन विधियों का सर्वेक्षण (पीडीएफ) लुईस एट अल. (2020): पुनर्प्राप्ति-संवर्धित पीढ़ी

  • हार्डवेयर और स्थान की जानकारी : उन वर्कलोड को चलाएं जहां ग्रिड स्वच्छ हो और बुनियादी ढांचा कुशल हो (जब संभव हो)। कार्बन तीव्रता एपीआई (जीबी)

  • हार्डवेयर का लंबा जीवनकाल : उपयोग, पुन: उपयोग और नवीनीकरण को अधिकतम करें। आईटीयू: ग्लोबल ई-वेस्ट मॉनिटर 2024

  • सीधी रिपोर्टिंग : ग्रीनवॉशिंग भाषा और "पर्यावरण के अनुकूल एआई" जैसे अस्पष्ट दावों से बचें, खासकर बिना आंकड़ों के।

यदि आप अभी भी इस बात पर नज़र रख रहे हैं कि एआई पर्यावरण को कैसे प्रभावित करता है, तो यह वह बिंदु है जहां उत्तर दार्शनिक होने के बजाय व्यावहारिक हो जाता है: यह आपके विकल्पों के आधार पर इसे प्रभावित करता है।.

तुलनात्मक तालिका: वे उपकरण और तरीके जो वास्तव में प्रभाव को कम करते हैं 🧰⚡

नीचे एक संक्षिप्त और व्यावहारिक तालिका दी गई है। यह पूरी तरह से सटीक नहीं है, और हाँ, कुछ सेल थोड़े पक्षपातपूर्ण हैं... क्योंकि वास्तविक टूल चयन इसी तरह काम करता है।.

उपकरण / दृष्टिकोण श्रोता कीमत यह कैसे काम करता है
कार्बन/ऊर्जा ट्रैकिंग लाइब्रेरी (रनटाइम एस्टीमेटर) एमएल टीमें नि: शुल्क-ish इससे स्पष्टता मिलती है - जो कि आधी लड़ाई जीतने के बराबर है, भले ही अनुमान थोड़े अस्पष्ट हों.. कोडकार्बन
हार्डवेयर पावर मॉनिटरिंग (जीपीयू/सीपीयू टेलीमेट्री) इन्फ्रा + एमएल मुक्त वास्तविक खपत को मापता है; दौड़ की तुलना करने के लिए अच्छा है (दिखावटी नहीं लेकिन बेहतरीन)
मॉडल आसवन एमएल इंजीनियर मुफ़्त (समय-लागत 😵) छोटे छात्र मॉडल अक्सर बहुत कम अनुमान लागत के साथ प्रदर्शन में मेल खाते हैं। हिंटन एट अल. (2015): एक न्यूरल नेटवर्क में ज्ञान का सार निकालना
परिमाणीकरण (कम परिशुद्धता अनुमान) एमएल + उत्पाद मुक्त लेटेंसी और बिजली की खपत कम करता है; कभी-कभी गुणवत्ता में मामूली कमी आती है, कभी-कभी बिल्कुल भी नहीं। घोलामी एट अल. (2021): परिमाणीकरण विधियों का सर्वेक्षण (पीडीएफ)
कैशिंग + बैचिंग अनुमान उत्पाद + प्लेटफ़ॉर्म मुक्त अनावश्यक कंप्यूटिंग को कम करता है; बार-बार पूछे जाने वाले प्रश्नों या इसी तरह के अनुरोधों के लिए विशेष रूप से उपयोगी है।
पुनर्प्राप्ति-संवर्धित पीढ़ी (आरएजी) ऐप टीमें मिश्रित पुनर्प्राप्ति के लिए "मेमोरी" का भार कम करता है; विशाल संदर्भ विंडो की आवश्यकता को कम कर सकता है। लुईस एट अल. (2020): पुनर्प्राप्ति-संवर्धित पीढ़ी
कार्बन तीव्रता के आधार पर कार्यभार का निर्धारण इंफ्रा/ऑप्स मिश्रित पावर विंडो क्लीनर के लिए लचीली नौकरियों को स्थानांतरित करता है - हालांकि इसके लिए समन्वय की आवश्यकता होती है। कार्बन तीव्रता एपीआई (जीबी)
डेटा सेंटर की दक्षता पर ध्यान केंद्रित करना (उपयोग, समेकन) आईटी नेतृत्व भुगतान किया गया (आमतौर पर) सबसे कम आकर्षक उपाय, लेकिन अक्सर सबसे महत्वपूर्ण - आधे खाली सिस्टम को चलने से रोकना। ग्रीन ग्रिड: पीयूई
ऊष्मा पुन: उपयोग परियोजनाएं सुविधाएँ यह निर्भर करता है यह बेकार ऊष्मा को उपयोगी ऊर्जा में बदल देता है; यह हमेशा संभव नहीं होता, लेकिन जब संभव होता है, तो यह वाकई अद्भुत होता है।
“क्या हमें यहाँ AI की ज़रूरत भी है?” सब लोग मुक्त अनावश्यक गणना को रोकता है। सबसे शक्तिशाली अनुकूलन कभी-कभी 'ना' कहना होता है।

ध्यान दीजिए कि क्या गायब है? "एक जादुई हरा स्टिकर खरीदें।" ऐसा कोई स्टिकर है ही नहीं 😬

व्यावहारिक रणनीति: उत्पाद को नष्ट किए बिना एआई के प्रभाव को कम करना 🛠️🌱

यदि आप एआई सिस्टम बना रहे हैं या खरीद रहे हैं, तो यहां एक व्यावहारिक क्रम दिया गया है जो व्यवहार में कारगर साबित होता है:

चरण 1: माप से शुरू करें

  • ऊर्जा खपत पर नज़र रखें या लगातार इसका अनुमान लगाएं। कोडकार्बन: कार्यप्रणाली

  • प्रत्येक प्रशिक्षण रन और प्रत्येक अनुमान अनुरोध के लिए मापें।.

  • उपयोग की निगरानी करें - निष्क्रिय संसाधन अक्सर सबके सामने छिपे रहते हैं। ग्रीन ग्रिड: पीयूई

चरण 2: मॉडल को कार्य के अनुरूप आकार दें

  • वर्गीकरण, निष्कर्षण और रूटिंग के लिए छोटे मॉडल का उपयोग करें।.

  • भारी मॉडल को हार्ड केस के लिए बचाकर रखें।.

  • एक "मॉडल कैस्केड" पर विचार करें: पहले छोटा मॉडल, जरूरत पड़ने पर ही बड़ा मॉडल।.

चरण 3: अनुमान को अनुकूलित करें (यहीं पर पैमाने का प्रभाव पड़ता है)

  • कैशिंग : बार-बार पूछे जाने वाले प्रश्नों के उत्तरों को संग्रहित करना (गोपनीयता पर सावधानीपूर्वक नियंत्रण के साथ)।

  • बैचिंग : हार्डवेयर की दक्षता में सुधार के लिए अनुरोधों को समूहबद्ध करना।

  • संक्षिप्त निबंध बेहतर होते हैं : लंबे निबंधों की लागत अधिक होती है - कभी-कभी निबंध की आवश्यकता नहीं होती है।

  • प्रॉम्प्ट अनुशासन : अव्यवस्थित प्रॉम्प्ट से कंप्यूटिंग पथ लंबे हो जाते हैं... और हाँ, अधिक टोकन भी बनते हैं।

चरण 4: डेटा स्वच्छता में सुधार करें

यह सुनने में असंबंधित लग सकता है, लेकिन ऐसा नहीं है:

  • स्वच्छ डेटासेट से रिट्रेनिंग में होने वाली समस्याओं को कम किया जा सकता है।.

  • कम शोर का मतलब है कम प्रयोग और कम व्यर्थ प्रयास।.

चरण 5: हार्डवेयर को एक संपत्ति की तरह समझें, न कि डिस्पोजेबल वस्तु की तरह।

  • जहां संभव हो, रिफ्रेश चक्रों को बढ़ाएं। आईटीयू: ग्लोबल ई-वेस्ट मॉनिटर 2024

  • कम कार्यभार वाले कार्यों के लिए पुराने हार्डवेयर का पुनः उपयोग करें।.

  • “हमेशा पीक” प्रोविजनिंग से बचें।.

चरण 6: तैनाती का चुनाव सोच-समझकर करें

  • यदि संभव हो तो ऐसे लचीले कार्य चलाएं जिनमें ऊर्जा का उपयोग पर्यावरण के अनुकूल हो। कार्बन तीव्रता एपीआई (जीबी)

  • अनावश्यक दोहराव को कम करें।.

  • लेटेंसी के लक्ष्यों को यथार्थवादी रखें (अत्यंत कम लेटेंसी से अकुशल ऑलवेज-ऑन सेटअप की आवश्यकता हो सकती है)।.

और हाँ... कभी-कभी सबसे अच्छा उपाय यही होता है: हर उपयोगकर्ता की गतिविधि के लिए सबसे बड़े मॉडल को स्वचालित रूप से न चलाएँ। यह आदत पर्यावरण के लिए ठीक वैसी ही है जैसे स्विच तक जाने के झंझट में हर लाइट को जलाए रखना।.

आम भ्रांतियाँ (और सच्चाई के सबसे करीब क्या है) 🧠🧯

मिथक: "एआई हमेशा पारंपरिक सॉफ्टवेयर से खराब होता है"

सत्य: कृत्रिम बुद्धिमत्ता (AI) अधिक कंप्यूटिंग शक्ति का उपयोग कर सकती है, लेकिन यह अक्षम मैन्युअल प्रक्रियाओं को प्रतिस्थापित कर सकती है, अपव्यय को कम कर सकती है और प्रणालियों को अनुकूलित कर सकती है। यह परिस्थितिजन्य है। IEA: ऊर्जा अनुकूलन और नवाचार के लिए AI

भ्रम: “प्रशिक्षण ही एकमात्र समस्या है”

सत्य: व्यापक स्तर पर अनुमान लगाना समय के साथ हावी हो सकता है। यदि आपके उत्पाद का उपयोग अचानक बढ़ जाता है, तो यही मुख्य बात बन जाती है। आईईए: ऊर्जा और एआई

भ्रम: “नवीकरणीय ऊर्जा से समस्या तुरंत हल हो जाती है”

सच: स्वच्छ बिजली से बहुत मदद मिलती है, लेकिन इससे हार्डवेयर की मात्रा, पानी की खपत या इसके दुष्प्रभाव पूरी तरह खत्म नहीं होते। फिर भी यह महत्वपूर्ण है। आईईए: ऊर्जा और एआई

भ्रम: "यदि यह कुशल है, तो यह टिकाऊ है"

सत्य: मांग नियंत्रण के बिना भी दक्षता कुल प्रभाव को बढ़ा सकती है। यही प्रतिगामी दुष्चक्र है। ओईसीडी (2012): ऊर्जा दक्षता सुधारों के अनेक लाभ (पीडीएफ)

सुशासन, पारदर्शिता और दिखावटीपन से दूर रहना 🧾🌍

यदि आप एक कंपनी हैं, तो यहीं पर विश्वास बनता है या बिगड़ता है।.

यह वो हिस्सा है जिस पर लोग आंखें घुमाते हैं, लेकिन यह मायने रखता है। ज़िम्मेदार तकनीक का मतलब सिर्फ़ चालाक इंजीनियरिंग नहीं है। इसका मतलब यह भी है कि आप समझौता करने की प्रवृत्ति को नज़रअंदाज़ न करें।.

समापन सारांश: कृत्रिम बुद्धिमत्ता पर्यावरण को कैसे प्रभावित करती है, इसका संक्षिप्त विवरण 🌎✅

पर्यावरण पर कृत्रिम बुद्धिमत्ता का प्रभाव मुख्य रूप से बिजली, पानी (कभी-कभी) और हार्डवेयर की बढ़ती मांग पर निर्भर करता है। IEA: ऊर्जा और AI ली एट अल. (2023): AI को कम ऊर्जा खपत वाला बनाना (PDF) यह अन्य क्षेत्रों में उत्सर्जन और अपशिष्ट को कम करने के लिए शक्तिशाली उपकरण भी प्रदान करता है। IEA: ऊर्जा अनुकूलन और नवाचार के लिए AI अंतिम परिणाम पैमाने, ग्रिड की स्वच्छता, दक्षता विकल्पों और इस बात पर निर्भर करता है कि AI वास्तविक समस्याओं का समाधान कर रहा है या केवल नवीनता के लिए नवीनता उत्पन्न कर रहा है। IEA: ऊर्जा और AI

यदि आप सबसे सरल और व्यावहारिक निष्कर्ष चाहते हैं:

  • उपाय।.

  • सही आकार।.

  • अनुमान को अनुकूलित करें।.

  • हार्डवेयर का जीवनकाल बढ़ाएँ।.

  • समझौते और समझौते के बारे में खुलकर बात करें।.

और अगर आप तनाव महसूस कर रहे हैं, तो यहाँ एक सुकून देने वाली बात है: छोटे-छोटे परिचालन संबंधी निर्णय, जिन्हें हज़ार बार दोहराया जाए, आमतौर पर एक बड़े स्थिरता संबंधी बयान से बेहतर होते हैं। बिल्कुल दांत ब्रश करने की तरह। देखने में आकर्षक नहीं, लेकिन असरदार है… 😄🪥

अक्सर पूछे जाने वाले प्रश्न

रोजमर्रा के उपयोग में एआई पर्यावरण को कैसे प्रभावित करता है, न कि केवल बड़े अनुसंधान प्रयोगशालाओं में?

कृत्रिम बुद्धिमत्ता (AI) का अधिकांश प्रभाव उस बिजली से आता है जो प्रशिक्षण और दैनिक "अनुमान" के दौरान GPU और CPU चलाने वाले डेटा केंद्रों को शक्ति प्रदान करती है। एक बार में बिजली की आवश्यकता कम लग सकती है, लेकिन बड़े पैमाने पर ये आवश्यकताएँ तेज़ी से बढ़ती जाती हैं। इसका प्रभाव इस बात पर भी निर्भर करता है कि डेटा केंद्र कहाँ स्थित है, स्थानीय बिजली ग्रिड कितना स्वच्छ है और बुनियादी ढाँचे का संचालन कितनी कुशलता से किया जाता है।.

क्या एआई मॉडल को प्रशिक्षित करना, उसका उपयोग करने (अनुमान लगाने) की तुलना में पर्यावरण के लिए अधिक हानिकारक है?

प्रशिक्षण में शुरुआत में बड़ी मात्रा में कंप्यूटिंग ऊर्जा लग सकती है, लेकिन समय के साथ अनुमान लगाने की प्रक्रिया अधिक जटिल हो जाती है क्योंकि यह लगातार और बड़े पैमाने पर चलती रहती है। यदि किसी उपकरण का उपयोग प्रतिदिन लाखों लोग करते हैं, तो बार-बार किए जाने वाले अनुरोधों की लागत एक बार के प्रशिक्षण खर्च से कहीं अधिक हो सकती है। यही कारण है कि अनुकूलन अक्सर अनुमान लगाने की दक्षता पर केंद्रित होता है।.

एआई पानी का उपयोग क्यों करता है, और क्या यह हमेशा एक समस्या है?

कृत्रिम बुद्धिमत्ता (AI) मुख्य रूप से पानी का उपयोग इसलिए कर सकती है क्योंकि कुछ डेटा सेंटर पानी आधारित शीतलन पर निर्भर करते हैं, या बिजली उत्पादन के माध्यम से अप्रत्यक्ष रूप से पानी की खपत होती है। कुछ जलवायु परिस्थितियों में, वाष्पीकरण शीतलन से बिजली की खपत कम हो सकती है जबकि पानी की खपत बढ़ सकती है, जिससे एक वास्तविक संतुलन बिगड़ जाता है। यह संतुलन बिगड़ना स्थानीय जल संकट, शीतलन डिजाइन और पानी के उपयोग के मापन और प्रबंधन पर निर्भर करता है।.

कृत्रिम बुद्धिमत्ता के पर्यावरणीय प्रभाव का कौन सा हिस्सा हार्डवेयर और ई-कचरे से आता है?

कृत्रिम बुद्धिमत्ता (AI) चिप्स, सर्वर, नेटवर्किंग उपकरण, भवन और आपूर्ति श्रृंखलाओं पर निर्भर करती है - जिसका अर्थ है खनन, उत्पादन, परिवहन और अंततः निपटान। सेमीकंडक्टर निर्माण में बहुत ऊर्जा लगती है, और तेजी से अपग्रेड करने से उत्सर्जन और ई-कचरा बढ़ सकता है। हार्डवेयर के जीवनकाल को बढ़ाना, उसका नवीनीकरण करना और उसके उपयोग को बेहतर बनाना, इसके प्रभाव को काफी हद तक कम कर सकता है, जो कभी-कभी मॉडल-स्तर के परिवर्तनों के बराबर होता है।.

क्या नवीकरणीय ऊर्जा का उपयोग करने से कृत्रिम बुद्धिमत्ता के पर्यावरणीय प्रभाव का समाधान हो जाता है?

स्वच्छ बिजली से कंप्यूटिंग से होने वाले उत्सर्जन में कमी आ सकती है, लेकिन इससे पानी के उपयोग, हार्डवेयर निर्माण और ई-कचरे जैसे अन्य प्रभावों का पूरी तरह से समाधान नहीं होता। साथ ही, इससे "पुनरावर्तन प्रभाव" की समस्या का भी स्वतः समाधान नहीं होता, जहाँ कम लागत वाली कंप्यूटिंग से समग्र उपयोग में वृद्धि होती है। नवीकरणीय ऊर्जा एक महत्वपूर्ण साधन है, लेकिन यह कार्बन फुटप्रिंट के समग्र पहलुओं का केवल एक हिस्सा है।.

रिबाउंड प्रभाव क्या है, और यह एआई और स्थिरता के लिए क्यों मायने रखता है?

जब दक्षता में सुधार से कोई काम सस्ता या आसान हो जाता है, तो लोग उसे अधिक करने लगते हैं - जिससे कभी-कभी बचत भी खत्म हो जाती है। कृत्रिम बुद्धिमत्ता (AI) के साथ, सस्ते उत्पादन या स्वचालन से सामग्री, कंप्यूटिंग और सेवाओं की कुल मांग बढ़ सकती है। इसीलिए, केवल दक्षता का जश्न मनाने के बजाय व्यवहार में परिणामों को मापना अधिक महत्वपूर्ण है।.

उत्पाद को नुकसान पहुंचाए बिना एआई के प्रभाव को कम करने के व्यावहारिक तरीके क्या हैं?

एक सामान्य दृष्टिकोण यह है कि माप (ऊर्जा और कार्बन अनुमान, उपयोग) से शुरुआत की जाए, फिर कार्य के अनुरूप मॉडल तैयार किए जाएं और कैशिंग, बैचिंग और छोटे आउटपुट के साथ अनुमान प्रक्रिया को अनुकूलित किया जाए। क्वांटाइजेशन, डिस्टिलेशन और रिट्रीवल-ऑगमेंटेड जेनरेशन जैसी तकनीकें कंप्यूटिंग आवश्यकताओं को कम कर सकती हैं। परिचालन संबंधी विकल्प - जैसे कार्बन तीव्रता के आधार पर कार्यभार निर्धारण और हार्डवेयर का लंबा जीवनकाल - अक्सर बड़े लाभ प्रदान करते हैं।.

एआई पर्यावरण को नुकसान पहुंचाने के बजाय उसकी मदद कैसे कर सकता है?

वास्तविक प्रणालियों को अनुकूलित करने के लिए कृत्रिम बुद्धिमत्ता (AI) का उपयोग उत्सर्जन और अपशिष्ट को कम कर सकता है: ग्रिड पूर्वानुमान, मांग प्रतिक्रिया, भवन एचवीएसी नियंत्रण, लॉजिस्टिक्स रूटिंग, पूर्वानुमानित रखरखाव और रिसाव का पता लगाना। यह वनों की कटाई संबंधी चेतावनियों और मीथेन का पता लगाने जैसी पर्यावरणीय निगरानी में भी सहायक हो सकता है। मुख्य बात यह है कि क्या यह प्रणाली निर्णयों में बदलाव लाती है और मापने योग्य कमी लाती है, न कि केवल बेहतर डैशबोर्ड प्रदान करती है।.

एआई से जुड़े दावों को "ग्रीनवॉशिंग" होने से बचाने के लिए कंपनियों को किन मापदंडों की रिपोर्ट करनी चाहिए?

केवल बड़े कुल आंकड़ों के बजाय प्रति कार्य या प्रति अनुरोध के आधार पर मेट्रिक्स रिपोर्ट करना अधिक सार्थक है, क्योंकि यह इकाई स्तर पर दक्षता दर्शाता है। ऊर्जा उपयोग, कार्बन अनुमान, उपयोगिता और - जहां प्रासंगिक हो - जल प्रभावों पर नज़र रखने से जवाबदेही स्पष्ट होती है। इसके अलावा महत्वपूर्ण: सीमाएं (क्या शामिल है) परिभाषित करें और मात्रात्मक प्रमाण के बिना "पर्यावरण-अनुकूल एआई" जैसे अस्पष्ट लेबल से बचें।.

संदर्भ

  1. अंतर्राष्ट्रीय ऊर्जा एजेंसी (आईईए) - ऊर्जा और एआई - iea.org

  2. अंतर्राष्ट्रीय ऊर्जा एजेंसी (आईईए) - ऊर्जा अनुकूलन और नवाचार के लिए एआई - iea.org

  3. अंतर्राष्ट्रीय ऊर्जा एजेंसी (आईईए) - डिजिटलीकरण - iea.org

  4. लॉरेंस बर्कले नेशनल लेबोरेटरी (एलबीएनएल) - संयुक्त राज्य अमेरिका डेटा सेंटर ऊर्जा उपयोग रिपोर्ट (2024) (पीडीएफ) - lbl.gov

  5. ली एट अल. - एआई को कम "प्यासशील" बनाना (2023) (पीडीएफ) - arxiv.org

  6. ASHRAE (TC 9.9) - मुख्यधारा के डेटा केंद्रों में लिक्विड कूलिंग का उद्भव और विस्तार (PDF) - ashrae.org

  7. द ग्रीन ग्रिड - पीयूई - मीट्रिक प्रणाली का व्यापक विश्लेषण - thegreengrid.org

  8. अमेरिकी ऊर्जा विभाग (डीओई) - एफईएमपी - संघीय डेटा केंद्रों के लिए शीतलन जल दक्षता के अवसर - energy.gov

  9. अमेरिकी ऊर्जा विभाग (डीओई) - एफईएमपी - डेटा केंद्रों में ऊर्जा दक्षता - energy.gov

  10. अमेरिकी पर्यावरण संरक्षण एजेंसी (ईपीए) - सेमीकंडक्टर उद्योग - epa.gov

  11. अंतर्राष्ट्रीय दूरसंचार संघ (आईटीयू) - ग्लोबल ई-वेस्ट मॉनिटर 2024 - itu.int

  12. ओईसीडी - ऊर्जा दक्षता सुधारों के अनेक लाभ (2012) (पीडीएफ) - oecd.org

  13. कार्बन तीव्रता एपीआई (GB) - carbonintensity.org.uk

  14. आईएमसी - चिप निर्माण में पर्यावरणीय प्रभाव को कम करना - imec-int.com

  15. यूएनईपी - मार्स कैसे काम करता है - unep.org

  16. ग्लोबल फॉरेस्ट वॉच - जीएलएडी वनों की कटाई संबंधी चेतावनी - globalforestwatch.org

  17. एलन ट्यूरिंग इंस्टीट्यूट - जैव विविधता और पारिस्थितिकी तंत्र के स्वास्थ्य के आकलन के लिए कृत्रिम बुद्धिमत्ता और स्वायत्त प्रणालियाँ - turing.ac.uk

  18. कोडकार्बन - कार्यप्रणाली - mlco2.github.io

  19. घोलामी एट अल. - परिमाणीकरण विधियों का सर्वेक्षण (2021) (पीडीएफ) - arxiv.org

  20. लुईस एट अल. - रिट्रीवल-ऑगमेंटेड जेनरेशन (2020) - arxiv.org

  21. हिंटन एट अल. - न्यूरल नेटवर्क में ज्ञान का सार निकालना (2015) - arxiv.org

  22. कोडकार्बन - codecarbon.io

आधिकारिक एआई असिस्टेंट स्टोर पर नवीनतम एआई खोजें

हमारे बारे में

ब्लॉग पर वापस जाएँ